叶片图像算法的植物种类识别方法

　　摘要:为了提高植物种类的识别率，采用叶片图像算法。首先建立植物种类特征模型，包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化，基于梯度下降方法对权重参数计算，自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个，其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%，高于单个特征、两个组合特征的平均识别率，形状特征对识别率所起的作用最大。

　　关键词:叶片;植物种类;径向基函数;图像算法

　　植物种类识别一般是通过对植物的外部形态描述得以实现，各种植物叶片的纹理、颜色和形状结构具有差异性，同时植物叶片一年四季变化不大，比较容易采集，因此利用叶片通过人工智能方法进行植物种类识别是一种简单而有效的方法[1]，对植物可进行方便的管理和保护。

　　传统人工识别结果受主观性影响比较大，正确识别率较低，目前智能算法主要有:Guyer等[2]提取了17种叶片形状特征，并对40类植物进行分类;Oide等[3]将叶片形状作为神经网络的输入，使用Hopfield网络和感知器对大豆叶片进行分类;Soderkvist[4]使用叶片的几何特征，采用BP前馈神经网络对15种瑞典树木进行分类，最终形成Swedish叶片标准测试数据集;Backes等[5]利用复杂网络算法分析叶片特征并进行识别，可对不同分辨率以及一定采样噪声的叶片图像识别，有很好的效果;Ghazi等[6]利用PCANet算法在扫描叶片图像上取得了90.49%的识别率，但是普通叶片图像识别率比较低;朱静等[7]通过叶片图像的形状和叶缘特征，对14种植物337份叶片样本的叶形测试准确率达92%;Munisami等[8]采用基于特征的神经网络分类器对植物叶片识别，包括矩形、圆度、偏心率等;Lee等[9]提出了基于叶片轮廓质心的植物叶片识别系统，使用4种基本几何特征和5个静脉特征。

　　为了提高植物种类的识别率，采用改进径向基函数神经网络(improvedradialbasisfunctionneuralnetwork，IRBFNN)算法。首先建立植物种类特征模型，包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化，基于梯度下降方法对权重参数计算，自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个，其中本文算法对植物种类识别的3个组合特征平均识别率为93.5%，高于单个特征、两个组合特征的平均识别率，形状特征对识别率所起的作用最大。

　　1植物种类特征

　　1.1植物叶片颜色特征颜色信息集中分布在一阶颜色矩、二阶颜色矩和三阶颜色矩上[10]，通过低阶颜色矩分别描述颜色的平均值、方差和斜度:

　　

　　其中:M1、M2、M3分别表示一、二、三阶颜色矩;qkl表示第k个颜色通道中灰度为l的像素值出现的概率;N表示图像中像素值总个数。由于HSI颜色模型中，只有H和S分量中包含颜色信息，因此提取H和S颜色分量图像的一、二、三阶颜色矩作为叶片图像的颜色特征，则叶片图像的颜色特征M=M1H，M2H，M3H，M1S，M2S，M3[]S。

　　1.2形状特征形状特征是叶片的主要特征[11]，主要罗列如下:

　　

　　1.3纹理特征1.3.1分形特征叶片图像的纹理主要由叶片角质层的固有纹理和叶脉纹理构成，同时主叶脉和延伸的叶脉组成具有一定自相似性的网状结构，符合分形特征[12]，主要采用自相似性特征以及缝隙量两个特征。描述对象不规则度的自相似性特征:

　　

　　其中:k为常数;r为尺度;F为分形维数;kλ2-F为分形表面积。描述纹理的疏密程度的缝隙量:f2=E[](M/E(M)-1)2。其中:M为分形体质量;E(M)为期望值。1.3.2基于灰度共生矩阵的特征在进行植物叶片分析和处理过程中，纹理特征也是重要特征之一[13]，利用灰度共生矩阵的统计特性生成0°、45°、90°、135°四个方向的共生矩阵，分别计算四个方向的特征如下。同质性T1平均值:

　　

　　其中:i、j为灰度值;p(i，j)为灰度值(i，j)同时出现的概率;L为灰度等级。对比度T2平均值:

　　

　　2改进径向基函数神经网络算法

　　2.1径向基函数神经网络径向基函数(radialbasisfunction，RBF)神经网络在逼近能力和学习速度等方面都优于BP神经网络[16]。输入层是用来接受数据的，隐含层是一个非线性函数，对输入数据进行建模，输出层作为数据的输出。

　　

　　2.2改进模型2.2.1径向基函数个数、中心及宽度初始化方法改进径向基函数神经网络(improvedradialbasisfunctionneuralnetwork，IRBFNN)算法，隐含层结点数少量冗余能够提高RBF的泛化能力[17]，通过聚类方法求得隐结点基数，适当增加冗余，得到最佳隐结点数。设M为隐结点数;J为样本原始聚类数;β为冗余系数，则:M=(1+β)·J。其中:β一般取值范围为[0，0.5]，本文取值0.35。为提高RBF训练速度，参数Cj、Dj需要初始化。

　　总结本文算法对径向基函数个数、权重、学习率进行了调整，使得IRBFNN算法对植物种类的平均识别率较高，实验仿真显示本文算法对植物种类的三个组合特征平均识别率高于单个特征、两个组合特征，形状特征对识别率贡献最大，因此以后研究可增加植物叶片形状特征的数量，对提高植物种类识别率会有一定的帮助。

《叶片图像算法的植物种类识别方法》

上一篇：农业机械管理新政策改革

下一篇：农业科技与互联网有何关系