国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種識(shí)別率高的植物識(shí)別方法及裝置制造方法

      文檔序號(hào):6541891閱讀:336來(lái)源:國(guó)知局
      一種識(shí)別率高的植物識(shí)別方法及裝置制造方法
      【專利摘要】本發(fā)明公開(kāi)了一種識(shí)別率高的植物識(shí)別方法及裝置,該方法具體做法是首先由圖像采集單元采集植物器官數(shù)字圖像作為測(cè)試樣本,再對(duì)樣本進(jìn)行預(yù)處理以獲得灰度圖像,然后使用脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)灰度圖像進(jìn)行特征提取,進(jìn)而獲得能夠反映該灰度圖像的熵序列;將熵序列作為主要特征,以形態(tài)特征為輔助特征,借助支持向量機(jī)分類器,可以獲得較高的植物識(shí)別率。本發(fā)明方法可實(shí)現(xiàn)對(duì)大樣本數(shù)據(jù)(待區(qū)分的植物種類較多)簡(jiǎn)單、精確的識(shí)別,識(shí)別率高,具有較強(qiáng)的適應(yīng)性,對(duì)現(xiàn)有數(shù)據(jù)庫(kù)驗(yàn)證準(zhǔn)確率可達(dá)98%以上。
      【專利說(shuō)明】 一種識(shí)別率高的植物識(shí)別方法及裝置
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及基于葉片圖像的植物識(shí)別方法,具體地說(shuō)是一種識(shí)別率高的植物識(shí)別方法及裝置。
      【背景技術(shù)】
      [0002]當(dāng)前用于植物的分類方法眾多,大致可分為經(jīng)典形態(tài)分類方法和現(xiàn)代分類方法?,F(xiàn)代植物分類方法要求很高的專業(yè)技術(shù)知識(shí),如植物細(xì)胞分類學(xué)、植物化學(xué)分類學(xué)、植物血清分類學(xué)以及植物遺傳學(xué)。對(duì)于非專業(yè)人員,這些分類方法操作復(fù)雜、很難掌握或不實(shí)用,更不適合野外工作環(huán)境。相對(duì)現(xiàn)代分類方法來(lái)講,經(jīng)典的植物形態(tài)分類方法比較容易掌握,而且適用于野外活體植物識(shí)別。經(jīng)典形態(tài)分類方法是通過(guò)觀察植物的外部形態(tài)和解剖結(jié)構(gòu)進(jìn)行分類的。一般來(lái)講,植物的根、莖、葉、花等器官均有分類價(jià)值,但是花在植物的整個(gè)生活周期中所占時(shí)間較短,根和莖在不同時(shí)期變化較大且多數(shù)要在解剖鏡下才能看見(jiàn)精細(xì)結(jié)構(gòu),對(duì)操作者要求較高,通常不作為植物快速識(shí)別的主要依據(jù)。相比之下,植物葉片在整個(gè)植物生活周期中存在時(shí)間最長(zhǎng),變化小,而且易于采集樣本。因此,人們通常將其作為認(rèn)識(shí)植物的主要參照器官。此外,另一重要原因是雖然植物的葉片形態(tài)多樣,但是每種植物都有其相對(duì)穩(wěn)定的特征,這些特征就是認(rèn)識(shí)和識(shí)別植物的基礎(chǔ)和出發(fā)點(diǎn)。
      [0003]目前基于植物葉片的植物分類主要是依靠鑒定者的經(jīng)驗(yàn)進(jìn)行人為判斷,由于植物種類非常龐大,部分葉片形態(tài)看似接近,實(shí)則千差萬(wàn)別。所以這種傳統(tǒng)的判別方法要求操作者具有豐富的分類學(xué)知識(shí)和長(zhǎng)期的實(shí)踐經(jīng)驗(yàn),才能開(kāi)展工作??傊谥参锶~片的識(shí)別對(duì)于植物分類學(xué)家來(lái)說(shuō)尚存一定困難,就更不用說(shuō),對(duì)于普通人員利用葉片識(shí)別植物種類了。但是利用植物葉片對(duì)植物進(jìn)行識(shí)別是一個(gè)十分有用而又富有挑戰(zhàn)性的工作,如何讓人們快速準(zhǔn)確地識(shí)別植物種類是植物分類學(xué)科亟待解決的問(wèn)題之一。
