董紅霞，郭斯羽

湖南大學 電氣與信息工程學院，長沙 410082

一種結合形狀與紋理特征的植物葉片分類方法

董紅霞，郭斯羽

湖南大學 電氣與信息工程學院，長沙 410082

1 引言

植物的識別和分類對于區(qū)分植物種類、研究植物間的親緣關系、闡明植物系統(tǒng)的進化規(guī)律具有重要意義[1]。近年來，在基于植物葉片圖像的植物分類等方面的研究不斷取得進展，包括葉片圖像的特征選取、算法性能和分類器設計等。文獻[2]基于葉片圖像的形狀特征如形狀特征、偏心率等8項幾何特征和7個圖像不變矩，利用移動中心超球分類器對葉片進行識別；文獻[3]通過提取葉片的曲率特征、方向角等8個相對特征參數(shù)，使用BP神經網(wǎng)絡進行分類，平均識別率達到87.5%；文獻[4]利用人工神經網(wǎng)絡對葉脈的邊緣梯度、局部對比度和鄰域統(tǒng)計特征等鄰域特征進行提取，從而進行植物葉片機器識別研究，為進一步的葉片識別打下了良好的基礎；文獻[5]是將顏色和形狀特征相結合識別葉片，為實現(xiàn)茶葉嫩芽的自動采摘提供了一種有效方法；文獻[6]在識別植物識別過程中引入分形方法與分形特征，對單株植物的類別和植物群落都有較好的識別。但總體而言，為了在實用中進一步提高工作效率、降低人員的勞動強度等，基于圖像的植物葉片自動識別的準確率更有待提升。本文給出了一種利用葉片形狀和紋理特征進行識別的方法，能獲得更高的識別準確率。

2 圖像預處理與分割

將野外采集的葉片通過掃描儀掃描獲取數(shù)字圖像。算法的總體步驟如圖1所示。首先在對圖像進行預處理后，利用閾值分割來獲取葉片的大致區(qū)域，然后通過數(shù)學形態(tài)學處理消除葉柄和葉片上的孔洞等，獲得較為干凈的葉片區(qū)域，并提取形狀和紋理特征，最后通過訓練好的BP網(wǎng)絡分類器完成分類。

圖1 葉片圖像識別整體流程圖

圖像在獲取過程中會不可避免地受到噪聲的污染，為使后續(xù)分割處理更為可靠，可以使用低通濾波器對圖像進行一定的去噪處理。本文采用高斯低通濾波器[7]平滑圖片，高斯低通濾波器的窗口大小選為3×3，在去除噪聲的同時避免過度模糊圖像。

閾值分割的目的是獲取以葉片區(qū)域為前景的二值圖像，以便于后續(xù)的形狀特征計算。本文采用大津法[8]進行閾值分割。

盡管在預處理中已經進行了一定的平滑去噪，但是噪聲的影響仍然可能造成分割得到的二值圖像中出現(xiàn)細小的孔洞或細碎的雜點區(qū)域。此外，如葉脈、葉片上的斑點和蟲洞等也會產生類似的噪聲區(qū)域。因此在閾值分割得到的二值圖像上，利用適當大小的結構元素來進行數(shù)學形態(tài)學[9]的開運算和閉運算，以分別消除細碎的雜點區(qū)域和細小的孔洞或縫隙。此外，開運算[10]還被用來去除葉片的葉柄部分，以避免葉片特征受到明顯影響。如圖2所示即為經以上處理后得到的葉片區(qū)域。

圖2 葉片分割示例

3 葉片特征提取

3.1 形狀特征的提取

對于葉片形狀特征而言，由于不同種類葉片的大小乃至同種葉片的大小都可能存在著較大的差異，因而如葉片長、寬、面積和周長這樣的絕對性形狀指標就不適合用作分類依據(jù)。在此選用了7項相對幾何特征[11]：狹長度、矩形度、球狀性、圓形度、偏心率、周長直徑比和周長長寬比。

（1）狹長度是葉片長和寬的比值，能夠描述葉片是接近圓形還是扁長的：

其中，WMER為葉片的寬，LMER為葉片的長。

（2）矩形度是物體的面積(A)與其最小外接矩形的面積(AMER)之比，反映物體對其外接矩形的充滿程度：

其中，A為物體面積即區(qū)域中的像素總數(shù)，AMER為物體最小外界矩形的面積。

（3）球狀性是葉片面積與葉片凸包周長的計算值：

其中，A為葉片面積，PConvex為葉片凸包周長。

（4）圓形度是用來描述物體邊界的復雜程度的。最常用的圓形度是周長(P)的平方與面積(A)的比：

其中，面積為A，周長為P。圓形度能夠表示葉片形狀與圓的相似程度，葉片形狀越接近圓形，它的圓形度值也就越小。

（5）偏心率是葉片自身長軸與短軸的比值即縱橫軸之比：

其中，MajorAxis和MinorAxis分別是葉片最佳匹配橢圓的長軸和短軸長度。

（6）周長直徑比是葉片周長和它的直徑的比值[12]：

其中，P為葉片周長，Diameter為葉片直徑。

（7）周長長寬比即葉片周長和葉片長寬之和的比值[12]：

其中，P為葉片周長，Lp和Wp分別為葉片的長度和寬度。

3.2 紋理特征

紋理是圖像的重要特征，是圖像分析中的一個重要指標。紋理是對于圖像各像元灰度的空間分布的一種描述，它是紋理基元按某種確定的規(guī)律或者某種統(tǒng)計規(guī)律排列組成，表現(xiàn)為平滑性、一致性和復雜程度。本文采用紋理描繪子和分形維數(shù)來描述葉片紋理特征。

