一種識別率高的植物識別方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種識別率高的植物識別方法及裝置，該方法具體做法是首先由圖像采集單元采集植物器官數(shù)字圖像作為測試樣本，再對樣本進(jìn)行預(yù)處理以獲得灰度圖像，然后使用脈沖耦合神經(jīng)網(wǎng)絡(luò)對灰度圖像進(jìn)行特征提取，進(jìn)而獲得能夠反映該灰度圖像的熵序列；將熵序列作為主要特征，以形態(tài)特征為輔助特征，借助支持向量機(jī)分類器，可以獲得較高的植物識別率。本發(fā)明方法可實現(xiàn)對大樣本數(shù)據(jù)（待區(qū)分的植物種類較多）簡單、精確的識別，識別率高，具有較強(qiáng)的適應(yīng)性，對現(xiàn)有數(shù)據(jù)庫驗證準(zhǔn)確率可達(dá)98%以上。
【專利說明】 一種識別率高的植物識別方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于葉片圖像的植物識別方法，具體地說是一種識別率高的植物識別方法及裝置。
【背景技術(shù)】
[0002]當(dāng)前用于植物的分類方法眾多，大致可分為經(jīng)典形態(tài)分類方法和現(xiàn)代分類方法?，F(xiàn)代植物分類方法要求很高的專業(yè)技術(shù)知識，如植物細(xì)胞分類學(xué)、植物化學(xué)分類學(xué)、植物血清分類學(xué)以及植物遺傳學(xué)。對于非專業(yè)人員，這些分類方法操作復(fù)雜、很難掌握或不實用，更不適合野外工作環(huán)境。相對現(xiàn)代分類方法來講，經(jīng)典的植物形態(tài)分類方法比較容易掌握，而且適用于野外活體植物識別。經(jīng)典形態(tài)分類方法是通過觀察植物的外部形態(tài)和解剖結(jié)構(gòu)進(jìn)行分類的。一般來講，植物的根、莖、葉、花等器官均有分類價值，但是花在植物的整個生活周期中所占時間較短，根和莖在不同時期變化較大且多數(shù)要在解剖鏡下才能看見精細(xì)結(jié)構(gòu)，對操作者要求較高，通常不作為植物快速識別的主要依據(jù)。相比之下，植物葉片在整個植物生活周期中存在時間最長，變化小，而且易于采集樣本。因此，人們通常將其作為認(rèn)識植物的主要參照器官。此外，另一重要原因是雖然植物的葉片形態(tài)多樣，但是每種植物都有其相對穩(wěn)定的特征，這些特征就是認(rèn)識和識別植物的基礎(chǔ)和出發(fā)點。
[0003]目前基于植物葉片的植物分類主要是依靠鑒定者的經(jīng)驗進(jìn)行人為判斷，由于植物種類非常龐大，部分葉片形態(tài)看似接近，實則千差萬別。所以這種傳統(tǒng)的判別方法要求操作者具有豐富的分類學(xué)知識和長期的實踐經(jīng)驗，才能開展工作?？傊?，基于植物葉片的識別對于植物分類學(xué)家來說尚存一定困難，就更不用說，對于普通人員利用葉片識別植物種類了。但是利用植物葉片對植物進(jìn)行識別是一個十分有用而又富有挑戰(zhàn)性的工作，如何讓人們快速準(zhǔn)確地識別植物種類是植物分類學(xué)科亟待解決的問題之一。
[0004]隨著計算機(jī)技術(shù)的不斷發(fā)展，基于圖像處理與分析的植物種類識別技術(shù)已經(jīng)成為一個研究熱點，國內(nèi)外研究人員提出了各種各樣的特征和分類方法。Gnadhi進(jìn)行了基于形狀特征的植物品種鑒別；Ingrouille等在1986年提取了 27個葉片的形狀特征對橡樹進(jìn)行分類比較分析，并提出了對特征進(jìn)行主分量分析的特征統(tǒng)計方法。Franz等利用植物葉片邊緣的曲率來對植物進(jìn)行識別，對于全部可見和部分可見的葉片邊緣用曲率來表示；Ray在1992年提出一種“特征形狀”的方法對葉片進(jìn)行分類。Guyer等在1993年提取了 17種葉片形狀特征，并對40類植物進(jìn)行分類。Yonekawa等提出利用50種理想片狀葉形的圖形作為對照，來鑒別植物葉形。1997年，Abbasi等利用多尺度曲率空間方法來描述葉片形狀，并用來對菊花進(jìn)行分類。Cholhong等在1999年利用對葉片的多邊形逼近來識別械屬類植物。2000年，Oide等利用類似的方法，利用大豆葉片對大豆分類。Neto等在2006年提出了一種基于橢圓傅立葉變換的葉片形狀特征，來識別大豆、向日葵、絨毛葉和美洲茶。McDnoald等在1990年利用數(shù)學(xué)形態(tài)學(xué)方法來進(jìn)行植物的識別。同年，Shearer等在基于植物彩色紋理特性的基礎(chǔ)上，計算出11個紋理特征，可以對7種人工培育的植物進(jìn)行識別。Rui等也在1996年提出一種改進(jìn)傅立葉描述子方法來進(jìn)行植物葉片識別，這種方法將傅立葉變換的幅值和相位獨立計算以提高精度。Mokhtarina等在2004年又發(fā)展了這種方法,用于自遮掩的葉片識別，通過對12類菊花共120張葉片圖像的識別，識別率達(dá)到98.4%。Samal等提出了一種基于紋理特征的單株樹的種類識別。2008年Bruno等利用盒維數(shù)法估算了 70個葉片樣本圖像的分形維數(shù)，從而較好地分析了相應(yīng)葉片類型的復(fù)雜度，為植物葉片的機(jī)器識別提供了分形學(xué)方面的理論依據(jù)。