      [0004]隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,基于圖像處理與分析的植物種類識(shí)別技術(shù)已經(jīng)成為一個(gè)研究熱點(diǎn),國(guó)內(nèi)外研究人員提出了各種各樣的特征和分類方法。Gnadhi進(jìn)行了基于形狀特征的植物品種鑒別;Ingrouille等在1986年提取了 27個(gè)葉片的形狀特征對(duì)橡樹(shù)進(jìn)行分類比較分析,并提出了對(duì)特征進(jìn)行主分量分析的特征統(tǒng)計(jì)方法。Franz等利用植物葉片邊緣的曲率來(lái)對(duì)植物進(jìn)行識(shí)別,對(duì)于全部可見(jiàn)和部分可見(jiàn)的葉片邊緣用曲率來(lái)表示;Ray在1992年提出一種“特征形狀”的方法對(duì)葉片進(jìn)行分類。Guyer等在1993年提取了 17種葉片形狀特征,并對(duì)40類植物進(jìn)行分類。Yonekawa等提出利用50種理想片狀葉形的圖形作為對(duì)照,來(lái)鑒別植物葉形。1997年,Abbasi等利用多尺度曲率空間方法來(lái)描述葉片形狀,并用來(lái)對(duì)菊花進(jìn)行分類。Cholhong等在1999年利用對(duì)葉片的多邊形逼近來(lái)識(shí)別械屬類植物。2000年,Oide等利用類似的方法,利用大豆葉片對(duì)大豆分類。Neto等在2006年提出了一種基于橢圓傅立葉變換的葉片形狀特征,來(lái)識(shí)別大豆、向日葵、絨毛葉和美洲茶。McDnoald等在1990年利用數(shù)學(xué)形態(tài)學(xué)方法來(lái)進(jìn)行植物的識(shí)別。同年,Shearer等在基于植物彩色紋理特性的基礎(chǔ)上,計(jì)算出11個(gè)紋理特征,可以對(duì)7種人工培育的植物進(jìn)行識(shí)別。Rui等也在1996年提出一種改進(jìn)傅立葉描述子方法來(lái)進(jìn)行植物葉片識(shí)別,這種方法將傅立葉變換的幅值和相位獨(dú)立計(jì)算以提高精度。Mokhtarina等在2004年又發(fā)展了這種方法,用于自遮掩的葉片識(shí)別,通過(guò)對(duì)12類菊花共120張葉片圖像的識(shí)別,識(shí)別率達(dá)到98.4%。Samal等提出了一種基于紋理特征的單株樹(shù)的種類識(shí)別。2008年Bruno等利用盒維數(shù)法估算了 70個(gè)葉片樣本圖像的分形維數(shù),從而較好地分析了相應(yīng)葉片類型的復(fù)雜度,為植物葉片的機(jī)器識(shí)別提供了分形學(xué)方面的理論依據(jù)。
      [0005]國(guó)內(nèi)學(xué)者也開(kāi)展了基于圖像處理與分析的植物種類識(shí)別技術(shù)的大量研究工作。1994年傅星和盧漢清開(kāi)展了應(yīng)用計(jì)算機(jī)進(jìn)行植物自動(dòng)分類的初步研究。2002-2004年,池哲儒等進(jìn)行了一系列植物識(shí)別的相關(guān)研究,提出一種中心輪廓距離曲線方法來(lái)匹配葉片形狀,并通過(guò)不同特征的模糊集成實(shí)現(xiàn)植物圖像的檢索;祁亨年等通過(guò)基于葉子外觀形狀特征的研究,以植物葉片為例,提取葉片大小、葉形、圓形度參數(shù)及葉緣等特征,探討了建立植物識(shí)別模型的研究。
      [0006]到目前為止,上述基于植物葉片的圖像植物識(shí)別方法實(shí)用性都不強(qiáng)的。原因是這些方法能識(shí)別的樣本少且識(shí)別率低,大多停留在理論探索層面。

      【發(fā)明內(nèi)容】

      [0007]本發(fā)明的目的是提供一種識(shí)別率高的植物識(shí)別方法,以解決現(xiàn)有方法對(duì)大樣本數(shù)據(jù)(待區(qū)分的植物種類較多)進(jìn)行識(shí)別時(shí)識(shí)別率低的問(wèn)題。
      [0008]本發(fā)明的另一個(gè)目的是提供一種識(shí)別率高的植物識(shí)別裝置。
      [0009]本發(fā)明技術(shù)方案如下:一種識(shí)別率高的植物識(shí)別的方法,包括以下步驟:
      步驟1、圖像采集:采集植物器官數(shù)字圖像作為測(cè)試樣本,
      步驟2、圖像預(yù)處理:將樣本圖像轉(zhuǎn)化為灰度圖像,主要包括圖像灰度化、圖像增強(qiáng)和二值化處理,用獲得的葉片輪廓圖像求得輔助識(shí)別的形態(tài)特征,即葉片的長(zhǎng)寬比、形狀參數(shù)、圓形性、矩形度、圖像的熵、七個(gè)不變矩和zernike矩;