常用的紋理描繪子有均值、標準差、一致性、平滑度、三階矩和熵等，它們的定義如下所示[13]：

（1）中心矩，描述直方圖分布形狀的主要方法是通過它的中心矩即均值的矩，它定義為：

其中，zi是表示亮度的一個隨機變量，p(z)是一個區(qū)域中的灰度級的直方圖，l是可能的灰度級，n是矩的階，m是均值亮度：

（2）標準偏差

的士在路上飛馳起來，竹韻回頭看了一眼海力的車，發(fā)現(xiàn)他也把車開上了路?；匚读艘环瑒偛诺那榫埃絹碓礁械郊{悶。

它是平均對比度的一個度量。

（3）平滑度

平滑度是區(qū)域中亮度的相對平滑度度量，對于常亮度區(qū)域，R等于0；對于灰度級的值有著較大偏移的區(qū)域，R接近于1。

（4）三階矩

三階矩是直方圖偏斜度的一個度量，若直方圖是對稱的，則度量為0；若度量為正值，則直方圖向右偏斜，若度量為負值，則直方圖向左偏斜。（5）一致性

當所有灰度值相等時，該度量最大并從此處開始減小。

（6）熵

熵是隨機性的一個度量，它反映了圖像具有的信息量，即圖像中紋理的復雜程度或非均勻度。若紋理越復雜，熵具有較大值，若圖像中紋理越少，灰度越均勻，熵則較小。

分形維數(shù)[14]體現(xiàn)了圖像表面不規(guī)則程度和自相似程度，它可以反映圖像的紋理復雜程度。

本文采用的分形維數(shù)估算方法是基于盒計數(shù)的，它通過使用覆蓋圖像表面所需要的最小盒子數(shù)Nr作為對該表面的一個度量。先將一幅M×M大小的圖像分割成 l×l的子塊（1＜l≤M/2，l為整數(shù)）。用 (x，y，z)表示原圖像，其中 x，y表示像素的橫縱坐標，z為圖像在(x，y)位置處的灰度值。X，Y平面被分割成許多l(xiāng)×l的網(wǎng)格。每個網(wǎng)格是一列高為h，體積為l×l×h的盒子。設在第(m，n)網(wǎng)格中圖像灰度的最小值和最大值分別落在第k和第 f個盒子中，則

是覆蓋第(m，n)網(wǎng)格中的圖像所需的盒子數(shù)，可求出覆蓋整個圖像所需的盒子數(shù)Nr：

最后，選取一組L，計算Nr，通過線性擬合即可求得分形維數(shù)D。

4 利用BP網(wǎng)絡進行分類

以上共獲取了14種葉片特征。這些特征在各自的取值范圍上存在較大差異，因此，對各項特征進行了歸一化處理，使其取值在[0，1]的區(qū)間內。歸一化后的特征構成的特征向量作為輸入被送入BP神經網(wǎng)絡[15]。

網(wǎng)絡包含一個隱含層，隱含層節(jié)點[16]數(shù)量為15個。實驗中有6類不同植物的葉片，因此，BP網(wǎng)絡的輸出神經元相應設定為6個。隱含層和輸出層的傳遞函數(shù)均為正切S型函數(shù)：

其中，n為輸入矩陣的列向量。

在確定樣本的分類時，根據(jù)輸出值最大的輸出神經元的序號來給出分類結果，即如果第i個輸出神經元的輸出是所有6個輸出中最大者，則將輸入分類為第i類。

5 實驗結果及分析

實驗選取楊樹葉片、銀杏葉片、楓葉、蓮葉、棉花葉、小麥葉共6種形狀和紋理不相同的葉片，每種葉片50幅，共300個樣本。在訓練BP網(wǎng)絡時，隨機選取其中的200個樣本作為訓練樣本，而剩余的100個樣本作為測試樣本。作為對比，選擇了文獻[2]和文獻[12]的方法一同進行了實驗，其中文獻[2]僅使用了葉片形狀特征，而文獻[12]僅使用了紋理及分形特征。訓練和測試的結果如表1所示。

表1 分類實驗結果 （%）

本文通過單獨采用葉片形狀特征、紋理和分形維數(shù)特征，以及將這三種特征相結合，分別測試葉片的識別率。從表中可以看出，文獻[2]中僅使用葉片形狀特征識別率為71.8%，文獻[12]將葉片紋理描繪子和分形維數(shù)相結合后的葉片的識別率達到92.2%。當本文把葉片形狀特征以及紋理和分形特征結合用于識別時，識別率比僅使用葉片和分形維數(shù)紋理特征的識別率要高近7%，葉片識別率明顯提高，得到了滿意的識別效果。

圖3 用來測試分類器性能的6種植物葉片

6 結束語

本文結合葉片形狀特征以及紋理描繪子和分形特征來進行葉片的分類識別，分類器選用了BP前饋神經網(wǎng)絡。在實際圖像上進行的實驗中，對楊樹、銀杏、楓葉、蓮葉、棉花葉、小麥葉等6種植物葉片的識別率達到了98.4%，表明所用的特征及分類方法具有有效性。今后的研究重點將在于將以上分類方法推廣應用于種類更為豐富的葉片分類上，并對特征進行優(yōu)化篩選。

[1]黃志開.彩色圖像特征提取與植物分類研[D].合肥：中國科學技術大學，2006.

