从植物叶片识别的角度来看，局部特征显得有些不太适合，在大量实验的测试中， 局部特征要求图像具有比较比较大的分辨率，因为要做尺度金字塔，纹理上要有很大的差 异性，因为提取的特征向量都是在一个区域内非常有差异性的关键点，从运些角度来分析， 植物叶片的特征都不太满足局部特征的要求，首先，拍摄一片一般分辨率都不会要求很高， 从肉眼的角度看，只要大概能分辨出来轮廓W及大概的纹理，就可W很容易分别叶片的类 另IJ;对于纹理，叶片纹理都是比较一致的，所W提取差异性较大的关键点在叶片上还是比较 困难的，所W，提取局部特征上效果不是很好。再次，拍摄叶片一般都会从正面角度来拍摄， 所w基本上都不会有遮盖，那么全局特征是可w使用的。
[0043] 本发明使用了形状特征(共15维特征，8个几何特征和7个化矩特征)和LBP纹理特 征作为我们的特征向量。
[0044] 8个几何特征：
[0045] 1)纵横轴比(Aspect Ratio)是叶片最小包围盒的长宽比值：
[0046]
[0047] 2)矩形度(Rec化ngularity)是叶片面积与叶片最小包围盒面积的比值：
[004引
[0049] 3)面积凹凸比(Area Convexity)是叶片面积与叶片凸包面积的比值：
[(K)加 ]
[0化1] 4)周长凹凸比（Perimeter Convexity)是叶片周长与叶片凸包周长的比值：
[0化2]
[0053] 5)球状性(S地ericity)是叶片面积与叶片凸包周长的计算值：
[0化4]
[0055] 6)圆形度(Circularity)是叶片内切圆半径与外切圆半径的比值：
[0化6]
[0057] 7)偏屯、率化ccentricity)是叶片自身长轴与短轴的比值：
[0化引
[0059] 8)形状参数(Form Factor)是叶片面积和周长的计算值：
[0060]
[0061 ] 7个Hu矩特征：
[0062] 对于数字图像，（p+q)阶不变矩定义为：
[0063]
[0064] 式中，p,q = 0,l,2,....
[0065] 当图像发生变化时，mpq也发生变化，而μρ。则具有平移不变性但对旋转依然敏感。 归一化中屯、矩：
[0066]
[0067]直接用普通矩或中屯、矩进行特征表示，不能使特征同时具有平移、旋转和比例不 变性。利用归一化中屯、矩，则特征不仅具有平移不变性，而且还具有比例不变性。
[006引化矩定义：
[0069]化利用了二阶和Ξ阶中屯、矩构造了屯个不变矩，可保持平移、缩放和旋转不变，具 体定义如下：
[0077] 由化矩组成的特征量对图片进行识别，优点就是速度很快，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。运一部分原因是由于化不变矩只用到低 阶矩(最多也就用到Ξ阶矩），对于图像的细节未能很好的描述出来，导致对图像的描述不 够完整。化不变矩一般用来识别图像中大的物体，对于物体的形状描述得比较好，图像的纹 理特征不能太复杂。
[0078] LBP可W弥补化矩特征的不足，LBP专注于纹理特征的描述。它在纹理分类中具有 强区分能力。用其中屯、像素的灰度值作为闽值，与它的邻域相比较得到的二进制码来表述 局部纹理特征。在纹理分析方面，LBP算子是最好的纹理描述符之一，它的主要优点有W下 几点：
[0079] (ULBP算子的灰度尺度不随任何单一变换而变化，因此灰度尺度的鲁棒性好，也 就是光照条件下的鲁棒性好；
[0080] 计算速度快。由于它可W通过在小邻域内进行比较操作得到，使得在复杂的实时 条件下分析图像成为可能；
[0081] (3)由于LBP算子是一种无参数(Non-化rametric)的方法，在应用过程中不需要 对它的分布进行预先假设。
[0082] 特征提取完成之后，接下来就是识别了，在训练中我们使用支持向量机(suppod vector machines)来进行训练，生成模型。接着，导入生成模型就可W对待识别图像提取的 特征进行分类了。
[0083] 如图1所示，植物叶片识别系统操作过程：
[0084] 1.打开客户端的app之后，点击登录界面。
[0085] 2.登录成功之后，通过ARM版的摄像头捕获想要抓取的植物叶片图像。
[0086] 3.捕获图像成功之后，由于叶片处在复杂环境下，先枢取前景叶片，点击划线，选 择需要枢取的区域。
[0087] 4.枢取前景叶片成功之后，提取化矩和LBP特征，并上传到服务器端进行识别处 理，SVM分类器作为常用的分类器，目前已经有不同语言下的各种开源代码包。我们采用的 是开源的LibSVM，从官网下载LibSVM的JAR包并导入项目工程中。将前一步已经经过特征提 取的训练样本，作为训练函数svm. svm_train(svm_p;roblem, svm_paramete;r)的参数进行训 练，得到训练好的svm_model，然后调用保存函数svm. svm_save_model (f ilename , svm_ model)保存在文件中，最后调用svm. svm_predict_values(svm_model, svm_node,double) 对测试样本进行预测，返回预测值。
[0088] 5.识别处理完成之后，服务器端反馈信息到amlroid客户端，并返回正确匹配的图 片和相关信息。至此，识别过程结束。
【主权项】
1. 一种基于安卓系统的植物叶片识别方法，其特征在于，该方法包括以下步骤： 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； 2. ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理； 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。 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。2. 根据权利要求1所述的一种基于安卓系统的植物叶片识别方法，其特征在于，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。3. 根据权利要求1所述的一种基于安卓系统的植物叶片识别方法，其特征在于，所述的 步骤2)中的预处理具体包括以下步骤： 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； 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gibbs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； 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Hu矩特征。4. 根据权利要求1所述的一种基于安卓系统的植物叶片识别方法，其特征在于，所述的 步骤3)中的叶片识别具体包括以下步骤： 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； 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； 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。5. 根据权利要求3所述的一种基于安卓系统的植物叶片识别方法，其特征在于，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、 偏心率和形状参数，7个Hu矩特征为利用二阶和三阶中心矩构造出的不变矩。
【专利摘要】本发明涉及一种基于安卓系统的植物叶片识别方法，该方法包括以下步骤：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；2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；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。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。与现有技术相比，本发明具有适用范围广、识别精度高、速度快、操作简单、使用方便等优点。
【IPC分类】G06K9/46, G06K9/40, G06K9/62
【公开号】CN105631451
【申请号】CN201610008257
【发明人】黄德双, 许功胜
【申请人】同济大学
【公开日】2016年6月1日
【申请日】2016年1月7日