基于叶片图像的植物鉴别技术研究进展综述.pdf

基于叶片图像的植物鉴别技术研究进展综述.pdf

《基于叶片图像的植物鉴别技术研究进展综述.pdf》由会员分享，可在线阅读，更多相关《基于叶片图像的植物鉴别技术研究进展综述.pdf（5页珍藏版）》请在冰点文库上搜索。

2010年4月第2期156160甘肃农业大学学报J（）URNAL（）FGANSUAGRICULJURALUNIVERSITY第45卷双月刊基于叶片图像的植物鉴别技术研究进展（综述）邵新庆1，冯全2，邵世禄2，王敬轩2，王宇通1（1中国农业大学动物科技学院，北京100193；2甘肃农业大学工学院，甘肃兰州730070）摘要：

基于叶片的计算机图像处理与识别技术，实现了植物分类的自动化和快捷化从叶片分类和检索两个方面回顾了近年来基于叶片图像的植物分类领域的研究进展，围绕叶片图像的特征选取、分类器设计、相似性度量和算法性能等方面对多种方案的技术特点做了介绍，并指出了目前这些技术需要改进的方面关键词：

叶片；植物识别；图像处理；图像检索系统中图分类号：

TP75l文献标识码：

A文章编号：

10034315（20lo）02一0156一05AsurVeyonplantidentificationbasedon1eafimageSHAOXin_qin91，FENGQuan2，SHA0Shilu2，WANGJingxuan2，WANGYuton91（1CollegeofAniIllalscienceandTechnology。

ChinaAgriculturalUniversity，Be巧ingl00193，China；2CollegeofEngineering，GansuAgriculturalUniversity，Lanzhou730070，China）Abstr敞t：

Leaf-imagbasedcomputersystemsofplantidentificationcouldidentifydistinctspeciesofplantsbymeansofleafimageswiththehelpofdigitalimageprocessingandpatternrecognitiontechniquesThispaperreviewsthestate-of-the-artofthesystemswhichincludeclassificationsystemsandretrievalsystems，withfocusonfeatureextraction，classifier，similaritymeasureandperfomanceTheshortcomingsoftheexistingsystemsarealsopointedout1【eyrds：

1eaf；plantidentification；imageprocessing；CBIR植物鉴别在植物学、农业和园艺等方面都有重要的意义，传统的植物鉴别都是人工完成的自然界植物资源非常丰富，仅为人所知的有花植物就有25万种面对种类繁多的植物，任何一个植物学家都不可能将它们完全识别出来，而且人工方法费时费力，效率低下在信息技术高度发达的今天，计算机技术为植物鉴别提供了一种可能的解决方案植物的很多器官都可以作为鉴别的依据，如花、叶、果、茎、根、枝等与其它鉴别特征相比，大多数叶片具有二维结构，更容易用计算机图像技术处理，因此在计算机植物识别和分类系统中，叶片特征通常被作为首选特征本文较为全面地总结了基于叶片的计算机识别和分类技术的研究进展，根据是否需要人工参与决策，将此类系统分为两种类型：

机器决策的分类系统和人工决策的检索系统机器决策的叶片分类系统（以下简称叶片分类）是一个典型的模式识别系统，系统必须判断待识别叶片属于哪种植物，而人工决策的检索系统（以下简称叶片检索）通常是一个基于内容的图像检索系统（CBIR），系统根据用户提供的待识别叶片图像，从叶片图像数据库中查找出与之相似的若干叶片图像及对应的文字说明并返回给用户，由用户决定待查叶片属于哪一类由于任务有所不同，两类系统的结构有所不同，分类系统需要分类作者简介：

