杜芊芊，孟一凡，王 吉，胡琦瑤

（西北大學 信息科學與技術學院，陜西 西安 710127）

0 引 言

地球上植物覆蓋面積廣、種類繁多，如何對已發(fā)現(xiàn)的植物進行識別是一項極其復雜的工作。在植物識別的研究中，不同植物有不同的特征，如顏色、形狀、大小等，可以利用這些特征建立一個模型對植物圖像進行識別。該過程可分為三個步驟：首先，將得到的植物圖片進行圖像預處理；其次，選擇非線性增強的方法得到輸出，再利用濾波和平滑處理使得圖像可識別度提高；最后，將得到的圖像通過混合深度學習網(wǎng)絡進行識別并返回結果。

1 圖像增強

在圖像增強的處理過程中，由于像素點所在的空間不同，所以一般可分為基于空域和頻域的圖像處理方法?；诳沼虻姆椒ㄊ侵笇D像進行點操作和模板操作；而基于頻域的方法是通過FFT將圖像轉(zhuǎn)換到頻域處理，然后再通過反變換得到增強圖像。

在對圖像進行增強處理之前，首先需要對圖像進行如下的均衡化處理：

式中：為規(guī)定圖像中的灰度級數(shù)；E代表灰度映射函數(shù)；u和v分別代表原始圖像和規(guī)定圖像同一位置的灰度值；p(u)表示對u出現(xiàn)的概率估計。

完成均衡化處理之后，就可以開始對圖像進行如下的規(guī)定化處理：式中：表示原始圖像中的灰度級數(shù)；s和t分別代表原始圖像和增強圖像同一位置的灰度值；p(s)表示對s出現(xiàn)的概率估計。

在上述過程中，利用規(guī)定化圖像調(diào)整原始圖像的對比度，可以使整體效果更佳。

在得到輸出圖像之后，需要對其進行處理以便程序更好地對圖像進行識別。因為改變圖像的直方圖的形態(tài)也相當于改變圖像的對比度，所以利用直方圖的規(guī)定化可以使獲得的整體植物圖像更均勻。這樣處理可以獲得規(guī)定的圖片像素直方圖分布情況。把原始圖像的直方圖替換為所得的直方圖，這樣可以對圖像進行全局優(yōu)化?？紤]到系統(tǒng)在離散空間的復雜度，擬采用單映射規(guī)則來獲得所需圖像，即從小到大依次找到能使下式最小的和，然后將p(s)對應到p(u)去。

在完成對圖像的處理之后可以獲得規(guī)定化所得的圖像。對比圖1和圖2，根據(jù)輸出的圖像可以看出，規(guī)定化之后的圖像與原圖相比全局效果得到改善，對比度的增加可以突出圖像的輪廓從而使其更容易被識別，即處理后的圖片可識別度更高。

圖1 處理前圖片

圖2 處理后圖片

2 圖像平滑

對圖像進行平滑處理后可以提取圖片中物體的輪廓信息，并且能夠有效濾除高頻噪聲。中值濾波器設計簡單且實用，主要依靠模板排序?qū)崿F(xiàn)濾波。這里選擇使用中值濾波的方式對圖像進行處理。為了減少運算量，采用稀疏的模板處理圖像。

3 初始化深度學習環(huán)境和導入數(shù)據(jù)

圖像的分析和計算是植物識別問題的核心。將經(jīng)過預處理的圖像加入到深度學習環(huán)境中能夠提高識別率。學習環(huán)境采用多個基礎深度網(wǎng)絡，然后需要進行任務分組，把相似度較高的圖像分到同一組。需要注意的是，應該減小差別較大的植物組間距，提高識別的準確性，并將其與不同的植物物種進行比較，可以加強其與其他植物的區(qū)分。

