CN106897724A - 一种基于轮廓线形状特征的植物叶片识别方法 - Google Patents

Abstract

植物叶片识别是图像处理和模式识别研究领域的热点问题。然而植物叶片识别中存在瓶颈问题，即同类叶片内部差异大，不同类叶片之间差异小。本发明提出了一种基于轮廓线形状特征的植物叶片识别方法-内外弦长特征向量(Inner&Outer Characteristic Vector)并试图在一定程度上解决这一瓶颈问题，属于数字图像处理技术领域。本发明将提取的目标轮廓线的每一段弦的长度依据目标在图像中所占据的区域分成内部弦长和外部弦长两个部分。内部弦长旨在描述轮廓线凸的特性，外部弦长则着眼于抽取轮廓线的凹的特征，多个尺度的内部弦长和外部弦长分别构成了描述形状的内弦长矩阵和外弦长矩阵。将内弦长矩阵和外弦长矩阵分别拉成一维向量，组合连接起来构成IOCV。人类的视觉***对形状凸凹特性非常敏感，利用这一认知，本发明提出的IOCV对目标形状的鉴别能力将大大提高。

Description

一种基于轮廓线形状特征的植物叶片识别方法

技术领域

本发明涉及一种植物叶片图像轮廓线形状特征的描述方法，属于数字图像处理技术领域。

背景技术

本发明是基于二值数字图像的特征提取，而现实中采集到的植物叶片图像往往是RGB真彩色图像，需要将真彩色图像转换为黑白二值图像(形状区域像素值为1，背景区域像素值为0)。要获取二值数字图像通常包括以下几个步骤：

1、依次将原始模拟信号植物叶片图像经扫描仪生成真色彩的数字图像，再由通接口将数字图像传送至计算机中，获取完成整个图像，构建真彩色植物叶片图像数据库；

2、彩色图像f(x，y)转换为灰度图像，是根据红、绿、蓝3个颜色分量关系，由RGB真彩颜色色模型转化为YUV黑白灰度颜色模型得到h(x，y)，

h(x，y)＝0.299*R+0.587*G+0.144*B (1)

3、灰度图像h(x，y)经过双峰法阈值处理，根据背景的不同，自动调整阈值，归一化后的图像即转化为二值图像g(x，y)，T是阈值。将图像中每一像素点的灰度值与阈值比较，将形状区域从背景中分割出来，以进行下一步的边界追踪。

4、对二值图像g(x，y)进行最长边界追踪。边界封闭的二值图像可以运用轮廓追踪算法提取边界线坐标。二值图像边界提取算法的核心就是掏空目标内部点。若目标图像中的一个黑点，它的8连通区域相邻点都为黑点时，则删除该点。追踪的基本思路是：首先从上到下，从左至右对数据图像进行逐行逐列扫描。扫描到的首个黑点作为轮廓的第一个边界点，并保存点的坐标(x，y)。接着选取沿左上方作为初始搜索方向。如果是上方点为黑点，则记录保存为边界点，否则按照顺时针搜索方向旋转45度。然后依据上述步骤遍历，一直到查到第一个为黑点。把这个黑点接着设为新边界点。在当前搜索方向上逆时针旋转90度。以此类推搜索保存下一个黑点坐标，持续遍历直到找到最初的边界点为止。如果图片中有多个目标物体的边界线，我们默认所关注的是图像中的最长曲线的边界。

形状分类的方法分为两种，一种是基于形状区域的方法，另一种是基于形状轮廓线的方法。基于区域的方法需要获取图像像素的所有信息，计算量和存储量都比较大；基于轮廓线的方法仅需要获取形状轮廓线的像素信息，计算量小、易提取和存储，且构造的描述子较为紧致。而轮廓线形状最具区分度，人类视觉往往通过物体轮廓线形状就能对其进行区分。综上所述，形状轮廓线的描述方法更具优势。

为了有效地描述轮廓线形状，人们提出了一系列经典的轮廓线形状描述子。轮廓线形状描述子的分类方法有很多，较为常见的两种方法为：(1)基于描述子描述范围的不同，分为全局描述子和局部描述子；(2)基于描述子表示空间的不同，分为空间域描述子和频域描述子。表1按照空间域和频域的分类方法给出了一些经典的轮廓线形状描述方法。

