[发明专利]基于早期特征融合的植物叶片识别方法

说明书

技术领域

本发明涉及一种在植物分类情况下使用的植物叶片识别方法。更具体地 说，本发明涉及一种用在植物叶片分类情况下使用的的基于早期特征融合的 植物叶片识别方法。

背景技术

植物分类学在生物学意义上是一门划分植物种类，研究同类群植物的起 源、探究植物间的亲缘关系及物种进化发展规律的一门学科。通过对各个物 种间的比较，可以将各种各样的植物进行鉴定、分群归类、命名排列起来， 方便人们对植物的认识、了解。随着科学的进步以及人们的重视程度提高， 对植物资源进行调查、识别、分类，建立植物物种数据库，保护生物多样性， 也越来越受到人们的关注。目前，基于计算机图像技术对植物物种分类识别 的方法已经得到人们广泛的关注，并且很多研究已经取得初步的成效，其中 特征选取大部分是采用植物叶片分析获得的。

如图1所示，在现有技术中使用模式识别的方法对植物叶片进行分类， 通常的识别方法包含五个步骤：

1、采集植物叶片的原始图片，如枫叶和橡叶；

2、用图像分割的方法对原始叶片图像进行预处理；

3、在已分割图片的基础上，提取叶片面积、周长等几何特征值，并把这 些特征值以向量的形式表示出来；

4、利用已经提取的几何特征向量训练一个支持向量机(SVM)分类器；

5、输入不明种类的植物叶片图片至SVM分类器中，最终分类器判断该叶 片的种类并反馈给用户。

但现有识别方法存在以下问题，其通常只应用几何特征对植物叶片进行 描述，对于一些具有相似几何值的叶片无法进行高区分度的描述，最终导致 叶片分类准确率较低，如专利申请号为201010242703.7，专利名称为：一种 植物叶片的图像识别方法的发明专利，其主要采用了基于阈值的图像分割方 法，同时采用了八种特征提取方法进行图像的预处理，其中包含1种方位(坐 标)特征和7种形状特征，但其后期直接将8个特征值连接成为一个特征向 量，代入到人工神经网络分类器中对叶片图像进行分类，其基于阈值的图像 分割方法对于底色较浅的叶片图像，其得到的二值图具有效果不好的缺陷， 进而影响后期的特征提取效果，同时其直接将8个特征相连代入人工神经网 络中，其分类准确率不高；又如专利申请号为：201410572582.0，专利名称 为一种基于几何不变形状特征的在线植物物种识别方法，其主要采用了基于 能量函数的图像分割方法，同时采用了9种形状特征提取方法进行图像的预 处理，其中6种属于基础几何特征，1种属于高级几何特征，而后同样也直 接将9个特征值连接成为一个特征向量，代入到其设计的移动中心超球分类 器中进行叶片图像的分类，其基于能量函数的图像分割方法同样存在对于底 色或叶片图像较浅的叶片图像，其得到的二值图具有效果不好的缺陷，同时 其直接将9个特征直接相连代入移动中心超球分类器中，其分类准确率达不 到预计效果，综上，现有的植物叶片图像识别方法其分类准确率不高，满足 不了实际的需要，其具体可以从如图3所示的柱状图中清楚的得到。

发明内容

本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说 明的优点。

本发明还有一个目的是通过提供一种基于早期特征融合的植物叶片识别 方法，其采用多种特征描述方法以获取叶片图像的特征向量，并在将特征向 量代入分类器之前将其进行了早期特征融合，使得叶片分类准确率较之传统 的方法提升了10％，具有更强的分类精准度和适应性。

为了实现根据本发明的这些目的和其它优点，提供了一种基于早期特征 融合的植物叶片识别方法，包括：

输入待识别叶片，并通过植物叶片识别系统进行图像预处理及特征提取， 以构建待识别叶片的第一特征向量；

将所述第一特征向量乘以与其相对应的预设权重，以构建一新的第二特 征向量；

将所述第二特征向量代入已训练好的植物叶片识别系统中，以反馈给用 户一个叶片分类，其中，所述预设权重基于叶片识别系统训练中的早期特征 融合以获得。

优选的是，其中，所述叶片识别系统训练选用一现有的植物叶片数据库 进行，且所述叶片识别系统训练还包括多类mSVM分类器的建立，

其中，所述早期特征融合包括：

获取原始叶片图像，其通过采集与所述植物叶片数据库中各类植物叶片 相对应的原始叶片图像以得到；

图像预处理；