积分商城

最新搜索： PL2303 altium Designer 20 电路设计与仿真从入门到精通 auto cad 常用LOGO标识 microBUCK TMC5160
您现在的位置是：首页 > 技术资料 > 基于多特征降维的植物叶片识别方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于多特征降维的植物叶片识别方法

更新时间：2019-12-25 16:16:32 大小：1M 上传用户：zhiyao6查看TA发布的资源 标签：植物叶片识别 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。


部分文件列表

文件名 大小
基于多特征降维的植物叶片识别方法.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
2 0 1 7  
3
农 业 机 械 学 报  
48  
3
卷 第 期  
年
月
第
doi: 10． 6041 /j． issn． 1000-1298． 2017． 03． 004  
基于多特征降维的植物叶片识别方法  
1
1，2  
1，2  
1
1
郑一力 钟刚亮  
王 强  
赵 玥 赵燕东  
( 1．  
，
北京林业大学工学院 北京  
100083; 2．  
，
中国科学院电工研究所 北京  
100190)  
: 。 ，  
摘要 植物种类识别方法主要是根据叶片低维特征进行自动化鉴定 针对低维特征不能全面描述叶片信息 识别  
， 。  
准确率低的问题 提出一种基于多特征降维的植物叶片识别方法 首先通过数字图像处理技术对植物叶片彩色样  
， 、 、 、 。  
本图像进行预处理 获得去除颜色 虫洞 叶柄和背景的叶片二值图像 灰度图像和纹理图像 然后对二值图像提  
，
取几何特征和结构特征 对灰度图像提取  
Hu 、 、 Gabor  
不变矩特征 灰度共生矩阵特征 局部二值模式特征和  
，
特征 对  
，
纹理图像提取分形维数 共得到  
2 183  
。
维特征参数 再采用主成分分析与线性评判分析相结合的方法对叶片多特  
，
。
征进行特征降维 将叶片高维特征数据降到低维空间 降维后的训练样本特征数据使用支持向量机分类器进行训  
Flavia ICL ，  
数据库的测试叶片样本进行分类识别  
。
:
练
试验结果表明 使用训练后的支持向量机分类器对  
数据库和  
92. 52% 、89. 97% ，  
有效提高了植物叶片识别的正确率  
。
平均正确识别率分别为  
: ; ; ; ;  
关键词 叶片识别 多特征降维 主成分分析 线性评判分析 支持向量机  
: TP391. 41 : A : 1000-1298( 2017) 03-0030-08  
文献标识码 文章编号  
中图分类号  
Method of Leaf Identification Based on Multi-feature Dimension Reduction  
1
1，2  
1，2  
1
1
ZHENG Yili ZHONG Gangliang  
WANG Qiang  
ZHAO Yue ZHAO Yandong  
( 1． School of Technology，Beijing Forestry University，Beijing 100083，China  
2． Institute of Electrical Engineering，Chinese Academy of Sciences，Beijing 100190，China)  
Abstract: The identification of plant species is an essential part of botanical study and agricultural  
production． However，low dimension features cannot describe the leaf information． Thus，it cannot  
differentiate varieties of plants，and the accuracy is low． A method of plant species identification was  
proposed based on multi-feature dimension reduction． Firstly， color images of plant leaves were  
preprocessed by the digital image processing technology． The binary image，gray scale image and texture  
image without the petiole，wormhole and background were obtained after the preprocessing． Secondly，  
geometric characteristics and structural characteristic were extracted from the binary image． Hu moment  
invariants features，gray level co-occurrence matrix features，LBP features and Gabor features were  
extracted from the gray scale image． The fractal dimension was extracted from the texture images and  
2 183 features were extracted to describe leaf samples in number． Thirdly，the method of combining  
principal component analysis ( PCA) and linear discriminant analysis ( LDA) was adopted to reduce the  
feature dimension． Then the feature data of training samples was adopted to train the support vector  
machine classifier． Finally，the support vector machine classifier was used to classify the feature data of  
test samples． The experiments were carried out on Flavia database and ICL database． The average  
