植物叶片的特征提取方法、识别方法、装置和计算机设备与流程

本发明涉及图像处理技术领域，尤其涉及一种植物叶片的特征提取方法、识别方法、装置、计算机设备和计算机可读存储介质。

背景技术：

植物的分类与识别一般选取植物的局部特征，如植物的叶、花、果、茎、纸条等特征。这些器官都有各自的分类价值，但是相比起植物其他的器官，植物叶片的存活时间较长，在一年的大部分时间内都可较为方便地采集到，所以常作为植物的识别特征和认识植物的主要参照器官；同时叶形是研究植物物种的形态变异和分化的一个非常好的指标，因此基于叶片的识别是识别一种植物最直接有效且最简单的方法。

植物叶片的识别技术中最主要的就是叶片中特征信息的提取。相关技术中，通常是通过一定的降噪、加权聚合运算等方式从植物叶片图像中提取出lbp(localbinarypatterns，局部二值模式)特征，并通过该lbp特征以实现植物叶片的识别。但是，上述方式仅能够对当前角度下的植物叶片进行特征提取，并通过该特征以实现叶片的识别，而当通过不同角度对同一种类型的植物叶片进行拍摄而得到的植物叶片图像，如果利用上述识别方式对该同一种类型植物叶片在不同角度下的图像进行识别的话，可能会出现不同的识别结果，也就是说，针对同一类型植物叶片图像在旋转情况下，通过上述识别方式会存在识别结果有误差，识别准确性低的问题。

技术实现要素：

本发明的目的旨在至少在一定程度上解决上述的技术问题之一。

为此，本发明的第一个目的在于提出一种植物叶片的特征提取方法。该方法可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，也可以提高叶片识别的精确度。

本发明的第二个目的在于提出一种植物叶片的识别方法。

本发明的第三个目的在于提出一种植物叶片的特征提取装置。

本发明的第四个目的在于提出一种植物叶片的识别装置。

本发明的第五个目的在于提出一种计算机设备。

本发明的第六个目的在于提出一种非临时性计算机可读存储介质。

本发明的第七个目的在于提出另一种计算机设备。

本发明的第八个目的在于提出另一种非临时性计算机可读存储介质。

为达到上述目的，本发明第一方面实施例提出的植物叶片的特征提取方法，包括：获取样本叶片图像，并对所述样本叶片图像进行二值化处理；确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转所述圆形邻域以计算出所述各个像素点的目标局部二值模式lbp值；计算所述各个像素点的目标lbp值在所述样本叶片图像中的概率分布；将所述概率分布作为所述样本叶片图像的lbp特征信息。

为达到上述目的，本发明第二方面实施例提出的植物叶片的识别方法，包括：获取待识别的叶片图像；根据预设的特征提取方法对所述待识别的叶片图像进行特征提取，以得到所述待识别的叶片图像的lbp特征信息，其中，所述预设的特征提取方法为本发明第一方面实施例所述的特征提取方法；将所述待识别的叶片图像的lbp特征信息与预先存储的所述样本叶片图像的lbp特征信息进行匹配；若匹配结果满足预设条件，则根据所述样本叶片图像的lbp特征信息和预先存储的所述对应关系，确定所述待识别的叶片图像中叶片的种类。

为达到上述目的，本发明第三方面实施例提出的植物叶片的特征提取装置，包括：获取模块，用于获取样本叶片图像；二值化处理模块，用于对所述样本叶片图像进行二值化处理；第一计算模块，用于确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转所述圆形邻域以计算出所述各个像素点的目标lbp值；第二计算模块，用于计算所述各个像素点的目标lbp值在所述样本叶片图像中的概率分布；第一确定模块，用于将所述概率分布作为所述样本叶片图像的lbp特征信息。

为达到上述目的，本发明第四方面实施例提出的植物叶片的识别装置，包括：获取模块，用于获取待识别的叶片图像；特征提取模块，用于根据预设的特征提取方法对所述待识别的叶片图像进行特征提取，以得到所述待识别的叶片图像的lbp特征信息，其中，所述预设的特征提取方法为本发明第一方面实施例所述的特征提取方法；匹配模块，用于将所述待识别的叶片图像的lbp特征信息与预先存储的所述样本叶片图像的lbp特征信息进行匹配；确定模块，用于在匹配结果满足预设条件时，根据所述样本叶片图像的lbp特征信息和预先存储的所述对应关系，确定所述待识别的叶片图像中叶片的种类。

