[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

说明书

本发明提供一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，包括，输入RGB三通道的植物叶片图片，对其进行预处理；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；对每一张植物叶片特征使用上述特征的集合进行表示；根据正则化后的特征值进行比较。本发明具有很高的准确性，本发明的方法都有最高的准确性，当数据训练集和测试集分割比为9:1时，准确率为99.43％；本发明的方法具有更好的鲁棒性，对比算法IDSC的精度下降了50.5％，MARCH下降了10.9％，本发明的方法只下降了5.35％，具有更强的抗干扰能力。

技术领域

本发明涉及计算机视觉技术领域，尤其是一种KNN优化下基于多尺度三角形表征的植物叶片识别方法。

背景技术

植物的分类调查对保护生物多样性、农业生态和生物技术安全具有重要意义，是生物学和环境科学领域的一个重要研究课题。快速准确的植物自动识别不仅对植物的分类和调查有很大作用，而且对维护生物多样性有重要意义。

传统的人工植物识别方法要求操作人员具有一定的专业知识，需要了解各种植物。此外，传统的植物识别方法往往存在工作量大、工作效率低、操作人员易受主观因素影响等问题。因此，将植物自动识别技术引入植物分类，可以大大提高分类调查的效率。更重要的是，植物自动识别该技术具有操作简单的优点，不需要操作者具有深厚的植物专业知识，也可以在一定程度上帮助有经验的植物学家和植物生态学家植物物种的识别通常需要观察植物的某些形态特征，而叶片是植物的重要无性器官。不同植物的叶子有一定的差异，所以用叶子来识别植物是一种非常普遍的方法。

叶子自动识别技术涉及叶子图像的检索和分类。许多研究者对从树叶图像中提取多尺度的轮廓特征感兴趣，他们认为轮廓特征可以普遍地描述树叶的整体布局和局部细节；这些特征是对树叶图像的轮廓点所拟合的形状，以及一系列的参数如长宽比、面积、中心点和偏心率的计算；基于纹理特征的树叶识别和检索技术提取灰阶叶子图像的共生矩阵、局部二进制模式和Gabor图谱。

无论上述方法是基于叶片轮廓特征、叶片形状区域特征还是叶片纹理特征，它们对叶片检索和分类都具有重要意义。

目前对移动设备和微型计算机的需求正在上升，叶子检索和分类程序需要更多轻量级和低消耗的算法，同一类型的植物的叶片有很大的不同，这给准确的检索带来很大的困难。为了解决上述困难，本申请提出了一种新的多尺度叶特征描述。

发明内容

针对现有技术的不足，本发明提供一种KNN优化下基于多尺度三角形表征的植物叶片识别方法，本发明利用多种三角形特征对植物叶片的特征进行提取，包括叶子轮廓特征、叶子形状面积特征和纹理特征，并且减少了原版三角形方法计算方法的计算量，降低了难度，提高了计算速度，并且通过多种特征提取方法的结合，提升了算法的精确度和鲁棒性。

本发明的技术方案为：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，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：