[发明专利]叶片特征提取方法及装置

说明书

本发明提供一种叶片特征提取方法及装置，涉及计算机图像处理技术领域。该方法通过把目标叶片分解成M个具有标识码的且包括轮廓点子图像，然后将各子图像输入到特征提取模型，并基于各子图像提取出目标叶片的颜色纹理特征和轮廓特征。本方案采用基于深度学习的特征提取模型，可自动对叶片特征进行提取，简化了人工操作从而有利于提高提取叶片特征的效率。另外，将颜色纹理特征和轮廓特征相结合，有助于利用提取的叶片特征提高对植物种类的识别的准确率。

技术领域

本发明涉及计算机图像处理技术领域，具体而言，涉及一种叶片特征提取方法及装置。

背景技术

植物叶片轮廓作为标定植物生长发育、长势、遗传特性等生理生化反应过程的主要参数，作为植物鉴别的重要依据，广泛应用于农业科研服务和生产中。地球上的植物种类繁多，植物鉴别在植物学、农业和园艺等方面都有重要的意义。传统的采用植物叶片轮廓进行植物种类识别的方法是靠人工完成的，需要依靠专门技术人员而且效率低下。

随着人工智能技术的快速发展，在植物界也可通过人工智能对植物叶片进行识别分类。然而在现有技术中，通常需要对待识别的图像进行预处理(比如去除目标叶片的背景，仅保留目标叶片作为待识别图像)。而自然环境中的叶片和背景区别度较低，识别效果较差，且预处理的工作量大。

发明内容

为了克服上述现有技术中的不足，本发明提供一种叶片特征提取方法及装置，自动对叶片特征进行提取，有助于通过叶片特征识别植物种类，进而解决上述问题。

为了实现上述目的，本发明实施例所提供的技术方案如下所示：

第一方面，本发明实施例提供一种叶片特征提取方法，其特征在于，应用于图像处理设备，所述图像处理设备包括基于深度学习的特征提取模型，所述方法包括：

获取包括有叶片的图像并作为待识别图像；

通过训练后的特征提取模型，在所述待识别图像上进行搜索，以确定目标叶片，并基于所述目标叶片得到M个包括轮廓点及相应标识码的子图像，M为大于0的整数；

基于M个包括轮廓点及相应标识码的所述子图像确定所述目标叶片的颜色纹理特征及N个候选边缘轮廓，N为大于0的整数；

将所述N个候选边缘轮廓中的每个候选边缘轮廓与所述特征提取模型中的预存轮廓特征集中的轮廓特征进行匹配，并计算每个所述候选边缘轮廓与所述预存轮廓特征集中的单个轮廓特征的相似度；

从所述N个候选边缘轮廓得到的所述相似度中选取相似度最大的轮廓特征作为所述目标叶片的目标轮廓特征；

将M个所述子图像的颜色纹理特征与所述目标轮廓特征相关联以作为所述目标叶片的叶片特征。

可选地，上述特征提取模型包括：叶片边缘识别子模型、叶片边缘方向子模型以及叶片植物分类子模型；所述获取包括有叶片的图像并作为待识别图像之前，所述方法还包括：

获取训练图像集，包括多个训练图像，所述训练图像为包括有叶片的图像，且所述训练图像预先标注有待训练特征及叶片对应的植物种类，所述待训练特征包括基于子图像的叶片轮廓、基于所述子图像的叶片边缘方向、基于所述训练图像的叶片形状方向，且所述待训练特征与所述植物种类相关联；

将每个所述训练图像分解为具有标识码的M个轮廓点及轮廓点对应子图像；

使用标注有所述叶片轮廓及所述叶片边缘方向的多个所述子图像，采用深度学习算法对所述叶片边缘识别子模型、所述叶片边缘方向子模型及所述叶片植物分类子模型进行训练，以得到训练后的特征提取模型及轮廓特征集。

可选地，上述基于M个包括轮廓点及相应标识码的所述子图像确定所述目标叶片的颜色纹理特征及N个候选边缘轮廓，包括：