基于樹葉線性特征的植物識別

【摘要】：植物識別在現代農業、中草藥學和植物分類等方向具有重要意義,樹葉是植物分類和形態差異的重要特征。因此通過樹葉圖像識進行植物識別是一種高效和縝密的手段。當前樹葉識別通?；跇淙~圖像中樹葉輪廓,樹葉紋理和樹葉靜脈這三種線性特征中的一兩種,極大程度限制了它們的識別性能和應用范圍。同時傳統方法在基于樹葉線性特征進行識別時往往忽略其是曲線多取向特征,并且以點特征為識別依據,這都極大降低了樹葉識別準確率。如何有效的解決這些問題成為了樹葉圖像識別中亟待解決的新難題。本文基于以上問題,介紹了一種新樹葉識別方法,該方法可以直接有效地結合樹葉圖像中的三種重要特征來進行植物分類。提出利用更有效的特征提取算法:橢圓半Gabor濾波器,更優的線性結構描述子:MGLLDP(Maximum Gap Local Line Direction Pattern,最大間隙局部線方向模式)結合的方法來解決以上問題。論文主要研究工作和結果如下:(1)為了從樹葉的輪廓,樹葉紋理和樹葉靜脈上獲得穩定且獨立的局部線響應,本文引入橢圓半Gabor濾波器并與原始灰度葉圖像進行卷積,有效的提取了樹葉的多種線性特征和曲線多取向方向響應。并通過實驗驗證修正后的橢圓半Gabor濾波器在識別率上相較于傳統Gabor濾波器有很大提升。(2)通過MGLLDP從局部線響應中提取最大間隙局部線方向圖并進行歸一化循環右移處理,直至位移到方向最左邊的位平面上的值為1的最大位平面上。之后計算歸一化的直方圖,并將其作為基于計數的局部結構模式,更為準確的表達了樹葉線性方向的結構特征。通過實驗驗證MGLLDP在識別率上相較于傳統梯度算子在樹葉識別上具有更好的準確率。(3)將橢圓半Gabor和MGLLDP算法結合后,進行歸一化處理,再利用支持向量機作為分類器在瑞典、Flavia、ICL(Intelligent Computing Laboratory,人工智能計算實驗室)這三個最常用數據庫上進行對比實驗。我們提出的算法在這三個常用樹葉庫上的識別率分別達到:98.40%、97.83%和97.37%,優于目前主流的基于樹葉的植物識別算法。綜上所述,為了解決實際中基于樹葉圖像的植物分類問題,結合傳統Gabor濾波器,本地描述子算法以及基于“計數”的特征描述方法,筆者提出了解決樹葉線性特征問題的幾種關鍵算法。這些新算法通過實驗驗證均取得了較好的應用效果。通過實驗分析得出:樹葉分類識別算法的成功與否主要取決于特征提取算法,其中,全面的提取線性特征,準確的表達線性結構表述和如何規避基于點特征造成的魯棒性是我們所專注的核心問題。我們集中與這些核心問題提出的新型算法都合適的解決了這些困難,達到良好的實驗結果。