干旱区植物叶片识别探究范文

本站小编为你精心准备了干旱区植物叶片识别探究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1引言

植物识别与分类技术在农业和医学上有广泛的应用前景，并在生物多样性研究中具有重要的意义。干旱荒漠植物区虽然环境恶劣，且年降水量不足2000mm，但具有丰富而独特的植物物种资源，因此保存下干旱区每种植物的名片信息对植物叶片信息数据库的建立和未来全球化植物的发展具有重要的意义。目前植物学家能够通过多种计算机视觉处理方法进行植物鉴定。植物叶片作为植物的一个重要结构，形状稳定，长期存在，是植物自动化识别分类的重要信息源，所以众多研究者选择植物叶片作为植物分类的识别依据[1-4]。植物叶片颜色、纹理、叶脉、形状特征等常用于区分不同的植物类别[5-7]。植物叶片特征的提取方法随着技术的发展也逐渐完善，由最初的少量特征描述因子到多种特征组合再降维，另外还有利用多尺度Gabor小波变换等方法提取植物叶片特征[8-9]。提取叶片图像特征后，分类识别的任务往往采用基于单镜头图像的传统分类器，如K-近邻、学习矢量化、概率神经网络、典型相关性鉴别分析（Discriminant-analysisofCa-nonicalCorrelations，DCC)等[10-14]。此外，Ji-XiangDu[16]提取叶片图像的PHOG特征对叶片形状信息进行描述，然后将图库和探针集中的每个图像集描述为特征空间中的流形，通过计算流形之间的平均距离来实现叶片识别分类。SueHanLee等[16]人运用深度学习算法，通过学习和应用从叶片图像中识别出的特征作为植物鉴定的分类器。但现有的植物叶片识别方法所选用的植物叶片数据多为扁平状叶片，这一类的叶片通常叶脉清晰，纹理明显，形状简单，特征较易提取，而干旱区植物因所处地域水分少，且蒸散多，植物叶片多为披针形和圆柱形，形状、纹理等特征更为复杂，而现有的方法不适用于干旱区植物叶片的分类。本文中选取了8种典型的干旱区植物叶片图像，使用PHOG特征来描述植物叶片图像的形状信息，探讨现有常用的特征降维方法，通过实验选用D-LLE的流行学习算法对植物叶片的PHOG特征进行降维，最后用SVM分类器选用合适的参数组合实现干旱区植物叶片的分类识别。

2特征提取

本文使用金字塔梯度方向直方图（PyramidHistogramsofEdgeOrientationGradients,PHOG）来提取叶片的特性信息。PHOG是在梯度直方图（HistogramsofOrientationGradients,HOG）的基础上发展得到的，HOG可以把握好图像中局部对象的边缘信息并特征化，且能表明其空间分布，但忽略了重要的空间信息，PHOG在HOG的基础上加入空间金字塔划分从而引入空间信息，能够对图像的全局结构特征进行描述，可以克服物理噪声的干扰[17]。因此使用PHOG对叶片图像进行基础特征提取。特征提取过程如下：1）第一步对叶片的边缘进行提取，Canny边缘检测可以提取叶片图像的轮廓，并且剔除多余信息，保留边缘信息。2）然后将图像进行金字塔𝐿层级的划分，把梯度方向分成N个空间，并形成每个层级的特征向量。3）对每层中的各个区域的HOG求和，最终形成PHOG的特征描述子4）最后图像的每一层都会得到HOG特征，将他们合并起来就得到了PHOG特征。PHOG特征能详细的描述图像局部信息，可以使得提取叶片图像信息的过程具有更高的效率。对于PHOG特征参数的选取，各层级金字塔梯度直方因为随着层数的增加，植物叶片图特征描述的越详细，当l=3时效果较好，既可满足分类要求，当层数在增加所用的时间就越长，所以选择l=3，并且N=8，方向角度从0°~360°。

3差异性值监督局部线性嵌入

对提取出来的叶片图像特征进行降维处理，提高识别的效率，本文采用差异性值监督局部线性嵌入方法来对PHOG特征进行降维。局部线性嵌入算法（LocallyLinearEmbedding，LLE）[18]可以学习任意维空间数据低维流行；计算复杂度小且易实现，但保留下的仅仅是局部特征，而不是样本点的间距，得到具有等距性质高维数据集的低维流行并不能满足分类需求，且受噪声的影响较大。加权局部线性嵌入（WeightedLocallyLinearEmbedding，WLLE）[19]在LLE算法的基础上增加了样本的重要值，减少了噪声点和样本外点，增强了算法的鲁棒性，但没有引入样本的类别信息，而样本之间的类别信息可以由差异性值很好地描述，将含有样本类别信息的差异性值和WLLE算法联合改进，提出一种差异性值监督LLE算法（Dissimilarity-supervisedLocallyLinearEmbedding，D-LLE）[20]。

4支持向量机

经过降维之后的PHOG特征，使用支持向量机（SupportVectorMachine，SVM）[22-23]的方式对植物叶片进行分类。支持向量机是从线性可分的情况下最优分类超平面发展而来，对于非线性问题，待分类的样本可以通过核函数变换映射到高维特征空间，使得样本在高维空间中线性可分，从而求得最优分类面。

5实验与结果分析

5.1实验设计

实验中所采用的所有图像均为野外采摘获得，使用1200万像素的摄像机拍摄，共312幅，8类典型干旱区植物叶片图像，叶片背景均为白色，分别为骆驼刺、花花柴、白杨、大叶榆、枸杞、苦豆子、甘草、沙枣，图3为这8类叶片示例图像。样本实验是在MATLABR2016a环境下完成的。本实验对植物叶片提取PHOG特征描述子，使用D-LLE算法进行降维，然后运用SVM分类器对各类植物叶片图像进行分类。实验从每类植物叶片图像中随机抽取20幅作为训练样本，10幅作为测试样本，分别对8个类别的植物叶片图像进行分类检测。

5.2实验结果与分析

本文分别使用不同植物叶片降维的算法和本文提出的方法作对比分析。试验中提取出所有实验样本的PHOG特征，分别采用主成分分析法（PrincipalComponentAnalysis，PCA）、LLE、WLLE、D-LLE算法对叶片的特征向量进行降维，然后使用基于径向基核函数的SVM分类器进行学习训练，具体参数设计请参看各小节。

6结语

本文采集了8种干旱区典型的植物叶片图像，提出了用D-LLE算法对这8种干旱区的植物叶片图像的PHOG特征降维，再使用SVM分类器进行植物叶片识别。首先植物叶片图像信息提取采用的是PHOG描述子，通过调整邻域K和参数α的值，测试出使用D-LLE算法提取植物叶片PHOG特征的最优参数，然后使用PCA、LLE、WLLE和D-LLE算法进行对比降维，最后用基于径向基核函数的SVM对植物叶片图像进行分类。实验表明PHOG特征能较好的用于干旱区植物叶片分类的问题，较好的把握图像的全局特征，同时也表明D-LLE算法相比其他特征降维的方法具有更高的识别率，更适用于解决干旱区的植物叶片分类问题。

作者：王丹1；郑江华1,2,3；努尔巴依1 单位：1.新疆大学资源与环境科学学院，2.新疆大学绿洲生态教育部重点实验室，3.新疆大学干旱生态环境研究所