表1.一些经典的轮廓线形状描述方法

而其中傅里叶描述子(Fourier Descriptor)是一种经典的基于轮廓线的形状描述方法。该方法首先将二维形状轮廓线表示成一维的轮廓线函数，又称形状签名(shape signature)，用该函数的傅立叶变换的系数构成描述形状的特征向量。FD计算简单、定义清晰、能量向低频集中的特点，是运用最广泛的形状描述子之一。

近年来提出的与本文相似的描述轮廓线形状的MDM描述子的构造步骤如下：

步骤1：对最大边界追踪提取的形状轮廓线进行均匀采样，采样点个数为N，构成采样点集C＝{P₁，P₂，...，P_N}，P_i＝(x_i，y_i)；

步骤2：计算点集中点P_i到其余N-1个点的弦长距离，这里为欧式距离，得到L₁，L₂，...，L_N段弦长，作为矩阵D的第i行，让i依次从1变化到n；

步骤3、旋转矩阵D的每一列，使得每一列的第一个元素为0。通过这种方式构造矩阵D_m，D_m的第一行元素都为0，因为其表示的N个点到其自身的距离，第二行元素表示相邻两个点之间的距离；

步骤4、对Dm的每一行升序排列，产生矩阵D_ms。由于排序之后的矩阵D_ms关于(n/2)行对称，为避免冗余，选取矩阵D_ms的第二行至(n/2)，构造MDM矩阵。

利用弦长来刻画轮廓线形状是一种常用的有效方法。人类视觉***对于轮廓线形状的凸凹特性非常敏感，是用于目标识别的非常有效的特征。基于这一认知，抽取出轮廓线形状凸凹特性的内外弦长特征向量的鉴别能力将大大提高。本发明将轮廓线的每段弦依据其落在形状区域的内部和外部分割成两个部分，落在形状区域内部的弦长称之为内弦长，落在形状区域外部的弦长称之为外弦长。内弦长用来描述形状轮廓线的凸的特征，而外弦长用来描述轮廓线的凹的特性。而多个尺度级上轮廓线凸凹特性的刻画，能够从细节到整体，又粗到细地挖掘轮廓线形状特征。将内外弦长有效结合就能从局部到全局地抽取出轮廓线形状的凸凹特性。综上所述，可以考虑抽取出轮廓线形状凸凹特征的描述子的鉴别能力将大大增强，从而在一定程度上解决植物叶片识别中类内差异大，类间差异小的瓶颈问题。

发明内容

本发明要解决的技术问题在于提出一种能够抽取出轮廓线形状有效特性-凸凹特性的形状描述子，从而对轮廓线形状进行较为有效地描述，提高植物叶片的识别率。

本发明采用以下技术方案：

将真彩色RGB图像转换为二值图像，二值化的数字图像可以用如下形式表示：

这里x，y表示目标图像形状的横纵坐标。D是目标形状在图像中的分布区域。f′表示抽取出的形状轮廓线。对追踪得到的最长轮廓线边界按逆时针均匀采样构成点集C＝{P_i(x_i，y_i)}，i＝1，2，...，N，这里N取偶数，因为目标轮廓线是闭合的，所以这里P_N+i＝P_i。对轮廓线上一点P1(x₁，y₁)，沿逆时针移动s个弧段到点P2(x₂，y₂)，其弦长用如下公式表示：

依据该弦落在形状区域内部和外部将弦进行切割。该弦落在形状区域内的部分的长度用l^(l)表示，称其为内弦长；落在形状区域外部的长度用l^(O)表示，称其为外弦长。令x₁＝min{x₁，x₂}，x₂＝max{x₁，x₂}，y₁＝min{y₁，y₂}，y₂＝max{y₁，y₂}，则l^(l)和l^(O)可以用如下形式表示：

l^(O)＝l-l^(l) (6)

这里A＝(y₂-y₁)/l，B＝(x₁-x₂)/l，C＝(x₁y₂-y₁x₂)/l。δ(·)表示Dirac函数。需要指出的是，这里Ax+By+C＝0是点P₁和点P₂所连接直线的法线式方程。附图1为内外弦长的示意图，实线标记的部分表示内弦长，虚线标记的部分表示外弦长。

