[发明专利]一种KNN优化下基于多尺度三角形表征的植物叶片识别方法

权利要求书

1.一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，其特征在于，包括以下步骤：

S1)、输入RGB三通道的植物叶片图片，对其进行预处理，提取植物叶片图片的轮廓点；

S2)、对于提取的植物叶片轮廓点进行标号，并且进行分组，基于多尺度的三角形特征提取方法，来获得植物叶片的三角形轮廓点角度特征TVA、三角形叶子形状面积特征TUA、三角形纹理特征TGSSL、三角形边长积分特征TSLI；

S3)、每一张植物叶片特征使用上述特征的集合进行表示，表示方法都与轮廓点的起始位置有关，对上述进行快速傅里叶变换，获得长度为N的傅里叶系数序列，根据上述特征的选择不变性，因此，起点不同不会改变傅里叶系数；

S4)、根据正则化后的特征值进行比较，每一张植物叶片图像可以使用集合(TUA，TVA，TGA，TGSD，TSLI)来对比找到叶子种类，具体方法如下：

其中，dis(α,β)表示两个数据之间的距离度量，α,β分别表示是数据集中的索引号，Γ_α、Γ_β分别表示(TUA_α，TVA_α，TGA_α，TGSD_α，TSLI_α)、(TUA_β，TVA_β，TGA_β，TGSD_β，TSLI_β)；

S5)、利用步骤S4)得到的输出,可以用于区分两张植物叶片的特征差异程度，并且根据差异信息进行图像检索、图像分类，输入一张图像之后，系统将返回图像库最佳匹配的5张图像还有他们之间的距离与类别。

2.根据权利要求1所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，其特征在于：步骤S1)中，叶子图像的预处理具体如下：

S101)、将RGB图像转换成灰度图像，通过以下公式获得灰度矩阵表示：

Gray＝Red^*0.3+Green^*0.59+Blue*0.11；

S102)、利用python中的cv2模块中的阈值分割函数进行阈值分割：

其中，f(x)为阈值分割函数，x_i,y_i分别表示图像像素i的坐标，T为设置的阈值；

S103)、利用python中的cv2模块中的find Contours函数提取叶片的外轮廓线，然后按逆时针均匀采样N个点，轮廓坐标点集表示为:

P＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}；

其中，第i个轮廓点的坐标表示为:p_i(x_i,y_i)；x_N,y_N表示第N个轮廓点的坐标。

3.根据权利要求1所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，其特征在于：步骤S2)中，三角形叶子形状面积特征TUA的提取如下：

其中，表示以i为坐标的点，以k为三角形的另外两点取点的度量，

N为提取轮廓点后植物叶片轮廓的点的总数，k是正整数，用于选择轮廓点的数量；x(k)为轮廓点p_i到p_i+x(k)之间轮廓点的数量；

ABS表示求绝对值，x_i-x(k)、x_i+x(k)、y_i-x(k)、y_i+x(k)分别表示对应下标的轮廓点坐标。