陳肖蒙，王瑜，肖洪兵

（北京工商大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，北京 100048）

植物是地球上最廣泛存在的生命形式之一，與人類的生活密切相關(guān)。植物的分類鑒別對(duì)于探索植物的自身價(jià)值、生態(tài)監(jiān)測(cè)以及生物多樣性保護(hù)有著重要的意義。植物分類的主要依據(jù)是植物的外觀特征，傳統(tǒng)的識(shí)別方法需要業(yè)內(nèi)專家對(duì)大量植物進(jìn)行觀察、測(cè)量，效率較低。由于植物外觀特征能以數(shù)字圖片方式獲得，隨著計(jì)算機(jī)圖像識(shí)別技術(shù)的發(fā)展，借助計(jì)算機(jī)輔助處理進(jìn)行植物分類，成為人們?cè)絹?lái)越關(guān)注的課題之一。

當(dāng)前對(duì)植物識(shí)別方法的研究較多，但大多都是基于葉片幾何特征的識(shí)別[1-3]。葉片幾何特征是指葉片的外部形狀和維度的各種參數(shù)特征，如葉片形狀的圓形度、中心偏離半徑，以及葉緣鋸齒數(shù)等量化的數(shù)據(jù)。這類方法存在如下問(wèn)題：1)進(jìn)行幾何特征提取的計(jì)算量很大，且不適用于所有的葉片樣本；2)對(duì)植物圖像要求較高，必須是單一背景下單個(gè)完整葉片圖像，而實(shí)際能獲得的植物圖像通常是成片的，很難進(jìn)行幾何特征的度量。僅限于單個(gè)葉片的識(shí)別方法在圖像采集上仍需耗費(fèi)大量人工，不能有效提高植物識(shí)別的效率。為達(dá)到完全自動(dòng)識(shí)別的效果，研究自然復(fù)雜背景下的植物識(shí)別是十分必要的。

人工在野外采集的植物圖像通常背景復(fù)雜，且植物枝葉分布具有隨機(jī)性，存在葉片重疊現(xiàn)象，單純提取葉片特征的方法并不適用，利用邊緣提取植物輪廓信息是合適的思路。邊緣是數(shù)字圖像中像素值明顯變化的點(diǎn)的集合，邊緣的顯著變化通常表現(xiàn)了圖像屬性的重要變化。圖像邊緣檢測(cè)能夠剔除不相關(guān)的干擾信息，保留圖像的主體結(jié)構(gòu)，大幅度減少數(shù)據(jù)量，目前已在復(fù)雜植物圖像的識(shí)別中有所應(yīng)用。現(xiàn)有的邊緣提取方法[4-6]很多，如 Roberts[7]算子、Sobel[8]算子、Prewitt[9]算子、Canny[10]算子和Laplacian[11]算子等。在這些經(jīng)典算子的基礎(chǔ)上，也有許多學(xué)者進(jìn)行了改進(jìn)工作[12-14]。這些傳統(tǒng)邊緣算子雖然在圖像分割、圖像檢索等領(lǐng)域中獲得了良好的性能，但是仍然存在方向較為固定、尺度單一等缺點(diǎn)，因此對(duì)復(fù)雜植物圖像邊緣特征的提取效果不盡如人意。針對(duì)傳統(tǒng)邊緣算子的固有缺陷，本文采用一種具有多尺度與多方向特性的可變局部邊緣模式算子(varied local edge pattern，VLEP)提取綠色植物圖像的紋理邊緣信息，這種算子是靈活的圓形結(jié)構(gòu)，半徑和近鄰點(diǎn)數(shù)目可以任意取值，因此可以提取不同尺度，不同方向的邊緣特征，有效彌補(bǔ)了傳統(tǒng)算子由于邊緣方向過(guò)少，或尺度單一而容易丟失其他邊緣信息的缺陷。

