基于輪廓特征的植物葉片識(shí)別系統(tǒng)-論文.pdf

《基于輪廓特征的植物葉片識(shí)別系統(tǒng)-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、科技創(chuàng)新與應(yīng)用I20l4年第31期科技創(chuàng)新基于輪廓特征的植物葉片識(shí)別系統(tǒng)普楠(蘇州大學(xué)，江蘇蘇州215006)摘要：文章提出了一個(gè)基于圖像識(shí)別的植物葉片識(shí)別系統(tǒng)，采用Opencv計(jì)算機(jī)視覺(jué)庫(kù)在Android平臺(tái)上進(jìn)行嵌入式開(kāi)發(fā)，通過(guò)調(diào)用移動(dòng)設(shè)備攝像頭對(duì)即時(shí)拍攝的150幅植物葉片照片進(jìn)行物種識(shí)別。比較了包括cahny邊緣檢測(cè)和EM分割算法等方法，再通過(guò)自適應(yīng)核的形態(tài)學(xué)操作進(jìn)行后期處理，提取到較準(zhǔn)確的葉片邊緣輪廓信息。計(jì)算輪廓曲率并且統(tǒng)計(jì)成曲率直方圖特征，最后通過(guò)SVM分類(lèi)器，對(duì)特征進(jìn)行分類(lèi)，來(lái)達(dá)到對(duì)不同的植物葉片進(jìn)行識(shí)別和分類(lèi)。識(shí)別率較高，運(yùn)算速度有待提升。關(guān)鍵詞：圖像處理；

2、形態(tài)學(xué)；EM算法；直方圖比對(duì)；SVM；支持向量機(jī)引言我們初始化每個(gè)高斯模型在各自的期望中心附近分布，注意到模式識(shí)別技術(shù)被用于計(jì)算機(jī)視覺(jué)及圖像處理領(lǐng)域，近些年得到公式中的系數(shù)為0．5，當(dāng)采用兩個(gè)相等權(quán)重的高斯分布時(shí)，從新圖像了飛速的發(fā)展，吸引了世界上眾多學(xué)者參與研究。如何提取或者測(cè)中讀人數(shù)據(jù)，函數(shù)能收斂到相應(yīng)的閾值。特征提取就通過(guò)EM分割，量葉子的特征是一個(gè)長(zhǎng)期研究中的話題_1j。這使得模式識(shí)別在這個(gè)交替地使用每個(gè)像素估計(jì)當(dāng)前參數(shù)，然后在使用新參數(shù)對(duì)像素點(diǎn)進(jìn)領(lǐng)域的應(yīng)用面臨了一個(gè)新的挑戰(zhàn)【1Il81。根據(jù)文獻(xiàn)【2】，由計(jì)算機(jī)自動(dòng)獲行預(yù)測(cè)，從而更新和修正參數(shù)，反復(fù)迭代直至收斂。取

3、現(xiàn)存植物的數(shù)據(jù)的做法還沒(méi)有被實(shí)施。我們將拍攝圖片按比例縮放為400*400像素，比較了不同的采而目前國(guó)內(nèi)外針對(duì)植物葉片形狀特征中的輪廓特征，對(duì)植物葉樣方式。首先，采取生成隨機(jī)二維數(shù)組，作為采樣像素點(diǎn)的橫縱坐片輪廓提取的方法主要分為基于輪廓和基于區(qū)域131。文章通過(guò)對(duì)現(xiàn)標(biāo)，采樣點(diǎn)數(shù)為總像素?cái)?shù)量的百分之一；其次，選擇存儲(chǔ)圖像的矩陣場(chǎng)拍攝的植物葉片照片進(jìn)行預(yù)處理，對(duì)比中使用的canny邊緣檢中，每隔10個(gè)像素點(diǎn)取一個(gè)采樣點(diǎn)，從像素點(diǎn)(10，10)開(kāi)始，同樣采測(cè)，我們采用Expectation—Maximization算法對(duì)植物和背景進(jìn)行圖像樣點(diǎn)數(shù)為總像素?cái)?shù)量的百分之一。分~tJt