为达到上述目的，本发明第五方面实施例提出的计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现本发明第一方面实施例所述的植物叶片的特征提取方法。

为达到上述目的，本发明第六方面实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明第一方面实施例所述的植物叶片的特征提取方法。

为达到上述目的，本发明第七方面实施例提出的计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现本发明第二方面实施例所述的植物叶片的识别方法。

为达到上述目的，本发明第八方面实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明第二方面实施例所述的植物叶片的识别方法。

根据本发明实施例的植物叶片的特征提取方法、识别方法、装置、计算机设备和计算机可读存储介质，可以通过多次旋转各个像素点的圆形邻域以计算出各个像素点的目标lbp值，并计算出各个像素点的目标lbp值在样本叶片图像中的概率分布，进而将该概率分布作为样本叶片图像的lbp特征信息，可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，这样，通过该特征提取方式提取叶片图像中的特征信息，并根据该特征信息进行叶片识别时，可以提高叶片识别的精确度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的植物叶片的特征提取方法的流程图；

图2是根据本发明实施例的植物叶片的特征提取方法的流程图；

图3是根据本发明一个实施例的植物叶片的特征提取装置的结构示意图；

图4是根据本发明一个具体实施例的植物叶片的特征提取装置的结构示意图；

图5是根据本发明另一个具体实施例的植物叶片的特征提取装置的结构示意图；

图6是根据本发明一个实施例的植物叶片的识别方法的流程图；

图7是根据本发明实施例的植物叶片的识别方法的流程图；

图8是根据本发明一个实施例的植物叶片的识别装置的结构示意图；

图9是根据本发明一个实施例的计算机设备的结构示意图；

图10是根据本发明另一个实施例的计算机设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的植物叶片的特征提取方法、识别方法、装置、计算机设备和计算机可读存储介质。

图1是根据本发明一个实施例的植物叶片的特征提取方法的流程图。需要说明的是，本发明实施例的植物叶片的特征提取方法可应用于本发明实施例的植物叶片的特征提取装置，该特征提取装置可被配置于计算机设备上。其中，在本发明的实施例中，该计算机设备可为服务器或终端设备，例如，该终端设备可为手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。

如图1所示，该植物叶片的特征提取方法可以包括：

s110，获取样本叶片图像，并对样本叶片图像进行二值化处理。

可选地，该样本叶片图像可以是用户上传的，例如，用户通过拍摄设备对不同植物叶片进行拍摄而得到的大量的样本植物叶片图像，并将这些样本植物叶片图像进行上传；或者，该样本叶片图像可以是用户通过互联网进行搜索而得到的。

在得到样本叶片图像之后，可先通过降噪算法对样本叶片图像进行初步处理，以去除该样本叶片图像中的冗余噪点，并可采用全局阈值法将样本叶片图像进行二值化处理，例如，处理结果中各个像素点值可为0或1，其中，结果为1的元素即为叶片有效区域。其中，在本发明的实施例中，上述降噪算法可包括但不限于邻域平均法、中值滤波算法、低通滤波算法等。

s120，确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转所述圆形邻域以计算出所述各个像素点的目标局部二值模式lbp值。

可选地，在对样本叶片图像进行二值化处理之后，可先确定二值化处理后的样本叶片图像中的各个像素点，并确定每个像素点的圆形邻域，不断旋转每个像素点圆形邻域，并根据旋转后的每个像素点圆形邻域内的像素点的灰度值计算出该每个像素点的目标lbp值。

作为一种示例，如图2所示，所述多次旋转圆形邻域以计算出各个像素点的目标lbp值的实现过程可包括以下步骤：

s210，针对每个像素点，计算每个像素点的灰度值和每个像素点圆形邻域内多个像素的灰度值。

可选地，每个像素点圆形邻域内的多个像素，与所述每个像素点的圆形邻域的半径和用户定义的取值有关，例如，对于所述每个像素点的圆形邻域的半径为1时，其默认包括8个相邻的像素，用户也可以定义其中的上、下、左、右四个方向相邻的像素。

