基于移動端的樹木葉片識別方法的研究

彭智+李勇+甘明

摘 要：對于林業相關領域研究人員、植物學家、植物愛好者來說，研究設備對于植物種類的自動識別能力非常重要，而以往都需要采集標本帶回實驗室，在PC機上進行分類。隨著科技的發展，智能手機走進了我們的生產和生活，而Android系統無疑是手機系統的佼佼者，所以該文提出了一種新的通過特征融合，適用于移動設備的樹木葉片識別方法，并選擇在Android平臺上進行該技術的研究，可以預見在未來這種方法將會快速發展至全平臺使用。

關鍵詞：Android應用 特征融合 樹木葉片識別

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2017）04（b）-0007-02

植物對于人類的重要程度不言而喻，而傳統的植物識別方式主要是人工鑒別，工作量大而且時間成本高。于是，在智能移動設備愈發強大且高速發展的今天，充分發揮Android平臺系統開放且免費、擁有高級圖形顯示等功能且有相關廠商的大力支持[1]等特點使之與圖像識別技術相結合，研究出一種在移動設備上即能對樹木進行快速準確識別的方法是相關從業人員或愛好者迫切需要的，這也正是該文想要解決的問題。

1 樹木葉片識別概述

雖然植物的各種器官對于自動識別技術而言都有著各自獨特的價值，但是在長期的自然選擇之后，植物的葉片形態多樣，不同外形的葉片很容易就可以用肉眼識別[2]。而其最大的優點則是葉片的主要特點可以由一個二維的圖像表現出來，很容易就可以對圖像進行加工和處理，而且要想在處理之后提取出某些特征甚至以此作為自動識別和分類的依據，無疑是樹木識別的最佳選擇。

2 基于葉片特征的樹木識別系統

研究表明，每種樹木的葉片都有著與眾不同而又較為穩定的特征，如果把這些特征提取出來，就恰好可以作為識別樹木的基礎。所以基于葉片特征的樹木識別系統主要由圖1所示部分組成。

從圖1中可以看出，該系統通過圖像預處理、葉片特征提取與融合等技術對樹木的種類進行融合，然后將準確的識別結果輸出展示。

2.1 圖像的預處理

一般來說，我們直接獲取到的葉片圖像都是RGB彩色圖像，在進行訓練或識別之前，需要將其轉換為灰度圖，這是為了盡可能地去除季節和氣候對顏色產生的影響而帶來的干擾，同時還會使預處理過程更加簡單。轉換灰度圖的公式如下：

隨后，為了盡可能地提高特征提取的準確性，必須對圖像進行去噪。該文中選擇采用高斯低通濾波器進行去噪。在去除噪音后，會使灰度圖像更加平滑。

2.2 提取幾何特征

為了減少特征提取的計算量，該文選擇提取體現葉片形狀的外輪廓為特征。提取葉片外輪廓的方法是：先對預處理后的灰度圖進行二值化。然后將直方圖的最低點作為閾值[3]，便可以分割出如圖2所示圖像。然后通過領域輪廓跟蹤算法對圖像的邊界進行跟蹤，同時記錄邊界坐標，就可以得到葉片的輪廓圖。

葉片的長寬比也是樹木識別技術中一個重要特征參數，它能夠描述目標葉片是偏于圓潤還是偏于方長，在眾多方法中，最小周長多邊形（MPP）的方法可以達到正確去除葉柄同時保持主題不便的效果，在得到葉片的長寬比后，通過M.K.Hu提出的七個矩不變量方法，對圖像進行的細節進行描述。并用該結果描述輪廓特征。

2.3 提取紋理特征

紋理特征是物體表面的固有特征之一，所以它也是葉片圖像當中的一個非常重要的屬性，構成紋理特征的兩個要素分別是紋理基元和紋理基元的排列。紋理基元就像花布上的花紋，有一定的形狀和大小，如果將其看作一個個小的圖形單位，那么紋理基元不同的排列組合便會組成成千上萬種不同的圖像，使物體的外觀產生較大的改變。20世紀80年代，Morlet和Arens提出了被譽為“數學顯微鏡”的小波變換，其還廣泛應用于圖像處理，數據壓縮，模式識別等方面，該文中采用2-D離散小波變換的方法來提取葉片的紋理特征。

