基于Fourier描述子和LBP相結合的植物葉片識別方法

張善文 張晴晴 齊國紅

摘要：針對植物葉片的復雜性導致基于葉片植物識別的識別率較低的問題，提出一種基于Fourier描述子和局部二值模式（local binary pattern，簡稱LBP）相結合的植物葉片識別方法。首先，利用Canny算法提取葉片的邊緣圖像，計算其中心-邊緣距離序列的傅里葉變換，得到葉片圖像的改進Fourier描述子;然后，提取葉片圖像的局部二值模式特征;再利用判別典型相關分析算法將植物葉片的Fourier描述子和LBP特征進行融合，得到1個有利于分類的聯合映射矩陣，由此將2類特征映射為1個低維特征向量;然后利用K-最近鄰分類器進行植物識別。在公開的智能計算實驗室（intelligent computing laboratory，簡稱ICL）葉片圖像數據庫上進行分類試驗，識別率高達94%以上。結果表明，提出的方法是有效可行的，該研究能夠為植物物種自動識別系統提供技術參考。

關鍵詞：植物識別;植物葉片圖像;邊界角點序列;傅里葉描述子;改進傅里葉描述子

中圖分類號： TP391.41 ?文獻標志碼： A ?文章編號：1002-1302（2019）14-0273-04

利用葉片圖像進行植物識別是計算機視角、圖像處理和植保等領域一個重要的研究方向[1-2]。基于植物葉片圖像的植物識別方法研究一直是最直接、簡單和最有效的方法，也是生態學、模式識別、圖像處理、計算機科學等很多領域的一個重要研究方向，已經涌現出了很多基于葉片圖像的植物識別方法和技術[3-6]。但由于植物葉片的顏色、紋理和形狀的復雜多樣性以及很多同類葉片存在較大差異性，而不同類葉片存在極大相似性，使得很多方法的實際識別效果不高，還不能滿足植物物種自動識別系統需要[6]。葉片形狀表示葉片圖像的輪廓，是植物物種自動識別的重要特征[2]。由于植物葉片邊緣的歸一化傅里葉描述子具有旋轉、縮放和平移等不變性，所以被廣泛應用于基于葉片的植物識別中[7]。然而這些紋理特征過于單一，識別率并不十分理想。近年來，研究者將葉片形狀特征與紋理特征相結合以得到更高的識別率。張寧等將葉片幾何特征、灰度共生矩陣紋理特征、分形維數等多種特征相結合進行植物識別[8]。丁嬌等將葉片形狀特征與紋理特征結合的同時，使用局部線性嵌入算法對特征降維[9]。付波等為解決由于植物葉片特征的相似性以及葉片旋轉導致植物識別率較低的問題，提出一種基于降維局部二值模式（local binary pattern，簡稱LBP）與葉片形狀特征相結合的植物葉片識別方法[10]。劉念等將LBP、灰度共生矩陣、Gabor濾波后的紋理特征與Hu不變矩、傅里葉算子等輪廓特征相結合，并利用深度信念網絡作為分類器構架，提高了葉片識別率，但該方法特征計算時間以及訓練時間過長，影響了算法識別效率[11]。由于有些同類植物葉片之間的差異可能較大（圖1-A），而有些異類葉片之間的差異可能較小（圖1-B），導致現有一些植物識別方法的識別率不高。典型相關分析（canonical correlation analysis，簡稱CCA）是一種重要的研究2組異構數據之間相關關系的多元統計分析算法。與傳統的特征抽取組合算法僅僅將多個特征或多組特征向量累積成一個高維向量的簡單方式相比，CCA能夠揭示二組特征之間的相關性，提取出的特征在模式分類中更具有鑒別力[12]。本研究在CCA的基礎上提出一種基于局部判別CCA的植物分類方法，并在智能計算實驗室（intelligent computing laboratory，簡稱ICL）葉片圖像數據庫上進行試驗驗證。

1 材料與方法

1.1 試驗材料

試驗所用的植物葉片圖像數據庫（http：//www.intelengine.cn/dataset/index.html）來源于中國科學院合肥智能機械研究所智能計算實驗室。該數據庫包括220種植物的 16 851 個樣本，每種植物葉片的數目不一，最少的是五葉地錦，只有26幅葉片圖像;最多的是紫穗槐，有1 078幅葉片圖像。為使每種植物包含的葉片圖像數差別不過大，從該數據庫中選擇50種植物，每種植物選擇不同季節、光照和角度等拍攝條件下的30幅圖像。部分葉片圖像如圖2所示。

1.2 試驗方法

植物葉片圖像的邊緣包含植物識別的大部分分類信息，是植物葉片圖像分割和分類的重要特征。Canny邊緣提取算法是一種簡單、實用的邊緣檢測方法，具有較好的邊緣檢測性能，在復雜圖像檢測和識別中得到了廣泛應用[13-14]。傅里葉描述子（Fourier descriptor，簡稱FD）是一種計算簡單、抗噪性強的形狀特征描述方式[15]。由于其每個描述符都有具體物理意義，能夠兼顧全局及局部特征，適合植物葉片圖像特征描述。局部二值模式（local binary pattern，簡稱LBP）是一種有效的紋理提取算法，計算簡單且紋理特征豐富，近年來在圖像分類與識別中應用比較廣泛。本研究在Canny邊緣提取算法、Fourier描述子、LBP的基礎上，提出1種植物識別方法，其流程如圖3所示。