本发明对形状轮廓线均匀采样的点集C中点P₁(x₁，y₁)和点P₂(x₂，y₂)所连接的单一弦长的内外弦长的计算，具体包括以下步骤：

步骤A、用公式计算点P₁和点P₂之间的弦长，即两点之间的弦长用欧式距离这一量度来表示；

步骤B、将分别计算(x₁-x₂)和(y₁-y₂)得到的值取绝对值并分别赋值与X和Y，取X和Y中的较大者并赋值与N；

步骤C、比较X和Y的大小，如果X≥Y，则执行步骤D，否则，执行步骤J；

步骤D、比较x₁和x₂的大小，如果x₁＞x₂，则执行步骤E，否则，执行步骤F；

步骤E、分别交换x₁、x₂和y₁、y₂的大小，即使点P₁表示P₁、P₂两点中横纵标值较小的像素点，点P₂表示横坐标值较大的像素点；

步骤F、将i赋值为1，并执行步骤G；

步骤G、计算λ＝i/(N-i)，计算(y₁+λ*y₂)/(1+λ)并四舍五入取整赋值与步骤H、i加1并赋值与i，并判断i是否大于N-1，若不是，则执行步骤G，若是，则执行步骤N；

步骤I、比较y₁和y₂的大小，如果y₁＞y₂，则执行步骤J，否则，执行步骤K；

步骤J、分别交换y₁、y₂和x₁、x₂的大小，即使点P₁表示P₁、P₂两点中纵纵标值较小的像素点，点P₂表示纵坐标值较大的像素点；

步骤K、将i赋值为1，并执行步骤L；

步骤L、计算λ＝i/(N-i)，计算(x₁+λ*x₂)/(1+λ)并四舍五入取整赋值与

步骤M、i加1并赋值与i，并判断i是否大于N-1，若不是，则执行步骤L；若是，则执行步骤N；

步骤N、将x₂赋值与y₂赋值与将k赋值为0，i赋值为1；

步骤O、计算k＝k+f(x_i，y₁)；

步骤P、i加1并赋值与i，并判断i是否大于N，若不是，则执行步骤O，若是，则执行步骤Q；

步骤Q、计算r＝k/N，返回内弦长l^(I)＝r*l，外弦长l^(o)＝(1-r)*l。

令点P₁的下标从1变化到N，即轮廓线上的每一点都作为一次起始点，计算起始点P_i(i＝1，2，...，N)逆时针移动s个等长弧段到达点P_i+s所对应的弦。通过计算每一段弦的内外弦长，我们得到内弦长序列和外弦长序列需要指出的是，因为轮廓线是闭合的，所以任意一段弦都对应弧长分别为s个单位长度和N-s个单位长度的两段弧，为避免数据冗余，我们让弧长s取值1，2，...，M＝N/2。由此得到两个M×N的矩阵，内弦长矩阵ICM和外弦长矩阵OCM。将内外弦长矩阵分别拉成一维向量，将两个特征向量组合起来就构成了内外弦长特征向量(IOCV)。

这里的弧段数就是s，表示尺度级。附图3为轮廓线(128个采样点)的5个尺度级的内外弦长的一个示例(从左图到右图，尺度级依次为s＝4、8、16、32)。如果用小的尺度观察叶片轮廓线，即取轮廓线的短的弧段进行观察，可以发现它们大都是凸的。该图中的最左边的图(对应尺度s＝4)标出的内外弦长很好的反应了轮廓线的这一视觉特性，在该图中，只有少部分的弦有落在形状区域之外(用虚线标出)的部分。而采用大的尺度观察该图(s＝8，16，32)，即取轮廓线大的弧段进行观察时，可以发现轮廓线的凹的特性，该图中s＝8，16，32的三个图，有相当多的弦部分或全部落在形状区域的外部，这一特性与人的视觉观察一致。

