一种基于安卓系统的植物叶片识别方法
【技术领域】
[0001] 本发明设及amlroid软件开发、图像处理与模式识别在植物经典分类中的应用，尤 其是设及一种基于安卓系统的植物叶片识别方法。
【背景技术】
[0002] 植物是世界上物种数量最多且分布最广泛的生命形式，与人类W及环境的关系最 为密切。由于人类生产活动造成了植物物种的灭绝，而植物在维持生物平衡、水±保持等方 面又起着重要作用；同时，植物农业作为国民经济的命脉，是人们生活生产的基础部分，提 高农业生产需要农业植物的精细数据，因此植物分类与识别具有非常重要的意义。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。运些器官都有 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W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。
[0003] 传统的叶片分类识别需要操作者有丰富的分类学知识和长期的实践经验，且工作 效率低、工作量大、数据存在一定的主观性，而运些都会影响到识别的客观性与精确性。由 于植物叶片基本处于一个平面状态，适合进行二维图像加工处理。随着计算机的应用，探索 如何利用计算机快速准确地识别植物叶片，是解决运些问题的一个切实可行的新途径。因 此研究基于图像分析的植物叶片识别技术，对于植物分类识别、植物资源
[0004] 的保护与利用、探索植物间的亲缘关系、阐明植物的进化规律、农业与园艺的实际 应用等方面具有现实意义.
[0005] 在国外，1986年，ingrouille等人采用27种叶形特征，使用主成分分析方法对橡树 进行分类。Guyer等人在1993年提取了 17种叶片形状特征对40类植物进行分类。1996年， 化nekawa等人研究发现，简单的叶片形状因子对于植物叶片识别是有效的。国外学者运用 判别式分析方法、匹配方法和机器学习方法进行植物叶片分类识别，取得了良好效果。2001 年，Osikar使用叶片的几项区域几何特征和矩特征，采用BP前馈神经网络为分类器，对15种 瑞典树木进行分类。
[0006] 但是上述的很多算法W及试验大都在PC机上完成的，且有些试验的运行速度不理 想或者识别精度达不到令人满意的要求。
【发明内容】
[0007] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用范围广、识 别精度高、速度快、操作简单、使用方便的基于安卓系统的植物叶片识别方法。
[000引本发明的目的可W通过W下技术方案来实现：
[0009] -种基于安卓系统的植物叶片识别方法，该方法包括W下步骤：
[0010] 1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；
[0011] 2)ARM设备端获取待识别图片，枢取待识别图片中的叶片部分，并进行预处理；
[0012] 3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启 动服务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植 物叶片识别结果反馈给ARM设备端。
[0013] 4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。
[0014] 所述的步骤2)中的待识别图片包括本地图片和摄像机拍摄到的图片。
[0015] 所述的步骤2)中的预处理具体包括W下步骤：
[0016] 21)去噪:采用高斯滤波去除图像中的高斯噪声，并且采用中值滤波抑制图像中的 椒盐噪声；
[0017] 22)图像分割:采用基于能量函数的分割方法中的grabcut算法对去噪后的待分割 图形进行分割，通过对待分割的图像进行区域划分并标号，分别获取每个标号区域的g化bs 能量，获得所有标号区域的总能量最小对应的分割图像即为最优；
[0018] 23)特征提取:对分割后的叶片图像采用全局特征中的形状特征和LBP纹理特征作 为特征向量，形状特征包括8个几何特征和7个化矩特征。
[0019] 所述的步骤3)中的叶片识别具体包括W下步骤：
[0020] 31)从叶片数据库中选取每个物种多张叶片图像，并提取特征向量，采用SVM分类 器进行训练；
