[发明专利]基于图像分割与特征融合的植物叶片辨别方法

权利要求书

1.基于图像分割与特征融合的植物叶片辨别方法，其特征在于，所述方法包括如下步骤：

步骤1，去除叶片图像的非绿色背景；

步骤2，对去除非绿色背景后的叶片图像进行重建后的开闭操作，得到基于开闭的重建图像；

步骤3，计算基于开闭的重建图像的梯度幅值图像、前景标记和背景标记；

步骤4，利用强制最小值技术、前景标记与背景标记对梯度幅值图像进行修改；

步骤5，使用分水岭算法对修改后的梯度幅值图像进行分割，提取出单个叶片；

步骤6，叶片特征提取及识别。

2.根据权利要求1所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤2中，具体实现过程包括：对去除非绿色背景后的叶片图像进行形态学变换处理，通过对去除非绿色背景后的叶片图像进行腐蚀重建操作得到基于开的重建图像，在此基础上做基于闭的重建操作，最后得到基于开闭的重建图像。

3.根据权利要求1所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤3中，具体实现过程包括：

用Sobel算子计算基于开闭的重建图像的梯度幅值，将重建图像向量与Sobel横向和纵向卷积因子做平面卷积得到水平方向和垂直方向的偏导数dx和dy，利用dx和dy重新计算像素点的灰度值；

G = dx 2 + dy 2 ]]>

G为基于开闭的重建图像的梯度幅值图像；

对基于开闭的重建图像计算局部极大值得到前景标记，通过闭操作和腐蚀操作消除标记斑点的边缘，然后消除此过程中产生的小面积对象以得到最后的前景标记；

对基于开闭的重建图像通过阈值分割进行二值化处理，计算二值图像的欧氏距离，并对其进行分水岭变换，得到分水岭变换脊线图，即背景标记。

4.根据权利要求1所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤4中，具体实现过程包括：利用强制最小值技术，使用前景标记和背景标记矩阵对梯度幅值图像进行修改，减少叶片区域的局部极小值，修改后的梯度幅值图像中部分局部最小值被强制消除。

5.根据权利要求1所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤5中，具体实现过程包括：对修改后的梯度幅值图像进行分水岭变换得到变换矩阵，提取变换矩阵中距离中心点附近的分割块作为目标叶片所在位置，保留原图中该像素值对应所有位置像素，分割出单个叶片图像。

6.根据权利要求1所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤6中，叶片特征提取及识别过程包括：对提取出的单个叶片进行预处理后，分别提取形状特征和纹理特征，再进行特征融合后，从而进行特征识别。

7.根据权利要求6所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，步骤6中，具体实现过程包括：

对叶片图像提取分块LBP特征作为纹理特征，对于特征维度过高问题，引入LLE算法将特征维度降低；

提取Hu氏不变矩作为形状特征，将降维后的分块LBP纹理特征与Hu矩形状特征进行串联融合，共同组成描述叶片纹理和形状的综合特征。

8.根据权利要求7所述的基于图像分割与特征融合的植物叶片辨别方法，其特征在于，叶片的LBP特征作为数据样本点，通过对近邻点重构每个样本点的线性系数来表示这些区域的局部几何形状；重构误差函数如下所示：

ϵ ( W ) = Σ i | x i - Σ j = 1 K W i j x j | 2 ]]>

权重Wij表示第j个样本点对第i个在重构的贡献值，权值矩阵W由Wij构成，最优权重函数受到两个约束条件，第一，当xj不属于xi邻域时Wij＝0；第二，计算样本点xi在低维空间的映射yi时，使权重误差函数εi(W)最小；其中，

ϵ i ( W ) = Σ i = 1 n | | y i - ΣW i j y j | | 2 = Σ i j M i j y i T y j ]]>

式中

M＝(I-W)T(I-W)

将M的特征值从小到大排列，取第2～(d+1)个特征值，其对应的特征向量即为LLE降维后的输出结果。