植物叶片特征提取及识别

植物叶片特征提取及识别

贺鹏;黄林

【摘 要】随着计算机技术的飞速发展,对植物的分类研究已经突破了单纯从植物细胞及化学遗传成分的角度去鉴定植物种类的方法,可以综合应用图像处理技术和模式识别技术,辅以图像获取设备实现对植物的快速识别.为此,精心选取了植物叶片图像的典型形状特征,构成了叶片识别的特征向量,然后用概率神经网络(PNN)作为分类器,对样本进行训练.实验结果证明,针对少量常见的植物叶片图像,PNN与BP神经网络相比有更好的识别效率.

【期刊名称】《农机化研究》

【年(卷),期】2008(000)006

【总页数】4页(P168-170,199)

【关键词】叶片识别;特征提取;PNN;BP

【作 者】贺鹏;黄林

【作者单位】西北农林科技大学,信息工程学院,陕西,杨凌,712100;西北农林科技大学,信息工程学院,陕西,杨凌,712100

【正文语种】中 文

【中图分类】TP391.41;S126

0 引言

植物保护的一个重要方面就是对植物进行分类研究。无论从植物分类学的角度，还是从计算机图谱的模式识别角度，识别一种植物最直接有效和最简单的方法就是从其叶片着手。研究发现，对于同一种植物，尽管随着时间的变化，叶片的大小老嫩都会变化，但是有一些比例参数基本保持恒定，如叶片内切圆周长与叶片周长的比值及叶片面积与叶片最小包围盒面积的比值等。对不同植物，上述的那些比例参数也完全不同，所以可将精心挑选的6种比例参数作为植物叶片的分类依据，以概率神经网络(PNN, Probabilistic Neural Networks)为分类器，通过网络训练，最后可以很好地对植物叶片进行分类识别。

1 图像预处理

首先，有针对性地采集常见的30种树木叶片，且有意挑选那些斑点较少或无斑点的优良叶片；同时，为了有效提高训练样本集的自相容能力[1]和泛化能力，有代表性地采集每种树木的叶片大小和老嫩不等各15片，使其尽可能多地囊括该种植物叶片的全部特征；然后，通过扫描仪将450多片树叶制成数字图像(见图1所示)；接着，对叶片图像进行的预处理，主要包括阈值分割、叶片图像形态学处理和叶片轮廓的提取3个环节；再用叶片轮廓信息计算出叶片形状特征参数，从而得到叶片识别的特征向量；最后，用PNN分类器对样本进行训练，从而识别出叶片所属种类。

图1 叶片扫描图Fig.1 Scanning picture

1.1 阈值分割

分割的目标是把叶片图像与背景分开，并形成二值图像，以便其后进行叶片轮廓提取和形状特征参数的计算。由于使用了扫描仪，所以叶片图像与其背景的灰度级存在着明显的差别，为此采用计算较为简单方便的双峰法，用VC++语言编程计算出灰度限值，并对图像进行分割。结果表明，尽管原始叶片上存有很细小的斑点，但所得叶片二值图像内部并无小的孔洞，这就为后续工作节约了大量的宝贵时间。图2为用双峰法进行阈值分割所得的结果。 图2 阈值分割结果Fig.2 Thresholdlized result

1.2 叶片图像形态学处理

由于不同叶片的叶柄长度不一，且在采集的时候大都受到不同程度的损伤，因此有必要将其从二值图像中剔除。使用形态学处理中的开运算，先进行腐蚀运算，再进行膨胀运算，成功地剔除了叶柄。然而经开运算所得叶片无柄二值图像的叶缘锯齿细节受到了不同程度的损伤，为了恢复原来的完整叶缘锯齿细节，将与剔除叶柄前的二值图像做“与”运算，便可得到剔除叶柄且具有清晰完整叶缘细节信息的二值图像，结果如图3所示。

图3 剔除叶柄后的二值图像Fig.3 Two value picture without leafstalk

1.3 叶片轮廓提取

本文采用轮廓跟踪法来确定无柄二值叶片图像的轮廓，具体的算法步骤为：

1) 按从上到下和从左到右的顺序逐次扫描图像，以第1个象素值为1的点作为起始点，如寻找起始点失败则算法结束，否则继续。

2) 以逆时针顺序从当前点右边象素点开始搜索其8个方向上的领域点，如果发现1个未曾搜索过的象素值为1的点，并且该点8个方向上的领域点含有0值象素点，则将此1值象素点置为当前点，同时记录下相应的链码值。重复该过程直到找到起始点。

3) 根据所记录的链码值，采用8方向弗里曼链码法[2]对其进行编码，从而输出轮廓信息。图4所示为找到的叶片轮廓信息，从中可以发现用轮廓跟踪法可以很好地提取出叶片的锯齿细节信息。

图4 叶片轮廓Fig.4 Leaf profile

2 叶片形状特征参数提取

植物叶片的形状特征是识别叶片所属种类的有效依据。由于同种叶片有大有小，这样就不能用一些绝对值特征作为分类的依据(如周长、面积或横纵轴长等)。研究中，使用一些相对值特征，从叶片轮廓信息如图4所示，可得到带最小包围盒和内切圆的叶片轮廓，如图5所示。由图5可得到最小包围盒(bound_box)、凸包(convex_hull)和内接圆(inscribed_circle)等形状描述。通过以上形状描述，再结合文献[3]中提出的一些特征参量，可以得到以下形状特征参数。

