葉片圖像多特征融合的植物種類識別方法及裝置與流程

本發明涉及計算機圖像處理
技術領域：
，尤其涉及一種葉片圖像多特征融合的植物種類識別方法及裝置。
背景技術：
：地球上大約有400000種植物，我國是世界第二大植物物種資源庫。植物的種類識別是植物學研究和農業生產的基礎性工作，是人類認識植物，掌握植物的進化規律，了解植物的基本特性并且加以利用的基礎，可應用于農作物病蟲害識別、農作物長勢監測等領域，同時與農、林、牧、副、漁、中醫藥等領域也有著密切關系。傳統的植物分類學研究一般對采集的標本需要人工測量、獲得數據，綜合植物的外部特征，通過人們的經驗常識進行分類。顯然，這種方法工作量巨大，并且主觀性較強，導致識別錯誤的可能性大。隨著機器學習、模式識別、圖像處理等技術的快速發展，借助計算機的強大計算能力可實現對植物進行快速、客觀地分類。在植物的根、莖、葉、花、果實、種子六大器官中，葉片的形態較為穩定，數量相對較大，生長周期長而且基本處于平面狀態，很適合用于圖像的采集、處理與識別，因此葉片成為進行植物種類識別的首選。然而，由于生長環境的不同以及基因的差異，不同的植物的葉片在形狀、紋理上都有著或大或小的差異，而現有技術中缺乏能夠準確、快速地對植物葉片進行識別的方法，進而無法滿足人們對植物種類鑒別、分類以及檢索的需求。技術實現要素：針對現有技術中缺乏能夠準確、快速地對植物葉片進行識別的方法的缺陷，本發明提出如下技術方案：一種葉片圖像多特征融合的植物種類識別方法，包括：獲取已知種類的植物葉片樣本圖像；根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像；分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取；通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據；根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別。可選地，所述根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像，包括：對所述葉片樣本圖像經灰度轉換處理得到原始灰度圖像，并利用最大類間方差法對所述原始灰度圖像進行閾值分割處理，通過保留最大連通成分的操作方法將經過閾值分割處理后的原始灰度圖像中的葉片從背景中提取出來，以獲取原始二值圖像；根據所述原始二值圖像的圖像矩陣和所述原始灰度圖像的圖像矩陣獲取去除背景的葉片灰度圖像；對所述葉片樣本圖像轉換處理得到HSI色彩空間下的圖像，以根據所述HSI色彩空間下的圖像中的飽和度圖像的圖像矩陣與所述原始二值圖像的圖像矩陣獲取去除背景的葉片紋理圖像。可選地，所述通過保留最大連通成分的操作方法將經過閾值分割處理后的原始灰度圖像中的葉片從背景中提取出來，以獲取原始二值圖像，包括：采用形態學中的開運算和閉運算對經過閾值分割處理后的原始灰度圖像進行處理。可選地，所述葉片形狀特征包括以下任一種或其組合：幾何特征、不變矩特征和結構特征；所述葉片紋理特征包括以下任一種或其組合：灰度共生矩陣特征、分形維數、局部二值模式特征和Gabor特征。可選地，所述幾何特征包括縱橫軸比、矩形度、球性狀、圓形度、偏心率、周長凹凸比、面積凹凸比以及形狀參數。可選地，所述結構特征包括鋸齒度。可選地，所述通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，包括：對所述葉片形狀特征和紋理特征組成的多特征數據進行歸一化處理；對經過歸一化處理的多特征數據進行降維處理。一種葉片圖像多特征融合的植物種類識別裝置，包括：樣本圖像獲取單元，用于獲取已知種類的植物葉片樣本圖像；處理圖像獲取單元，用于根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像；圖像特征提取單元，用于分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取；訓練樣本特征數據獲取單元，用于通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據；分類器訓練單元，用于根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別。可選地，所述處理圖像獲取單元進一步用于：對所述葉片樣本圖像經灰度轉換處理得到原始灰度圖像，并利用最大類間方差法對所述原始灰度圖像進行閾值分割處理，通過保留最大連通成分的操作方法將經過閾值分割處理后的原始灰度圖像中的葉片從背景中提取出來，以獲取原始二值圖像；根據所述原始二值圖像的圖像矩陣和所述原始灰度圖像的圖像矩陣獲取去除背景的葉片灰度圖像；對所述葉片樣本圖像轉換處理得到HSI色彩空間下的圖像，以根據所述HSI色彩空間下的圖像中的飽和度圖像的圖像矩陣與所述原始二值圖像的圖像矩陣獲取去除背景的葉片紋理圖像。