田超　周堅華

摘要：本文研究針葉植物數(shù)字圖像自動識別分類的方法。根據(jù)針葉植物不同科（松、杉、柏科）和種葉片/葉小枝的形狀特征差異設(shè)計了15個特征描述符，以適量樣本檢驗這些描述符以及它們組合使用對于劃分針葉植物科和種的有效性，并對這種有效性做評估和排序。實驗表明，凹陷密度，凸包歐拉數(shù)、凸包面積與同參數(shù)三角形面積相對差等，對辨別松科植物有效；葉圖斑長寬比、凸殘差面積方差、凹陷密度、凹陷平均短長軸比等對劃分杉、柏科植物有效。通過這些描述符，可以將至少34種針葉植物分為松、杉、柏3個科和17個種。用這些描述符組合對針葉植物科分類的精度大于80%；由科劃分種的精度相對較低，劃分松、杉、柏科植物到幾個范例種的精度分別為：64.0%、54.3%、40.1%。

關(guān)鍵詞：針葉植物；圖像分類；形狀；數(shù)學(xué)形態(tài)學(xué)；特征頻數(shù)

基金項目：國家自然科學(xué)基金項目（41071275）資助

中圖分類號： TP391.41 文獻(xiàn)標(biāo)識碼： A DOI編號： 10.14025/j.cnki.jlny.2016.06.020

植物數(shù)字圖像自動分類是植物分類學(xué)領(lǐng)域備受關(guān)注的新技術(shù)“基于內(nèi)容的圖像檢索”（Content-Based Image Retrieval， CBIR）是該技術(shù)的代表之一，通過把用于植物圖像的CBIR軟件植入手機等智能移動設(shè)備，有可能在野外對植物進(jìn)行實時分類。已經(jīng)出現(xiàn)了少量移動設(shè)備版植物圖像分類/檢索軟件，如Nam等2005年開發(fā)的“三葉草”系統(tǒng)，可以根據(jù)植物葉輪廓圖檢索植物類；Belhumeur等2008年研發(fā)的改進(jìn)型系統(tǒng)，可以查詢植物圖像與在線植物樣本的相似性等。但由于專家知識植入圖像自動分類/檢索系統(tǒng)比較困難，這類軟件目前能夠正確辨識的植物種類比較有限，其他類似的CBIR系統(tǒng)還在不斷完善中。

據(jù)檢索，植物圖像分類的研究主要集中于闊葉類植物。闊葉植物的屬種遠(yuǎn)比針葉植物的豐富，這可能是它吸引較多關(guān)注的原因。另一方面，植物圖像分類主要依靠植物葉特征，闊葉類植物的葉特征（包括葉形、葉緣、葉脈等）遠(yuǎn)比針葉植物的豐富，不同屬種之間的特征差異比較顯著和易于提取，使得闊葉植物先于針葉植物在圖像分類領(lǐng)域取得了較大進(jìn)展。例如基于葉片形狀、基于葉脈和葉緣信息的植物圖像分類。

與闊葉植物相比，針葉植物種屬間的特征差異不夠分明。根據(jù)Science Director、Springer Link Journals、中國知網(wǎng)等中外期刊論文數(shù)據(jù)庫的檢索，尚未檢出針葉植物葉片/葉小枝數(shù)字圖像自動分類方面的研究文獻(xiàn)。本文主要根據(jù)松、杉、柏科植物葉片/葉小枝的形狀特征差異，設(shè)計特征描述符；并以圖像分類/分割方法檢驗這些描述符以及它們的組合，對于辨識不同科和種的針葉植物圖像有效。

1 實驗數(shù)據(jù)

研究中使用的植物葉圖像樣本來自野外自采集和中國植物圖像庫。野外自采集區(qū)域為上海市區(qū)和浙江天目山地區(qū)，采樣設(shè)備為普通單反變焦數(shù)碼相機。自采樣本約占總樣本數(shù)的90%。野外共采集樣本近340個，包括了上海市綠地和天目山地區(qū)典型的針葉樹種。表1列出了實驗樣本屬種和數(shù)量。在描述符測試中隨機選擇其中180個樣本構(gòu)成訓(xùn)練集，其余160個為預(yù)留的測試樣本。