1 VLEP算子

在復(fù)雜植物圖像中，植物葉片的分布具有多方向性，而傳統(tǒng)邊緣算子的方形形式導(dǎo)致其通常只包含 0°、90°兩個(gè)方向，或者 0°、45°、90°和135°這4個(gè)方向，因此在一定程度上忽略了其他方向上必要的邊緣信息。人工采集植物圖像時(shí)，拍攝距離等因素會(huì)影響葉片區(qū)域在圖像上的尺度大小，傳統(tǒng)邊緣算子只覆蓋2像素×2像素或3像素×3像素的圖像單元，只能反映圖像很小范圍內(nèi)的某個(gè)局部強(qiáng)度變化，而不同尺度的支持空間會(huì)包含不同的信息，因此其檢測(cè)到的邊緣特征并不完全。VLEP算子采用圓形結(jié)構(gòu)，通過(guò)設(shè)置不同半徑和近鄰點(diǎn)數(shù)目，能獲得多方向、多尺度的邊緣特征。因此，VLEP算子能針對(duì)復(fù)雜背景下植物圖像的特點(diǎn)，有效提取其邊緣信息。

VLEP算子[15]是一種靈活的圓形可變局部邊緣模式算子，用表示，為近鄰點(diǎn)個(gè)數(shù)，為半徑，表示邊緣方向。該算子包括兩大類，一類是局部邊緣模式算子，另一類是局部非邊緣模式算子。

1.1 局部邊緣模式算子

圖 1 兩組局部邊緣模式算子Fig. 1 Two groups of local edge pattern operators

1.2 局部非邊緣模式算子

局部非邊緣檢測(cè)算子包括P個(gè)均勻分布在R圓上的近鄰點(diǎn)，其中P大于4且能被4整除，R為正實(shí)數(shù)。過(guò)圓心作兩條相互垂直的第一方向線和第二方向線。對(duì)于第一類局部非邊緣模式算子，位于第一方向線的兩個(gè)近鄰點(diǎn)賦值為1，位于第二方向線的兩個(gè)近鄰點(diǎn)賦值為–1，除此之外，其余近鄰點(diǎn)均賦值為0，如圖2(a)所示；對(duì)于第二類局部非邊緣模式算子，位于第一方向線和第二方向線上的4個(gè)近鄰點(diǎn)賦值為0，第一方向線和第二方向線將圓周平均分為4份，其中位于對(duì)角的兩份圓周上的近鄰點(diǎn)賦值為1，位于另一對(duì)角的兩份圓周上的近鄰點(diǎn)賦值為–1，如圖2(b) 所示。圖中兩條虛線分別為第一方向線與第二方向線，以圓心為旋轉(zhuǎn)中心，不斷將兩條方向線按順時(shí)針或逆時(shí)針旋轉(zhuǎn)固定角度，可以衍生出不同的非邊緣模式算子。

圖 2 一組局部非邊緣模式算子Fig. 2 A group of local non-edge pattern operators

1.3 VLEP算子的多尺度與多方向?qū)傩?/h3>

由于P、R取值的不同，VLEP算子可以刻畫(huà)不同局部空間尺度和方向的紋理信息。不同尺度的VLEP算子，其近鄰點(diǎn)P的個(gè)數(shù)相同，半徑R不同，如圖3所示。

圖 3 不同尺度VLEP算子實(shí)例Fig. 3 An example of multi-scale VLEP operators

半徑R越大，提取邊緣特征的圖像紋理基元尺寸越大。使用不同尺度的VLEP算子提取紋理邊緣時(shí)，可以刻畫(huà)出圖像中不同的局部空間尺度的邊緣信息。不同方向 (分辨率)的VLEP算子，其半徑R相同，鄰近點(diǎn)P的個(gè)數(shù)不同，如圖4所示。近鄰點(diǎn)P越大，對(duì)圖像紋理基元提取邊緣的方向越多，紋理特征越細(xì)致，分辨率越高。此外，VLEP算子的近鄰點(diǎn)個(gè)數(shù)P與半徑R可以同時(shí)不同， 如圖5所示，可以分別提取圖像紋理邊緣不同方向，不同尺度空間的信息?？梢?jiàn)，VLEP算子具有多尺度和多方向特性，利用VLEP算子提取特征，可以有效解決傳統(tǒng)算子由于邊緣方向過(guò)少、尺度單一而丟失其他邊緣信息的問(wèn)題。