邵新庆（1969一）男博士，讲师，研究方向为草原生态E一1ail：

shoxinqing163com通信作者：

邵世禄，男，副教授研究方向为农业机械E-mail：

shoslgsaueducIl基金项目：

国家科技支撑计划项目子课题（2007BAD528062）；京承路都市型现代农业走廊工程科技示范项目（I）08060500460803）收稿日期：

2009一0511；修回日期：

2009一09一06万方数据第2期邵新庆等：

基于叶片图像的植物鉴别技术研究进展157器，而检索系统只进行特征相似度测量分类系统要给出精确的分类结果，通常所需的特征数量较多；而检索系统则考虑精度与检索效率的均衡，特征数量往往较分类系统少一些1叶片分类叶片分类常用的特征基本可以划分为形状和纹理特征；根据特征描述的范围，还可以分为全局特征和局部特征所选特征应尽可能对旋转、平移、尺度、姿态和形变保持不变原则上，模式识别中的各种分类器均可以选用早期的叶片分类选用的特征主要是基于形状的全局几何描述子如Ingrouille和Laird1利用27种叶形特征，使用主分量分析方法对橡树进行了分类，Guyer2提取了17种叶片形状特征对40类植物进行分类Abbasi和Mokhtarian3提取叶片轮廓的曲率尺度空间（CurvatureScaleSpace，CCS）图像，以CCS图像中曲率零交叉轮廓的最大点作为特征，用这些最大点来代表叶片轮廓的凸性和凹性分类器则采用k-NN方式CCS是一种多尺度分析技术，受噪声影响较小Abbasi等采用这种方法对包含40种菊花的400副图像进行测试，识别精度相当不错Im等4用曲率法找到叶片的顶点，在两个层次上用多边形逼近叶片外形这种方法的原理是在训练集上训练出9种槭树叶片的模版，分类时，查询叶片被分到与这些模版中最相似的一类中为了改善对变形叶片的识别，Im等对上述方法进一步改进，对叶片进行了归一化处理，在保留原来的多边形逼近这种全局特征表示的同时，引入叶缘的锯齿数目、大小以及逼近三角形形状这些局部特征对14种植物叶片的测试结果表明，其效果比文献4的方法有了改善S6derkvisti6的方案中使用面积、圆形度、偏心率、CCs4项Flusser不变矩、7项Hu不变矩以及增量圆变换等来作为叶片描述子，采用BP前馈神经网络为分类器对15种瑞典树木进行分类，结果发现除了2种分类误差较大外，其余分类精度（72loo）基本可以接受Lee和Chen7提出了一种基于区域的分类方法，他们首先用3种形状几何描述子滤除大部分叶片样本，然后比较候选样本图像以及待分类的叶片图像在z和y方向投影的距离，用一个形状因子与投影的加权公式给它们之间的相似度打分，取出得分最高的前走个候选样本，将待分类叶片划分到其中含候选样本最多的那一类中Wang等8提取叶片的纵横轴比、矩形度、面积凹凸比、周长凹凸比、球形度、球状性、偏心率和形状参数8项几何描述子以及7项轮廓的Hu不变矩作为叶片特征他们提出了一种新的移动中心超球分类器（MCH），移动中心分类器的大体设计思路是，由于每个叶片样本对应高维特征空间中一个点，对每一类叶片样本用若干个超球去逼近，移动超球的中心，同时努力扩大超球半径使其包含尽量多的样本点识别的时候，将待识别样本划分到其距离外表面最近的那个超球所属类中该分类器的特点是节省分类器的存储空间以及计算时间利用其对20多种植物叶片进行识别，平均正确率达到92Du等9用DbuglasPeucker算法逼近叶片轮廓，并将其表示为一种具有不变量性质的特征序列然后用基于遗传算法的匹配算法来识别叶片测试表明，这种方法与传统方法相比，对不完整、模糊、形变和相互重叠的叶片有更好的适应性Du等10还研究了多种神经网络分类器对叶片的分类效果，他们对比了径向基概率神经网络（RBPNN）、径向基函数神经网络（I强FNN）、BP神经网络（BPNN）和多层感应器网络（MLPN），其中RBPNN用正交最小二乘算法（OLSA）来训练，其结构用回归0LSA来优化结果表明，这些神经网络在速度和精度上都比k-NN法和MCH分类器要出色，而RBPNN表现的最好实验中，叶片特征选用的是改进傅立叶描述子（MFD）Plotze等11采用多尺度Minkovwski分形维数研究了西番莲科分类问题，通过分别计算出叶子的轮廓和叶脉的多尺度分形维数曲线，在每条曲线上提取3个兴趣点，共6个点