张善文 张晴晴 齐国红

摘要：针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题，提出一种基于Fourier描述子和局部二值模式（local binary pattern，簡称LBP）相结合的植物叶片识别方法。首先，利用Canny算法提取叶片的边缘图像，计算其中心-边缘距离序列的傅里叶变换，得到叶片图像的改进Fourier描述子;然后，提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合，得到1个有利于分类的联合映射矩阵，由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室（intelligent computing laboratory，简称ICL）叶片图像数据库上进行分类试验，识别率高达94%以上。结果表明，提出的方法是有效可行的，该研究能够为植物物种自动识别系统提供技术参考。

关键词：植物识别;植物叶片图像;边界角点序列;傅里叶描述子;改进傅里叶描述子

中图分类号： TP391.41  文献标志码： A  文章编号：1002-1302（2019）14-0273-04

利用叶片图像进行植物识别是计算机视角、图像处理和植保等领域一个重要的研究方向[1-2]。基于植物叶片图像的植物识别方法研究一直是最直接、简单和最有效的方法，也是生态学、模式识别、图像处理、计算机科学等很多领域的一个重要研究方向，已经涌现出了很多基于叶片图像的植物识别方法和技术[3-6]。但由于植物叶片的颜色、纹理和形状的复杂多样性以及很多同类叶片存在较大差异性，而不同类叶片存在极大相似性，使得很多方法的实际识别效果不高，还不能满足植物物种自动识别系统需要[6]。叶片形状表示叶片图像的轮廓，是植物物种自动识别的重要特征[2]。由于植物叶片边缘的归一化傅里叶描述子具有旋转、缩放和平移等不变性，所以被广泛应用于基于叶片的植物识别中[7]。然而这些纹理特征过于单一，识别率并不十分理想。近年来，研究者将叶片形状特征与纹理特征相结合以得到更高的识别率。张宁等将叶片几何特征、灰度共生矩阵纹理特征、分形维数等多种特征相结合进行植物识别[8]。丁娇等将叶片形状特征与纹理特征结合的同时，使用局部线性嵌入算法对特征降维[9]。付波等为解决由于植物叶片特征的相似性以及叶片旋转导致植物识别率较低的问题，提出一种基于降维局部二值模式（local binary pattern，简称LBP）与叶片形状特征相结合的植物叶片识别方法[10]。刘念等将LBP、灰度共生矩阵、Gabor滤波后的纹理特征与Hu不变矩、傅里叶算子等轮廓特征相结合，并利用深度信念网络作为分类器构架，提高了叶片识别率，但该方法特征计算时间以及训练时间过长，影响了算法识别效率[11]。由于有些同类植物叶片之间的差异可能较大（图1-A），而有些异类叶片之间的差异可能较小（图1-B），导致现有一些植物识别方法的识别率不高。典型相关分析（canonical correlation analysis，简称CCA）是一种重要的研究2组异构数据之间相关关系的多元统计分析算法。与传统的特征抽取组合算法仅仅将多个特征或多组特征向量累积成一个高维向量的简单方式相比，CCA能够揭示二组特征之间的相关性，提取出的特征在模式分类中更具有鉴别力[12]。本研究在CCA的基础上提出一种基于局部判别CCA的植物分类方法，并在智能计算实验室（intelligent computing laboratory，简称ICL）叶片图像数据库上进行试验验证。

1 材料与方法

1.1 试验材料

试验所用的植物叶片图像数据库（http：//www.intelengine.cn/dataset/index.html）来源于中国科学院合肥智能机械研究所智能计算实验室。该数据库包括220种植物的 16 851 个样本，每种植物叶片的数目不一，最少的是五叶地锦，只有26幅叶片图像;最多的是紫穗槐，有1 078幅叶片图像。为使每种植物包含的叶片图像数差别不过大，从该数据库中选择50种植物，每种植物选择不同季节、光照和角度等拍摄条件下的30幅图像。部分叶片图像如图2所示。