4、a，能在移動(dòng)平臺(tái)上以較快的速度獲取相對(duì)更加準(zhǔn)確的邊緣信結(jié)果表明，采用第二種采樣的方式更有利于初始分割圖像的準(zhǔn)息。結(jié)合文章提出的自適應(yīng)核植物形態(tài)學(xué)開(kāi)閉運(yùn)算，以達(dá)到去除葉確性。其原因是拍攝者在對(duì)葉片進(jìn)行拍攝時(shí)，主觀的會(huì)將葉片置片莖的干擾，然后提取植物葉片邊緣輪廓的曲率特征。于整幅圖像的中心，而采用網(wǎng)格狀取樣方式，能對(duì)采樣點(diǎn)的不同類(lèi)關(guān)于特征的選擇，雖然目前已經(jīng)有許多方法，但大都使用了預(yù)型有一個(gè)全面的覆蓋。定義的特征。而I9]中使用了一個(gè)移動(dòng)中值中心超球面分類(lèi)器，因?yàn)槠淙欢鴮?duì)于光照產(chǎn)生的陰影和葉片上比較薄的部分，或者由于拍需要大量的迭代計(jì)算，不適合在移動(dòng)平臺(tái)上應(yīng)用。相似的做法在中攝

5、攝像頭像素過(guò)低，以至于照片模糊，有可能使得葉片邊緣會(huì)有一也提出了。他們的另外一篇論文提出了一個(gè)用于葉片形狀匹配的簡(jiǎn)些噪點(diǎn)，增加中值濾波，可以消除這一影響。單的動(dòng)態(tài)規(guī)劃算法，相對(duì)19]而言計(jì)算速度有一定提升。而文章采用采1．2使用形態(tài)學(xué)操作去除錯(cuò)誤預(yù)測(cè)區(qū)域用的多尺度提取輪廓曲率信息，既能有很短的計(jì)算時(shí)間，通過(guò)實(shí)驗(yàn)在EM處理之后，每個(gè)像素點(diǎn)都根據(jù)其EM處理中和兩個(gè)高篩選出最具代表性的尺度特征，相比采用”不變矩”或類(lèi)似于多尺度斯之間的關(guān)系被認(rèn)定為葉子或者是背景上的像素。這就導(dǎo)致了一開(kāi)距離矩陣等尺度不變方法，不僅能保證識(shí)別的成功率，而且計(jì)算始的分割中有時(shí)候會(huì)存在因?yàn)椴痪獾谋尘啊㈥?/p>

6、影或者圖像巾多余量較小。的物體而產(chǎn)生錯(cuò)誤預(yù)測(cè)區(qū)域。另外，圖像中多余的邊緣信息也會(huì)導(dǎo)以上的很多方法都使用了k一鄰域的分類(lèi)方法[2】【8】，而有些文章致錯(cuò)誤分割區(qū)域，這是因?yàn)樵趯?shí)驗(yàn)時(shí)，我們通常會(huì)在葉子后面放置中采用虛擬神經(jīng)網(wǎng)絡(luò)的方法。在f1l1中作者結(jié)合花和葉子的信息來(lái)分一張白紙來(lái)產(chǎn)生一個(gè)高亮的背景，之后拍攝照片，這些照片有的會(huì)類(lèi)野生的花，中提出一個(gè)虛擬神經(jīng)網(wǎng)絡(luò)的運(yùn)用來(lái)分類(lèi)仙人掌。但拍到自紙的邊緣，從而產(chǎn)生潛在的錯(cuò)誤預(yù)測(cè)區(qū)域。是根據(jù)[91中作者所論證的，SVM分類(lèi)將更有利于對(duì)高維特征進(jìn)行更腐蝕運(yùn)算即為：加精確的分類(lèi)。A0B=U{A+b：b∈B}所以文章最后通過(guò)SVM訓(xùn)練形成的強(qiáng)

7、分類(lèi)器，與曲率直方圖我們的預(yù)處理過(guò)程的目標(biāo)就是去除這樣的假陽(yáng)性區(qū)域。我們首相交目這種方法對(duì)比，對(duì)其曲率直方圖進(jìn)行分類(lèi)，使得系統(tǒng)的識(shí)別率先計(jì)算對(duì)于連同區(qū)域膨脹后的分割狀態(tài)。在此情況下，任何有很大更加穩(wěn)定，達(dá)到對(duì)不同的植物葉片進(jìn)行識(shí)別和分類(lèi)。邊界在圖像邊緣的連通區(qū)域就被去除，這樣就消除了在白色背景外1提取葉片的區(qū)域。由于植物在不同的季節(jié)顏色變化較大，并且葉片受光照環(huán)境的1．3使用自適應(yīng)核的頂帽算法去除葉柄不同，很容易發(fā)生顏色的改變；如果以葉片的脈絡(luò)作為特征，伴隨著根據(jù)拍攝情景的不同，有可能所拍攝的葉片照片是沒(méi)有葉柄葉片