[发明专利]基于椭圆傅立叶描述符和加权稀疏表示的植物识别方法

说明书

技术领域

本发明属于图像识别技术领域，尤其是一种基于椭圆傅立叶描述符和加权 稀疏表示的植物识别方法。

背景技术

应用图像处理和计算机视觉技术的植物物种识别技术对环境保护、土地管 理者和林农都是十分重要的。叶片是植物物种识别的重要指征。基于叶片形态 进行植物物种识别是一个十分重要和具有挑战性的研究领域。因为叶片是二维 图像，它是进行图像处理最合适的部分。我们可以应用形态、颜色、纹理、边 缘、质构、叶脉、尖端和基底很好的描述叶片。在大量的各种各样的种类中， 大多数植物的叶片都具有较高的种间相似度和较低的种内相似度如图1所示， 叶图像本身的难点在于它是可变几何变形(旋转、缩放、变换)，并且随光照 和阴影的变化而变化。发展相关的算法和技术，如模式识别、图像处理、数字 摄影和便携式计算机使得自动物种识别技术得以实现。

在植物学研究中，叶轮廓和边缘是叶片的基本形态特征。研究人员提出了 一个新颖的基于轮廓的形态描述符，称为多尺度距离矩阵，可以捕获形态的几 何图形，这个描述符对于平移、旋转、缩放和双侧对称都是恒不变的。Sayeed 等人提出了一种称为局部图结构的方法用于识别和分类，它应用形态和纹理两 个特征。Cerutti等人提出了基于周期小波和叶轮廓形态的描述符，该方法实 际上是用矢量的方式表示叶轮廓。Zhao等人提出了一种使用叶子形态的植物识 别方法，与现有的以研究简单叶子为对象的方法不同，该方法可以准确地识别 简单和复合的叶子。Zeng等人提出了一种用于植物物种识别的形态描述符，实 验结果表明该描述符有效的正确识别率为90％左右。LeafSnap是一个使用叶子 边缘多尺度曲率模型进行叶图像分类的移动应用程序。它在识别美国东北部的 184个物种时取得了很高的准确性。Chaki等人提出了一种使用纹理和形态特征 组合的植物识别方法。Lavania等人提出了两种叶图像分类算法，分别采用标量 不变特征变换(SIFT)和主成分分析(PCA)两种方法，应用概率神经网络(PNN)技 术对标准Flavia叶数据集进行分类。质心轮廓距离(CCD)是一个应用轮廓形 态描述符的方法，成功地用于植物物种识别。傅立叶描述符对植物物种识别十 分有用，因为它对缩放、平移或旋转具有恒不变性。Kadir[12]提出了一种融 合傅立叶描述符和许多其他形态特征的方法。结果表明，同时应用傅立叶描述 符与几个其他形态特征的组合进行物种识别准确率为88％。

上述方法表明，物种识别主要依靠从叶图像中提取的特征。然而，这些方 法不能克服的关键问题是如何处理叶片特征的不同变形以及大、小的跨类变化。 Jin等人提出应用叶齿特征稀疏表示法(SR)的识别方法，此方法介绍了用于植物 物种识别的四种叶齿特征。Hsiao等人提出两种用于植物自动识别的基于SR的 叶图像识别框架，为了模拟叶片图像，他们通过每个叶物种的训练集图像学习 到一个过完备字典集。每个字典使用从训练图像中提取的一组描述符集来学习， 每个描述符都是由一小部分字典原子的线性组合表示的。

虽然我们可以从植物物种识别的叶片图像中提取许多不同的特征，但大多 数特征通常对叶片图像的变形、照明和噪声比较敏感，所以在特征提取前的预 处理阶段需要进行校准、平移、旋转和缩放操作。

发明内容

本发明的目地在于克服现有技术的不足，提出一种设计合理且识别率高的 基于椭圆傅立叶描述符和加权稀疏表示的植物识别方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于椭圆傅立叶描述符和加权稀疏表示的植物识别方法，包括以下步 骤：

步骤1：预处理叶图像：将每个彩色叶片图像转换为灰度图像，并利用Otsu 分割算法将叶片图像从背景中分离，同时转换成二进值图像，用腐蚀算法消除 叶图像的小孔；

步骤2：采用Canny边缘检测器进行边缘检测；

步骤3：计算边界的质心；

步骤4：计算傅立叶描述符；

步骤5：构建完备词典：将所有叶图像数据集的傅立叶描述符向量划分为训 练集和测试集；完备词典由所有训练集的傅立叶描述符向量组成；

步骤6：通过加权稀疏表示分类器进行优化。

进一步，所述步骤2的实现方法为：通过Canny边缘检测器提取每个叶片 图像，每个叶片图像由N个离散点的边界表示，在起点按顺时针方向进行排序 分类，将其表示为S＝{(x_i,y_i)|i＝0,1,...,N-1}。

进一步，所述步骤3计算边界的质心的方法为：