[0021] 32)向SVM分类器导入待识别叶片的特征向量，根据SVM分类器的结果对叶片进行 分类；
[0022] 33)服务器将对叶片分类后的物种ID回传给ARM设备端，ARM设备端根据叶片数据 库匹配ID信息，检索出对应物种的相关信息，然后在ARM设备端界面显示给用户。
[0023] 所述的步骤23)中，8个几何特征包括纵横轴比、矩形度、面积凹凸比、周长凹凸比、 球状性、圆形度、偏屯、率和形状参数，7个化矩特征为利用二阶和Ξ阶中屯、矩构造出的不变 矩。
[0024] 与现有技术相比，本发明具有W下优点：
[0025] -、适用范围广:从捕获图片来说，本发明可W对复杂背景的叶片进行识别。
[0026] 二、识别精度高、速度快:从提取特征的算法上来说，本发明使用了化矩特征与LBP 纹理特征的集成，化矩特征的优点是速度很快，缺点是识别率比较低，对于纹理比较丰富的 图片，识别率只有10%左右，而LBP纹理特征专注于纹理特征的描述，弥补了化矩特征的不 足，它在纹理分类中具有强区分能力，从而使本发明的识别方法达到很高的识别精度。
[0027] Ξ、本发明操作简单，使用方便，能够识别的植物种类多，简化了植物识别的步骤。
【附图说明】
[0028] 图1为本发明的方法流程图。
【具体实施方式】
[0029] 下面结合附图和具体实施例对本发明进行详细说明。
[0030] 实施例：
[0031] 客户端负责捕获植物叶片，并做一些预处理，其中包括去噪，分割，提取特征，然后 根据提取到的特征在客户端进行识别，其中识别方法包括:LBP识别方法和几何特征的超球 识别方法。
[0032]关于去噪：
[0033] 噪声根据其服从的分布对其进行分类，可W分为服从高斯分布的高斯噪声、服从 泊松分布的泊松噪声(泊松噪声可W认为是椒盐噪声）。
[0034] 我们去噪一般指的就是图像平滑，我们提供了 Ξ种去除噪声的方法:线性滤波、中 值滤波和高斯滤波。高斯滤波可W很有效的滤除高斯噪声，线性滤波和中值滤波相比，中值 滤波能更有效地抑制椒盐噪声。
[0035] 图像分割有很多方法，我们选择grabcut算法进行分割，其中常用的阔值分割方法 (包括固定阔值分割法，迭代阔值分割法，自适应阔值分割法，直方图双峰分割法)和分水岭 分割方法(存在比较严重的过分割现象)在复杂背景下效果都显得很糟糕，于是我们考虑到 了基于能量函数的分割方法，我们采用opencv函数库中的grabcut算法，该图像分割算法其 实就是对图像的不同区域进行标号，不同的标号对应不同的gibbs能量，使总能量最小的标 号就是最优的分割，运种方法在复杂背景下分割效果相当不错，分割之后，我们得到了比较 干净的叶片前景，接下来就可W进行特征提取了。
[0036] 提取特征，得到比较好的特征向量是本发明非常看重的部分!在很多情况下，提取 特征的好坏很大程度上决定了识别结果的精度高低。特征好坏的评判标准就是该特征是否 非常具有区分性。
[0037] 常用的图像特征有颜色特征、纹理特征化ocal Binary Pattern化BP)))、形状特 征(几何特征，包括图像的纵横轴比、矩形度、面积凹凸比、周长凹凸比、球状性、圆形度、偏 屯、率W及形状参数共8种区域描述特征和7个化不变矩作为分类特征）、空间关系特征，运些 都是能够用眼睛观察非常明显，可W很快辨别的一些特征。
[0038] 上面说的运些特征都是全局特征，在物体识别中，目前非常流行W及切实可行的 方法之一是基于局部特征的，由于特征的局部性，使得物体识别可W处理遮挡、复杂背景等 比较复杂的情况。譬如：
[0039] Scale invariant feature transfo;rm(SIFT) :Lowe ,2004,运是一个非常经典的 提取特征的方法，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声 也保持一定程度的稳定性。
[0040] speed up robust feature(洲RF)是对SIFT的改进版本，提出使用积分图像完成 图像卷积(相关)操作，在保证识别精度的前提下，大大提高了提取特征的速度。
[0041 ] 近两年还提出了许多二值特征描述，例如ORB、BRISK(Bina;ry Robust Invariant Scalable Keypoints)、FREAK(Fast Retina Keypoint)。
[0042]