2 方法

2.1 概述

本文的研究對象為松、杉、柏科植物，由于南洋杉科植物在上海綠化地很少見，僅采集到“智力南洋杉”和“大葉南洋杉”兩種，故合并到杉科中。依據(jù)松、杉、柏科多種植物葉的表觀特征和圖像特征，設(shè)計了能夠?qū)⑷呒捌渚唧w種分開的圖像特征描述符。它們中的大多數(shù)依據(jù)形態(tài)測量學(xué)設(shè)計，能夠定量描述葉形特征；還有一小部分根據(jù)特征頻數(shù)統(tǒng)計值設(shè)計，如鄰域暗細(xì)節(jié)密度等，用于描述葉片/葉小枝凹陷的密度。通過在這些描述符組合的特征空間里做圖像監(jiān)督分類，可以評估各描述符及其組合的有效性。工作流程見圖1。

2.2 針葉圖像預(yù)處理

針葉植物葉圖像預(yù)處理的有效算法包括平滑化、維納濾波、銳化、大津法閾值計算和二值化、形態(tài)學(xué)開啟和閉合、凸（凹）噪聲面積過濾、Gaussian濾波和邊緣檢測等。實驗表明，對針葉植物葉圖像有效的預(yù)處理包括：降噪，去毛刺，閉合裂隙、填補凹陷等，它們能給出比較完整的葉片二值圖，以便特征提取和描述符值計算。圖2以雪松為例說明該過程。

2.3 描述符設(shè)計

形狀是葉片圖斑的主要特征。常用的形狀特征包括圖斑面積、圖斑的短長軸比、凸包面積、凸殘差特征、形狀系數(shù)、邊緣密度、分維等。針葉植物葉形通常具有如下特征：松葉形簡單，針狀，常2針、3針或5針一束，葉節(jié)點無分叉；柏枝葉復(fù)雜，分支明顯，單葉小而呈鱗片狀（或鱗葉、針葉混生）；杉多為線形葉等?？梢杂猛拱蛲箽埐?、幾何形狀、細(xì)節(jié)頻數(shù)等描述這些特征，設(shè)計出適用的描述符。表2給出部分經(jīng)實驗證明有效的描述符，所有描述符都?xì)w一化到值域[0， 1]。

2.4 描述符測試和精度評估

圖3和表3～6給出以決策樹（DT）評估描述符組合分類精度的實例。如針葉科分類時，隨機選擇8個描述符構(gòu)成初始特征向量，訓(xùn)練樣本數(shù)為180，其中松、杉、柏科植物樣本分別為55、61、64。訓(xùn)練中DT自動選擇對樣本適應(yīng)性較好的5個描述符構(gòu)成決策樹t（圖3）；隨后以t對測試集圖像分類，并以混淆矩陣評估分類精度。

3 描述符的設(shè)計依據(jù)

表2中的描述符設(shè)計基于葉圖斑的某些圖像特征，例如凸殘差、圖斑凹陷、圖斑面積對稱性、圖斑密度對稱性、圖斑幾何圖形軸對稱性、圖斑與同參數(shù)幾何圖形的相似性等。下面分別展開討論。

3.1 凸殘差

凸包（convex）是將圖斑邊界的凸頂點連線形成的外多邊形。用凸包減去原圖斑得到凸殘差（convex deficiency）。實驗表明，根據(jù)凸包和凸殘差設(shè)計的描述符對于表征針葉植物葉輪廓形狀和葉小枝的分布規(guī)律、密度和復(fù)雜程度等有效?；谕箽埐畹拿枋龇校海ㄒ姳?）。圖4以側(cè)柏、墨西哥落羽杉、白皮松為例，顯示這類描述符參變量的提取方法。表7為基于凸殘差描述符的分割閾值范例。

（a），（d）分別為龍柏和水杉葉小枝二值圖，真元素個數(shù)即葉小枝圖斑面積；（b），（e）為暗細(xì)節(jié)二值圖，SE均為3×3菱形；（c），（f）為凹陷尺寸大于閾值的圖斑，可以通過測量其中面積較大的主凹陷的密度、短長軸比、形狀系數(shù)等，獲得有參考價值的分類特征。由圖可見，龍柏的暗細(xì)節(jié)尺寸較小、細(xì)節(jié)短、分布密度（單位面積細(xì)節(jié)個數(shù)）較大；而水杉的暗細(xì)節(jié)尺寸較大、細(xì)節(jié)狹長、分布密度較小。