在确定出每个像素点的圆形邻域之后，可计算每个像素点的灰度值和每个像素点圆形邻域内多个像素的灰度值。可以理解，所述像素的灰度值，指黑白图像中点的颜色深度，范围一般从0～255，白色为255，黑色为0。

s220，根据每个像素点的灰度值和每个像素点圆形邻域内多个像素的灰度值，计算每个像素点的第一lbp值。

可选地，以对于所述每个像素点的圆形邻域的半径为1时，其默认包括8个相邻的像素为例，以以中心像素(即所述的每个像素点)的灰度值为阈值，将周围8个像素的灰度值与其比较，如果周围的像素的灰度值小于中心像素的灰度值，则该像素位置就被标记为0，若周围的像素的灰度值大于或等于中心像素的灰度值，则该像素位置被标记为1；将被标记后的像素的值(即0或者1)分别与对应位置像素的权重相乘，8个乘积的和即为该邻域的lbp值(即所述的每个像素点的第一lbp值)。

s230，对圆形邻域进行多次旋转，并在每次旋转后，分别计算每个像素点的当前灰度值和每个像素点圆形邻域内多个像素的当前灰度值。

s240，根据每个像素点的当前灰度值和每个像素点圆形邻域内多个像素的当前灰度值，计算每个像素点的多个第二lbp值。

s250，获取第一lbp值和多个第二lbp值中的最小值，并将最小值作为每个像素点的目标lbp值。

也就是说，可对各个像素点不断旋转该各个像素点的圆形邻域以得到一系列的lbp值(即上述的第一lbp值和多个第二lbp值)，并从该第一lbp值和多个第二lbp值中选取最小值作为该各个像素点的目标lbp值。由此，通过将最小lbp值作为所提取叶片的lbp特征信息，可以很好地克服图像中叶片以不同形状分布时的误差，从而可以提高识别的准确性。

s130，计算各个像素点的目标lbp值在样本叶片图像中的概率分布。

可选地，在得到各个像素点的目标lbp值之后，可计算该各个目标lbp值在样本叶片图像中的概率分布。例如，可定义一个一维数组static[i]，其中，i的取值为0～255之间的整数(即0≤i≤255)，该一维数组static[i]中可存储256个lbp级别的概率。也就是说，样本叶片图像中各个像素点均具有各自的灰度值，灰度值的范围为[0，255]，所以，数组static[i]中的索引i可表示当前像素点的灰度值，其对应的值可表示该当前像素点的目标lbp值。这样，按照该存储方式可建立出一个一维数组static[i]，该数组中存储中256个lbp级别的概率。

可选地，在得到各个像素点的目标lbp值在样本叶片图像中的概率分布之后，还可生成样本叶片图像的lbp概率分布直方图。作为一种示例，可通过以下计算公式(1)来生成所述样本叶片图像的lbp概率分布直方图：

flbphist[i]＝100.0f*static[i]/total(1)

其中，flbphist[i]为所述直方图中第i像素点所对应的lbp值，f为浮点数，static[i]为第i像素点对应的目标lbp值，total为样本叶片图像中像素的总个数。

s140，将概率分布作为样本叶片图像的lbp特征信息。

可选地，在得到各个像素点的目标lbp值在样本叶片图像中的概率分布之后，可将所述概率分布作为样本叶片图像的lbp特征信息。或者，在得到各个像素点的目标lbp值在样本叶片图像中的概率分布之后，还生成了样本叶片图像的lbp概率分布直方图时，可将该lbp概率分布直方图作为样本叶片图像的lbp特征信息。

为了实现植物叶片的识别功能，提高叶片的识别准确度，进一步地，在本发明的一个实施例中，还可确定样本叶片的种类，并建立样本叶片的种类与概率分布之间的对应关系，并将样本叶片的种类、概率分布和对应关系进行存储。