本发明提出的轮廓线形状描述方法，将单一弦长分割成内弦长和外弦长两部分。内弦长描述轮廓线形状凸的特性，外弦长描述轮廓线形状凹的特性。人类视觉***对轮廓线形状的凸凹特性非常敏感，因此轮廓线凸凹特性是非常有效的轮廓线形状识别特征。基于这一认知，抽取出轮廓线形状凸凹特性的内外弦长特征向量的鉴别能力将大大增强。相比现有相似的仅利用弦长提取轮廓线形状的多尺度距离矩阵(Multiscale Distance Matrix)，本发明提出的抽取出更具鉴别能力的轮廓线形状凸凹特性，构造内外弦长特征向量(Inner&Outer Characteristic Vector)，能更加有效地刻画轮廓线形状特性，识别能 力更强。

附图说明

图1为典型的图像直接特征识别流程框图；

图2为叶片图像识别中降维特征数据库构造流程框图，圆圈标记的数字表示构造降维特征数据库的执行步骤；

图3为内外弦长示意图，其中实线表示内弦长，虚线表示外弦长；

图4为轮廓线(128个采样点)的5个尺度级的内外弦长的一个示例(从左图到右图，尺度级依次为s＝4、8、16、32)。

图5为Swedish叶片数据库中15类植物样本黑白图像。

图6为Leaf100叶片数据库中100类植物样本黑白图像。

图7为Leaf100中同类植物物种的12张叶片黑白图像

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

附图1是典型的图像降维识别流程框图，其中虚线框表示现有相似的轮廓线形状描述方法，实线框为本发明所轮廓线形状描述方法。将本发明应用于两个植物叶片图像数据库，分别为经典的Swedish叶片数据库和我们自己从野外采集的Leaf100数据库，并与相似的多尺度距离矩阵的识别率进行比较。具体按照以下各步骤：

步骤1、本发明实验测算植物叶片的识别率，因此要将叶片数据库分成训练集和测试集两个子集。

步骤2、输入测试集中一张叶片图像：

步骤201、判断输入的叶片图像是否为RGB真彩色图像，若是，则执行步骤202，若不是，则执行步骤203；

步骤202、利用公式(1)将RGB真彩颜色色模型转化为YUV黑白灰度颜色模型得到h(x，y)；

步骤203、判断输入的叶片图像是否为二值图像，若是则执行步骤3，若不是，则执行步骤204；

步骤204、灰度图像h(x，y)经过双峰法阈值处理转化为二值图像，如公式(2)所示。

步骤3、二值叶片图像可以表示成公式(3)形式，并对二值图像进行最大边界追踪，提取出形状轮廓线。对形状轮廓线进行均匀采样，构成点集C＝{P_i}，i＝1，2，...，N。这 里我们取N＝128；

步骤4、令l_si表示从轮廓上的点P_i(x_i，y_i)出发，沿逆时针方向到达另一点P_i+s(x_i+s，y_i+s)所经过的弧段的弦的长度。计算弦l_si所连接的弦落在形状区域内部的长度和落在形状区域外部的长度，分别用内弦长和外弦长表示。

