陳肖蒙 王 瑜 邢素霞

(北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室 北京 100048)

0 引 言

植物具有凈化空氣、涵養(yǎng)水源、食用、藥用、觀賞等一系列重要價(jià)值，為人類的生存與發(fā)展做出了極大貢獻(xiàn)。植物種類極多，對(duì)不同植物物盡其用的前提是對(duì)植物進(jìn)行正確的分類鑒別，不同植物間肉眼可見的區(qū)別主要存在于植物的根、莖、葉、花、果、種子等外觀特征。傳統(tǒng)的分類方法需要人工對(duì)植物的外觀特征進(jìn)行觀測(cè)、判斷，十分依賴觀測(cè)人員的專業(yè)知識(shí)，因此具有一定主觀性且效率較低。由于植物外觀特征能以數(shù)字圖片方式獲得，因此借助計(jì)算機(jī)進(jìn)行植物自動(dòng)識(shí)別成為植物分類學(xué)的發(fā)展趨勢(shì)。

在植物的諸多外部形態(tài)特征中，葉片更易于采集，且不同植物的葉片顏色、形狀和紋理都不盡相同，具備較強(qiáng)的區(qū)分性，同時(shí)葉片處于平面狀態(tài)，適合二維圖像處理，因此是最常用來進(jìn)行植物分類的依據(jù)。大多數(shù)研究?jī)A向于對(duì)從植株上分離出來的單個(gè)葉片進(jìn)行識(shí)別[1-4]，其主要思路是提取葉片的形狀特征進(jìn)行區(qū)分。此類方法對(duì)圖像要求極高，不容許有背景干擾、葉片破損等情況，仍需耗費(fèi)較多人工。為了進(jìn)一步提高植物識(shí)別的效率，研究自然背景下植物整體圖像的識(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，難以獲取葉片的完整形狀。由于葉片包含豐富的紋理信息，且葉片紋理的提取不易受葉片重疊的影響，選用紋理特征進(jìn)行復(fù)雜背景下整體植物的識(shí)別是可行的。

紋理可以定義為物體視覺或觸覺的表面特征與表觀[5]，是高水平解釋和理解自然物體的有力信息。紋理特征在基于單個(gè)葉片的植物識(shí)別上已有諸多應(yīng)用[6]，并取得較好的效果。常用的紋理特征提取方法有灰度共生矩陣法[7]、分形模型[8]、局部二值模式[9]LBP(Local binary pattern)等。由于復(fù)雜植物圖像存在背景干擾等不利因素，葉片區(qū)域在圖像上尺度較小也會(huì)導(dǎo)致紋理信息不夠清晰，因此上述傳統(tǒng)的紋理特征方法對(duì)復(fù)雜植物圖像的識(shí)別效果并不理想。為了提高識(shí)別率，本文針對(duì)復(fù)雜植物圖像的特點(diǎn)，提出一種基于小波變換和可變局部邊緣模式[10]VLEP的綠色植物圖像識(shí)別方法，同時(shí)結(jié)合分塊融合和多分辨率融合的思想，使得所提取的圖像紋理特征更加準(zhǔn)確、豐富。

1 算法思想

1.1 小波變換

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，導(dǎo)致葉片紋理信息不夠清晰，小波變換可以增強(qiáng)紋理基元的有效信息。小波變換能進(jìn)行時(shí)、頻域的局部轉(zhuǎn)換，有利于提取和分析局部信息。二維小波分解算法[11]的小波函數(shù)和尺度函數(shù)都是由一維小波函數(shù)和尺度函數(shù)經(jīng)過向量積變換得來的，是把尺度j的低頻部分cAj分解成如圖1所示的四部分，包括一個(gè)低頻成分和水平、垂直、斜線三個(gè)方向的高頻成分。

圖1 一級(jí)小波分解后的綠色植物圖像

尺度會(huì)隨著j值增加而加倍，但分辨率卻隨之變?yōu)樵瓉淼囊话耄總€(gè)層次的變換中，圖像都變成4個(gè)原圖像1/4大小的子圖像，具體分解公式如下：

{cAj+1,cHj+1,cVj+1,cDj+1}

(1)

式中：cAj+1表示分解后的低頻分量；cHj+1表示分解后水平方向的高頻分量；cVj+1表示分解后垂直方向的高頻分量；cDj+1表示分解后斜線方向的高頻分量。

1.2 VLEP算法提取邊緣特征

(2)

(3)

(4)

(5)

式中：φk代表VLEP的方向角，φk∈θ(1≤k≤m)。m是所有邊緣模式的數(shù)目。

為了獲得更緊湊的特征向量，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)的分類，每種類型的邊緣和非邊緣的細(xì)分閾值Vth使用下面的方法計(jì)算：

