一種基于安卓系統(tǒng)的植物葉片識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及amlroid軟件開發(fā)、圖像處理與模式識別在植物經(jīng)典分類中的應(yīng)用，尤 其是設(shè)及一種基于安卓系統(tǒng)的植物葉片識別方法。
【背景技術(shù)】
[0002] 植物是世界上物種數(shù)量最多且分布最廣泛的生命形式，與人類W及環(huán)境的關(guān)系最 為密切。由于人類生產(chǎn)活動造成了植物物種的滅絕，而植物在維持生物平衡、水±保持等方 面又起著重要作用；同時，植物農(nóng)業(yè)作為國民經(jīng)濟的命脈，是人們生活生產(chǎn)的基礎(chǔ)部分，提 高農(nóng)業(yè)生產(chǎn)需要農(nóng)業(yè)植物的精細(xì)數(shù)據(jù)，因此植物分類與識別具有非常重要的意義。植物的 分類與識別一般選取植物的局部特征，如植物的葉、花、果、莖、紙條等特征。運些器官都有 各自的分類價值，但是相比起植物其他的器官，植物葉片的存活時間較長，在一年的大部分 時間內(nèi)都可較為方便地采集到，所W常作為植物的識別特征和認(rèn)識植物的主要參照器官； 同時葉形是研究植物物種的形態(tài)變異和分化的一個非常好的指標(biāo)，因此基于葉片的識別是 識別一種植物最直接有效且最簡單的方法。
[0003] 傳統(tǒng)的葉片分類識別需要操作者有豐富的分類學(xué)知識和長期的實踐經(jīng)驗，且工作 效率低、工作量大、數(shù)據(jù)存在一定的主觀性，而運些都會影響到識別的客觀性與精確性。由 于植物葉片基本處于一個平面狀態(tài)，適合進行二維圖像加工處理。隨著計算機的應(yīng)用，探索 如何利用計算機快速準(zhǔn)確地識別植物葉片，是解決運些問題的一個切實可行的新途徑。因 此研究基于圖像分析的植物葉片識別技術(shù)，對于植物分類識別、植物資源
[0004] 的保護與利用、探索植物間的親緣關(guān)系、闡明植物的進化規(guī)律、農(nóng)業(yè)與園藝的實際 應(yīng)用等方面具有現(xiàn)實意義.
[0005] 在國外，1986年，ingrouille等人采用27種葉形特征，使用主成分分析方法對橡樹 進行分類。Guyer等人在1993年提取了 17種葉片形狀特征對40類植物進行分類。1996年， 化nekawa等人研究發(fā)現(xiàn)，簡單的葉片形狀因子對于植物葉片識別是有效的。國外學(xué)者運用 判別式分析方法、匹配方法和機器學(xué)習(xí)方法進行植物葉片分類識別，取得了良好效果。2001 年，Osikar使用葉片的幾項區(qū)域幾何特征和矩特征，采用BP前饋神經(jīng)網(wǎng)絡(luò)為分類器，對15種 瑞典樹木進行分類。
[0006] 但是上述的很多算法W及試驗大都在PC機上完成的，且有些試驗的運行速度不理 想或者識別精度達(dá)不到令人滿意的要求。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種適用范圍廣、識 別精度高、速度快、操作簡單、使用方便的基于安卓系統(tǒng)的植物葉片識別方法。
[000引本發(fā)明的目的可W通過W下技術(shù)方案來實現(xiàn)：
[0009] -種基于安卓系統(tǒng)的植物葉片識別方法，該方法包括W下步驟：
[0010] 1)ARM設(shè)備端在得到服務(wù)器端允許接入的情況下，與服務(wù)器端建立網(wǎng)絡(luò)連接；
[0011] 2)ARM設(shè)備端獲取待識別圖片，樞取待識別圖片中的葉片部分，并進行預(yù)處理；
[0012] 3)處理完成之后發(fā)送服務(wù)請求，服務(wù)器端接受和分析ARM設(shè)備端的服務(wù)請求，并啟 動服務(wù)器端的識別功能模塊，響應(yīng)ARM設(shè)備端的識別請求，進行葉片識別，完成識別后將植 物葉片識別結(jié)果反饋給ARM設(shè)備端。
[0013] 4)ARM設(shè)備端獲取服務(wù)器端發(fā)送的植物葉片識別結(jié)果，并顯示出來。
[0014] 所述的步驟2)中的待識別圖片包括本地圖片和攝像機拍攝到的圖片。
[0015] 所述的步驟2)中的預(yù)處理具體包括W下步驟：
[0016] 21)去噪:采用高斯濾波去除圖像中的高斯噪聲，并且采用中值濾波抑制圖像中的 椒鹽噪聲；
[0017] 22)圖像分割:采用基于能量函數(shù)的分割方法中的grabcut算法對去噪后的待分割 圖形進行分割，通過對待分割的圖像進行區(qū)域劃分并標(biāo)號，分別獲取每個標(biāo)號區(qū)域的g化bs 能量，獲得所有標(biāo)號區(qū)域的總能量最小對應(yīng)的分割圖像即為最優(yōu)；
[0018] 23)特征提取:對分割后的葉片圖像采用全局特征中的形狀特征和LBP紋理特征作 為特征向量，形狀特征包括8個幾何特征和7個化矩特征。
[0019] 所述的步驟3)中的葉片識別具體包括W下步驟：