对于点集C中两点P₁(x₁，y₁)和P₂(x₂，y₂)，计算两点所连接的单一弦长的内弦长和外弦长，可按如下具体步骤计算：

步骤401、用公式计算点P₁和点P₂之间的弦长，即两点之间的弦长用欧式距离这一量度来表示；

步骤402、将分别计算(x₁-x₂)和(y₁-y₂)得到的值取绝对值并分别赋值与X和Y，取X和Y中的较大者并赋值与N；

步骤403、比较X和Y的大小，如果X≥Y，则执行步骤404，否则，执行步骤410；

步骤404、比较x₁和x₂的大小，如果x₁＞x₂，则执行步骤405，否则，执行步骤406；

步骤405、分别交换x₁、x₂和y₁、y₂的大小，即使点P₁表示P₁、P₂两点中横纵标值较小的像素点，点P₂表示横坐标值较大的像素点；

步骤406、将i赋值为1，并执行步骤407；

步骤407、计算λ＝i/(N-i)，计算(y₁+λ*y₂)/(1+λ)并四舍五入取整赋值与

步骤408、i加1并赋值与i，并判断i是否大于N-1，若不是，则执行步骤407，若是，则执行步骤414；

步骤409、比较y₁和y₂的大小，如果y₁＞y₂，则执行步骤410，否则，执行步骤411；

步骤410、分别交换y₁、y₂和x₁、x₂的大小，即使点P₁表示P₁、P₂两点中纵纵标值较小的像素点，点P₂表示纵坐标值较大的像素点；

步骤411、将i赋值为1，并执行步骤412；

步骤412、计算λ＝i/(N-i)，计算(x₁+λ*x₂)/(1+λ)并四舍五入取整赋值与

步骤413、i加1并赋值与i，并判断i是否大于N-1，若不是，则执行步骤412；若是，则执行步骤414；

步骤414、将x₂赋值与y₂赋值与将k赋值为0，i赋值为1；

步骤415、计算k＝k+f(x_i，y_i)；

步骤416、i加1并赋值与i，并判断i是否大于414，若不是，则执行步骤O，若是，则执行步骤417；

步骤417、计算r＝k/N，返回内弦长l^(l)＝r*l，外弦长l^(o)＝(1-r)*l。

步骤5、固定s，令i从1变化到N，我们得到N段同为s个单位弧段所对应的弦，即轮廓线上的每一点都作为一次起始点。通过计算每一段弦的内外弦长，我们得到内弦长序列和外弦长序列需要指出的是，因为轮廓线是闭合的，所以任意一段弦都对应弧长分别为s个单位长度和N-s个单位长度的两段弧，为避免数据冗余，我们让弧长s取值1，2，...，M＝N/2。这里N＝128，M＝64，由此得到两个64×128的矩阵，分别称为内弦长矩阵ICM和外弦长矩阵OCM；

步骤6、使内外弦长特征向量ICM和OCM满足平移、选择和伸缩的几何不变性。具体包括以下步骤：

步骤601、这里弦长用两点之间的欧式距离计算，欧式距离是相对距离，很容易证明弦的内外弦长保持不变。因此，目标形状的内弦长矩阵和外弦长矩阵具有内在的对目标的平移不变性；

步骤602、当目标形状发生旋转时，内外弦长的长度值不会发生改变。然而旋转会使轮廓线采用的初始点发生改变，在计算内外弦长特征向量时，会使矩阵每一行发生循环位移。如矩阵第i行，j列的元素移动到第i行，j+t列，其中1≤t≤n是位移量。

傅里叶描述子是一种经典的基于轮廓形状的描述方法，利用该方法进行旋转归一，可以保留矩阵行元素之间的相对位置关系。具体做法如下：将矩阵每一行看作是一维的离散信号，并进行一维傅立叶变换，用傅立叶变换系数的模替换原来的行。一维离散信号傅立叶变换如下所示。

这里采样的封闭轮廓线点集{(x_i，y_i)}可看作一个一维的复数序列{C(i)}，其中我们令C_i＝x_i+jy_i，表示为{C(i)}，i＝1，2，...，128；

步骤603、当目标形状发生伸缩变换是，目标函数f(x，y)变为f(αx，αy)，设α＞0为缩放系数。那么内外弦长和外弦长变为和我们采用四种方法进行缩放归一化操作，分别为-A，-M，-RA，-R，(1)用整个矩阵的最大值对矩阵的每一个元素进行归一；(2)用整个矩阵的平均值对矩阵的每一个元素进行归一；(3)对矩阵的每一行的每一个元素，用该行的最大值进行归一；(4)对矩阵的每一行的每一个元素，用该行的平均值对其进行归一。前两种采用的是是全局尺度归一方法，后两种采用的是局部尺度归一方法。需要指出的是，如果出现用于作归一化操作的最大值或均值为0的情况，例如一个凸的形状轮廓线其外弦长矩阵为0矩阵，则该矩阵或矩阵的行已经满足缩放的不变性，不需要执行归一化操作。同时需要指出的是，我们用同一种缩放归一化方法分别对内外弦长特征向量ICM和OCM进行归一化操作。

步骤7、将步骤6归一化后的内弦长矩阵ICM_N和外弦长矩阵OCM_N分别乘以w和1-w。这里w表示权重系数，用来调节内外弦长在目标识别中的贡献；

步骤8、将两个矩阵按行分别拉成一维向量，将两个向量组合起来构成的新的一维向量，该向量的维数为N²。称之为内外弦长特征向量(IOCV)，可以用如下形式表示：

步骤9、对于测试集中的每一幅叶片图像，依照步骤2至步骤8提取出测试集中每张叶片图像的N²维一维向量。C表示测试集中植物叶片样本数，K表示每一类样本中叶片图像数，测试集中叶片总数为S＝C×K。那么测试集中每一幅叶片图像所提取的一维向量作为矩阵一行，所有叶片图像提取的一维向量组合起来构成一个S×N²的矩阵，称之为特征数据库；

