[发明专利]一种基于SVM和HOG特征的叶子图像自动识别系统

权利要求书

1.一种基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，包括：

预处理模块、特征提取和识别模块；

所述预处理模块包括图像灰度化、滤波处理、二值化和形态学处理；

所述特征提取和识别模块包括提取HOG特征和SVM；

提取植物中的叶子图像作为输入数据，因为植物的叶子最能体现植物的种类，首先对叶子图像进行预处理，去掉噪声和冗余部分，仅保留对识别工作有用的部分，在特征提取和识别模块中首先提取与处理过后的叶子图像的HOG特征，将HOG特征向量输入到SVM模型中进行训练和识别。

2.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述图像灰度化的处理如下：获取的叶子图像为RGB格式，RGB是一种颜色标准，每张图像包含了Red、Green、Blue三种颜色通道，也称为三种基色，三种基色叠加可以表示任意一副图像，灰度图又称作灰阶图，灰度为白色与黑色取对数后得到的灰度等级，共有256阶，范围为0～255，灰度化即将RGB格式的图像转化为红色、绿色、蓝色三种分量等值的灰度图像。

3.根据权利要求2所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，叶子图像经过灰度化后，有利于减少图像的存储量，降低图像中由于采集过程而加入的噪声，降低了计算量，便于下一步图像处理的操作，在Matlab中输入一幅图像，可以得到红、绿、蓝三个通道的灰度矩阵，每个灰度矩阵中元素的数值代表着当前色光发出的亮度值，亦可得到红、绿、蓝三个通道的灰度直方图：

4.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述滤波处理包括均值滤波与中值滤波，优选种植滤波。

5.根据权利要求4所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述均值滤波采用邻域平均法，选取一个模板与一个像素点，将该像素点置于模板的中心，将该像素点及邻近像素点灰度值求和并除以像素点总数，得到的结果即为滤波后的该像素点的灰度值。

6.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述二值化的目标则是将图像中的叶片与背景分离，图像分割一般对图像进行二值化处理，即根据一定的阈值，将图像中低于该阈值的像素点置为黑色，将图像中高于该阈值的像素点置为白色，设定阈值的方法包括自定义阈值法与最大类间方差法。

7.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述形态学处理在图像处理中，形态学处理是图像特征提取的工具，一般包括腐蚀、膨胀以及组合运算开运算和闭运算，腐蚀运算是使目标图像区域向内缩小，类似于将目标图像区域的边界收缩，可以消除边界的一些小突刺。

8.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述提取HOG特征中的HOG特征即方向梯度直方图特征，对于研究对象的局部区域而言，当需要描述、提取这部分图像时，可以从区域图像的形状、轮廓入手，而形状、轮廓可以使用图像边缘的方向密度或者是梯度进行描述。

9.根据权利要求8所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述提取HOG特征应用HOG特征在于对研究对象进行运算，得到便于处理的方向梯度直方图。

10.根据权利要求1所述的基于SVM和HOG特征的叶子图像自动识别系统，其特征在于，所述SVM用于识别，支持向量机，是一类属于监督型学习、对数据进行二元分类的广义线性分类器，优点在于对少量的非线性样本进行处理。