的12个坐标数据作为特征向量，采用K均值算法进行聚类用此方法和傅立叶描述子方法对10种西番莲科植物进行分类，平均精度达94Neto等12提出用椭圆傅立叶描述子识别大豆、向日葵、美洲茶和绒毛叶该法用椭圆傅立叶谐万方数据158甘肃农业大学学报2010年波函数对叶片轮廓进行变换，用主成分法（PCA）选取最优特征值，最后利用规范判别式进行分类对上述4种植物在发芽3周后进行分类，平均精度为894Wang等13建议使用叶片的形状、叶齿和叶脉特征进行分类其中形状特征包括纵横轴比、球状性、充实度以及Hu不变矩；叶齿特征包括粗糙度、最大尺度小波局部极值、各尺度的小波局部极值的辐角向量以及锐度；叶脉特征有一级叶脉长度与分岔点数目比值、拱形度该法采用BP神经网络作为分类器，对6种植物叶片的分类结果表明，平均精度超过94Wu等14提取叶片的光滑因子、偏心率、形状因子、矩形度、狭长度、周长与直径比率以及周长与生理长宽比率7项形状特征，参考文献15的方法，从灰度图中提取了5种纹理特征，对这12种特征用主成分法（PCA）选择5个特征值采用概论神经网络（PNN）作为分类器，对10种植物进行分类，平均精度为90与其他人工神经网络相比，PNN具有训练速度快的特点王路等16使用Gabor滤波器在4个方向和4个尺度上对叶片灰度图像进行处理，得到16个子图像，然后计算出每幅子图像的均值、标准差、平滑度、三阶矩、一致性和熵，共96个纹理特征，再加上叶片的长宽比以及轮廓的7个Hu不变矩等8个形状特征作为分类特征分类器采用LVQ神经网络通过对9种植物叶片的测试，平均正确率达到944张蕾17用二维离散小波变换对叶片图像进行分解，分别从3个尺度的小波系数计算出与文献16相同的统计特征，得到72个纹理特征，采用与文献16相同的8个形状特征，共得80个特征分类器采用的是自组织特征映射（SOM）神经网络该法对15种植物叶片鉴别的平均正确率达9582叶片检索基于内容的图像检索是一种新的图像检索技术，是图像处理技术与数据库技术有效结合的产物与传统的基于关键词图像检索系统相比，它通过自动提取图像的视觉特征来描述其内容，这个方法最重要的优点是使得大型图像数据库能够自动进行索引检索系统通常采用的特征有形状、纹理和彩色，由于大部分叶片呈绿色或褐色，因此叶片检索系统中很少使用彩色特征，主要是形状和纹理，这一点与分类系统相同限于本文所讨论的重点，以下只介绍叶片检索系统中与图像处理相关的部分考量检索系统性能的指标主要有召回率（recallrate）和正确率（precisionrate）2000年，Wang等18首次引入叶片图像检索技术，提出了一种两步的检索方法第l步，根据偏心率对数据库中叶片图像排序，过滤出若干与查询叶片相似的图像；第2步，对过滤出的集合使用归一化的中心轮廓距离曲线（CCD曲线），实际就是文献19所说的signature）和偏心率进行二次排序，返回若干得分靠前的图像在后续的工作20中，在上述第2步中增加了角度编码直方图（ACH）作为排序条件，它可以反映叶片轮廓中的叶缘局部特点，弥补了CCD曲线只代表全局特征的缺陷用此方法对140种植物的1400片叶片进行了测试，结果显示，当返回的图像数量是80副的时候，召回率可达到556将此方法与CsS和MFD比较，结果表明此方法在相同条件下的召回率要高于后两者Mokhtarian和Abbasi21发现当某些种类菊花的叶裂有部分相互遮掩时，用文献3的方法对它们识别的时候会产生错误分类，为了减小此类错误，将相关遮掩的位置用含有遮掩部分的CcS图像中的曲线轮廓的最大和最小点来表示对12种不同菊花的120片叶片的测试结果表明，当返回结果是最接近的3类、5张菊花图像时，正确率达到了976，而原来的CCS方法只有916Du等22用Douglas-Peucker算法逼近原始叶片形状，获得一组顶点，然后将它们表示成具有不变量性质的序列，然后用改进动态规划算法做形状匹配将该方法和MFD、CSs及GF23对比，结果表明该方法检索性能最好，对不完整叶片效果也如此Park等2425也采用了两步检索方法检索叶片事先将所有图片按叶脉类型分类，查询时，先判断查询叶片的类型，然后利用形状特征从对应叶脉类型的叶片中检索与查询叶片相似的图像判断叶脉类型时，利用CCS角点检测算法找到叶脉的特征点分岔点和端点，然后用非参数密度估计法判万方数据第2期邵新庆等：

