基于Fourier描述子和LBP相结合的植物叶片识别方法-《江苏农业科学》(2019年14期).docx

龙源版权所有 基于Fourier描述子和LBP相结合的植物叶片识别方法作者：张善文 张晴晴 齐国红来源：《江苏农业科学》2019年第14期 摘要：针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题，提出一种基于Fourier描述子和局部二值模式（local binary pattern，简称LBP）相结合的植物叶片识别方法。首先，利用Canny算法提取叶片的边缘图像，计算其中心-边缘距离序列的傅里叶变换，得到叶片图像的改进Fourier描述子;然后，提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合，得到1个有利于分类的联合映射矩阵，由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室（intelligent computing laboratory，简称ICL）叶片图像数据库上进行分类试验，识别率高达94%以上。结果表明，提出的方法是有效可行的，该研究能够为植物物种自动识别系统提供技术参考。 关键词：植物识别;植物叶片图像;边界角点序列;傅里叶描述子;改进傅里叶描述子 中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2019）14-0273-04 利用叶片图像进行植物识别是计算机视角、图像处理和植保等领域一个重要的研究方向[1-2]。基于植物叶片图像的植物识别方法研究一直是最直接、简单和最有效的方法，也是生态学、模式识别、图像处理、计算机科学等很多领域的一个重要研究方向，已经涌现出了很多基于叶片图像的植物识别方法和技术[3-6]。但由于植物叶片的颜色、纹理和形状的复杂多样性以及很多同类叶片存在较大差异性，而不同类叶片存在极大相似性，使得很多方法的实际识别效果不高，还不能满足植物物种自动识别系统需要[6]。叶片形状表示叶片图像的轮廓，是植物物种自动识别的重要特征[2]。由于植物叶片边缘的归一化傅里叶描述子具有旋转、缩放和平移等不变性，所以被广泛应用于基于叶片的植物识别中[7]。然而这些纹理特征过于单一，识别率并不十分理想。近年来，研究者将叶片形状特征与纹理特征相结合以得到更高的识别率。张宁等将叶片几何特征、灰度共生矩阵纹理特征、分形维数等多种特征相结合进行植物识别[8]。丁娇等将叶片形状特征与纹理特征结合的同时，使用局部线性嵌入算法对特征降维[9]。付波等为解决由于植物叶片特征的相似性以及葉片旋转导致植物识别率较低的问题，提出一种基于降维局部二值模式（local binary pattern，简称LBP）与叶片形状特征相结合的植物叶片识别方法[10]。刘念等将LBP、灰度共生矩阵、Gabor滤波后的纹理特征与Hu不变矩、傅里叶算子等轮廓特征相结合，并利用深度信念网络作为分类器构架，提高了叶片识别率，但该方法特征计算时间以及训练时间过长，影响了算法识别效率[11]。由于有些同类植物叶片之间的差异可能较大（图1-A），而有些异类叶片之间的差异可能较小（图1-B），导致现有一些植物识别方法的识别率不高。典型相关分析（canonical correlation analysis，简称CCA）是一种重要的研究2组异构数据之间相关关系的多元统计分析算法。与传统的特征抽取组合算法仅仅将多个特征或多组特征向量累积成一个高维向量的简单方式相比，CCA能够揭示二组特征之间的相关性，提取出的特征在模式分类中更具有鉴别力[12]。本研究在CCA的基础上提出一种基于局部判别CCA的植物分类方法，并在智能计算实验室（intelligent computing laboratory，简称ICL）叶片图像数据库上进行试验验证。 1 材料与方法 1.1 试验材料 试验所用的植物叶片图像数据库（http：///dataset/index.html）来···试读结束