一种识别率高的植物识别方法及装置制造方法
【专利摘要】本发明公开了一种识别率高的植物识别方法及装置，该方法具体做法是首先由图像采集单元采集植物器官数字图像作为测试样本，再对样本进行预处理以获得灰度图像，然后使用脉冲耦合神经网络对灰度图像进行特征提取，进而获得能够反映该灰度图像的熵序列；将熵序列作为主要特征，以形态特征为辅助特征，借助支持向量机分类器，可以获得较高的植物识别率。本发明方法可实现对大样本数据（待区分的植物种类较多）简单、精确的识别，识别率高，具有较强的适应性，对现有数据库验证准确率可达98%以上。
【专利说明】 一种识别率高的植物识别方法及装置
【技术领域】
[0001]本发明涉及基于叶片图像的植物识别方法，具体地说是一种识别率高的植物识别方法及装置。
【背景技术】
[0002]当前用于植物的分类方法众多，大致可分为经典形态分类方法和现代分类方法。现代植物分类方法要求很高的专业技术知识，如植物细胞分类学、植物化学分类学、植物血清分类学以及植物遗传学。对于非专业人员，这些分类方法操作复杂、很难掌握或不实用，更不适合野外工作环境。相对现代分类方法来讲，经典的植物形态分类方法比较容易掌握，而且适用于野外活体植物识别。经典形态分类方法是通过观察植物的外部形态和解剖结构进行分类的。一般来讲，植物的根、茎、叶、花等器官均有分类价值，但是花在植物的整个生活周期中所占时间较短，根和茎在不同时期变化较大且多数要在解剖镜下才能看见精细结构，对操作者要求较高，通常不作为植物快速识别的主要依据。相比之下，植物叶片在整个植物生活周期中存在时间最长，变化小，而且易于采集样本。因此，人们通常将其作为认识植物的主要参照器官。此外，另一重要原因是虽然植物的叶片形态多样，但是每种植物都有其相对稳定的特征，这些特征就是认识和识别植物的基础和出发点。
[0003]目前基于植物叶片的植物分类主要是依靠鉴定者的经验进行人为判断，由于植物种类非常庞大，部分叶片形态看似接近，实则千差万别。所以这种传统的判别方法要求操作者具有丰富的分类学知识和长期的实践经验，才能开展工作。总之，基于植物叶片的识别对于植物分类学家来说尚存一定困难，就更不用说，对于普通人员利用叶片识别植物种类了。但是利用植物叶片对植物进行识别是一个十分有用而又富有挑战性的工作，如何让人们快速准确地识别植物种类是植物分类学科亟待解决的问题之一。
[0004]随着计算机技术的不断发展，基于图像处理与分析的植物种类识别技术已经成为一个研究热点，国内外研究人员提出了各种各样的特征和分类方法。Gnadhi进行了基于形状特征的植物品种鉴别；Ingrouille等在1986年提取了 27个叶片的形状特征对橡树进行分类比较分析，并提出了对特征进行主分量分析的特征统计方法。Franz等利用植物叶片边缘的曲率来对植物进行识别，对于全部可见和部分可见的叶片边缘用曲率来表示；Ray在1992年提出一种“特征形状”的方法对叶片进行分类。Guyer等在1993年提取了 17种叶片形状特征，并对40类植物进行分类。Yonekawa等提出利用50种理想片状叶形的图形作为对照，来鉴别植物叶形。1997年，Abbasi等利用多尺度曲率空间方法来描述叶片形状，并用来对菊花进行分类。Cholhong等在1999年利用对叶片的多边形逼近来识别械属类植物。2000年，Oide等利用类似的方法，利用大豆叶片对大豆分类。Neto等在2006年提出了一种基于椭圆傅立叶变换的叶片形状特征，来识别大豆、向日葵、绒毛叶和美洲茶。McDnoald等在1990年利用数学形态学方法来进行植物的识别。同年，Shearer等在基于植物彩色纹理特性的基础上，计算出11个纹理特征，可以对7种人工培育的植物进行识别。Rui等也在1996年提出一种改进傅立叶描述子方法来进行植物叶片识别，这种方法将傅立叶变换的幅值和相位独立计算以提高精度。Mokhtarina等在2004年又发展了这种方法,用于自遮掩的叶片识别，通过对12类菊花共120张叶片图像的识别，识别率达到98.4%。Samal等提出了一种基于纹理特征的单株树的种类识别。2008年Bruno等利用盒维数法估算了 70个叶片样本图像的分形维数，从而较好地分析了相应叶片类型的复杂度，为植物叶片的机器识别提供了分形学方面的理论依据。