也就是说，可确定样本叶片属于哪一种类别的植物，并建立该样本叶片的种类与所述lbp特征信息(即所述各个像素点的目标lbp值在样本叶片图像中的概率分布)之间的对应关系，并将所述对应关系、样本叶片的种类、lbp特征信息进行存储，以便在实际应用中，通过将预先存储的所述lbp特征信息进(即所述概率分布)作为参考，对待识别的植物叶片图像进行识别，以实现植物叶片的识别功能。

根据本发明实施例的植物叶片的特征提取方法，可对样本叶片图像进行二值化处理，并确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转所述圆形邻域以计算出各个像素点的目标lbp值，并计算各个像素点的目标lbp值在样本叶片图像中的概率分布，以及将概率分布作为样本叶片图像的lbp特征信息。由此，通过多次旋转各个像素点的圆形邻域以计算出各个像素点的目标lbp值，并计算出各个像素点的目标lbp值在样本叶片图像中的概率分布，进而将该概率分布作为样本叶片图像的lbp特征信息，可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，这样，通过该特征提取方式提取叶片图像中的特征信息，并根据该特征信息进行叶片识别时，可以提高叶片识别的精确度。

与上述几种实施例提供的植物叶片的特征提取方法相对应，本发明的一种实施例还提供一种植物叶片的特征提取装置，由于本发明实施例提供的植物叶片的特征提取装置与上述几种实施例提供的植物叶片的特征提取方法相对应，因此在前述植物叶片的特征提取方法的实施方式也适用于本实施例提供的植物叶片的特征提取装置，在本实施例中不再详细描述。图3是根据本发明一个实施例的植物叶片的特征提取装置的结构示意图。如图3所示，该植物叶片的特征提取装置300可以包括：获取模块310、二值化处理模块320、第一计算模块330、第二计算模块340和第一确定模块350。

具体地，获取模块310用于获取样本叶片图像。

二值化处理模块320用于对样本叶片图像进行二值化处理。

第一计算模块330用于确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转圆形邻域以计算出各个像素点的目标lbp值。作为一种示例，如图4所示，该第一计算模块330可以包括：第一计算单元331、第二计算单元332、旋转单元333和获取单元334。

其中，第一计算单元331可用于针对每个像素点，计算每个像素点的灰度值和每个像素点圆形邻域内多个像素的灰度值。第二计算单元332可用于根据每个像素点的灰度值和每个像素点圆形邻域内多个像素的灰度值，计算每个像素点的第一lbp值。旋转单元333用于对圆形邻域进行多次旋转。其中，在本发明的实施例中，该第一计算单元331还可用于在每次旋转后，分别计算每个像素点的当前灰度值和每个像素点圆形邻域内多个像素的当前灰度值。第二计算单元332还可用于根据每个像素点的当前灰度值和每个像素点圆形邻域内多个像素的当前灰度值，计算每个像素点的多个第二lbp值。获取单元334可用于获取第一lbp值和多个第二lbp值中的最小值，并将最小值作为每个像素点的目标lbp值。

第二计算模块340用于计算各个像素点的目标lbp值在样本叶片图像中的概率分布。

第一确定模块350用于将概率分布作为样本叶片图像的lbp特征信息。

为了实现植物叶片的识别功能，提高叶片的识别准确度，进一步地，在本发明的一个实施例中，如图5所示，该植物叶片的特征提取装置300还可包括：第二确定模块360、建立模块370和存储模块380。其中，第二确定模块360可用于确定样本叶片的种类。建立模块370可用于建立样本叶片的种类与概率分布之间的对应关系。存储模块380可用于将样本叶片的种类、概率分布和对应关系进行存储。

根据本发明实施例的植物叶片的特征提取装置，可以通过多次旋转各个像素点的圆形邻域以计算出各个像素点的目标lbp值，并计算出各个像素点的目标lbp值在样本叶片图像中的概率分布，进而将该概率分布作为样本叶片图像的lbp特征信息，可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，这样，通过该特征提取方式提取叶片图像中的特征信息，并根据该特征信息进行叶片识别时，可以提高叶片识别的精确度。