      步驟3、特征提取:然后將其輸入到脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)中,則每次迭代后PCNN會(huì)輸出一幅二值圖像,求出次二值圖像的熵,經(jīng)N次迭代后得到長(zhǎng)度為N的熵序列;為該葉片創(chuàng)建標(biāo)號(hào),以表征葉片所屬類別;遍歷現(xiàn)有數(shù)據(jù)庫(kù),求出所有葉片的特征向量和類別編號(hào);步驟4、分類:將步驟3所獲得的所有樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)(用來(lái)訓(xùn)練分類器)和測(cè)試數(shù)據(jù),然后將數(shù)據(jù)進(jìn)行歸一化;將提取的特征輸入到分類單元進(jìn)行分類。
      [0010]一種識(shí)別率高的植物識(shí)別裝置,包括圖像采集單元、圖像預(yù)處理單元、特征提取單元和分類單元,
      一、圖像采集單元:用于獲取外部圖像的模塊,
      二、圖像預(yù)處理單元:用于從圖像采集單元中得到的圖像進(jìn)行相應(yīng)的處理,主要包括圖像灰度化、圖像增強(qiáng)和二值化處理,
      三、特征提取單元:用于圖像特征的提取,主要是PCNN熵序列的提取以及輔助形態(tài)特征的提取,
      四、分類單元:將提取的特征用于葉片的分類。
      [0011]本發(fā)明將脈沖I禹合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled Neural Network, PCNN)用于植物識(shí)別,下面對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行說(shuō)明:該網(wǎng)絡(luò)是一個(gè)單層橫向連接的二維神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)是由若干個(gè)神經(jīng)元組成,其大小是可以根據(jù)具體的應(yīng)用環(huán)境靈活設(shè)定的。PCNN的神經(jīng)元的數(shù)學(xué)模型如下所示:
      【權(quán)利要求】
      1.一種識(shí)別率高的植物識(shí)別的方法,其特征是它包括以下步驟: 步驟1、圖像采集:采集植物器官數(shù)字圖像作為測(cè)試樣本, 步驟2、圖像預(yù)處理:將樣本圖像轉(zhuǎn)化為灰度圖像,主要包括圖像灰度化、圖像增強(qiáng)和二值化處理,用獲得的葉片輪廓圖像求得輔助識(shí)別的形態(tài)特征,即葉片的長(zhǎng)寬比、形狀參數(shù)、圓形性、矩形度、圖像的熵、七個(gè)不變矩和zernike矩; 步驟3、特征提取:然后將其輸入到脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)中,則每次迭代后PCNN會(huì)輸出一幅二值圖像,求出次二值圖像的熵,經(jīng)N次迭代后得到長(zhǎng)度為N的熵序列;為該葉片創(chuàng)建標(biāo)號(hào),以表征葉片所屬類別;遍歷現(xiàn)有數(shù)據(jù)庫(kù),求出所有葉片的特征向量和類別編號(hào); 步驟4、分類:將步驟3所獲得的所有樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)(用來(lái)訓(xùn)練分類器)和測(cè)試數(shù)據(jù),然后將數(shù)據(jù)進(jìn)行歸一化;將提取的特征輸入到分類單元進(jìn)行分類。
      2.一種識(shí)別率高的植物識(shí)別裝置,其特征在于:它包括圖像采集單元、圖像預(yù)處理單元、特征提取單元和分類單元, 一、圖像采集單元:用于獲取外部圖像的模塊, 二、圖像預(yù)處理單元:用于從圖像采集單元中得到的圖像進(jìn)行相應(yīng)的處理,主要包括圖像灰度化、圖像增強(qiáng)和二值化處理, 三、特征提取單元:用于圖像特征的提取,主要是PCNN熵序列的提取以及輔助形態(tài)特征的提取, 四、分類單元:將提取的特征用于葉片的分類。
      【文檔編號(hào)】G06K9/00GK103870816SQ201410116111
      【公開(kāi)日】2014年6月18日 申請(qǐng)日期:2014年3月26日 優(yōu)先權(quán)日:2014年3月26日
      【發(fā)明者】王兆濱, 張耀南, 孫曉光, 馬義德, 祝英, 康建芳 申請(qǐng)人:中國(guó)科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1