[0005]国内学者也开展了基于图像处理与分析的植物种类识别技术的大量研究工作。1994年傅星和卢汉清开展了应用计算机进行植物自动分类的初步研究。2002-2004年，池哲儒等进行了一系列植物识别的相关研究，提出一种中心轮廓距离曲线方法来匹配叶片形状，并通过不同特征的模糊集成实现植物图像的检索；祁亨年等通过基于叶子外观形状特征的研究，以植物叶片为例，提取叶片大小、叶形、圆形度参数及叶缘等特征，探讨了建立植物识别模型的研究。
[0006]到目前为止，上述基于植物叶片的图像植物识别方法实用性都不强的。原因是这些方法能识别的样本少且识别率低，大多停留在理论探索层面。
【发明内容】
[0007]本发明的目的是提供一种识别率高的植物识别方法，以解决现有方法对大样本数据(待区分的植物种类较多)进行识别时识别率低的问题。
[0008]本发明的另一个目的是提供一种识别率高的植物识别装置。
[0009]本发明技术方案如下:一种识别率高的植物识别的方法，包括以下步骤:
步骤1、图像采集:采集植物器官数字图像作为测试样本，
步骤2、图像预处理:将样本图像转化为灰度图像，主要包括图像灰度化、图像增强和二值化处理，用获得的叶片轮廓图像求得辅助识别的形态特征，即叶片的长宽比、形状参数、圆形性、矩形度、图像的熵、七个不变矩和zernike矩；
步骤3、特征提取:然后将其输入到脉冲耦合神经网络(PCNN)中，则每次迭代后PCNN会输出一幅二值图像，求出次二值图像的熵，经N次迭代后得到长度为N的熵序列；为该叶片创建标号，以表征叶片所属类别；遍历现有数据库，求出所有叶片的特征向量和类别编号；步骤4、分类:将步骤3所获得的所有样本数据划分为训练数据(用来训练分类器)和测试数据，然后将数据进行归一化；将提取的特征输入到分类单元进行分类。
[0010]一种识别率高的植物识别装置，包括图像采集单元、图像预处理单元、特征提取单元和分类单元，
一、图像采集单元:用于获取外部图像的模块，
二、图像预处理单元:用于从图像采集单元中得到的图像进行相应的处理，主要包括图像灰度化、图像增强和二值化处理，
三、特征提取单元:用于图像特征的提取，主要是PCNN熵序列的提取以及辅助形态特征的提取，
四、分类单元:将提取的特征用于叶片的分类。
[0011]本发明将脉冲I禹合神经网络(Pulse-coupled Neural Network, PCNN)用于植物识别，下面对脉冲耦合神经网络进行说明:该网络是一个单层横向连接的二维神经网络。该网络是由若干个神经元组成，其大小是可以根据具体的应用环境灵活设定的。PCNN的神经元的数学模型如下所示:
【权利要求】
1.一种识别率高的植物识别的方法，其特征是它包括以下步骤: 步骤1、图像采集:采集植物器官数字图像作为测试样本， 步骤2、图像预处理:将样本图像转化为灰度图像，主要包括图像灰度化、图像增强和二值化处理，用获得的叶片轮廓图像求得辅助识别的形态特征，即叶片的长宽比、形状参数、圆形性、矩形度、图像的熵、七个不变矩和zernike矩； 步骤3、特征提取:然后将其输入到脉冲耦合神经网络(PCNN)中，则每次迭代后PCNN会输出一幅二值图像，求出次二值图像的熵，经N次迭代后得到长度为N的熵序列；为该叶片创建标号，以表征叶片所属类别；遍历现有数据库，求出所有叶片的特征向量和类别编号； 步骤4、分类:将步骤3所获得的所有样本数据划分为训练数据(用来训练分类器)和测试数据，然后将数据进行归一化；将提取的特征输入到分类单元进行分类。
2.一种识别率高的植物识别装置，其特征在于:它包括图像采集单元、图像预处理单元、特征提取单元和分类单元， 一、图像采集单元:用于获取外部图像的模块， 二、图像预处理单元:用于从图像采集单元中得到的图像进行相应的处理，主要包括图像灰度化、图像增强和二值化处理， 三、特征提取单元:用于图像特征的提取，主要是PCNN熵序列的提取以及辅助形态特征的提取， 四、分类单元:将提取的特征用于叶片的分类。
【文档编号】G06K9/00GK103870816SQ201410116111
【公开日】2014年6月18日 申请日期:2014年3月26日 优先权日:2014年3月26日
【发明者】王兆滨, 张耀南, 孙晓光, 马义德, 祝英, 康建芳 申请人:中国科学院寒区旱区环境与工程研究所