步骤10、为了进一步的抽取目标形状的鉴别信息和压缩特征空间的维数，本发明将传统的线性判别式分析(Linear Discriminant Analysis)特征降维方法应用于步骤9中所提取的矩阵，构造降维特征数据库，具体流程框图如附图图2。得到一个(C-1)维的降维空间，每一维中有N²个值(N＝128)；

步骤11、将步骤9提取得到的S×N²的矩阵投影到步骤10的降维空间中，得到一个S×(C-1)大小的矩阵，称之为降维数据库；

步骤12、将用于测试的一张叶片图像T，执行步骤2至步骤8，同样提取出N²维向量；

步骤13、将步骤12提取的一维向量投影到步骤10中的降维空间中，得到一个(C-1)维的行向量；

步骤14、将步骤13得到的一维行向量依次与降维数据库中矩阵的每一行进行差异性度量，需要指出的是降维数据库中矩阵的每一行表示测试集中的一幅叶片图像X_i，i＝1，2，...，S。差异性度量公式如下：

这里参数w是权重系数，用来调节内弦长和外弦长在目标识别中的贡献，N是轮廓线采样点的个数为128，M＝N/2＝64；

步骤15、选取与测试图像T差异值最小的第j幅叶片图像。差异值最小的计算可以用如下公式表示：

R_j＝min(D_i)，i＝1，2，...，S＝C×K (8)

计算所选取的差异值最小的植物叶片图像所在的类，并判断是否与测试的植物叶片属于同一类。此识别方法称为最近邻匹配(1NN)；

步骤16、将w赋值为0.50，调增w的值，每次增加0.05，直到w＝1.00。每调节一次就重复执行步骤2到15。报告识最高识别率和获得最高识别率时所对应的权重w的值。

为了验证本发明方法的效果，进行了以下实验：

1、实验条件：

在一台计算机上进行验证实验，该计算机配置为英特尔双核处理器(2300兆赫兹)和4096兆字节随机存取存储器(RAM)，编程语言用的是Matlab(7.10版本)。

2、实验方法：

实验采用基本图像识别框架(如附图1所示)，将图中实线框所示的部分代替虚线框所示的部分。本实验在两个植物叶片图像库上进行，分别为经典的Swedish叶片图像库(如附图3所示)和我们自己从野外采集的Leaf100叶片图像库(如附图4和5所示)。由于本实验是进行植物叶片的识别分类，因此需将两个叶片图像库分别分成训练集和测试集两个子集。Swedish叶片数据库中有25类植物样本，每类植物样本中包含75张叶片图像，我们取每类植物样本中前50张叶片图像，即1250张叶片图像构成训练集，剩余的625张叶片图像构成测试集。Leaf100叶片数据库中有100类植物样本，每类植物样本中包含12张叶片图形，我们取每类植物样本中前6张叶片图像，即600 张叶片图像构成训练集，剩余600张叶片图像构成测试集；

训练过程：依次对训练集中的叶片图像灰度化，然后进行二值化，对二值化后的叶片图像进行最大边界追踪。对提取出的形状轮廓线均匀采样128各点。以采样的点集中每一个点集为初始点，计算逆时针旋转s个弧段的点所连接的弦的内弦长和外弦长，得到内弦长序列和外弦长序列这里s表示连接两点的线所经过的弧段数，定义为尺度级，尺度级为整数。让s从1变化到M＝N/2，不同尺度级的内弦长序列和外弦长序列构成内弦长矩阵ICM和外弦长矩阵OCM。分别对内外弦长特征向量进行归一化，使其满足平移、旋转和伸缩不变性。将两个归一化的矩阵按行拉成一维向量，并组合起来构成一个新的一维向量(维数为N²)。训练集中每一幅叶片图像所提取的N²维一维向量组合起来构成特征数据库。为抽取目标形状的鉴别信息和压缩特征空间的维数，传统特征降维方法LDA应用于所提取的特征数据库中，获得降维空间。将特征数据库中矩阵投影到降维空间，提取出更具鉴别能力的压缩降维数据库。

