本站小編為你精心準備了干旱區(qū)植物葉片識別探究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1引言

植物識別與分類技術(shù)在農(nóng)業(yè)和醫(yī)學上有廣泛的應(yīng)用前景，并在生物多樣性研究中具有重要的意義。干旱荒漠植物區(qū)雖然環(huán)境惡劣，且年降水量不足2000mm，但具有豐富而獨特的植物物種資源，因此保存下干旱區(qū)每種植物的名片信息對植物葉片信息數(shù)據(jù)庫的建立和未來全球化植物的發(fā)展具有重要的意義。目前植物學家能夠通過多種計算機視覺處理方法進行植物鑒定。植物葉片作為植物的一個重要結(jié)構(gòu)，形狀穩(wěn)定，長期存在，是植物自動化識別分類的重要信息源，所以眾多研究者選擇植物葉片作為植物分類的識別依據(jù)[1-4]。植物葉片顏色、紋理、葉脈、形狀特征等常用于區(qū)分不同的植物類別[5-7]。植物葉片特征的提取方法隨著技術(shù)的發(fā)展也逐漸完善，由最初的少量特征描述因子到多種特征組合再降維，另外還有利用多尺度Gabor小波變換等方法提取植物葉片特征[8-9]。提取葉片圖像特征后，分類識別的任務(wù)往往采用基于單鏡頭圖像的傳統(tǒng)分類器，如K-近鄰、學習矢量化、概率神經(jīng)網(wǎng)絡(luò)、典型相關(guān)性鑒別分析（Discriminant-analysisofCa-nonicalCorrelations，DCC)等[10-14]。此外，Ji-XiangDu[16]提取葉片圖像的PHOG特征對葉片形狀信息進行描述，然后將圖庫和探針集中的每個圖像集描述為特征空間中的流形，通過計算流形之間的平均距離來實現(xiàn)葉片識別分類。SueHanLee等[16]人運用深度學習算法，通過學習和應(yīng)用從葉片圖像中識別出的特征作為植物鑒定的分類器。但現(xiàn)有的植物葉片識別方法所選用的植物葉片數(shù)據(jù)多為扁平狀葉片，這一類的葉片通常葉脈清晰，紋理明顯，形狀簡單，特征較易提取，而干旱區(qū)植物因所處地域水分少，且蒸散多，植物葉片多為披針形和圓柱形，形狀、紋理等特征更為復雜，而現(xiàn)有的方法不適用于干旱區(qū)植物葉片的分類。本文中選取了8種典型的干旱區(qū)植物葉片圖像，使用PHOG特征來描述植物葉片圖像的形狀信息，探討現(xiàn)有常用的特征降維方法，通過實驗選用D-LLE的流行學習算法對植物葉片的PHOG特征進行降維，最后用SVM分類器選用合適的參數(shù)組合實現(xiàn)干旱區(qū)植物葉片的分類識別。

2特征提取

本文使用金字塔梯度方向直方圖（PyramidHistogramsofEdgeOrientationGradients,PHOG）來提取葉片的特性信息。PHOG是在梯度直方圖（HistogramsofOrientationGradients,HOG）的基礎(chǔ)上發(fā)展得到的，HOG可以把握好圖像中局部對象的邊緣信息并特征化，且能表明其空間分布，但忽略了重要的空間信息，PHOG在HOG的基礎(chǔ)上加入空間金字塔劃分從而引入空間信息，能夠?qū)D像的全局結(jié)構(gòu)特征進行描述，可以克服物理噪聲的干擾[17]。因此使用PHOG對葉片圖像進行基礎(chǔ)特征提取。特征提取過程如下：1）第一步對葉片的邊緣進行提取，Canny邊緣檢測可以提取葉片圖像的輪廓，并且剔除多余信息，保留邊緣信息。2）然后將圖像進行金字塔𝐿層級的劃分，把梯度方向分成N個空間，并形成每個層級的特征向量。3）對每層中的各個區(qū)域的HOG求和，最終形成PHOG的特征描述子4）最后圖像的每一層都會得到HOG特征，將他們合并起來就得到了PHOG特征。PHOG特征能詳細的描述圖像局部信息，可以使得提取葉片圖像信息的過程具有更高的效率。對于PHOG特征參數(shù)的選取，各層級金字塔梯度直方因為隨著層數(shù)的增加，植物葉片圖特征描述的越詳細，當l=3時效果較好，既可滿足分類要求，當層數(shù)在增加所用的時間就越長，所以選擇l=3，并且N=8，方向角度從0°~360°。