3.2 圖斑凹陷

暗細(xì)節(jié)是葉圖像上尺寸較小的暗調(diào)元素或葉圖斑的孔洞（凹陷），可以通過形態(tài)學(xué)“低帽變換”提取。它是用閉合操作消除比結(jié)構(gòu)元素（SE）尺寸小的暗細(xì)節(jié)，獲得背景估計b；然后從b中減去原圖像I就能獲得暗細(xì)節(jié)集da。

3.3 葉圖斑對稱性

葉圖斑對稱性通常以葉小枝某些統(tǒng)計值的上下對稱性表述。可用的統(tǒng)計值包括面積、密度和幾何圖形軸長等。面積和密度的統(tǒng)計對象主要為葉圖斑、凸包、凸殘差等的二值圖。表達(dá)式的主要形式為差比值，比如 （見表2）。幾何圖形軸對稱性利用了與葉圖斑有關(guān)的幾種幾何圖形，如外接矩形、內(nèi)接圓等。

3.4 圖斑與同參數(shù)幾何圖形的相似性

典型的松、杉、柏葉小枝的外輪廓與某些幾何圖形接近，比如松與三角形、杉與矩形/橢圓、柏與扇形/橢圓相像。利用葉圖斑凸包二值圖與同參數(shù)（高/長軸、寬/短軸等）的幾何圖形面積的差比值，表征葉圖斑凸包接近這些幾何形狀的程度，可能用于劃分不同科的針葉植物，表9列出部分基于圖斑對稱性的描述符的性能和范例閾值。這些描述符包括（見表2）。

4 結(jié)論

本文研究針葉植物葉片或葉小枝圖像按科和種分類的方法，設(shè)計了14個新的描述符，并評估了各自和組合使用的有效性。上述實驗和統(tǒng)計分析支持如下結(jié)論：（1）基于凸殘差、圖斑凹陷、圖斑對稱性和圖斑與同參數(shù)幾何圖形相似性設(shè)計的描述符對于識別針葉植物科和部分種有效。（2）適當(dāng)數(shù)量和不同功能的描述符組合，有助于改善分類精度。（3）用這些描述符組合對針葉植物科分類的精度大于80%；由科劃分種的精度相對較低，劃分松、杉、柏科植物到幾個范例種的精度分別為：64.0%、54.3%、40.1%。由本實驗還可以看出，要劃分更多的屬種還有待進(jìn)一步增加植物樣本，并繼續(xù)深入描述符和分類空間設(shè)計等方面的研究。本文的分類方法主要依據(jù)的是植物外形特征，而未嚴(yán)格遵守植物學(xué)分類規(guī)則，比如中國植物志中將日本冷杉劃分為松科，而本文根據(jù)其形狀特征將其劃分到杉中，這一點望讀者理解。

參考文獻(xiàn)

[1]Geng SL （耿生玲）. Tian F （田芳）. The principle and realization of picture sharpening and smoothing[J]. Journal of Qinghai Normal University（Natural Science） （青海師范大學(xué)學(xué)報（自然科學(xué)版）， 2003（03）：62-65

[2]Zhu J （朱靜），Tian XJ （田興軍），Chen B （陳彬） et al. Computer Recognition System of Plant Leaf-shape[J]. Chinese Bulletin of Botany （植物學(xué)通報）， 2005，22（05）：599-604

作者簡介：田超，華東師范大學(xué)地理科學(xué)學(xué)院，在讀碩士，研究方向：遙感圖像分析與空間數(shù)據(jù)挖掘。

通訊作者：周堅華，碩士，華東師范大學(xué)地理信息科學(xué)教育部重點實驗室，副教授，研究方向：城市與生態(tài)遙感。

網(wǎng)絡(luò)出版時間：2016-3-10 17：07：45

網(wǎng)絡(luò)出版地址：http：//www.cnki.net/kcms/detail/22.1186.S.20160310.1707.001.html