[2]王曉峰，黃德雙，杜吉祥，等.葉片圖像特征提取與識別技術的研究[J].計算機工程與應用，2006，42（3）：190-193.

[3]侯銅，姚立紅，闞江明.基于葉片外形特征的植物識別研究[J].湖南農業(yè)科學，2009（4）：123-125.

[4]傅弘，池哲儒，常杰.基于人工神經網(wǎng)絡的葉脈信息提取—植物活體機器識別研究[J].植物學，2004，21（4）：429-436.

[5]楊福增，田艷娜，楊青.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農業(yè)機械學報，2009（z1）.

[6]楊輝軍，陳立偉.基于分形特征的植物識別[J].計算機工程與設計，2010，31（24）：5321-5327.

[7]高遠.基于核方法的人臉識別[D].北京：北京工業(yè)大學，2010.

[8]陳寧寧.幾種圖像閾值分割算法的實現(xiàn)與比較[J].電腦知識與技術，2011，13（7）：3109-3111.

[9]范立南，韓曉微，張廣淵.圖像處理與模式識別[M].北京：科學出版社，2007：82-85.

[10]于曉靜.基于圖像處理的浮游生物統(tǒng)計軟件的設計與實現(xiàn)[D].遼寧大連：大連海洋大學，2007.

[11]黃林，賀鵬，王經民.基于概率神經網(wǎng)絡和分形的植物葉片機器識別研究[J].西北農林科技大學學報：自然科學版，2008，36（9）：212-218.

[12]Wu S G，Bao F S，Xu E Y，et al.A leaf recognition algorithm for plant classification using probabilistic neural network[C]//IEEE International Symposium on Signal Processing and Information Technology，2007：11-16.

[13]Gonzalez R C，Woods R E.Digital image processing[M]. 2版.北京：電子工業(yè)出版社，2002：350-351.

[14]孫博玲.分形維數(shù)及其測量方法[J].東北林業(yè)大學學報，2004，32（3）：116-119.

[15]葛哲學，孫志強.神經網(wǎng)絡理論與MATLAB R2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007：280-286.

[16]褚輝，賴惠成.一種改進的BP神經網(wǎng)絡算法及應用[J].計算機仿真，2007，24（4）：75-76.

DONG Hongxia,GUO Siyu

School of Electrical and Information Engineering,Hunan University,Changsha 410082,China

Recognition of plants based on plant leaves is of important aid for biological and ecological sciences.An algorithm for leaf classification based on shape and texture features is presented.Following the preprocessing of image denoising,the leaf region is obtained through segmentation and mathematical morphological operations.Shape features are extracted from the segmented binary region image,and texture features are extracted from the gray-scale image.A BP forward neural network with the features as inputs is adopted for classification.Experimental results on real-world images show that higher classification accuracy can be achieved by the proposed method compared with existing algorithms.

leaf classification;shape feature;texture;Back Propagation（BP）neural network

根據(jù)植物葉片識別植物種類對于生物科學與生態(tài)科學具有重要的輔助作用。針對葉片分類，提出了一種基于形狀與紋理特征的分類算法。在進行了去噪等預處理后，通過閾值分割和數(shù)學形態(tài)學方法獲取葉片區(qū)域；在分割得到的二值區(qū)域圖像上提取了形狀特征，在灰度圖像上提取了紋理特征；在所得特征的基礎上，利用BP網(wǎng)絡對葉片進行分類。在實際圖片上的實驗結果表明，相比于已有算法，該方法可以達到更高的正確分類率。

葉片分類；形狀特征；紋理；反向傳播（BP）神經網(wǎng)絡

A

TP391.4

10.3778/j.issn.1002-8331.1301-0138

DONG Hongxia,GUO Siyu.Plant leaf classification method combining shape and texture features.Computer Engineering and Applications,2014,50（23）：185-188.

湖南大學青年教師成長計劃基金（No.531107040050）。

董紅霞（1987—），女，碩士研究生，主要研究方向為植物葉片圖像處理與識別；郭斯羽（1975—），男，博士，副教授，主要研究方向為智能測控技術、電測技術、信息處理等。E-mail：dhxdonghongxia@163.com

2013-01-14

2013-03-19

1002-8331（2014）23-0185-04

CNKI網(wǎng)絡優(yōu)先出版：2013-04-08,http://www.cnki.net/kcms/detail/11.2127.TP.20130408.1646.009.html