[0020] 31)從葉片數(shù)據(jù)庫中選取每個物種多張葉片圖像，并提取特征向量，采用SVM分類 器進行訓(xùn)練；
[0021] 32)向SVM分類器導(dǎo)入待識別葉片的特征向量，根據(jù)SVM分類器的結(jié)果對葉片進行 分類；
[0022] 33)服務(wù)器將對葉片分類后的物種ID回傳給ARM設(shè)備端，ARM設(shè)備端根據(jù)葉片數(shù)據(jù) 庫匹配ID信息，檢索出對應(yīng)物種的相關(guān)信息，然后在ARM設(shè)備端界面顯示給用戶。
[0023] 所述的步驟23)中，8個幾何特征包括縱橫軸比、矩形度、面積凹凸比、周長凹凸比、 球狀性、圓形度、偏屯、率和形狀參數(shù)，7個化矩特征為利用二階和Ξ階中屯、矩構(gòu)造出的不變 矩。
[0024] 與現(xiàn)有技術(shù)相比，本發(fā)明具有W下優(yōu)點：
[0025] -、適用范圍廣:從捕獲圖片來說，本發(fā)明可W對復(fù)雜背景的葉片進行識別。
[0026] 二、識別精度高、速度快:從提取特征的算法上來說，本發(fā)明使用了化矩特征與LBP 紋理特征的集成，化矩特征的優(yōu)點是速度很快，缺點是識別率比較低，對于紋理比較豐富的 圖片，識別率只有10%左右，而LBP紋理特征專注于紋理特征的描述，彌補了化矩特征的不 足，它在紋理分類中具有強區(qū)分能力，從而使本發(fā)明的識別方法達(dá)到很高的識別精度。
[0027] Ξ、本發(fā)明操作簡單，使用方便，能夠識別的植物種類多，簡化了植物識別的步驟。
【附圖說明】
[0028] 圖1為本發(fā)明的方法流程圖。
【具體實施方式】
[0029] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細(xì)說明。
[0030] 實施例：
[0031] 客戶端負(fù)責(zé)捕獲植物葉片，并做一些預(yù)處理，其中包括去噪，分割，提取特征，然后 根據(jù)提取到的特征在客戶端進行識別，其中識別方法包括:LBP識別方法和幾何特征的超球 識別方法。
[0032]關(guān)于去噪：
[0033] 噪聲根據(jù)其服從的分布對其進行分類，可W分為服從高斯分布的高斯噪聲、服從 泊松分布的泊松噪聲(泊松噪聲可W認(rèn)為是椒鹽噪聲）。
[0034] 我們?nèi)ピ胍话阒傅木褪菆D像平滑，我們提供了 Ξ種去除噪聲的方法:線性濾波、中 值濾波和高斯濾波。高斯濾波可W很有效的濾除高斯噪聲，線性濾波和中值濾波相比，中值 濾波能更有效地抑制椒鹽噪聲。
[0035] 圖像分割有很多方法，我們選擇grabcut算法進行分割，其中常用的闊值分割方法 (包括固定闊值分割法，迭代闊值分割法，自適應(yīng)闊值分割法，直方圖雙峰分割法)和分水嶺 分割方法(存在比較嚴(yán)重的過分割現(xiàn)象)在復(fù)雜背景下效果都顯得很糟糕，于是我們考慮到 了基于能量函數(shù)的分割方法，我們采用opencv函數(shù)庫中的grabcut算法，該圖像分割算法其 實就是對圖像的不同區(qū)域進行標(biāo)號，不同的標(biāo)號對應(yīng)不同的gibbs能量，使總能量最小的標(biāo) 號就是最優(yōu)的分割，運種方法在復(fù)雜背景下分割效果相當(dāng)不錯，分割之后，我們得到了比較 干凈的葉片前景，接下來就可W進行特征提取了。
[0036] 提取特征，得到比較好的特征向量是本發(fā)明非?？粗氐牟糠?在很多情況下，提取 特征的好壞很大程度上決定了識別結(jié)果的精度高低。特征好壞的評判標(biāo)準(zhǔn)就是該特征是否 非常具有區(qū)分性。
[0037] 常用的圖像特征有顏色特征、紋理特征化ocal Binary Pattern化BP)))、形狀特 征(幾何特征，包括圖像的縱橫軸比、矩形度、面積凹凸比、周長凹凸比、球狀性、圓形度、偏 屯、率W及形狀參數(shù)共8種區(qū)域描述特征和7個化不變矩作為分類特征）、空間關(guān)系特征，運些 都是能夠用眼睛觀察非常明顯，可W很快辨別的一些特征。
[0038] 上面說的運些特征都是全局特征，在物體識別中，目前非常流行W及切實可行的 方法之一是基于局部特征的，由于特征的局部性，使得物體識別可W處理遮擋、復(fù)雜背景等 比較復(fù)雜的情況。譬如：
[0039] Scale invariant feature transfo;rm(SIFT) :Lowe ,2004,運是一個非常經(jīng)典的 提取特征的方法，其對旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲 也保持一定程度的穩(wěn)定性。
[0040] speed up robust feature(洲RF)是對SIFT的改進版本，提出使用積分圖像完成 圖像卷積(相關(guān))操作，在保證識別精度的前提下，大大提高了提取特征的速度。
[0041 ] 近兩年還提出了許多二值特征描述，例如ORB、BRISK(Bina;ry Robust Invariant Scalable Keypoints)、FREAK(Fast Retina Keypoint)。
[0042]