] 的区间中；轮廓则会由一个从该量化空间中得到的方向组成的字符串来表示；第二个变量 0 '是相对的，它提供了有关的梯度特征的坡度信息；将该特征作用于叶片的形状时，就对 应于主要叶缘的极值；所有大小为S的片段被生成用于描述轮廓信息，每个片段是由轮廓 上的连续像素组成的；给定一个由n个像素组成轮廓P，则P= (Cl,C2,. . .，C。)，前两个大 小为S= 4的片段为Si= (C。C2,C3,C4)和S2=(C2,C3,C4，Cs);由于轮廓是闭合的，那么所 有可能的片段的总数量与n相等，也就是P的向量大小；为了确保尺度不变，大小为S的片 段将会根据轮廓的总长度按比例选择，该个比例被表示为P,=s/n;对于每一个轮廓的片 段Si、变量0和0 '，把具有相同0和0 '量化值的像素组成集合，该些集合即为定向片 段；变量0和0 '是从区间[0,231]随机选取的，且区间[0,231]被分成M个长度相同的 小块；对于每一个变量，分别计算它的局部直方图，因此，可W得到变量0和0'的N个局 部直方图；在此基础上，再通过双直方图总结得出该局部信息，其中还包含了一些叶子的全 局信息；量化的0和e'可W用来表示随机变量的方向，记为a，且该值落在区间[0,231] 中；同时，在化个直方图中频率的幅度也可W用来表示一个随机变量，记为Q，该值落在区 间[0, 1]中，然后再量化成J个统一的小块，零值被排除在外；然后从2n个局部定向直方图 中计算随机向量（a，曲的2D直方图，在该个过程中把M个在区间[0,231]中统一的小块 作为随机变量a，而把J个统一的小块作为随机变量Q;该个2D的双直方图将会作为一个 特征用W描述叶片，该特征即为定向片段直方图；在尺度S的空间中，它是一个两维的值的 数组，包含MXJ个的小块。
5. 根据权利要求1所述的一种基于多特征融合的简单背景下的叶片识别方法， 其特征在于，所述步骤2中，所述基于轮廓点的特征具体为；假设一个物体为P，P= {Pi，...P。}，PiGR2,对于每一个点pi,旨在找出另一个物体上的与该点最匹配的点qi，因 此，引入一个向量集合，该向量集合为从一个点到其余样本点的关联；对于每一个在物体形 状上的点pi,计算一个W相对于剩余n-1个点的坐标为基准的比较粗趟的直方图h(k): hi化）=#{q声Pi: (q-Pi)Gbin化）} 将该方法用于叶片图像分类中，从叶片图像中提取来自边缘W及叶片内的n个点组成 集合C与V;集合V是由所有的边界点组成而集合C是由哈里斯角点检测的关键点组成，即 C= {salientpoints},V={marginpoints}，描述了属于同一物种的叶片的叶脉特征与边 界点之间的关系。
6. 根据权利要求1所述的一种基于多特征融合的简单背景下的叶片识别方法，其特征 在于，所述步骤2中，所述叶片几何特征具体为：矩形度记为Rect，代表其形状与长方形的 相似程度：
其中A是一个形状的面积，Ab是最小边界矩形B的面积。 压缩度记为C，被定义为凸包周长Ph值超过原始轮廓P的比率：
凸度记为S，描述物体形状凸或凹的程度：
其中，A是形状区域的面积，Ah是形状的凸包区的面积； 球形度记为Sph，是边界框ri的内圆的半径和边界框rc的外侧圆的半径之比：
7.根据权利要求1所述的一种基于多特征融合的简单背景下的叶片识别方法，其特征 在于，所述步骤3具体包括W下子步骤： (3. 1)对于获取的叶片的多尺度S角特征、定向片段直方图、基于轮廓关键点的特征W及叶片的几何特征分别使用局部敏感哈希算法对特征进行索引； (3. 2)对于根据多尺度S角特征、定向片段直方图、基于轮廓关键点的特征W及叶片的 几何特征构造的索引分别使用k近邻得出与检索图像最匹配的图像候选列表； (3. 3)对于根据每个特征检索得到的图像进行进一步筛选，再在上层产生决策列表： 假设一次多图像检索为Q，匹配的图像候选列表妒的计算公式如下：
其中V是多尺度S角特征、定向片段直方图、基于轮廓关键点的特征W及叶片的几何 特征该些特征的集合，是特征V的图像的数量的总和；在第一个对相同特征的图像进行 处理的阶段时，与V相关的的结果列表被融合并得到最相似的图像列表，其中只有排名 最前面的K个图像被保留；把特征V的图像的标准化的置信评分f；化S)定义为下式：
其中是与特征V相关的图像结果列表中排名最前面的K幅图像中植物类别为S的 图像的数量总和； 在接下来的阶段中，引入了一个在上一个阶段中标准化置信分数的加权和，最终的类 别S的评分由下式给出：
其中Wv(Q)的定义如下；
8.根据权利要求1所述的一种基于多特征融合的简单背景下的叶片识别方法，其特征 在于，所述步骤4中，所述潜在语义分析是基于特征矩阵的SVD分解；将C转换成C=usyT， 其中U和V是正交矩阵，U的列组成了矩阵的特征向量，yT是C乂的特征向量，S是对角矩 阵；在潜在语义分析中，矩阵syT的列被解释为初始向量至k维潜在空间的映射；在检索中， 一个用户的查询通过4 = 被映射为相同的第k维空间得到新的查询查询g通过余 弦相似性被评价打分，且结果按降序排列；所述步骤4可W概括如下： (4. 1)解决mXm的特征值问题0加=US2,求出k个最大特征值和对应的特征值； (4.。计算原始图像(1岸第k维空间的映射矣，其中，式=i (4. 3)对于查询q，通过余弦函数计算如相似性得分，其中《={7^9 . (4. 4)通过步骤4. 3得到的相似性得分对步骤3中得到的初步检索结果进行进一步重 排序，得到最终结果。
【专利摘要】本发明公开了一种基于多特征融合的简单背景下的叶片识别方法，首先采用基于大津阀值法的分割算法对叶片图像进行分割，将叶片与背景分割开来；然后在分割得到的叶片图像上提取多个叶片的轮廓形状及集合特征的描述子，包括多尺度三角特征、定向片段直方图、基于轮廓关键点的特征以及叶片的几何特征；最后采用局部敏感哈希与自定义的加权置信评分算法对提取的多个特征进行融合并匹配。该方法能克服一般特征对细粒度叶片图像无法进行良好描述等问题，通过将多个叶片的显著特征进行融合能很有效地提高识别准确率。
【IPC分类】G06K9-00, G06K9-46, G06K9-62
【公开号】CN104850822
【申请号】CN201510118938
【发明人】张引, 任晓琳
【申请人】浙江大学
【公开日】2015年8月19日
【申请日】2015年3月18日