accuracy was 92. 52% and 89. 97% ，respectively． The experiments showed that the average accuracy of  
the proposed method was better than that of the compared researches．  
Key words: leaf recognition; multi-feature dimension reduction; principal component analysis; linear  
discriminant analysis; support vector machine  
，
础性工作 传统方法主要是根据植物形态进行人工  
引言  
， 。  
鉴定 识别结果存在主观性且效率较低 植物叶片  
， ，  
含有大量种属信息 且大部分叶片外形为扁平状 因  
植物的种类识别是植物学研究和农业生产的基  
: 2016-09-03  
: 2016-12-07  
收稿日期  
修回日期  
:
基金项目 中央高校基本科研业务费专项资金项目  
( 2015ZCQ-GX-04)  
( Z161100000916012)  
和北京市科技计划项目  
:
作者简介 郑一力  
( 1981—) ， ， ， ，E-mail: zhengyili@ bjfu． edu． cn  
男 副教授 主要从事林业生态监测和林业工程装备研究  
3
:
郑一力 等 基于多特征降维的植物叶片识别方法  
31  
第
期
，
此可对植物叶片进行图像采集和处理 实现植物种  
ImageClef 2013  
数据库进行分类识别实  
数据库和  
。
，
验 正确识别率 分 别 为  
97. 5%  
58. 0% 。ZHAO  
和
属快速识别  
［10］  
，
目前 大多数研究采用少量特征描述因子对植  
2
3
个局部描述因子和 个新的三角形表达  
等
用
。 20 80  
世 纪  
，
，
方式对叶片进行描述 然后用  
k-NN Image-CLEF  
对
物 叶 片 进 行 分 类 识 别  
年 代  
［1］  
INGROUILLE  
27  
，
个形状特征 使用  
2011 ，  
叶片进行分类识别实验 成功识别率最高为  
等
提取叶片的  
［11］  
。
主分量分析方法对橡树进行分类研究 王晓峰  
89. 79% 。  
Hu  
、
刘念等  
用
氏不变量 傅里叶描述  
、Gabor  
滤波和灰度共生矩阵多特  
［2］  
、
提取植物叶片的矩形度 圆形度和偏心率等  
、
子 局部二值模式  
等
8
7 ，  
个几何特征参数和 个图像不变矩 应用移动中  
， ，  
征对植物叶片进行描述 获得较高的识别结果 但由  
20  
，
，
于提取特征维度较高 对分类器有较高要求  
。
心超球分类器对  
均正确识别率达到  
述因子对植物叶片进行描述 采用判别式分析对  
多种植物叶片进行分类识别 平  
［3］  
92% 。NETO  
，
植物种类繁多 少量的特征描述因子不能详细  
等
使用傅里叶描  
，
4
，
描述叶片信息 导致形状和纹理相似的植物叶片不  
［4］  
，
种植物分类 平均正确识别率为  
89. 4% 。  
。 ，  
容易被区分开 提取高维特征描述植物叶片时 所  
姚宇飞  
8
使用 个几何特征  
、7  
Hu  
、1  
不变矩特征 个结构  
，
需的分类器算法复杂 增加识别难度  
。
个
、4 1  
特征 个灰度共生矩阵特征和 个分形维数特征  
本文给出一种基于多特征降维的植物叶片识别  
21  
，
维特征描述叶片样本 并使用主成分分析对特  
。
方法 该方法主要提取叶片图像的形状特征和纹理  
共
，
征进行降维 使用支持向量机对  
26  
。
特征作为叶片多特征 叶片形状特征包括叶片几何  
种植物进行识别  
［5］  
，
91. 54% 。DU  
、 ，  
特征 不变矩特征和结构特征 叶片纹理特征包括灰  
试验 平均识别率为  
缘和多层纹理的二维分形维数 并提取一种新的环  
( k-nearest  
等
计算叶片边  
，
、
、
度共生矩阵特征 分形维数 局部二值模式特征和  
Gabor 。  
特征 然后使用主成分分析和线性评判分析  
，
K
形投 影 小 波 分 形 特 征 采 用  
最 近 邻  
neighbor，k-NN) 30  
分类器对 种植物叶片图像进行  
87. 14% 。KULKARN  
，
对叶片多特征进行特征降维 构成叶片特征数据库  
。
［6］  
，
分类实验 正确识别率为  
等
最后通过支持向量机对训练样本的叶片特征数据库  
、 、  
提取植物叶片的形状特征 静脉特征 颜色特征与纹  
，
进行训练 实现对植物叶片的快速分类识别  
。
，
理特征 用径向基概率神经网络对  
32  
种植物进行分  
1
图像预处理  
［7］  
，
类 平均正确识别率为  
93. 82% 。HERDIYENI  
等
2、  
利用半径为 邻域像素点为  
16  
，
叶片颜色一般随着生长季节变化 叶片虫洞会  
的局部二值模式算  
，
影响叶片特征提取 以上两种因素均会干扰叶片识  
子对植物叶片样本进行编码并采用概率神经网络进  
［8］  
，
行分类识别 正确识别率为  
78. 89% 。  
。 ， 、  
别结果 此外 叶片的叶柄长度 直径无一定规律  
，
杜吉祥等  
5 、6  
采用 个尺度 个角度的  
Gabor  
。
在叶片识别中为无用信息 为削弱叶片数字图像中  
滤波器对叶片样本  
，
进行滤波 然后对各滤波子图计算均值和方差作为  
、 、 ，  
颜色 叶柄 虫洞等无用或干扰信息 使目标区域特  
，
子图特征 再利用新型的径向基概率神经网络模型  
，
征更明显 本文先对输入的叶片彩色图像进行旋转  
50  
，
类植物进行分类识别实验 正确识别率为  
， ，  
处理 使叶片长轴与水平方向平行 然后对其进行预  
对
［9］  
84. 4% 。LE  
。
处理 预处理的输出为用于叶片多特征提取的叶片灰  
等
提出一种新的基于内核描述的方  
SVM Flavia  
，
法用于植物叶片识别 然后用  
、 ， 1  
度图像 二值图像和纹理图像 具体过程如图 所示  
。
分类器对  
1
图
叶片图像预处理流程图  
Fig． 1 Flow chart of image preprocessing  
，
首先 将输入的叶片彩色图像经灰度转换得到  
。
始二值图像 采用形态学中的开运算和闭运算对原  
，
原始灰度图像 利用最大类间方差法对其进行阈值  
， 、  
始二值图像进行处理 可得到不受颜色 虫洞和叶柄  
， ，  
分割处理 将叶片从背景中提取出来 得到叶片的原  
。
影响的叶片二值图像  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号