2.4 特征融合

事實上，特征算法的種類繁多，不同特征算法的側重點也不盡相同，所以為了盡可能地提高識別精度，就必須將多種特征提出來，然后縮小同類之間的差距，同時又增加種類之間的差異，但是由于算法的限制等原因，這一目標很難實現，于是，便誕生了一種可用于多種領域的多特征融合技術。

該文中，主要涉及到基于圖像的特征融合技術，基于圖像的特征融合技術的主要思路是：利用一定的策略，將多種互不沖突的特征結合在一起，并融合出一個穩定并且可以提高識別準確性的特征，然后可以利用這一新特征進行后續的進一步處理。

圖像融合技術根據需要達到的預處理水平、使用范圍和融合方法主要被劃分成三種，分別是：像素級、特征級和決策級特征融合。其中，決策級融合方法對于硬件配置的要求比較低，而且靈活性較強，由于該文的目標是基于移動端的樹木識別，所以該文中最終決定采用決策級的特征融合技術。假設現有M種圖像的特征，其中第i種特征為Fi，在融合過程中的權重為Wi，特征距離用di表示，那么融合函數如下：

2.5 設計分類器

特征提取后，可以得到一個葉片圖像的N維特征向量，這時就需要一個能通過N維特征向量來對目標進行正確識別的分類器。如果將特征向量看作是一個個樣本點，那么分類器實際上要做的就是計算樣本點間的距離并以此判斷兩兩樣本之間的相似程度。但是事實上，不同的分類器算法以及不同的使用環境都會產生不同的效果，一般而言，考慮到移動端的硬件條件，常用的分類器算法主要是最短歐式距離分類器和直方圖交叉核這兩種方法。該文在后面的實驗中，分別對兩種方法都進行了實驗，并且比較了兩種分類器的準確率，結果顯示直方圖交叉核的效果就該文所采用的特征提取方案而言優于前者。

3 實驗結果

鑒于手機硬件性能的局限性，該文的試驗過程是用Matlab仿真進行，將不同氣候環境下生長且于不同季節采摘的12個不同種類樹木樣本的4 500張圖片隨機劃分成了2 500張訓練圖像以及2 000張測試圖像。從試驗中得到的數據來看，該文所使用的樹木葉片識別方法正確識別成功率可達到92%以上，個別葉片輪廓獨具特色的樹木種類如楓樹、榕樹的正確識別成功率可接近100%。而部分葉片特征相似的樹木種類正確率相對較差，但也均可達到85%以上，如何提高對這一類樹木的識別準確率的問題，也將會是之后研究工作的重點。

4 成果與展望

對于喜歡研究植物以及熱愛環保的人士來說，如果能夠隨時地通過簡單的操作就能識別出植物或樹木的種類，就能夠給他們的研究和生活帶來極大地方便，順應著近年來移動端設備的光速發展，基于移動端設備現有的硬件運算能力和圖像處理能力，提出了一種可以在移動端設備運行的，通過對葉片圖像預處理、提取特征、特征融合和分類器分類的步驟，將逐步提取出的多個小特征進行融合，從而提高識別精度，并最終實現快速準確識別樹木的方法。

但是目前來說，該文所提出的方法仍有很多不足，一方面，雖然從最后的試驗結果來看，試驗的準確性令人較為滿意，但在識別速度上仍有很大的提升空間以提高用戶體驗；另一方面，限于時間與科研能力，該文只在Android平臺進行了測試，對于其他幾種熱門的移動端平臺系統尚未進行測試，亟待社會其他人士進行嘗試和試驗，推動這一課題方向的房展。

參考文獻

[1] 馬林海.Android平臺下基于內容的植物葉片識別系統的研究[D].合肥工業大學，2014.

[2] Lynn D E， Waldren S. Morphological Variation in Populations of Ranunculus repens from the Temporary Limestone Lakes （Turloughs） in the West of Ireland[J]. Annals of Botany，2001，87（1）：9-17.

[3] 張蕾.基于葉片特征的計算機自動植物種類識別研究[D].東北師范大學，2007.