叶片特征的树木种类识别研究(附件)
1主要侧重在特征提取优选方法的研究，优选的比较依据是逆向传播(Back Propagation)神经网络识别率及支持向量机(Support Vector Machine)的识别率。以叶片图像为对象，以Leafsnap数据库的20种叶片、共691张图片为数据，对其叶片图像的存储矩阵从三种范畴进行特征提取。分别是形状特征、颜色特征和纹理特征，每种提取特征的算法涉及2-3种，然后利用传统神经网络训练方法将特征输入到BP、SVM分类器进行训练学习，同时统计单个特征及特征组合形式训练效果，通过比较得到的识别率，选出最佳特征以及最佳特征征组合，从而实现小范围的叶片识别功能以及算法比对的目标。
目录
引言
引言
1 绪论
1.1研究意义
1.2国内外研究现状
近些年来,国内外的研究者在植物识别的图像处理及分类技术的领域取得了一些进展,以下是对国内外发展状况的概述。
1.2.1国外研究现状
1）针对形状特征提取，伦敦大学伯克贝克学院Ingrouille等人通过主成分分析方法来采集橡树叶片的27种特征达到识别的效果[2]。内布拉斯加州大学Guyer等人实现了可以通过17种叶子图像特征进行分类的算法[3]。东京大学Yonekawa等一众人实验通过征用叶片形状特征便可对植物进行识别，因为可以将叶片形状特征作为视觉表示特征，这样便能使用机器学习这种判别式分析方法来对植物叶片种类进行识别[4]。2006年Neto[5]等以向日葵、大豆为研究对象，通过提取叶片的傅里叶特征和使用判别分析方法实现了对4种植物的分辨，并且准确率将近89%。早期时候实验研究的人喜欢用偏心率、周径比等几何特征以及别的像中心轮廓距离、Hu氏不变量、傅里叶特征这种形态学特征来别不同种类的叶片[67]
2）针对纹理特征，Charles等提出读取叶片的图像存储矩阵，提取纹理特征、边缘特征、形状特征，投入K邻近值分类器进行训练和测试，然后使用密度估量算法来提升识别率[8]。Saitoh T和Kaneko T通过提取形状特征、纹理特征实现植物叶片分类，提取纹理特征的算法使边缘梯度，同时用KL散度计算辨认差异性，最终实现了算法的改进和完善 [9]。Holmes和Shearer则是通过在色彩和纹理方 *好棒文|www.hbsrm.com +Q: &351916072&
面提取33个特征，实现了识别7种叶片的目标[10]。实验研究的人通过用基于灰度共生矩阵的统计参数、分形维度、小波滤波器等纹理特征来对叶片做识别，例如Cope一群研究者使用Gabor滤波器组对32种叶片进行识别提取纹理特征，最终识别率达到将近86%[11]。Wu等则是利用Flavia数据库中的32种叶片来作为识别对象，并且提取纹理与轮廓两方面特征投入神经学习训练，最终模型识别率为93.82%[12]。
3）在分类器比较上，印度机械工程系采用基于二叉树结构的多支持学习分类器进行识别。识别对象共有32种植物叶片,最后的实验结果表明该识别方法优于概率祌经网络分类器和傅里叶矩方法[13]。Rossatto等人关于树木种类识别的特征提取和训练模型方法分别是体积分形维数法和朴素贝叶斯分类器[14]。
1.2.2国内研究现状
在国内，植物识别研究出现较迟，大概在2007年以后循序渐进才开始有了进步，包括识别率和识别范围都在不断上升与进步。
1）单特征方面，霍传敏[15]等实现通过提取叶脉分数维、叶缘特征的植物识别目标，至此分形理论也被引入叶片识别范畴。2003年祁亨年等提出借助计算机辅助来达到植物识别功能的技术[16]。