本发明还提出了一种植物叶片的识别方法。图6是根据本发明一个实施例的植物叶片的识别方法的流程图。需要说明的是，本发明实施例的植物叶片的识别方法可应用于本发明实施例的植物叶片的识别装置，该识别装置可被配置于计算机设备。其中，在本发明的实施例中，该计算机设备可为服务器或终端设备，例如，该终端设备可为手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。

如图6所示，该植物叶片的识别方法可以包括：

s610，获取待识别的叶片图像。

其中，在本发明的实施例中，所述待识别的叶片可理解为等待识别该叶片属于哪一种植物类型的叶片。可选地，该待识别的叶片图像可以是用户拍摄得到的，也可以是从互联网上搜索而得到的。

s620，根据预设的特征提取方法对待识别的叶片图像进行特征提取，以得到待识别的叶片图像的lbp特征信息。其中，在本发明的实施例中，所述预设的特征提取方法可为本发明上述任一实施例所述的特征提取方法。

例如，可先通过降噪算法对待识别的叶片图像进行初步处理，以去除该待识别的叶片图像中的冗余噪点，并可采用全局阈值法将该待识别的叶片图像进行二值化处理。之后，可确定二值化处理后的待识别的叶片图像中的各个像素点，并确定每个像素点的圆形邻域，不断旋转每个像素点圆形邻域，并根据旋转后的每个像素点圆形邻域内的像素点的灰度值计算出该每个像素点的目标lbp值。其中，所述每个像素点的目标lbp值的获取方式可参见上述图2所示实施例的描述，在此不再赘述。

在得到待识别的叶片图像中各个像素点的目标lbp值之后，可计算各个像素点的目标lbp值在待识别的叶片图像中的概率分布，所述概率分布即为待识别的叶片图像的lbp特征信息。

s630，将待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像的lbp特征信息进行匹配。

可选地，可获取预先存储的样本叶片图像的lbp特征信息，并计算待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像的lbp特征信息之间的相似度，使得通过该相似度来获得待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像之间的匹配情况。

s640，若匹配结果满足预设条件，则根据样本叶片图像的lbp特征信息和预先存储的对应关系，确定待识别的叶片图像中叶片的种类。

例如，假设通过相似度的方式来实现待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像之间的匹配，则在得到所述待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像之间的相似度值之后，可判断该相似度值是否大于或等于预设阈值，若是，则可判定匹配结果满足预设条件，此时可获取预先存储的所述对应关系，并根据lbp特征信息和所述对应关系找出对应的样本叶片的种类，所述种类即为该待识别的叶片图像中叶片的种类。

为了提升用户体验，可选地，在本发明的一个实施例中，所述待识别的叶片图像的个数可为多个，可分别对每一张待识别的叶片图像进行叶片种类的识别。在本实施例中，针对当前待识别的叶片图像，如果所述匹配结果未满足预设条件，则可判定识别失败或识别错误，并在对所述多个待识别的叶片图像均完成识别之后，可统计识别正确数量和识别错误数量(其中，识别错误也包括识别失败的情况)，并根据识别正确数量和待识别的叶片图像的总个数来计算出识别正确率，进而可以根据该识别正确率即可判断本发明实施例的识别方法的精确度。

根据本发明实施例的植物叶片的识别方法，可以通过多次旋转各个像素点的圆形邻域以计算出各个像素点的目标lbp值，并计算出各个像素点的目标lbp值在样本叶片图像中的概率分布，进而将该概率分布作为样本叶片图像的lbp特征信息，可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，这样，通过该特征提取方式提取叶片图像中的特征信息，并根据该特征信息进行叶片识别时，可以提高叶片识别的精确度。

下面结合图7将对本发明进行进一步描述。

举例而言，如图7所示，首先，可先建立数据库，该数据库中可存储有样本叶片图像的lbp特征信息、该样本叶片的种类、以及所述样本叶片的种类与所述lbp特征信息的对应关系。即：可先读取样本叶片图像(s710)，并对样本叶片图像进行二值化处理(s720)，之后，确定二值化处理后的样本叶片图像中各个像素点的圆形邻域，并多次旋转所述圆形邻域以计算出所述各个像素点的目标lbp值(s730)，并计算各个像素点的目标lbp值在样本叶片图像中的概率分布(s740)。然后，将所述概率分布作为样本叶片图像的lbp特征信息。(s750)。最后，可确定样本叶片的种类，并建立样本叶片的种类与概率分布之间的对应关系，并将样本叶片的种类、概率分布和对应关系进行存储，以建立所述数据库。

