基于多特征融合的簡單背景下的葉片識別方法
【技術領域】
[0001] 本發明屬于計算機圖像處理領域，涉及一種基于多特征融合的簡單背景下的葉片 識別方法。
【背景技術】
[0002] 隨著圖像獲取設備及互聯網的迅速發展，海量的圖像數據正在生成，而這些圖像 所包含的信息也變得越來越重要。如何利用計算機視覺、機器學習等技術方便、快速地檢索 圖像，也逐漸變成了研宄熱點。
[0003] 從上世紀70年代開始，圖像檢索這個領域已經十分活躍。首先主要是基于文本的 圖像檢索技術，將圖像與對其的文本描述存儲至數據庫中，而查詢時是根據對圖像的文本 描述進行檢索。但是慢慢的基于文本的圖像檢索技術的問題就越來越多了。由于當時的技 術受限必須由人工來對圖像進行進行關鍵字的標注工作，非但十分耗時耗力，而且人工的 標注往往存在一些偏差，最終導致錯誤的檢索結果。同時，圖像中包含的視覺特征在該技術 下也被完全忽略了。
[0004] 到了上世紀90年代，為了克服基于文本的圖像檢索技術產生的一系列問題，基于 內容的圖像檢索技術誕生了。基于內容的圖像檢索技術不需要對圖像進行人工標注，而是 利用計算機視覺技術對越圖像提取其視覺特征，例如顏色、形狀和紋理等，然后再對特征進 行匹配，最后返回用戶相似的圖像。現在，該技術已經得到了廣泛應用，包括公安部門指紋 圖像的分析、衛星云圖的分析等。
[0005] 現在，基于內容的細粒度的圖像檢索正在興起。傳統的基于內容的圖像檢索旨在 對不同大類的物體圖像進行分類，而人們越來越希望能對于同一大類物體的圖像進行檢 索，例如鳥類、真菌等，于是基于內容的細粒度圖像的檢索應運而生。
[0006] 植物作為人類賴以生存的元素，自然是人類關注的焦點，人類對于通過計算機而 非人工來自動完成對植物圖像的鑒別、分類以及檢索工作的需求也越來越迫切。
【發明內容】
[0007] 本發明的目的在于克服現有技術的不足，提供一種基于多特征融合的簡單背景下 的葉片識別方法。
[0008] 本發明的目的是通過以下技術方案來實現的：一種基于多特征融合的簡單背景下 的葉片識別方法，包括以下步驟：
[0009] (1)經過大津閾值法將葉片圖像中的葉片與背景分割開來獲得葉片；
[0010] (2)對分割得到的葉片圖像提取多個葉片特征，包括多尺度三角特征、定向片段直 方圖、基于輪廓關鍵點的特征以及葉片的幾何特征；
[0011] (3)在進行葉片識別時，將多個葉片特征通過基于位置敏感哈希（LSH)方法映射 到哈希表，每個葉片特征都通過K近鄰得出與它最匹配的候選特征列表；使用加權置信評 分得到最后的識別結果；
[0012] (4)對步驟3得到的識別結果通過潛在語義分析算法進行進一步重排序，提高識 別效果。
[0013] 進一步地，所述步驟1中，大津閾值法使用某一個閾值將灰度圖像根據灰度大小， 分成目標部分和背景部分兩類，在這兩類的類內方差最小和類間方差最大的時候，得到的 閾值是最優的二值化閾值；具體包括以下子步驟：
[0014] (1. 1)將簡單背景下的葉片圖像轉換為灰度圖；
[0015] (1. 2)計算灰度圖的平均灰度：對于一張大小為MXN的圖像，統計獲得灰度為i 對應的像素個數為rV則平均灰度值u可由下式得出：
【主權項】
1. 一種基于多特征融合的簡單背景下的葉片識別方法，其特征在于，包括w下步驟： (1) 經過大津闊值法將葉片圖像中的葉片與背景分割開來獲得葉片； (2) 對分割得到的葉片圖像提取多個葉片特征，包括多尺度=角特征、定向片段直方 圖、基于輪廓關鍵點的特征W及葉片的幾何特征； (3) 在進行葉片識別時，將多個葉片特征通過基于位置敏感哈希（LSH)方法映射到哈 希表，每個葉片特征都通過K近鄰得出與它最匹配的候選特征列表；使用加權置信評分得 到最后的識別結果； (4) 對步驟3得到的識別結果通過潛在語義分析算法進行進一步重排序，提高識別效 果。
2. 根據權利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟1具體包括W下子步驟： (1. 1)將簡單背景下的葉片圖像轉換為灰度圖； (1. 2)計算灰度圖的平均灰度：對于一張大小為MXN的圖像，統計獲得灰度為i對應 的像素個數為ni，則平均灰度值U可由下式得出：
(1. 3)計算求解最佳閥值t的相關變量；記t為目標與背景的分割閥值，目標像素占的 比例為Wi，目標像素的平均灰度為Ui，則
其中Wi是灰度值大于t的統計值；
同理可得到背景像素占的比例W2及平均灰度U2; (1. 4)求解最佳閥值t;遍歷步驟1. 3中得到的t，使得下式最大： G=Wi* (Ui-U) 2+"2* (U2-U) 2 (1. 5)將根據閥值t獲得的背景像素賦予白色。
3. 根據權利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟2中，所述多尺度=角特征具體為：形狀邊界由N個均勻地分布在葉片輪廓 上的采樣點Pi，...，Pw的序列表示，然后將該些采樣點按照順時針的順序進行排列；每個采 樣點Pi由在不同尺度下的Ns個S角形進行表示；引入d(k)用于表示在尺度k中的S角形 點之間的距離，由邊界點的數量進行表述，其中1《k《化；選擇在Pi兩側的化個點組成的 兩個集合來描述Pi,化的選擇取決于是否尋求捕獲本地或全局信息；距離d(k)為均勻的或 對數的海一個邊界點Pi與化個立角形相關聯，該些立角形由邊界點Pwoo、P山及Pwoo組 成；使用S角形邊長和角度特征（TSLA) ; A)=(巧1作7;)，...，巧心/(7,八'、)）; 假設Lik，L2K和L3k是由邊界點Pi-doo、P山及Pwoo組成的；角形於；條邊，且長度從小到大 排列，設Mk=Lik/Lsk、Nk=L2k/L3k，假設0為S角形7l的頂點Pi的角度的絕對值，則於的TSLA特征可表述為S元組（Mk，Nk，0 )。
4. 根據權利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟2中，所述定向片段直方圖具體為；任何輪廓都是一連串連續的元素成分組 成的，一個元素成分可W是一個像素；對于輪廓上的每個像素，通過計算兩個變量的均值來 關聯方向信息，該兩個變量為從原始圖像計算出的梯度的角度0W及0的導數0';變量 0的值是絕對的，它對應于原始圖像的梯度角度；該些角度被投影到一個量化的[〇,2n