2）多特征融合方面，黄德双、王晓峰[17]等提出了通过提取叶片的形状特征、纹理特征来实现植物种类识别，同时在农业领域的特征识别一块开发了相应的系统，用于植物叶片识别，实现了植物科目的基本分类功能，包括对叶片图像进行预处理，多方面提取叶片图像特征的一串操作。北京林业大学张宁[18]通过实验提高了植物识别率，实验过程中提取几何和纹理特征作为分类器的样本输入特征，分类器是基于KNN和克隆选择方法的结合进行训练和预测的。杨天天通过提取叶片特征、分析指标，对柳属植物进行多特征识别，通过比较其识别率达到了将近90%。邓立苗[20]等以玉米叶片作为实验对象，提取了48个叶片特征，放入支持向量机进行训练和测试，最终识别率高达96%。
王丽君[21]在颜色、纹理及形状特征方面提取观叶植物的26个特征，通过多特征融合投入支持向量机进行训练，识别率高于91%，完成观叶植物种类识别并开发出系统。中国科学院合肥物质科学研究院在2009年实现通过带有鲁棒性的监督流形训练算法对植物叶片进行识别分类,该算法使得识别算法的计算复杂度大大降低[22]。邹秋霞[23]等人针对Android手机开发了植物叶片种类识别系统,该应用单纯通过移动终端来完成叶片识别，并取得较佳的识别效果，并形成一种主流发展趋势。2016年，刘骥、曹凤莲和甘林昊等人[24]以叶缘叶裂明显的植物叶片为实验对象，对叶片图像进行阈值分割，并通过形态学的方法和皮尔森相关系数得到5个特征，通过神经网络训练学习，发现最终识别率可达95%，但是该方法的劣势只是针对叶裂明显的植物才能得到高识别率。
1.3研究内容与思路
关于植物叶片识别算法比较的课题中，通过对叶片图像数据进行一系列处理得到不同方法提取的特征，输入到不同分类器进行训练得到识别率，具体实验准备与安排如下：
（1）查阅相关资料熟悉叶片识别步骤，详细分解为读取数据、图像预处理、提取特征、制作样本标签矩阵、搭建神经网络进行训练与测试等一系列过程。
（2）查阅相关资料，寻找和收集合适的数据集作为训练集和测试集。
（3）学习图像灰度化、图像分割理论以及颜色特征、纹理特征、形状特征的提取算法理论，包括颜色矩特征、颜色聚合向量特征、局部二值模式特征、分形维数特征、灰度共生矩阵特征、几何参数特征、Hu不变矩特征等，从而将算法编程实现。
（4）熟悉分类器的各项设计参数意义，确定合适的训练模型，先进行单特征提取，通过得到的识别率再确定特征组合形式，总结算法对比结果，实现最佳特征的选择以及高识别率对应的特征组合的选择。
1.4章节安排
毕业论文结构安排如下：
目录
引言
引言
1 绪论
1.1研究意义
1.2国内外研究现状
近些年来,国内外的研究者在植物识别的图像处理及分类技术的领域取得了一些进展,以下是对国内外发展状况的概述。
1.2.1国外研究现状
1）针对形状特征提取，伦敦大学伯克贝克学院Ingrouille等人通过主成分分析方法来采集橡树叶片的27种特征达到识别的效果[2]。内布拉斯加州大学Guyer等人实现了可以通过17种叶子图像特征进行分类的算法[3]。东京大学Yonekawa等一众人实验通过征用叶片形状特征便可对植物进行识别，因为可以将叶片形状特征作为视觉表示特征，这样便能使用机器学习这种判别式分析方法来对植物叶片种类进行识别[4]。2006年Neto[5]等以向日葵、大豆为研究对象，通过提取叶片的傅里叶特征和使用判别分析方法实现了对4种植物的分辨，并且准确率将近89%。早期时候实验研究的人喜欢用偏心率、周径比等几何特征以及别的像中心轮廓距离、Hu氏不变量、傅里叶特征这种形态学特征来别不同种类的叶片[67]
2）针对纹理特征，Charles等提出读取叶片的图像存储矩阵，提取纹理特征、边缘特征、形状特征，投入K邻近值分类器进行训练和测试，然后使用密度估量算法来提升识别率[8]。Saitoh T和Kaneko T通过提取形状特征、纹理特征实现植物叶片分类，提取纹理特征的算法使边缘梯度，同时用KL散度计算辨认差异性，最终实现了算法的改进和完善 [9]。Holmes和Shearer则是通过在色彩和纹理方 *好棒文|www.hbsrm.com +Q: &351916072&