基于叶片图像的植物鉴别技术研究进展159断叶脉类型对若干种韩国本土植物的测试表明，当返回的图像数量占总图像的4时，正确率达到了100，比单纯形状检索方法高约17Tak等26提出一种基于局部动态时间规整（PDTw）的检索方案该法提取数据库中所有叶片轮廓的CCD曲线，根据最大和最小点将其分为若干单位曲线，再根据单位曲线的数目把叶片分为若干类查询时，采用2级过滤，先判断查询叶片的类属，然后计算查询叶片CCD曲线傅立叶变换的前5个系数与数据库中该类属叶片的对应系数的距离，根据设定阈值选择若干候选叶片，最后用PDTw算法比较查询叶片与候选叶片的累计曲线差决定返回的结果由于PDTw具有旋转不变形状，因此比普通的DTw更具鲁棒性次年，Tak等27在上述工作的基础上进一步做了改进，采取了两种修剪技术：

优先队列修剪法去除不必要的叶片序列，下界修剪法减少不必要的PDTW计算Nam等28的检索方案考虑了叶片的形状特征和叶脉特征在形状方面，采用改进最小周长多边形逼近算法（ImprovedMPP）找到最大曲率点，然后构建一个兴趣点矩阵对两枚叶片进行建模；为了提高检索效率，提出一种基于网格的自适应匹配算法，这种算法从构建的矩阵计算最小权值作为两片叶子的相似程度，可减少搜索空间在叶脉方面，从叶脉的分岔点和端点构建一个邻接矩阵对两枚叶片的相似性建模，采用图匹配算法测量相似度结果表明，与普通MPP、FD、CSS、CCD及不变矩方法相比，该方法具有最优的recallprecision曲线，而与最近邻搜索算法相比，本方案在搜索算法上花费的时间要节省一半以上3总结基于计算机的叶片鉴别方法涉及到图像处理、图像理解、模式识别以及植物分类等多学科知识本文总结了近年来这个领域的主要研究进展，重点阐述了叶片的各种特征描述目前，虽然在实验室条件下已经取得了一定成果，但若要替代植物分类专家，计算机叶片图像鉴别系统还存在如下主要困难：

目前的叶片图像采集基本通过扫描仪，背景简单，图像分割和描述相对简单；各种算法对自然状态下成像的叶片图像是否有较好的识别效果尚待考察不同研究者使用叶片数据库各不相同，很难比较不同算法的性能优劣与鲁棒性；当前的叶片图像分类系统通常只能处理几种至百种植物叶片，范围比较小参考文献1IngrouilleMJ，LairdS正AquaJltitativeapproachtooal【variabilityinsoInenorthL0ndon哪dlandsJLondNat，1986，65：

35462GuyerDE，MilesGE，GaultneyLD，etaLApplicationofrr砒Kne访siontosIlapevisiontoshapeaml”ishleafandplantidemificationJTranSAsAE，1993，36：

1631713AbbasiS，MokhtariaIlFReliableclassificationofchr）rsanthenmmleavesthoughcurvatureCP附ceedingsofthefirStillternatiomlc0毛rerlceonscale-spacetheoryinc1putervisionLorldon：

SpringerVer-k培，1997：

2842954ImC，NishidaH，KuniiTRecognizingplantspeciesbyleafshapesAcasestudyoftheAcerfarnjlyCFourteenthImenlatiomlConferenceonPattemRecogmti0几Brisbane，Australia：

IEEEComputersocietyPress，1998：

117111735hnC，NishidaH，KuniiTLRecognizingplantspeciesbynonnalizedleafshpeSJvisionIIlterface，1999：

3974046sderkvistoComputervisionclassificationofleavesfmmswedishtr瞄DLinkop啦：

LinkopiIlgU正versity，20017I七eCL，ChenSYClassificationforlea“r11agesCTaiWan：

16thIPPRconfer即ceonCvG口2003：

3553628waI培XF，DuJX，ZhangGJRecogIlitionofleafiIllagesbasedonsmpefeaturesusingahypersphereclassifierCLNCS3644Berlin：

SpriIlger，2005：

87969DuJX，WaTlgXF，GuXSlapen城tchingandrecog血一tionbaseongeneticalgoritha11dapplicationtoplantspeciesidelltificationCLNCS3644Berlin：

Sprillger，2005：

28229010D11JX，HuaIlgDX，wangXF，eta1shperecq咖一tionbasedonradialbasisprobabilisticIleuralne咖rkandapplicationtoplantspeciesidentificationCProceedingsof2005IllternatiomlS蛐posi啪ofNeuralNetworksBerlin：

springer；28l一285万方数据160甘肃农业大学学报20lO年11PlotzeR，FalvoM，Padu