3.1 執(zhí)行圖像數(shù)據(jù)預處理

樣本訓練的核心問題在于獲得不同植物之間的不同特征，在圖像中體現(xiàn)為輪廓和像素點分布以及灰度值的不同。為了提高目標的識別率，可以利用這三個關鍵點設計一個門網(wǎng)絡。通過視覺相似矩陣估計任務間關系，并加入目標函數(shù)的流形正則化項，以提高不同植物種間區(qū)分度。先構建一個網(wǎng)絡映射函數(shù)，然后把不同特征信息作為參數(shù)自變量，就可以得到特征向量，最后根據(jù)反饋修改不同特征的參數(shù)值來提高目標的識別度。

3.2 構建神經(jīng)網(wǎng)絡層模型

現(xiàn)有大多數(shù)成功的深度卷積神經(jīng)網(wǎng)絡都經(jīng)過海量樣本數(shù)據(jù)優(yōu)化了網(wǎng)絡結構和權重因子，特別是在圖像識別領域中，圖像數(shù)據(jù)集已經(jīng)擁有了優(yōu)良性能。本項目中將其應用至類別不超過最大輸出維數(shù)的一個任務組的植物識別，預期能獲得良好性能。因此，選擇現(xiàn)有深度網(wǎng)絡作為基礎網(wǎng)絡是可行的。其次，本項目不是簡單地將多個基礎網(wǎng)絡組合成有更多輸出維的網(wǎng)絡；對于給定的任務組，通過分析和試驗選擇一個現(xiàn)有深度網(wǎng)絡作為基礎深度卷積神經(jīng)網(wǎng)絡。計算機在處理的過程中對已提取的特征值利用損失函數(shù)進行判斷。對不同植物物種的第個任務組提出一種基于深度多任務學習的方法，通過優(yōu)化聯(lián)合目標函數(shù)來學習相應的第個具有模型參數(shù)W=(W, ...,W, ...,W)的基礎深度卷積神經(jīng)網(wǎng)絡函數(shù)()。

3.3 構建訓練模型

初步設計的多任務混合深度網(wǎng)絡框架如圖3所示。在該模型中，混合深度卷積神經(jīng)網(wǎng)絡需要選擇優(yōu)良的深度網(wǎng)絡結構作為基礎，并確定任務組間的任務重疊以及基礎深度卷積神經(jīng)網(wǎng)絡的組合方式，最后通過迭代來定義自適應強的網(wǎng)絡。

圖3 多任務混合深度神經(jīng)網(wǎng)絡框架

根據(jù)植物分類的復雜度，考慮設計雙層網(wǎng)絡：一層網(wǎng)絡以提取特征值為主；另一層對比不同分組組間的信息，設計成為閉環(huán)網(wǎng)絡。由此可以確定相互關聯(lián)的學習任務，如在提取到一幅圖片的特征值之后可以根據(jù)組間的差別來調(diào)整圖片的識別位置，在同時對比多組任務之后可以輸出一個相似百分比用來標識該圖像的確信值；而且當植物圖像分配到相同的任務組時，這種植物物種可以具有相似的學習復雜性，使它們得到更充分的比較并顯著增強它們的可區(qū)分度。

經(jīng)過測試發(fā)現(xiàn)，在單一環(huán)境下的圖像識別可靠性高，所得識別準確率較高。但在復雜環(huán)境下的植物識別效果不佳，主要是在特征提取方面很難實現(xiàn)圖像的完整特征提取。測試結果如圖4和圖5所示。

圖4 輸出輪廓特征

圖5 顏色及輪廓結果

4 結 語

針對當前具有高度相似性的植物物種識別中的難點，本項目設計了一種改進型多任務混合深度網(wǎng)絡。對相似圖像進行分類時，使用從已有神經(jīng)網(wǎng)絡改進而來的深度混合網(wǎng)絡，解決了在對大批量、強相似度的植物種類進行鑒別時混合深度網(wǎng)絡成功率較低的問題，實現(xiàn)了對高相似度植物的圖像的訓練、識別和分類。本設計對植物的識別精確度能達到83%。