圖 4 不同方向(分辨率)VLEP算子實(shí)例Fig. 4 An example of multi-direction (or multi-resolution)VLEP operators

圖 5 不同尺度與不同方向(分辨率)VLEP算子實(shí)例Fig. 5 An example of multi-scale and multi-resolution VLEP operators

2 基于VLEP算子的邊緣特征提取

漳州核電創(chuàng)新提出建立百萬(wàn)千瓦級(jí)核電機(jī)組技經(jīng)模型，并與專業(yè)咨詢機(jī)構(gòu)合作開(kāi)發(fā)技經(jīng)模型，研究并分析國(guó)內(nèi)百萬(wàn)千瓦級(jí)核電機(jī)組造價(jià)平均水平用于漳州核電項(xiàng)目對(duì)標(biāo)，并及時(shí)開(kāi)展一期工程造價(jià)咨詢分析和項(xiàng)目總投資的經(jīng)濟(jì)性分析工作，從項(xiàng)目可研估算、敏感性分析和核電標(biāo)桿電價(jià)倒算項(xiàng)目總投資，對(duì)工程造價(jià)費(fèi)用組成中可核減部分進(jìn)行分析，形成百萬(wàn)千瓦級(jí)核電機(jī)組建設(shè)成本控制目標(biāo)，將漳州核電造價(jià)水平控制在行業(yè)平均水平以下。

3 邊緣特征細(xì)分

為了獲得更緊致的特征向量，特征空間可以細(xì)分，每種類型的邊緣和非邊緣可以更詳細(xì)地分類，每種類型的邊緣和非邊緣的細(xì)分閾值使用下面的方法計(jì)算：

首先，將所有訓(xùn)練圖像的相同邊緣類型或非邊緣類型(或VLEP算子)的值按從最小到最大的順序排列。然后，使用式(5)確定閾值：

式中：N代表所有訓(xùn)練圖像中相同邊緣或非邊緣(或VLEP算子)類型的數(shù)目；B是每種類型的VLEP算子需要被進(jìn)一步劃分的類別數(shù)目，B需要提前設(shè)置；表示隊(duì)列中“第幾個(gè)的值；是從1 到 B – 1 的正整數(shù)。

4 分類器

5 實(shí)驗(yàn)結(jié)果與分析

目前，植物分類算法研究領(lǐng)域的一大問(wèn)題是缺少一個(gè)公認(rèn)的統(tǒng)一的數(shù)據(jù)平臺(tái)。本文實(shí)驗(yàn)中所使用的綠色植物圖像來(lái)自北京工商大學(xué)計(jì)算成像實(shí)驗(yàn)室拍攝的數(shù)據(jù)庫(kù)，為了使數(shù)據(jù)更好地模擬真實(shí)世界的綠色植物環(huán)境，保證研究算法更具實(shí)用性，該圖像庫(kù)構(gòu)建過(guò)程中考慮了多種因素，包括光照強(qiáng)度、葉片大小、拍攝背景、植株數(shù)量(多株與單株)、拍攝角度、拍攝距離等，這些因素雖然保證了數(shù)據(jù)更具實(shí)際意義，但同時(shí)也會(huì)增加物種識(shí)別的難度。圖6展示了幾幅數(shù)據(jù)庫(kù)中的圖例。本實(shí)驗(yàn)選取數(shù)據(jù)庫(kù)中80類植物圖像，其中，每類植物6幅圖像作為訓(xùn)練圖像，9幅作為測(cè)試圖像，因此共有480幅訓(xùn)練圖像，720幅測(cè)試圖像。

圖 6 綠色植物物種數(shù)據(jù)庫(kù)圖例(銀杏樹(shù))Fig. 6 Some examples of the green plants database (ginkgo)