可選地，所述處理圖像獲取單元還用于采用形態學中的開運算和閉運算對經過閾值分割處理后的原始灰度圖像進行處理。本發明的葉片圖像多特征融合的植物種類識別方法及裝置，通過獲取已知種類的植物葉片樣本圖像，并根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像，進而通過分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取，以通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據，最后根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別，可以實現將圖像處理與機器學習的理論結合起來應用于植物種類識別上，提高植物分類和識別的準確率和效率。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明一個實施例的葉片圖像多特征融合的植物種類識別方法流程示意圖；圖2為本發明另一個實施例的葉片圖像多特征融合的植物種類識別方法流程示意圖；圖3為本發明一個實施例的植物葉片樣本圖像；圖4為本發明一個實施例的葉片二值圖像；圖5為本發明一個實施例的葉片紋理圖像；圖6為本發明一個實施例的葉片分塊局部二值模式直方圖；圖7為本發明一個實施例的葉片Gabor濾波圖；圖8為本發明一個實施例的葉片圖像多特征融合的植物種類識別裝置結構示意圖。具體實施方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。圖1為本發明一個實施例的葉片圖像多特征融合的植物種類識別方法流程示意圖，如圖1所示，該方法包括：S1：獲取已知種類的植物葉片樣本圖像；S2：根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像；S3：分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取；S4：通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據；S5：根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別。本實施例的葉片圖像多特征融合的植物種類識別方法，通過獲取已知種類的植物葉片樣本圖像，并根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像，進而通過分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取，以通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據，最后根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別，可以實現將圖像處理與機器學習的理論結合起來應用于植物種類識別上，提高植物分類和識別的準確率和效率。具體來說，圖2示出了本發明另一個實施例的葉片圖像多特征融合的植物種類識別方法流程示意圖；圖3為本發明一個實施例的植物葉片樣本圖像；如圖2所示，該方法包括：將圖3所示的植物葉片樣本圖像(彩色圖像)經過轉變，分別獲得用于特征提取的葉片灰度圖像，進而根據葉片灰度圖像獲取葉片二值圖像(參見圖4)和葉片紋理圖像(參見圖5)；對所得到的葉片二值圖像和葉片紋理圖像進行葉片形狀特征和紋理特征的提取；采用主成分分析與線性評判分析相結合的方法對提取到的多特征進行融合和降維處理，并使用降維后的訓練樣本特征數據對支持向量機分類器進行訓練，得到植物種類的識別結果。進一步地，作為上述各個方法實施例的優選，步驟S2中所述根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像，包括：S21：對所述葉片樣本圖像經灰度轉換處理得到原始灰度圖像，并利用最大類間方差法對所述原始灰度圖像進行閾值分割處理，通過保留最大連通成分的操作方法將經過閾值分割處理后的原始灰度圖像中的葉片從背景中提取出來，以獲取原始二值圖像；具體地，將輸入的葉片彩色圖像經灰度轉換得到原始灰度圖像，利用最大類間方差法對其進行閾值分割處理，把原始灰度圖像分離為葉片和背景兩部分，并通過保留最大連通成分操作，將葉片從背景中提取出來，從而得到葉片的原始二值圖像。作為本實施例的優選，本步驟S21中還可包括：采用形態學中的開運算和閉運算對經過閾值分割處理后的原始灰度圖像進行處理，可得到不受蟲洞與葉柄影響的二值圖像。