基于数字形态学特征的植物叶片识别技术综述.docVIP

基于数字形态学特征的植物叶片识别技术综述 　　摘 要：对基于数字形态学特征的植物叶片识别技术进行了研究。首先阐述了相关文献的研究结果，然后介绍了几种特征提取技术并相互进行比较，之后介绍了几种分类方法，最后得出结论并指出一些方法的不足。 　　关键词：数字形态学特征；植物叶片识别；特征提取；分类方法 　　DOIDOI：10.11907/rjdk.162174 　　中图分类号：TP319 　　文献标识码：A文章编号：1672-7800（2016）012-0168-02 　　0 引言 　　植物图像识别研究能从植物的形状、颜色、纹理和幼苗识别出种类。只知道植物的2D图像，分析出花朵和幼苗形状是很困难的，因为它们是3D结构的。本文主要论述基于数字形态学的植物种类识别技术。计算机化的数字形态学方法在定量形状分析、测试和可视化差异上有高效准确、重现性好和统计功能强大的优点。植物叶片通常用来进行种类识别，非常适合作为基于数字形态学的测量对象。 　　1 相关研究 　　植物在地球上地位至关重要，和人类及其它生物关系密切。自动识别植物研究是从植物叶或花的图像中提取一类特征，然后进行分析识别。Stefen Fiel[1]提出了一种根据叶片图像自动识别植物种类的方法：对叶片图像进行灰度化和规范化，使用局部特征来避免分割步骤，克服损坏叶片、分割不标准和被遮挡形状特征带来的影响。有研究者使用增加一个关键点的方法并用一个一对多向量机来进行分类[2]，提出了一种基于数字形态学特征的自动识别方法，15个特征用来区分20种植物。Valliammal和Geethalakxhmi[3]提出了一种结合阈值分割技术和H-maxima转换技术的新方法来提取叶脉。根据叶片图像的灰度直方图，使用阈值分割方法分割出叶脉区域，使用H-maxima转换技术转换为像素作为输出。Zheru Chi[4]等提出了一种利用植物树皮纹理特征并设计Gabor滤波器组来识别植物种类的方法。纹理建模为许多窄带信号，根据中心频率和振幅的标准化比值来进行区分。根据这个纹理模型，能创建一个拥有所有种类植物树皮纹理的纹理库，用来区分不同植物并设计一个等效的Gabor滤波器组。Brendon J.Woodford[5]等使用果实/叶片图像的小波分析来进行分类，果实/叶片图像中包含果实和侵害它的昆虫。 　　2 特征提取技术 　　数字形态学特征通常包括几何特征和不变矩特征。几何特征有长宽比、垂直度、凸面面积比、凸面周长比、球度、圆度、离心率和波形因数等。Kadir等[6]认为叶片特征分为一般视觉特征和域相关视觉特征。一般视觉特征包含颜色、纹理和形状；域相关视觉特征包含形状、凹痕和叶脉。Hossain和Amin[7]进一步提出，形状特征由几种形态学特征组成，分别是离心率、面积、周长、长轴、短轴、等效直径、凸面面积和周长。Valliammal和Geethalaxmi也提出叶片图像能基于颜色、纹理、形状或三者综合来分类。Shabanzade等[8]使用基于统计矩和直方图的特征方法来提取叶片的纹理特征，使用这个方法是为了避免丢失一些重要信息例如像素点位置和纹理信息。所有被提取的特征被分到局部描述类中。此外，在图像转化为位图时，使用阈值分割方法。之后提取的信息被分类到全局特征类中，所以叶片特征分为全局特征和局部描述符两类。表1是几种特征提取技术比较。 　　3 分类方法 　　3.1 概率神经网络 　　概率神经网络能用来处理分类问题，它拥有一个能自然倾向存储实验知识的并行分布处理器。概率神经网络由径向基函数网络派生出来，有输入层、径向基层和竞争层。径向基层计算权重矩阵中的距离，这些距离由径向基函数非线性缩放。竞争层找到其中最短距离，并能基于距离找到和输入集最接近的训练集。神经网络的最大优势是能从可利用数据中构建系统模型，概率神经网络训练速度是BP神经网络的数倍，它能在某些容易满足的条件下得到贝叶斯最优结果。然而，在识别过程中，随着训练集中植物叶片种类的增加，其运算速度会减慢。 　　3.2 K平均聚类 　　K平均聚类是用来估计一组K组均值的简单方法。Biva将K平均聚类引入到叶片图像分类中。初始时，聚类种子随机选取。之后计算出每个对象到每个聚类的欧式距离平方，每个对象分配给最近的聚类。对每个聚类都要计算新的质心，并用它代替之前的种子值。因此，一个对象到每个聚类的欧式距离平方都是最小值。基于新的成员分配，聚类质心会重新计算，这个过程会一直重复，直到没有对象移动到聚类。 　　3.3 遗传算法 　　遗传算法主要用在特征分类和特征选取上，它的基本目的就是为了最优化。遗传算法能在不用计算梯度信息和权重初始化的情况下，高效得到接近最优化的连接权重。遗传算法的主要优点是适应能力强，并且具有内在并行性。