5.1 相同閾值下不同半徑和近鄰點(diǎn)VLEP實(shí)驗(yàn)結(jié)果

在閾值數(shù)相同(閾值數(shù)均為8)的情況下，利用不同P、R值的算子在綠色植物物種數(shù)據(jù)庫(kù)上進(jìn)行識(shí)別實(shí)驗(yàn)，獲得了不同的識(shí)別率，結(jié)果如表1所示。

表 1 相同閾值數(shù)下的算法識(shí)別率Table 1 Recognition results of with the same thresholds %

表 1 相同閾值數(shù)下的算法識(shí)別率Table 1 Recognition results of with the same thresholds %

P R=1 R=2 R=3 R=5 P=8 26.11 24.25 23.16 19.17 P=16 23.06 33.89 27.92 31.72 P=24 20.14 30.86 35.28 34.12

分析表1可知，在閾值數(shù)相同的情況下，近鄰點(diǎn)個(gè)數(shù)P和半徑R的選取會(huì)影響識(shí)別率。因此，P、R的取值具有最優(yōu)組合，其中，近鄰點(diǎn)個(gè)數(shù)8，當(dāng)時(shí)，識(shí)別率相對(duì)最高；近鄰點(diǎn)個(gè)數(shù)，當(dāng)時(shí)，識(shí)別率最高；近鄰點(diǎn)個(gè)數(shù)，當(dāng)時(shí)，識(shí)別率最優(yōu)。

5.2 閾值細(xì)分的作用

表 2 不同閾值數(shù)下的算法識(shí)別率Table 2 Recognition results of with differentthresholds %

表 2 不同閾值數(shù)下的算法識(shí)別率Table 2 Recognition results of with differentthresholds %

閾值數(shù)算子0 13.12 14.06 12.36 8 26.11 33.89 35.28 16 30.47 40.29 38.18 32 37.94 44.12 43.21 40 32.64 27.92 35.14

由表2可知，在算子半徑R和近鄰點(diǎn)P確定的情況下，閾值數(shù)越多，識(shí)別率越高。值得注意的是，閾值不能過(guò)多，閾值太多會(huì)劃分出許多不具備區(qū)分性的特征子類，同時(shí)會(huì)導(dǎo)致落入有效特征子類的特征值過(guò)少，從而使特征直方圖失去特征分類意義。在所測(cè)識(shí)別率中，使用圓形算子并設(shè)置32個(gè)閾值時(shí)，算法結(jié)果最優(yōu)，識(shí)別率達(dá)到44.12%。

5.3 與傳統(tǒng)邊緣算子的對(duì)比實(shí)驗(yàn)

為了與傳統(tǒng)邊緣提取算法進(jìn)行對(duì)比，本文使用 Canny、Roberts、Prewitt、Sobel算子提取圖像邊緣特征，并同樣進(jìn)行32閾值細(xì)化，實(shí)驗(yàn)結(jié)果如表3所示。

表 3 對(duì)比算法識(shí)別率Table 3 Recognition results of contrast algorithms %

從表3可以看出，所提的可變局部邊緣模式算子提取植物邊緣特征的效果遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)的邊緣模式算子，識(shí)別率有大幅度的提高?？勺兙植窟吘壞Ｊ剿阕泳哂卸喾较蛱匦?，提取的圖像邊緣方向信息相對(duì)豐富，同時(shí)該算子具有多尺度特性，能提取大小不同尺度的紋理結(jié)構(gòu)，因此，在邊緣特征提取的表現(xiàn)上，要比傳統(tǒng)算子有優(yōu)勢(shì)。

6 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)邊緣算子方向少、尺度固定的缺點(diǎn)，提出了一種基于靈活可變的圓形局部邊緣模式的綠色植物物種識(shí)別算法，該算法由于所用邊緣算子具有多尺度、多方向特性，能夠提取更為豐富、完整的邊緣信息。在自建綠色植物物種數(shù)據(jù)庫(kù)上進(jìn)行的一系列物種識(shí)別實(shí)驗(yàn)中，獲得了滿意的識(shí)別結(jié)果，這表明本文提出的算法可以有效彌補(bǔ)傳統(tǒng)算子由于邊緣方向過(guò)少，尺度單一而丟失其他邊緣信息的缺陷。