S22：根據所述原始二值圖像的圖像矩陣和所述原始灰度圖像的圖像矩陣獲取去除背景的葉片灰度圖像；具體地，將原始二值圖像的圖像矩陣和原始灰度圖像的圖像矩陣進行點乘運算，即可得到去除背景的葉片灰度圖像。S23：對所述葉片樣本圖像轉換處理得到HSI色彩空間下的圖像，以根據所述HSI色彩空間下的圖像中的飽和度圖像的圖像矩陣與所述原始二值圖像的圖像矩陣獲取去除背景的葉片紋理圖像。具體地，在HSI(HueSaturationIntensity)色彩空間模型中，可以使用S分量表示葉片的紋理。在提取紋理圖像時，首先將輸入葉片彩色圖像轉換為HSI色彩空間下的圖像，然后用飽和度圖像(即HSI色彩空間模型中的S分量)與上述二值圖像的圖像矩陣進行點乘計算，可得到去除背景的葉片的紋理圖像。進一步地，作為上述各個方法實施例的優選，葉片形狀特征可以包括以下任一項或其組合：幾何特征、不變矩特征和結構特征。其中，所述幾何特征還可以包括縱橫軸比AD、矩形度RD、球性狀GL、圓形度RP、偏心率EC、周長凹凸比PC、面積凹凸比AC以及形狀參數SP；所述縱橫軸比AD的表達式為：AD=DmaxDmin;---(1)]]>所述矩形度RD的表達式為：RD=AlAd;---(2)]]>所述球性狀GL的表達式為：GL=4πADe2;---(3)]]>所述圓形度RP的表達式為：RP=RiDe;---(4)]]>所述偏心率EC的表達式為：EC=AmaxAmin;---(5)]]>所述周長凹凸比PC的表達式為：PC=PPc;---(6)]]>所述面積凹凸比AC的表達式為：AC=AAc;---(7)]]>所述形狀參數SP的表達式為：SP=4π×AP2;---(8)]]>其中，Dmax是葉片最小包圍盒的長，Dmin是葉片最小包圍盒的寬，所述最小包圍盒為坐標系中平行于橫軸和縱軸方向的能夠包圍圖像的最小矩形；Al是葉片圖像各個區域中像素總個數，Ad是葉片最小包圍盒面積；A是葉片的面積，De為葉片的外接圓直徑；Ri是葉片內切圓半徑；Amax和Amin分別是葉片最佳匹配橢圓的長軸和短軸長度，所述最佳匹配橢圓為能夠包圍葉片的面積最小的橢圓；P是葉片周長，Pc是葉片凸包周長；Ac是葉片凸包面積。進一步地，所述結構特征還可以包括鋸齒度ST；所述鋸齒度ST的表達式為：ST=NSP;---(9)]]>其中，NS是鋸齒個數。需要說明的是，NS可由現有的Shi-Tomasi算法對葉片二值圖像進行計算獲得。進一步地，作為上述各方法實施例的優選，上述葉片的不變矩特征具體為：基于不變矩理論建立的一種用于描述圖像特征的統計特征提取方法。可以理解的是，由于不變矩具有旋轉、平移和尺度不變性的特性，選擇不變矩作為特征描述符，可以體現植物葉片圖像穩定的形狀特征。需要說明的是，本實施例通過采用改進的針對離散對象的不變矩算法，獲取葉片圖像的7項不變矩參數。進一步地，作為上述方法實施例的優選，上述葉片紋理特征還可以包括以下任一項或其組合：灰度共生矩陣特征、分形維數、局部二值模式特征和Gabor特征。其中，所述葉片的灰度共生矩陣可反映圖像中任意兩點灰度的空間相關性，因而可用灰度共生矩陣的部分統計量來反映葉片圖像的紋理特征。具體地，本實施例中的灰度共生矩陣的統計量如下所述，其中GLCM(i,j)是灰度共生矩陣中點(i,j)的值：對比度N1：反映紋理的清晰程度N1=ΣiΣj(i-j)2GLCM(i,j);---(10)]]>相關性N2：反映葉片圖像鄰域灰度的線性依賴N2=ΣiΣj(i-i‾)(i-j‾)GLCM(i,j)σiσj;---(11)]]>式中：i‾=ΣiiΣjGLCM(i,j)j‾=ΣjjΣiGLCM(i,j)σi2=Σi(1-i‾)2ΣjGLCM(i,j)σj2=Σj(1-j‾)2ΣiGLCM(i,j);---(12)]]>能量N3：反映葉片圖像灰度分布的均勻性N3=ΣiΣjGLCM(i,j)2;---(13)]]>均勻度N4：反映葉片圖像紋理的局部同質性N4=ΣiΣj11+(i-j)2GLCM(i,j);---(14)]]>可以理解的是，葉片的葉脈圖像包含豐富的紋理信息，該紋理一般由成層級式的葉脈構成，植物葉片的各層級脈絡將葉片分割成具有一定自相似性的網狀結構，因而可用分形維度DF更細致描述葉片紋理特征。具體地，將獲取的葉片紋理圖像看作點集Z∈R3，每個元素z∈Z被定義為三維坐標值(x,y,Y(x,y))，其中，x,y是空間域中像素的位置，Y(x,y)是對應像素點的灰度值，采用現有的“毯子法”可計算葉片分形維度DF。具體來說，上述葉片的局部二值模式是一種用于描述紋理特征的算子，由于LBP算子具有計算簡單、旋轉不變性和灰度平移不變性等優點，因而可將其應用于紋理特征提取中，本實施例的LBP圖如圖5所示，中間像素點與p個鄰域像素點的LBP算子編碼方法如下式所示：其中，Y表示中間像素點的灰度值，Yi(i＝0,1,…,p-1)表示以Yc為中心、R為半徑的圓上p個鄰域像素的灰度值；上標為riu2的LBP算子表示旋轉不變統一模式，該模式的種類數為p+2(0,1,…,p+1)種，LBP直方圖如圖6所示。