面提取33个特征，实现了识别7种叶片的目标[10]。实验研究的人通过用基于灰度共生矩阵的统计参数、分形维度、小波滤波器等纹理特征来对叶片做识别，例如Cope一群研究者使用Gabor滤波器组对32种叶片进行识别提取纹理特征，最终识别率达到将近86%[11]。Wu等则是利用Flavia数据库中的32种叶片来作为识别对象，并且提取纹理与轮廓两方面特征投入神经学习训练，最终模型识别率为93.82%[12]。
3）在分类器比较上，印度机械工程系采用基于二叉树结构的多支持学习分类器进行识别。识别对象共有32种植物叶片,最后的实验结果表明该识别方法优于概率祌经网络分类器和傅里叶矩方法[13]。Rossatto等人关于树木种类识别的特征提取和训练模型方法分别是体积分形维数法和朴素贝叶斯分类器[14]。
1.2.2国内研究现状
在国内，植物识别研究出现较迟，大概在2007年以后循序渐进才开始有了进步，包括识别率和识别范围都在不断上升与进步。
1）单特征方面，霍传敏[15]等实现通过提取叶脉分数维、叶缘特征的植物识别目标，至此分形理论也被引入叶片识别范畴。2003年祁亨年等提出借助计算机辅助来达到植物识别功能的技术[16]。
2）多特征融合方面，黄德双、王晓峰[17]等提出了通过提取叶片的形状特征、纹理特征来实现植物种类识别，同时在农业领域的特征识别一块开发了相应的系统，用于植物叶片识别，实现了植物科目的基本分类功能，包括对叶片图像进行预处理，多方面提取叶片图像特征的一串操作。北京林业大学张宁[18]通过实验提高了植物识别率，实验过程中提取几何和纹理特征作为分类器的样本输入特征，分类器是基于KNN和克隆选择方法的结合进行训练和预测的。杨天天通过提取叶片特征、分析指标，对柳属植物进行多特征识别，通过比较其识别率达到了将近90%。邓立苗[20]等以玉米叶片作为实验对象，提取了48个叶片特征，放入支持向量机进行训练和测试，最终识别率高达96%。
王丽君[21]在颜色、纹理及形状特征方面提取观叶植物的26个特征，通过多特征融合投入支持向量机进行训练，识别率高于91%，完成观叶植物种类识别并开发出系统。中国科学院合肥物质科学研究院在2009年实现通过带有鲁棒性的监督流形训练算法对植物叶片进行识别分类,该算法使得识别算法的计算复杂度大大降低[22]。邹秋霞[23]等人针对Android手机开发了植物叶片种类识别系统,该应用单纯通过移动终端来完成叶片识别，并取得较佳的识别效果，并形成一种主流发展趋势。2016年，刘骥、曹凤莲和甘林昊等人[24]以叶缘叶裂明显的植物叶片为实验对象，对叶片图像进行阈值分割，并通过形态学的方法和皮尔森相关系数得到5个特征，通过神经网络训练学习，发现最终识别率可达95%，但是该方法的劣势只是针对叶裂明显的植物才能得到高识别率。
1.3研究内容与思路
关于植物叶片识别算法比较的课题中，通过对叶片图像数据进行一系列处理得到不同方法提取的特征，输入到不同分类器进行训练得到识别率，具体实验准备与安排如下：
（1）查阅相关资料熟悉叶片识别步骤，详细分解为读取数据、图像预处理、提取特征、制作样本标签矩阵、搭建神经网络进行训练与测试等一系列过程。
（2）查阅相关资料，寻找和收集合适的数据集作为训练集和测试集。
（3）学习图像灰度化、图像分割理论以及颜色特征、纹理特征、形状特征的提取算法理论，包括颜色矩特征、颜色聚合向量特征、局部二值模式特征、分形维数特征、灰度共生矩阵特征、几何参数特征、Hu不变矩特征等，从而将算法编程实现。
（4）熟悉分类器的各项设计参数意义，确定合适的训练模型，先进行单特征提取，通过得到的识别率再确定特征组合形式，总结算法对比结果，实现最佳特征的选择以及高识别率对应的特征组合的选择。
1.4章节安排
毕业论文结构安排如下：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/415.html