2 結果與分析

在MATLAB 2010環境下實現本研究提出的植物識別方法，試驗硬件平臺為英特爾雙核T6600處理器、主頻2.2 GHz和2GBDD R3內存。

采用5-折交叉驗證算法進行植物識別試驗，即將所有歸一化后的融合特征向量數據集隨機分為5個元素數量相同的子集，每次將其中1個子集作為測試集，剩下4個子集作為訓練集進行訓練，得到5個識別結果，再計算其平均值作為1次劃分的識別結果。本研究進行50次重復的5-折交叉驗證試驗，計算50次試驗結果的平均值，并與4種較新的基于葉片形狀描述子的植物識別方法進行試驗比較：基于局部描述子的植物識別方法（local descriptor，簡稱LD）[5]、基于 D-LLE 算法的多特征植物識別方法（D-locally linear embedding，簡稱D-LLE）[10]、基于降維LBP與葉片形狀特征的植物識別方法（LBP+shape）[12]、基于周期小波描述子的植物識別方法（PWD）[16]。

圖4為1幅葉片圖像的原圖像、二值化圖像、邊緣中心角點距離、中心角點距離、LBP圖像、中心角點距離序列和128點的歸一化Fourier描述子。圖5為圖4中灰度圖的LBP圖像及其直方圖。表1為5種方法的識別結果，比較的指標為植物物種的正確識別率、方差和識別時間。

由表2可知，本研究提出的方法的識別結果最好。其原因是本研究方法提取的Fourier描述子與LBP相融合的特征向量能夠比較準確地描述植物葉片的形狀特征，而且具有平移、旋轉和縮放不變性，且與角點序列中的起始點無關。

3 結論

在傳統傅里葉描述子和LBP的基礎上，提出了1種基于Fourier描述子和LBP相結合的植物識別方法。通過對平移、旋轉、尺度變換的葉片圖像提取傅里葉描述子，再通過LBP提取葉片圖像的紋理特征，然后利用CCA對2類特征進行特征融合，得到的特征對圖像的平移、旋轉和縮放能夠保持不變，具有較高的形狀區分能力。在ICL葉片圖像數據庫上的試驗結果表明，本研究方法能夠有效地進行植物識別。下一步研究將葉片圖像的形狀特征與紋理特征相結合，以提高植物識別率。

參考文獻：

[1]張 寧，劉文萍. 基于圖像分析的植物葉片識別技術綜述[J]. 計算機應用研究，2011，28（11）：4001-4007.

[2]Waeldchen J，Maeder P. Plant species identification using computer vision techniques：a systematic literature review[J]. Archives of Computational Methods in Engineering，2018，25（2）：507-543.

[3]Chaki J，Parekh R，Bhattacharya S. Plant leaf recognition using texture and shape features with neural classifiers[J]. Pattern Recognition Letters，2015，58：61-68.

[4]Neto J C，Meyer G E，Jones D D，et al. Plant species identification using Elliptic Fourier leaf shape analysis[J]. Computers and Electronics in Agriculture，2006，50（2）：121-134.

[5]趙 洋. 基于局部描述子的紋理識別方法及其在葉片識別中的應用[D]. 合肥：中國科學技術大學，2013.

[6]Bhardwaj A，Kaur M，Kumar A. Recognition of plants by leaf image using moment invariant and texture analysis[J]. International Journal of Innovation and Applied Studies，2013，3（1）：237-248.

[7]程 瓊，莊留杰，付 波. 基于傅立葉描述子和人工神經網絡的步態識別[J]. 武漢理工大學學報，2008，30（1）：126-129.

[8]張 寧，劉文萍. 基于克隆選擇算法和K近鄰的植物葉片識別方法[J]. 計算機應用，2013，33（7）：2009-2013.

[9]丁 嬌，梁 棟，閻 慶. 基于D-LLE算法的多特征植物葉片圖像識別方法[J]. 計算機工程與應用，2015，51（9）：158-163.

[10]付 波，楊 章，趙熙臨，等. 基于降維LBP與葉片形狀特征的植物葉片識別方法[J]. 計算機工程與應用，2018，54（2）：173-176，187.

[11]劉 念，闞江明. 基于多特征融合和深度信念網絡的植物葉片識別[J]. 北京林業大學學報，2016，38（3）：110-119.

[12]Hardoon D R，Szedmak S，Shawe-Taylor J. Canonical correlation analysis：An overview with application to learning methods[J]. Neural Computation，2004，16（12）：2639-2664.

[13]王小華，錢月晶. 一種改進的Canny邊緣檢測算法[J]. 機電工程，2008，25（12）：60-63.

[14]曾 崢，李 彥，儲海平. 一種改進的基于模糊增強的Canny邊緣提取算法[J]. 科學技術與工程，2009，9（18）：5538-5542.

[15]余超超，侯 進，侯長征. 基于顯著圖與傅里葉描述子的交通標志檢測[J]. 計算機工程，2017，43（5）：28-34.

[16]Zeng Q M，Zhu T L，Zhuang X E，et al. Using the periodic wavelet descriptor of plant leaf to identify plant species[J]. Multimedia Tools and Applications，2017，76（17）：17873-17890.