(6)

細(xì)分閾值Vth被確定后，每種類型的邊緣或非邊緣可根據(jù)閾值Vth進(jìn)一步分為B種類別。因此，每一個(gè)紋理圖像的特征向量的維數(shù)λ可以被描述為：

(7)

式中：邊緣VLEP算子是P/2類，非邊緣VLEP算子是P/4類。A是非邊緣VLEP操作方式的數(shù)目，具體信息可以查閱文獻(xiàn)[10]。如果在每一個(gè)紋理圖像中的同一類型的細(xì)分邊緣或非邊緣使用式(4)進(jìn)行統(tǒng)計(jì)，可以獲得如下所示更緊湊的特征向量：

(8)

1.3 分塊融合思想

自然狀態(tài)下采集的植物圖像通常背景復(fù)雜，存在許多干擾，如：建筑物、路面等，能有效用于識(shí)別的葉片信息分散在局部。對(duì)圖像進(jìn)行均勻分塊處理能使較大面積的干擾區(qū)域細(xì)分到各個(gè)子塊中，且能獲得若干只包含葉片信息的子塊。利用分塊后所有子塊或部分子塊識(shí)別，結(jié)果會(huì)優(yōu)于未分塊植物圖像。

分塊思想[12]可以應(yīng)用于任何一種利用直方圖譜特征描述圖像紋理信息的方法。識(shí)別前，將圖像均勻分割成若干子塊，每個(gè)子塊用行向量表示，所有子塊按一定順序貯存成一個(gè)行向量，作為表達(dá)原始圖像的特征向量，可以用下式表示：

S=[s1,s2,…,sN]

(9)

式中：N表示子塊的個(gè)數(shù)，si(i=1,2,…,N)為行向量，表示第i個(gè)子塊的直方圖譜特征。

1.4 多分辨率融合思想

通常，圖像中既包含一些大結(jié)構(gòu)特征，也蘊(yùn)含一些微小的細(xì)節(jié)特征。對(duì)于同一幅圖像，支持不同空間范圍(P和R都不同)的紋理算子所涵蓋的信息并不一致，小尺度的紋理算子不足以準(zhǔn)確地表達(dá)圖像的大結(jié)構(gòu)特征，大尺度的紋理算子容易忽略細(xì)節(jié)信息。為了更加完整地描述圖像信息，本文提出融合不同尺度紋理算子的多分辨率思想。VLEP算子采用圓形結(jié)構(gòu)，通過設(shè)置不同半徑和近鄰點(diǎn)數(shù)目，能獲得不同方向、不同尺度的紋理特征，通過融合不同尺度算子的多分辨率描述子表達(dá)圖像的紋理特征，會(huì)使所描述的圖像信息更準(zhǔn)確、完備。

1.5 分類器

最近鄰是一種簡(jiǎn)單有效的分類準(zhǔn)則，它通過計(jì)算兩個(gè)直方圖之間的距離，如歐氏距離、馬氏距離等，來度量二者的相似性和差異性。本文實(shí)驗(yàn)選用歐氏距離作為衡量準(zhǔn)則，如下式所示：

(10)

1.6 算法流程

本文算法的主要流程是：先根據(jù)式(1)將植物圖像分解成4幅子圖像，再將每幅子圖像分成兩塊，并使用不同分辨率的VLEP算子對(duì)每個(gè)子塊圖像進(jìn)行特征提取，然后將不同圖像塊、不同分辨率的特征向量進(jìn)行融合，利用融合特征向量進(jìn)行分類，算法流程如圖2所示。

圖2 算法流程圖

本文算法的部分核心程序如下：

(a) 小波分解核心程序

[c,l]=wavedec2(I,1,′db1′);

%對(duì)圖像I用db1小波基函數(shù)進(jìn)行一層分解

A{1}=wcodemat(appcoef2(c,l,′db1′,1),255);

%對(duì)低頻系數(shù)進(jìn)行偽彩色編碼

A{2}=wcodemat(detcoef2(′h′,c,l,1),255);

%對(duì)高頻系數(shù)進(jìn)行偽彩色編碼

A{3}=wcodemat(detcoef2(′v′,c,l,1),255);

A{4}=wcodemat(detcoef2(′d′,c,l,1),255);

(b) 圖像分塊核心程序

for x=1∶4

I=uint8(A{x});

L=size(I);

height=166;

%設(shè)置分塊后圖片高度

width=125;

%設(shè)置分塊后圖片寬度

max_row=floor(L(1)/height);

max_col=floor(L(2)/width);

%待分塊圖片為166*250，因此max_row=1,max_col=2

seg=cell(max_row,max_col);

data=[];

for row=1:max_row

for col=1:max_col

seg(row,col)={I((row-1)*height+1:row*height,(col-1)*width+1:col*width,:)};