3差異性值監(jiān)督局部線性嵌入

對提取出來的葉片圖像特征進行降維處理，提高識別的效率，本文采用差異性值監(jiān)督局部線性嵌入方法來對PHOG特征進行降維。局部線性嵌入算法（LocallyLinearEmbedding，LLE）[18]可以學習任意維空間數(shù)據(jù)低維流行；計算復雜度小且易實現(xiàn)，但保留下的僅僅是局部特征，而不是樣本點的間距，得到具有等距性質(zhì)高維數(shù)據(jù)集的低維流行并不能滿足分類需求，且受噪聲的影響較大。加權(quán)局部線性嵌入（WeightedLocallyLinearEmbedding，WLLE）[19]在LLE算法的基礎(chǔ)上增加了樣本的重要值，減少了噪聲點和樣本外點，增強了算法的魯棒性，但沒有引入樣本的類別信息，而樣本之間的類別信息可以由差異性值很好地描述，將含有樣本類別信息的差異性值和WLLE算法聯(lián)合改進，提出一種差異性值監(jiān)督LLE算法（Dissimilarity-supervisedLocallyLinearEmbedding，D-LLE）[20]。

4支持向量機

經(jīng)過降維之后的PHOG特征，使用支持向量機（SupportVectorMachine，SVM）[22-23]的方式對植物葉片進行分類。支持向量機是從線性可分的情況下最優(yōu)分類超平面發(fā)展而來，對于非線性問題，待分類的樣本可以通過核函數(shù)變換映射到高維特征空間，使得樣本在高維空間中線性可分，從而求得最優(yōu)分類面。

5實驗與結(jié)果分析

5.1實驗設(shè)計

實驗中所采用的所有圖像均為野外采摘獲得，使用1200萬像素的攝像機拍攝，共312幅，8類典型干旱區(qū)植物葉片圖像，葉片背景均為白色，分別為駱駝刺、花花柴、白楊、大葉榆、枸杞、苦豆子、甘草、沙棗，圖3為這8類葉片示例圖像。樣本實驗是在MATLABR2016a環(huán)境下完成的。本實驗對植物葉片提取PHOG特征描述子，使用D-LLE算法進行降維，然后運用SVM分類器對各類植物葉片圖像進行分類。實驗從每類植物葉片圖像中隨機抽取20幅作為訓練樣本，10幅作為測試樣本，分別對8個類別的植物葉片圖像進行分類檢測。

5.2實驗結(jié)果與分析

本文分別使用不同植物葉片降維的算法和本文提出的方法作對比分析。試驗中提取出所有實驗樣本的PHOG特征，分別采用主成分分析法（PrincipalComponentAnalysis，PCA）、LLE、WLLE、D-LLE算法對葉片的特征向量進行降維，然后使用基于徑向基核函數(shù)的SVM分類器進行學習訓練，具體參數(shù)設(shè)計請參看各小節(jié)。

6結(jié)語

本文采集了8種干旱區(qū)典型的植物葉片圖像，提出了用D-LLE算法對這8種干旱區(qū)的植物葉片圖像的PHOG特征降維，再使用SVM分類器進行植物葉片識別。首先植物葉片圖像信息提取采用的是PHOG描述子，通過調(diào)整鄰域K和參數(shù)α的值，測試出使用D-LLE算法提取植物葉片PHOG特征的最優(yōu)參數(shù)，然后使用PCA、LLE、WLLE和D-LLE算法進行對比降維，最后用基于徑向基核函數(shù)的SVM對植物葉片圖像進行分類。實驗表明PHOG特征能較好的用于干旱區(qū)植物葉片分類的問題，較好的把握圖像的全局特征，同時也表明D-LLE算法相比其他特征降維的方法具有更高的識別率，更適用于解決干旱區(qū)的植物葉片分類問題。

作者：王丹1；鄭江華1,2,3；努爾巴依1 單位：1.新疆大學資源與環(huán)境科學學院，2.新疆大學綠洲生態(tài)教育部重點實驗室，3.新疆大學干旱生態(tài)環(huán)境研究所