测试过程：对测试集中的一幅叶片图像按照训练过程中的流程提取出N²维的一维特征向量，依次与降维数据库中的矩阵每一行进行差异性度量，需要指出的是矩阵的每一行都对应测试集中的一幅叶片图像。与该幅图像差异性最小的矩阵行所对应的叶片图像即为识别出的与用于测试的叶片图像最相似的图像。

3、实验结果的评价指标：

实验结果采用最近邻匹配(1NN)计算识别率。

具体步骤如下：

对应测试集中的m幅植物叶片图像，重复测试过程。比较每次用于测试的叶片图像所在的类与识别出差异性最小，即最为相似的叶片图像所在的类是否为同一植物样本类。若是，则将O_i＝1；若不是，则将O_i＝0。因此O＝{O_i}构成一个值为0或1的一维向量，i＝1，2，...，m

计算识别率的公式如下：

这里sum(·)表示向量O中所有元素之和。

4、与现有技术的对比实验结果：

表2到表3给出了分别在经典的Swedish植物叶片图像库和我们自己采集的 Leaf100植物叶片图像库上提取叶片轮廓线形状内外弦长特征向量描述子、多尺度距离描述子和FD描述子，并应用LDA特征降维后的识别率。这里需要注意的是，将LDA应用于FD描述子是取傅立叶变换后一维函数的前(C-1)个系数，C表示所应用的植物叶片图像库中叶片的种类数。为了消除噪音的干扰，实验中取前2值C个一维傅立叶变换系数。

其中-M，-A，-RM，-RA，分别表示四种归一化方法，依次为(1)用整个矩阵的最大值对矩阵的每一个元素进行归一；(2)用整个矩阵的平均值对矩阵的每一个元素进行归一；(3)对矩阵的每一行的每一个元素，用该行的最大值进行归一；(4)对矩阵的每一行的每一个元素，用该行的平均值对其进行归一。w表示权重参数，表示的是内弦长矩阵在识别中的贡献，那么1-w则表示外弦长在识别识别中的贡献。表中给出了在具体的某种归一化方法下，达到最高识别率是内弦长矩阵贡献的大小。

表2在Swedish叶片数据库上进行LDA降维特征比较的识别率(％)

表3在Leaf100叶片数据库上进行LDA降维特征比较的识别率(％)

由表2可以观察，在Swedish叶片数据库中，MDM和IOCV的方法均优于FD的方法，而-M，-A，-RM，-RA四种归一化方法中IOCV描述子分别比MDM描述子高出6.93个百分点、4.4个百分点、3.83个百分点和2个百分点。由表3可以观察发现，在Leaf100叶片数据库中，FD的方法要优于MDM方法，-M，-A，-RM，-RA四种归一化方法中，FD描述子的识别率分别比MDM描述子高出了17.5、11.66、8.33和8个百分点；而IOCV方法要优于FD的方法，-M，-A，-RM，-RA四种归一化方法中，IOCV 描述子的识别率分别比FD描述子高出3、6、12.34和5.17个百分点。因此，相较于MDM和FD描述子，IOCV描述子能够获得更高的识别率。

Claims (7)

1.一种数字图像识别方法，包括对目标图像轮廓线形状特征描述的方法，所述描述方法利用内外弦长特征向量(IOCV)来描述轮廓线形状，其特征在于，IOCV能够抽取出轮廓线形状的凸凹特性。

2.如权利要求2所述内外弦长特征向量，其特征在于，一个目标轮廓线形状为二值化的图像可以一般的表示为如下形式：

$f(x,y)=\left\{\begin{array}{cc}1,& if(x,y)\∈D\\ 0,& otherwisee\end{array}\right.$

这里x，y表示目标图像形状的横纵坐标。D是目标形状在图像中的分布区域。抽取形状f的轮廓线并对其进行均匀采样，构成一个N个像素点的有序点集C＝{P_i(x_i，y_i)}，i＝1，2，...，N，这里N取偶数为128，因为目标轮廓线是闭合的，所以这里P_N+i＝P_i。