[0005]國內(nèi)學(xué)者也開展了基于圖像處理與分析的植物種類識別技術(shù)的大量研究工作。1994年傅星和盧漢清開展了應(yīng)用計算機(jī)進(jìn)行植物自動分類的初步研究。2002-2004年，池哲儒等進(jìn)行了一系列植物識別的相關(guān)研究，提出一種中心輪廓距離曲線方法來匹配葉片形狀，并通過不同特征的模糊集成實現(xiàn)植物圖像的檢索；祁亨年等通過基于葉子外觀形狀特征的研究，以植物葉片為例，提取葉片大小、葉形、圓形度參數(shù)及葉緣等特征，探討了建立植物識別模型的研究。
[0006]到目前為止，上述基于植物葉片的圖像植物識別方法實用性都不強(qiáng)的。原因是這些方法能識別的樣本少且識別率低，大多停留在理論探索層面。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是提供一種識別率高的植物識別方法，以解決現(xiàn)有方法對大樣本數(shù)據(jù)(待區(qū)分的植物種類較多)進(jìn)行識別時識別率低的問題。
[0008]本發(fā)明的另一個目的是提供一種識別率高的植物識別裝置。
[0009]本發(fā)明技術(shù)方案如下:一種識別率高的植物識別的方法，包括以下步驟:
步驟1、圖像采集:采集植物器官數(shù)字圖像作為測試樣本，
步驟2、圖像預(yù)處理:將樣本圖像轉(zhuǎn)化為灰度圖像，主要包括圖像灰度化、圖像增強(qiáng)和二值化處理，用獲得的葉片輪廓圖像求得輔助識別的形態(tài)特征，即葉片的長寬比、形狀參數(shù)、圓形性、矩形度、圖像的熵、七個不變矩和zernike矩；
步驟3、特征提取:然后將其輸入到脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)中，則每次迭代后PCNN會輸出一幅二值圖像，求出次二值圖像的熵，經(jīng)N次迭代后得到長度為N的熵序列；為該葉片創(chuàng)建標(biāo)號，以表征葉片所屬類別；遍歷現(xiàn)有數(shù)據(jù)庫，求出所有葉片的特征向量和類別編號；步驟4、分類:將步驟3所獲得的所有樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)(用來訓(xùn)練分類器)和測試數(shù)據(jù)，然后將數(shù)據(jù)進(jìn)行歸一化；將提取的特征輸入到分類單元進(jìn)行分類。
[0010]一種識別率高的植物識別裝置，包括圖像采集單元、圖像預(yù)處理單元、特征提取單元和分類單元，
一、圖像采集單元:用于獲取外部圖像的模塊，
二、圖像預(yù)處理單元:用于從圖像采集單元中得到的圖像進(jìn)行相應(yīng)的處理，主要包括圖像灰度化、圖像增強(qiáng)和二值化處理，
三、特征提取單元:用于圖像特征的提取，主要是PCNN熵序列的提取以及輔助形態(tài)特征的提取，
四、分類單元:將提取的特征用于葉片的分類。
[0011]本發(fā)明將脈沖I禹合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled Neural Network, PCNN)用于植物識別，下面對脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行說明:該網(wǎng)絡(luò)是一個單層橫向連接的二維神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)是由若干個神經(jīng)元組成，其大小是可以根據(jù)具體的應(yīng)用環(huán)境靈活設(shè)定的。PCNN的神經(jīng)元的數(shù)學(xué)模型如下所示:
【權(quán)利要求】
1.一種識別率高的植物識別的方法，其特征是它包括以下步驟: 步驟1、圖像采集:采集植物器官數(shù)字圖像作為測試樣本， 步驟2、圖像預(yù)處理:將樣本圖像轉(zhuǎn)化為灰度圖像，主要包括圖像灰度化、圖像增強(qiáng)和二值化處理，用獲得的葉片輪廓圖像求得輔助識別的形態(tài)特征，即葉片的長寬比、形狀參數(shù)、圓形性、矩形度、圖像的熵、七個不變矩和zernike矩； 步驟3、特征提取:然后將其輸入到脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)中，則每次迭代后PCNN會輸出一幅二值圖像，求出次二值圖像的熵，經(jīng)N次迭代后得到長度為N的熵序列；為該葉片創(chuàng)建標(biāo)號，以表征葉片所屬類別；遍歷現(xiàn)有數(shù)據(jù)庫，求出所有葉片的特征向量和類別編號； 步驟4、分類:將步驟3所獲得的所有樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)(用來訓(xùn)練分類器)和測試數(shù)據(jù)，然后將數(shù)據(jù)進(jìn)行歸一化；將提取的特征輸入到分類單元進(jìn)行分類。
2.一種識別率高的植物識別裝置，其特征在于:它包括圖像采集單元、圖像預(yù)處理單元、特征提取單元和分類單元， 一、圖像采集單元:用于獲取外部圖像的模塊， 二、圖像預(yù)處理單元:用于從圖像采集單元中得到的圖像進(jìn)行相應(yīng)的處理，主要包括圖像灰度化、圖像增強(qiáng)和二值化處理， 三、特征提取單元:用于圖像特征的提取，主要是PCNN熵序列的提取以及輔助形態(tài)特征的提取， 四、分類單元:將提取的特征用于葉片的分類。
【文檔編號】G06K9/00GK103870816SQ201410116111
【公開日】2014年6月18日 申請日期:2014年3月26日 優(yōu)先權(quán)日:2014年3月26日
【發(fā)明者】王兆濱, 張耀南, 孫曉光, 馬義德, 祝英, 康建芳 申請人:中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所