%對(duì)圖像進(jìn)行分塊，并保存

end

end

(c) VLEP算子核心程序

if (neighbors==8)

%近鄰點(diǎn)為8的VLEP算子設(shè)置

LEP_circle =[0 1 1 1 0 -1 -1 -1];

%邊緣VLEP算子

LEP_circle_noedge=[0 -1 0 1 0 -1 0 1];

%非邊緣VLEP算子

b=4;

c=2;

end

if (neighbors==16)

%近鄰點(diǎn)為16的VLEP算子設(shè)置

LEP_circle=[0 1 1 1 1 1 1 1 0 -1 -1 -1 -1 -1 -1 -1];

%LEP

LEP_circle_noedge =[0 -1 -1 -1 0 1 1 1 0 -1 -1 -1 0 1 1 1];

b=8;

c=4;

end

2 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)中所使用的綠色植物圖像來自北京工商大學(xué)計(jì)算成像實(shí)驗(yàn)室的綠色植物數(shù)據(jù)庫(kù)，共80類植物，每類植物包含15幅圖像，像素為500×331，9幅圖像作為訓(xùn)練樣本，其余6幅作為測(cè)試樣本，故訓(xùn)練集為720幅植物圖像，測(cè)試集為480幅植物圖像。該圖像庫(kù)復(fù)雜度較高，光照強(qiáng)度、植株數(shù)量(多株與單株)，以及拍攝的背景、角度、距離等都不相同，這些因素均會(huì)增加物種識(shí)別的難度，但卻最大限度地接近了物種識(shí)別的真實(shí)情況，更具實(shí)際意義。圖3展示了數(shù)據(jù)庫(kù)中幾幅在不同條件下采集的木槿植物的典型圖例。

(a) 單葉片與多葉片

(b) 強(qiáng)光照與弱光照

(c) 大視角與小視角圖3 綠色植物物種數(shù)據(jù)庫(kù)圖例

為了驗(yàn)證本文算法的有效性，使用綠色植物數(shù)據(jù)庫(kù)并精心設(shè)計(jì)了一系列的實(shí)驗(yàn)。實(shí)驗(yàn)的編譯環(huán)境為Matlab2013b，硬件環(huán)境PC機(jī)：處理器：Intel(R) Core(TM) i7-4790,CPU@3.60 GHz,內(nèi)存4.00 GB。

2.1 閾值細(xì)分的作用

為了驗(yàn)證閾值細(xì)分的作用，選用(P=8,R=1)，(P=8,R=2)和(P=8,R=3)三種VLEP算子，并選擇不同閾值數(shù)進(jìn)行了一系列實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表1所示。

表1 不同閾值下VLEP算子的識(shí)別結(jié)果 %

由表1可知，閾值數(shù)的選取要適當(dāng)，閾值數(shù)過少或過多都會(huì)影響識(shí)別率，當(dāng)閾值數(shù)為16時(shí)識(shí)別率最高。因此，后續(xù)實(shí)驗(yàn)都在閾值數(shù)為16的情況下進(jìn)行。

2.2 小波和分塊的作用

為了驗(yàn)證小波的作用，先對(duì)原始圖像進(jìn)行一級(jí)小波分解，生成4個(gè)子圖像，然后用VLEP算子提取每個(gè)子圖像的紋理特征，最后將4個(gè)特征向量串聯(lián)為一個(gè)特征向量，并用于識(shí)別。為了驗(yàn)證分塊的作用，將小波分解后生成的4個(gè)子圖像分別均分成2塊，如圖4所示，然后用VLEP算子提取每個(gè)圖像子塊的紋理特征，最后將8個(gè)特征向量串聯(lián)為一個(gè)特征向量，并用于識(shí)別，識(shí)別結(jié)果如表2所示 (16細(xì)分閾值)。

圖4 綠色植物圖像的分塊圖

識(shí)別率(P=8,R=1)(P=8,R=2)(P=8,R=3)小波28.0632.0832.70小波+分塊28.3332.7132.92

將表2與表1對(duì)比可知，小波變換能有效提高VLEP算子對(duì)復(fù)雜植物圖像的識(shí)別率。因?yàn)樾〔ㄗ儞Q能將圖像紋理信息刻畫得更為清晰，有助于VLEP算子對(duì)紋理特征的提取。另外，在小波的基礎(chǔ)上再進(jìn)行分塊，能進(jìn)一步提高識(shí)別率。

2.3 不同尺度的識(shí)別結(jié)果

為了驗(yàn)證不同分辨率VLEP算子對(duì)實(shí)驗(yàn)結(jié)果的影響，通過設(shè)置不同近鄰點(diǎn)P和半徑R，得到不同尺度的識(shí)別結(jié)果，如表3所示(16細(xì)分閾值，一級(jí)小波分解，每個(gè)子圖像分為2塊)。

