[发明专利]一种基于SVM和HOG特征的叶子图像自动识别系统

说明书

本发明提供一种基于SVM和HOG特征的叶子图像自动识别系统。所述基于SVM和HOG特征的叶子图像自动识别系统包括：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。本发明提供的基于SVM和HOG特征的叶子图像自动识别系统，系统使用植物的叶子图像信息对植物种类进行识别。与现有方法相比，有着建模时间短、预测精度高的特点，模型采用HOG方向梯度直方图作为植物叶子图像的特征，该特征描述叶子边缘图像的局部特征，包括轮廓等，该特征可以很好地描述叶子图像所属的植物种类，从而提高识别模型的识别精度，以实现大批量的、自动的植物识别。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于SVM和HOG特征的叶子图像自动识别系统。

背景技术

植物的原图像目前仍然需要人工进行采集，通常需要人工制作植物的样本，挑选合适且有代表性的植株进行下一步的处理，在以前，若是整个过程采用人工处理、识别、分类，会使得工作变得重复繁重，导致工作效率下降，且会受限于人的主观性与误差，使得植物分类结果的客观性、精确性大打折扣，若是采用植物图像自动识别技术，人们只需要在预处理阶段采集少量的植物样本进行识别分类，下一步借助计算机技术进行植物的样本训练识别，从而得到一个可靠的、具有客观性、精确性的识别模型，克服了人工处理重复且繁重的缺点，在识别植物的过程中，将整株植物作为研究对象是不现实的，局部特征则有效且效率高，因此，植物的叶片便成为更好的选择，不同植物的叶片有着色彩的多样性、形态的多样性、纹理的多样性，且相比其他的植物器官，叶片也更方便采集与处理，计算机可通过前期人工采集的植物叶片图像进行特征的提取，建立模型，识别叶子所属的植物种类，综上所述，不管是对于植物种类的保护，还是对于人类自身活动的需要，植物的分类识别工作都是必要的，而在其中，最为有效的便是叶子图像自动识别，叶子图像自动识别系统应用了数字图像处理、机器学习等技术，在处理的过程中，不仅改良了原图像的质量，还提取了图像画面中对人有用的细节如轮廓、纹理等，方便了计算机进行下一步的叶子种类分类识别，在农业应用中，此系统可帮助人们研究植物的生长情况，也省去了人工分类识别植物的繁冗，叶子图像自动识别系统随着计算机技术的发展，识别模型逐渐完善，识别率也在一步一步的提高，但是目前还存在问题需要留待日后处理，首先特征的选择，叶子图像自动识别系统的特征提取过程，若是机械地让计算机计算每张图像的所有特征值，便会造成计算量成倍的增加，且每种叶子并不是所有特征都与其他种类的叶子有明显的差异，特征一旦选择欠妥，便会对模型的识别率造成影响。

现有的解决方法主要通过人工筛选的方法为主，通过采集大量的叶子图像或对植物生长地进行实地考察，人工对每一种植物进行人工标识，叶子图像自动识别系统应用了数字图像处理、机器学习等技术，在处理的过程中，不仅改良了原图像的质量，还提取了图像画面中对人有用的细节如轮廓、纹理等，方便了计算机进行下一步的叶子种类分类识别，在农业应用中，此系统可帮助人们研究植物的生长情况，也省去了人工分类识别植物的繁冗。

人工对植物图像进行分类识别属于劳动密集型方案，该做法消耗大量的人力物力，且该工作需要专业人士日以继夜地进行工作，因此工作成本非常高，其次引入的人为误差较难避免也较难发现；

现有基于数学模型的做法通过构造叶子图像特征与植物类别的线性映射关系显得过于简单，在面对大量复杂的植物种类时，固定不变的数学模型难以应对不同种类、不同生长时期的植物分类；

基于机器学习的做法需要大量的输入数据，而且需要构建适合的特征向量，现有工作存在的问题是模型训练时间长和分类误差大。

传统的数学模型的缺点是体现在其理论本身复杂度的缺陷，难以处理复杂的模型；基于机器学习的模型并没有使用鲁棒性高、不变性强的特征，导致植物识别的效果容易受到多种因素的影响，植物叶子图像有着自身的特点，对于同一种植物在不同的生长周期有着不同的生长特点，在不同的季节植物的叶子也会出现不同的形态特征，因此现有工作并未解决此类复杂问题。