在实际对待识别的叶片图像进行识别的应用中，可读取待识别的叶片图像(s760)，并根据预设的特征提取方法对待识别的叶片图像进行特征提取，以得到待识别的叶片图像的lbp特征信息(s770)。之后，可读取数据库中预先存储的样本叶片图像的lbp特征信息，并将该样本叶片图像的lbp特征信息与待识别的叶片图像的lbp特征信息进行相似度匹配(s780)。若相似度值大于或等于预设阈值，则可判断数据库中存储有该待识别的叶片的种类，并给出该叶片种类(s790)，若相似度值小于预设阈值，则可判定数据库中不存在该待识别的叶片的种类(s7100)。

当待识别的叶片图像为多个时，在判断数据库中存储有该待识别的叶片的种类，并给出该叶片种类时，还可计算针对多个待识别的叶片图像的识别正确数量(s7110)和识别错误数量，并根据是正确数量和待识别的叶片图像的总个数计算出识别正确率(s7120)，并输出该识别正确率。

与上述几种实施例提供的植物叶片的识别方法相对应，本发明的一种实施例还提供一种植物叶片的识别装置，由于本发明实施例提供的植物叶片的识别装置与上述几种实施例提供的植物叶片的识别方法相对应，因此在前述植物叶片的识别方法的实施方式也适用于本实施例提供的植物叶片的识别装置，在本实施例中不再详细描述。图8是根据本发明一个实施例的植物叶片的识别装置的结构示意图。如图8所示，该植物叶片的识别装置800可以包括：获取模块810、特征提取模块820、匹配模块830和确定模块840。

具体地，获取模块810可用于获取待识别的叶片图像。

特征提取模块820可用于根据预设的特征提取方法对待识别的叶片图像进行特征提取，以得到待识别的叶片图像的lbp特征信息。其中，在本发明的实施例中，所述预设的特征提取方法为本发明上述任一个实施例所述的特征提取方法。

匹配模块830可用于将待识别的叶片图像的lbp特征信息与预先存储的样本叶片图像的lbp特征信息进行匹配。

确定模块840可用于在匹配结果满足预设条件时，根据样本叶片图像的lbp特征信息和预先存储的对应关系，确定待识别的叶片图像中叶片的种类。

根据本发明实施例的植物叶片的识别装置，可以通过多次旋转各个像素点的圆形邻域以计算出各个像素点的目标lbp值，并计算出各个像素点的目标lbp值在样本叶片图像中的概率分布，进而将该概率分布作为样本叶片图像的lbp特征信息，可以很好地克服图像中叶片以不同形状或不同角度分布时识别结果的误差，提高了叶片中特征提取的准确度，这样，通过该特征提取方式提取叶片图像中的特征信息，并根据该特征信息进行叶片识别时，可以提高叶片识别的精确度。

为了实现上述实施例，本发明还提出了一种计算机设备。

图9是根据本发明一个实施例的计算机设备的结构示意图。需要说明的是，在本发明的实施例中，该计算机设备可为服务器或终端设备。如图9所示，该计算机设备900可以包括：存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序930，处理器920执行所述程序930时，实现本发明上述任一个实施例所述的植物叶片的特征提取方法。

为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明上述任一个实施例所述的植物叶片的特征提取方法。

为了实现上述实施例，本发明还提出了另一种计算机设备。

图10是根据本发明另一个实施例的计算机设备的结构示意图。需要说明的是，在本发明的实施例中，该计算机设备可为服务器或终端设备。如图10所示，该计算机设备1000可以包括：存储器1010、处理器1020及存储在存储器1010上并可在处理器1020上运行的计算机程序1030，处理器1020执行所述程序1030时，实现本发明上述任一个实施例所述的植物叶片的识别方法。

为了实现上述实施例，本发明还提出了另一种非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明上述任一个实施例所述的植物叶片的识别方法。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。