1.2 试验方法

植物叶片图像的边缘包含植物识别的大部分分类信息，是植物叶片图像分割和分类的重要特征。Canny边缘提取算法是一种简单、实用的边缘检测方法，具有较好的边缘检测性能，在复杂图像检测和识别中得到了广泛应用[13-14]。傅里叶描述子（Fourier descriptor，简称FD）是一种计算简单、抗噪性强的形状特征描述方式[15]。由于其每个描述符都有具体物理意义，能够兼顾全局及局部特征，适合植物叶片图像特征描述。局部二值模式（local binary pattern，简称LBP）是一种有效的纹理提取算法，计算简单且纹理特征丰富，近年来在图像分类与识别中应用比较广泛。本研究在Canny边缘提取算法、Fourier描述子、LBP的基础上，提出1种植物识别方法，其流程如图3所示。

2 结果与分析

在MATLAB 2010环境下实现本研究提出的植物识别方法，试验硬件平台为英特尔双核T6600处理器、主频2.2 GHz和2GBDD R3内存。

采用5-折交叉验证算法进行植物识别试验，即将所有归一化后的融合特征向量数据集随机分为5个元素数量相同的子集，每次将其中1个子集作为测试集，剩下4个子集作为训练集进行训练，得到5个识别结果，再计算其平均值作为1次划分的识别结果。本研究进行50次重复的5-折交叉验证试验，计算50次试验结果的平均值，并与4种较新的基于叶片形状描述子的植物识别方法进行试验比较：基于局部描述子的植物识别方法（local descriptor，简称LD）[5]、基于 D-LLE 算法的多特征植物识别方法（D-locally linear embedding，简称D-LLE）[10]、基于降维LBP与叶片形状特征的植物识别方法（LBP+shape）[12]、基于周期小波描述子的植物识别方法（PWD）[16]。

图4为1幅叶片图像的原图像、二值化图像、边缘中心角点距离、中心角点距离、LBP图像、中心角点距离序列和128点的归一化Fourier描述子。图5为图4中灰度图的LBP图像及其直方图。表1为5种方法的识别结果，比较的指标为植物物种的正确识别率、方差和识别时间。

由表2可知，本研究提出的方法的识别结果最好。其原因是本研究方法提取的Fourier描述子与LBP相融合的特征向量能够比较准确地描述植物叶片的形状特征，而且具有平移、旋转和缩放不变性，且与角点序列中的起始点无关。

3 结论

在传统傅里叶描述子和LBP的基础上，提出了1种基于Fourier描述子和LBP相结合的植物识别方法。通过对平移、旋转、尺度变换的叶片图像提取傅里叶描述子，再通过LBP提取叶片图像的纹理特征，然后利用CCA对2类特征进行特征融合，得到的特征对图像的平移、旋转和缩放能够保持不变，具有较高的形状区分能力。在ICL叶片图像数据库上的试验结果表明，本研究方法能够有效地进行植物识别。下一步研究将叶片图像的形状特征与纹理特征相结合，以提高植物识别率。

参考文献：

[1]张 宁，刘文萍. 基于图像分析的植物叶片识别技术综述[J]. 计算机应用研究，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]赵 洋. 基于局部描述子的纹理识别方法及其在叶片识别中的应用[D]. 合肥：中国科学技术大学，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 琼，庄留杰，付 波. 基于傅立叶描述子和人工神经网络的步态识别[J]. 武汉理工大学学报，2008，30（1）：126-129.

[8]张 宁，刘文萍. 基于克隆选择算法和K近邻的植物叶片识别方法[J]. 计算机应用，2013，33（7）：2009-2013.

[9]丁 娇，梁 栋，阎 庆. 基于D-LLE算法的多特征植物叶片图像识别方法[J]. 计算机工程与应用，2015，51（9）：158-163.

[10]付 波，杨 章，赵熙临，等. 基于降维LBP与叶片形状特征的植物叶片识别方法[J]. 计算机工程与应用，2018，54（2）：173-176，187.

[11]刘 念，阚江明. 基于多特征融合和深度信念网络的植物叶片识别[J]. 北京林业大学学报，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]王小华，钱月晶. 一种改进的Canny边缘检测算法[J]. 机电工程，2008，25（12）：60-63.

[14]曾 峥，李 彥，储海平. 一种改进的基于模糊增强的Canny边缘提取算法[J]. 科学技术与工程，2009，9（18）：5538-5542.

[15]余超超，侯 进，侯长征. 基于显著图与傅里叶描述子的交通标志检测[J]. 计算机工程，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.