[发明专利]一种植物叶片的图像识别方法

说明书

技术领域

本发明涉及植物自动分类技术领域，具体涉及植物叶片图像识别方法。

背景技术

千百年来植物与人类息息相关、紧密相连。随着人类文明的进步，植物却遭到了越来越严重的破坏。因此，对植物进行识别归类，建立植物数字化资源库，以助于植物的保护，具有重要的意义。而植物叶片数字化图像机器识别算法无疑会大大加快植物的分类工作。

由于花、果、茎、枝存在复杂的立体几何特征，对于机器而言，叶片的识别相对简单有效。Stephen Gang Wu等人采用概率神经网络(PNN，全称Probabilistic Neural Network)对植物叶片进行分类识别。实验表明，对32种植物叶片的识别率为90％。同时，作者在篇末展望中指出：如果能在识别后提供可能性排序结果列表而不仅仅是单一结果，那将会大大改善识别效果。而Xiao-Feng Wang等人从植物叶片中提取了“纵横轴比”、“面积凹凸比”等特征，并运用自行设计的超球分类器对其进行分类。在对20种植物叶片的分类实验中，识别率为92％。Xiao Gu等人结合小波变换和高斯插值法，提取出叶片的轮廓特征和叶脉特征，并分别运用1最近邻分类器(1-NN，全称1-Nearest Neighbor)、k最近邻分类器(k-NN，全称k-Nearest Neighbor)、概率神经网络等三种方法进行了分析识别。在20种植物叶片的分类实验中，采用1-NN、k-NN和PNN的识别率分别是93％、85％和91％。Qing-Kui Man等人则提取植物叶片的颜色特征和纹理特征，并用支持向量机分类算法对植物叶片进行分类识别。在结合这两种特征对24种植物叶片进行的分类实验中，识别率为92％。

上述提到的众多现有的方法只提供单一的识别结果。与此同时，这些算法都是在二三十种植物叶片的情况下，达到92％左右的正确率。那么，当涵盖的植物叶片种类达到几百上千种甚至更多的时候，这些算法得出的唯一的结果，与真实结果一致的概率(也就是识别的正确率)就会大大减少。这也是诸如google、baidu等所有的搜索引擎要提供多个候选结果的原因。在搜索引擎中，用户输入关键字，系统进行搜索匹配，由于系统涵盖着海量的信息，如果它仅仅把与用户输入的关键字最匹配的那个结果显示，那么用户很可能得不到想要的信息。因此，搜索引擎按与用户输入的关键字匹配程度从高到低，把大量结果排序输出。用户就可以按顺序逐一确认，从而较快地找到真正想要的信息。

尽管按可能性从大到小排列的识别结果列表可大大方便用户确定最终的植物种类，此方面的研究罕见报道。唯有香港理工大学Yanhua Ye等人在他们在国际会议“International Symposium on Intelligent Multimedia，Video and Speech Processing，2004”发表的题为《A computerized plant species recognition system》学术论文中，介绍了他们的计算机植物种类识别系统。该系统提供了基于文本和基于内容两种检索方式。其中，基于内容检索是实现叶片图片的识别并提供按可能性从大到小排序的结果列表。该系统提取了叶片的叶基点角度、叶尖点角度和长宽比三个特征。对于任意的两片叶片，按如下方法计算它们之间的差别：叶基点角度、叶尖点角度和长宽比三个特征对应相减并求绝对值，进行归一化后，乘以三个权值，得到两片叶片的差别值。用户提交叶片图像进行识别时，系统逐一计算提交的叶片与每一种类的叶片的差别值。从数据库中检索得到按差别值从小到大排序的植物种类列表。但上述的计算机植物种类识别系统仍然存在一些不足之处：