3.如权利要求2所述二值图像的轮廓线有序点集C，其特征在于，令l_si表示从轮廓上的点P_i(x_i，y_i)出发，沿逆时针方向到达另一点P_i+s(x_i+s，y_i+s)所经过的弧段的弦的长度，可以用如下公式表示：

$l_{si}=\sqrt{{\left(x_i-x_{i+s}\right)}^2+{\left(y_i-y_{i+s}\right)}^2}.$

依据该弦落在形状区域D内部和外部将弦进行切割。该弦落在形状区域D内的部分的长度用表示，称其为内弦长；落在形状区域D的外部的长度用表示，称其为外弦长。

4.如权利要求3所述的内弦长和外弦长其特征在于，令x₁＝min{x_i，x_i+s}，x₂＝max{x_i，x_i+s}，y₁＝min{y_i，y_i+s}，y₂＝max{y_i，y_i+s}，则和可以用如下形式表示：

$l_{si}^{\left(I\right)}={\∫}_{x_1}^{x_2}{\∫}_{y_1}^{y_2}f(x,y)\mathrm{\δ}(Ax+By-C)dxdy$

$l_{si}^{\left(O\right)}=l_{si}-l_{si}^{\left(I\right)}$

这里A＝(y_i+s-y_i)/l_si，B＝(x_i+s-x_i)/l_si，C＝(x_iy_i+s-y_ix_i+s)/l_si。δ(·)表示Dirac函数。需要指出的是，这里Ax+By+C＝0是点P_i和点P_i+s所连接直线的法线式方程。从内弦长公式可以看出，内弦长实质上是形状函数f(x，y)在线段P_iP_i+s上的投影长度。

5.如权利要求4所述的内弦长和外弦长其特征在于，固定s，令i从1变化到N，我们得到N段同为s个单位弧段所对应的弦，即轮廓线上的每一点都作为一次起始点逆时针移动s个弧段所对应的弦。通过计算每一段弦的内外弦长，我们得到内弦长序列和外弦长序列需要指出的是，因为轮廓线是闭合的，所以任意一段弦都对应弧长分别为s个单位长度和N-s个单位长度的两段弧，为避免数据冗余，我们让弧长s取值1，2，...，M＝N/2。由此得到两个M×N的矩阵，分别称为内弦长矩阵ICM和外弦长矩阵OCM。

$\begin{array}{cc}ICM=\left(\begin{array}{cccc}{l}_{11}^{\left(I\right)}& l_{12}^{\left(I\right)}& ...& l_{1N}^{\left(I\right)}\\ l_{21}^{\left(I\right)}& l_{22}^{\left(I\right)}& ...& l_{2N}^{\left(I\right)}\\ ...& ...& ...& ...\\ l_{M1}^{\left(I\right)}& l_{M2}^{\left(I\right)}& ...& l_{MN}^{\left(I\right)}\end{array}\right)& OCM=\left(\begin{array}{cccc}{l}_{11}^{\left(O\right)}& l_{12}^{\left(O\right)}& ...& l_{1N}^{\left(O\right)}\\ l_{21}^{\left(O\right)}& l_{22}^{\left(O\right)}& ...& l_{2N}^{\left(O\right)}\\ ...& ...& ...& ...\\ l_{M1}^{\left(O\right)}& l_{M2}^{\left(O\right)}& ...& l_{MN}^{\left(O\right)}\end{array}\right)\end{array}$

、如权利要求7所述的内弦长矩阵ICM和外弦长矩阵OCM，其特征在于，对内外弦长分别进行归一化，使内外弦长特征向量ICM和外弦长矩阵OCM满足平移、选择和伸缩的几何不变性。

6.如权利要求5所述的归一化后的内弦长矩阵ICM_N和外弦长矩阵OCM_N，其特征在于，将两个归一化分别按行拉成一维向量，将内外弦长向量进行组合构成轮廓线凸凹形状特性的描述子，我们称之为内外弦长特征向量(IOCV)。

7.如权利要求6所述欧式距离表示的内弦长特征向量和外弦长特征向量在使用差异度比较时贡献不同，轮廓线形状凸凹特征融合时用权重w和1-w来调节内弦长和外弦长特征向量在识别中的贡献差异。