图5 带最小包围盒和内切圆的轮廓Figure.5 Profile with bound box and

inscribed circle

1) 矩形度(Rectangularit)：叶片面积与其最小包围盒面积的比值。

2) 横纵轴比(AxisRatio)：叶片最小包围盒的宽与长的比值。

3) 凹凸度(Convexity)：叶片凸包面积与叶片面积的比值。

4) 圆形度(Circularity)：叶片内接圆半径与其外接圆半径之比。

5) 偏心率(Eccentricity)：叶片自身短轴与长轴的比值。

6) 锯齿度(Sawtooth) ：反映叶缘锯齿的多少，是叶缘锯齿尖像素总数与叶片轮廓像素总数的比值。

以上6项几何形状都具有旋转、平移和尺度不变性特征，从而构成了一个非常有效的特征向量。图1所示叶片的6项特征的参数值为

矩形度：611

横纵轴比：0.452

凹凸度：1.098

圆形度：0.368

偏心率：0.475

锯齿度：0.014

3 PNN分类器 人工神经网络技术由于其自学习、自适应和高度并行性等优点而倍受关注。迄今为止，BP算法是应用最普遍的前馈神经网络学习的算法之一，但由于算法本身的制约，其网络训练速度通常较慢，也比较容易陷入局部极小值。尽管采用一些改进的快速学习算法，可以一定程度上解决某些实际问题，但在设计过程中往往都要经过反复的试凑和训练过程，从而无法严格确保每次训练时BP算法的收敛性和全局最优性[4]。概率神经网络(PNN, Probabilistic Neural Networks)与BP网络相比，具有学习速度较快、收敛性好和网络结构设计灵活方便等特点,因此得到了广泛的应用[5]。

PNN是径向基网络的一个重要分支，它是一种有监督的网络分类器。基于概率统计思想，由Bayes分类规则构成，采用Parzen窗函数密度估计方法估算条件概率，从而进行分类模式识别。它也是3层网络：第1层为输入层，第2层为隐层，第3层为输出层。其隐层神经元个数与输入样本矢量的个数相同，输出层神经元个数等于训练样本数据的种类个数。隐层又称模式层(或样本层)，由若干个典型样本集构成；输出层针对隐层每个典型样本的输出进行简单的求和运算。假定训练样本集有M个模式集合{ωi ，i=1，2，…,M },隐层每个典型样本集的样本数分别为N1、N2、…、NM,针对输入样本x,隐层神经元xij的输出为

其中 d—输入样本的维数；

σ—平滑因子。

输出层第i个输出可以表示为

4 网络训练及测试结果分析

经叶片采集及其预处理和特征的提取，最终得到30种常见树木的450多片叶子的特征向量，从而构成了网络训练样本和测试样本。从每种树叶的15个叶片中随机地选出10片，共得到300片作为网络训练样本，所剩的150片作为分类测试样本。

为了更好地显示PNN较BP网络的优势，分别训练了PNN和BP两个网络，PNN网络的输出节点均为30，平滑因子均取0.5；然后，在网络测试集中随机地抽出10种叶片共50个待测试的特征向量，输入到已经训练好的两个网络中。分类结果见表1和表2所示。

表1 PNN与BP分类结果Tab.1 The result of PNN and BP classifying 编号种类PNN预测值BP预测值1～517556～10215411～1555516～20855

续表1 PNN与BP分类结果Tab.1 The result of PNN and BP classifying 编号种类PNN预测值BP预测值21～25115526～30295431～35305536～40135541～4525446～502455

表 2 PNN与BP性能比较Tab.2 The comparison of PNN and BP训练时间/ms识别时间/ms识别率/%PNN网络12.71.2100%BP网络144.01.994%

由表1和表2可见：与BP网络相比,PNN采用Parzen概率密度函数估计方法,并使用Bayes分类规则进行判别,可以获得良好的自相容能力和泛化能力，而且从整个网络的训练及测试过程发现，该网络稳定, 训练不需要太多的样本，过程简单，收敛速度快,因此在植物叶片的聚类预测中取得了非常好的应用效果。

然而，PNN分类器也有其自身的弱点，即随着输入样本数目的增多，网络输出层节点也随之增加，网络计算也将变得复杂，因此运算速度也会着慢慢下降。在本研究中，随着训练集中植物叶片种类的增多，无疑也会遇到类似问题，在以后的研究中有待改进。另外,本研究仅仅涉及到叶片图像的几何特征，有待于在下一阶段的研究中引入纹理特征，从而继续加深和拓宽植物物种的计算机分类研究，最终达到植物保护和生态改良的目的。

【相关文献】

[1] CA I Yu Dong, Liu Xiaojun, Chou Kuchen. Artificial neural network for predicting

protein subcellular location [J]. Computers and Chemistry, 2002, 26: 179-182.

[2] 杨顺辽.弗里曼链码法在图像处理中的应用[J]. 中国水运(理论版·自然科学)，2006,4(1): 24.

[3] 王晓峰,黄德双.叶片图像特征提取与识别技术的研究[J].计算机工程与应用,2006(3)：191.

[4] 许 东,吴 铮.基于MATLAB6.x的系统分析与设—神经网络(2版)[M].西安： 西安电子科技大学出版社，2002：24.

[5] Gomm,J B ,Yu,D L .Selecting radial basis function network centers with recursive

orthogonal least squares training[J].IEEE Transactions on Neural Networks,2000，11(2)：306 - 314.