進一步地，所述葉片的Gabor特征具體為二維Gabor濾波器，由于Gabor濾波器能同時在頻率域和空間域得到最優局部化，具有優良的方向選擇性和空間局部性，因而可用于植物葉片的紋理檢測。具體地，二維的Gabor濾波器可以定義為由高斯函數調制的復正弦函數，定義式如下：G(x0,y0,θ,w0)=12πσ2exp[-(x02+y02)/(2σ2)]×[exp(jw0x0)-exp(-w02σ2/2)];---(16)]]>其中，x0＝xcosθ+ysinθ；y0＝-xsinθ+ycosθ；θ用來控制Gabor小波的方向；w0為正弦波頻率，表明小波的空間頻率；σ為Gaussian函數兩個坐標軸的標準方差。植物葉片的灰度圖Y(x,y)與G(x0,y0,θ,w0)的卷積定義為：F(x0,y0,θ,w0)＝Y(x,y)*G(x0,y0,θ,w0)；(17)本實施例的Gabor濾波圖如圖7所示。進一步地，作為上述各方法實施例的優選，步驟S4中所述通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，還可以包括：S41：對所述葉片形狀特征和紋理特征組成的多特征數據進行歸一化處理；S42：對經過歸一化處理的多特征數據進行降維處理。具體來說，對于根據葉片形狀特征和紋理特征組成的高維特征數據進行歸一化處理后，再根據得到的歸一化特征數據進行降維處理。舉例來說，本實施例采用PCA轉換與LDA轉換相結合的降維方法：選取PCA的貢獻率為99％，經過PCA降維后，葉片特征能夠從高維空間大幅度降低到m維的低維空間。本實施例采用LDA轉換的主要目的是將特征數據進行分類，因為LDA只能將n類植物的特征維度降低為1到n-1之間的維度，本實施例的特征數據先經過PCA轉換，再進行LDA轉化后的維度DLDA如下：DLDA=m-1m<nn-1m>n---(18)]]>圖8為本發明一個實施例的葉片圖像多特征融合的植物種類識別裝置結構示意圖，如圖8所示，該裝置包括樣本圖像獲取單元10、處理圖像獲取單元20、圖像特征提取單元30、訓練樣本特征數據獲取單元40以及分類器訓練單元50，其中：樣本圖像獲取單元10用于獲取已知種類的植物葉片樣本圖像；處理圖像獲取單元20用于根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像；圖像特征提取單元30用于分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取；訓練樣本特征數據獲取單元40用于通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據；分類器訓練單元50用于根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別。具體地，樣本圖像獲取單元10獲取已知種類的植物葉片樣本圖像；處理圖像獲取單元20根據所述葉片樣本圖像分別獲取二值圖像、葉片灰度圖像和葉片紋理圖像；圖像特征提取單元30分別根據所述葉片灰度圖像、所述二值圖像和所述紋理圖像進行葉片形狀特征和紋理特征的提取；訓練樣本特征數據獲取單元40通過主成分分析與線性評判分析相結合的方法對提取到的所述葉片形狀特征和紋理特征進行特征融合，并對所述特征融合的結果進行降維處理，以獲取訓練樣本特征數據；分類器訓練單元50根據所述訓練樣本特征數據以及對應的植物種類對支持向量機分類器進行訓練，以根據訓練結果對待測植物的葉片圖像進行種類識別。本實施例所述的裝置可以用于執行上述方法實施例，其原理和技術效果類似，此處不再贅述。進一步地，作為上述裝置實施例的優選，所述處理圖像獲取單元20可以進一步用于：對所述葉片樣本圖像經灰度轉換處理得到原始灰度圖像，并利用最大類間方差法對所述原始灰度圖像進行閾值分割處理，通過保留最大連通成分的操作方法將經過閾值分割處理后的原始灰度圖像中的葉片從背景中提取出來，以獲取原始二值圖像；以及，根據所述原始二值圖像的圖像矩陣和所述原始灰度圖像的圖像矩陣獲取去除背景的葉片灰度圖像；以及對所述葉片樣本圖像轉換處理得到HSI色彩空間下的圖像，以根據所述HSI色彩空間下的圖像中的飽和度圖像的圖像矩陣與所述原始二值圖像的圖像矩陣獲取去除背景的葉片紋理圖像。進一步地，作為上述各裝置實施例的優選，所述處理圖像獲取單元20還可以用于采用形態學中的開運算和閉運算對經過閾值分割處理后的原始灰度圖像進行處理。本實施例所述的裝置可以用于執行上述方法實施例，其原理和技術效果類似，此處不再贅述。需要說明的是，對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。以上實施例僅用于說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。當前第1頁1 2 3