表3 不同尺度的識(shí)別結(jié)果 %

由實(shí)驗(yàn)結(jié)果可知：(1) 近鄰點(diǎn)P一定時(shí)，R增大，識(shí)別率升高，但是當(dāng)增大到一定程度時(shí)，識(shí)別率反而會(huì)下降。這主要是因?yàn)榘霃皆龃螅梢垣@得更大尺度支持空間內(nèi)的完整特征信息，但是半徑過大，同時(shí)也會(huì)增加大尺度錯(cuò)誤特征信息的概率，以及誤判多種小特征為一種大特征的概率。(2) 半徑R一定時(shí)，P=16的識(shí)別結(jié)果相對(duì)較高。因?yàn)榻忺c(diǎn)P越大，提取紋理信息的方向越多，細(xì)節(jié)信息越豐富，因此可得到更高的識(shí)別效果。(3)P、R的取值具有最優(yōu)組合，當(dāng)P=16，R=5時(shí)識(shí)別率達(dá)到最高，為34.38%。

2.4 多分辨率融合的作用

為了驗(yàn)證多分辨率融合思想的有效性，對(duì)不同尺度的VLEP算子進(jìn)行加權(quán)融合，識(shí)別結(jié)果如表4所示(16細(xì)分閾值，一級(jí)小波分解，每個(gè)子圖像分為2塊)。

表4 多分辨率融合結(jié)果 %

將表4與表3對(duì)比可知，不同尺度的VLEP算子融合后，識(shí)別率相對(duì)于單一尺度算子而言均有不同程度的提高。這主要是因?yàn)椴煌叨?，不同分辨率的算子可以提取不同尺度支持空間和不同方向的特征信息，使特征信息提取更加豐富和完備。值得注意的是，多分辨率融合也有最優(yōu)組合，(P=8,R=1)和(P=16,R=3)兩種VLEP算子融合后的識(shí)別率最高，達(dá)到了35.83%。

2.5 不同算法對(duì)比實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文算法的有效性，相同條件下，在綠色植物數(shù)據(jù)庫(kù)上，使用目前圖像分類效果較好的紋理特征提取算法進(jìn)行對(duì)比實(shí)驗(yàn)，表5列出了方差法[9](Rotation invariant variance)VAR、復(fù)合局部二值模式法[13]CLBP(Compound local binary pattern)、局部二值模式傅里葉變換法[14]LBPHF(Local binary pattern histogram fourier)、自適應(yīng)局部二值模式法[15]ALBP(Adaptive local binary pattern)和本文算法的實(shí)驗(yàn)結(jié)果。

表5 對(duì)比算法識(shí)別率 %

根據(jù)表5可知，以上4種對(duì)比算法中，當(dāng)P為16，R為5時(shí)，VAR16,5、CLBP16,5、LBPHF16,5、ALBP16,5識(shí)別率最高，分別為24.79%、29.58%、29.79%、33.13%。但是，利用本文提出的算法(當(dāng)加入小波分解和圖像分塊，閾值為16，(P=8,R=1)的算子與(P=16,R=3)算子融合后)，識(shí)別率可以達(dá)到35.83%，證明本文算法的優(yōu)越性。

需要說明的是，現(xiàn)有的植物識(shí)別方法大多基于單個(gè)葉片的識(shí)別，而本文進(jìn)行復(fù)雜背景下植物的識(shí)別，屬于細(xì)粒度分類的范疇，難度較大，因此，識(shí)別率的小幅度提升也非常不容易。實(shí)驗(yàn)結(jié)果表明，本文方法與傳統(tǒng)的紋理算子相比，對(duì)復(fù)雜植物圖像的識(shí)別具有一定效果。

3 結(jié) 語

本文提出一種基于小波變換和可變局部邊緣模式的綠色植物識(shí)別方法。該方法先將圖像利用小波變換進(jìn)行分解，然后利用可變局部邊緣模式提取圖像紋理特征，并結(jié)合分塊和多分辨率思想，進(jìn)一步改善識(shí)別效果。由于可變局部邊緣模式具有多尺度和多方向(多分辨率)屬性，因此可以刻畫紋理的不同局部空間尺度與方向信息，小波變換可以增強(qiáng)紋理基元的有效信息，防止混疊現(xiàn)象，并降低噪聲所帶來的干擾。實(shí)驗(yàn)結(jié)果表明，本文提出的方法可以用來快速識(shí)別綠色植物物種。未來工作是改進(jìn)紋理特征提取算法，進(jìn)一步提升識(shí)別的準(zhǔn)確率。