基于多特征融合的簡單背景下的葉片識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機圖像處理領(lǐng)域，涉及一種基于多特征融合的簡單背景下的葉片 識別方法。
【背景技術(shù)】
[0002] 隨著圖像獲取設(shè)備及互聯(lián)網(wǎng)的迅速發(fā)展，海量的圖像數(shù)據(jù)正在生成，而這些圖像 所包含的信息也變得越來越重要。如何利用計算機視覺、機器學(xué)習(xí)等技術(shù)方便、快速地檢索 圖像，也逐漸變成了研宄熱點。
[0003] 從上世紀(jì)70年代開始，圖像檢索這個領(lǐng)域已經(jīng)十分活躍。首先主要是基于文本的 圖像檢索技術(shù)，將圖像與對其的文本描述存儲至數(shù)據(jù)庫中，而查詢時是根據(jù)對圖像的文本 描述進行檢索。但是慢慢的基于文本的圖像檢索技術(shù)的問題就越來越多了。由于當(dāng)時的技 術(shù)受限必須由人工來對圖像進行進行關(guān)鍵字的標(biāo)注工作，非但十分耗時耗力，而且人工的 標(biāo)注往往存在一些偏差，最終導(dǎo)致錯誤的檢索結(jié)果。同時，圖像中包含的視覺特征在該技術(shù) 下也被完全忽略了。
[0004] 到了上世紀(jì)90年代，為了克服基于文本的圖像檢索技術(shù)產(chǎn)生的一系列問題，基于 內(nèi)容的圖像檢索技術(shù)誕生了?；趦?nèi)容的圖像檢索技術(shù)不需要對圖像進行人工標(biāo)注，而是 利用計算機視覺技術(shù)對越圖像提取其視覺特征，例如顏色、形狀和紋理等，然后再對特征進 行匹配，最后返回用戶相似的圖像?，F(xiàn)在，該技術(shù)已經(jīng)得到了廣泛應(yīng)用，包括公安部門指紋 圖像的分析、衛(wèi)星云圖的分析等。
[0005] 現(xiàn)在，基于內(nèi)容的細(xì)粒度的圖像檢索正在興起。傳統(tǒng)的基于內(nèi)容的圖像檢索旨在 對不同大類的物體圖像進行分類，而人們越來越希望能對于同一大類物體的圖像進行檢 索，例如鳥類、真菌等，于是基于內(nèi)容的細(xì)粒度圖像的檢索應(yīng)運而生。
[0006] 植物作為人類賴以生存的元素，自然是人類關(guān)注的焦點，人類對于通過計算機而 非人工來自動完成對植物圖像的鑒別、分類以及檢索工作的需求也越來越迫切。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于多特征融合的簡單背景下 的葉片識別方法。
[0008] 本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于多特征融合的簡單背景下 的葉片識別方法，包括以下步驟：
[0009] (1)經(jīng)過大津閾值法將葉片圖像中的葉片與背景分割開來獲得葉片；
[0010] (2)對分割得到的葉片圖像提取多個葉片特征，包括多尺度三角特征、定向片段直 方圖、基于輪廓關(guān)鍵點的特征以及葉片的幾何特征；
[0011] (3)在進行葉片識別時，將多個葉片特征通過基于位置敏感哈希（LSH)方法映射 到哈希表，每個葉片特征都通過K近鄰得出與它最匹配的候選特征列表；使用加權(quán)置信評 分得到最后的識別結(jié)果；
[0012] (4)對步驟3得到的識別結(jié)果通過潛在語義分析算法進行進一步重排序，提高識 別效果。
[0013] 進一步地，所述步驟1中，大津閾值法使用某一個閾值將灰度圖像根據(jù)灰度大小， 分成目標(biāo)部分和背景部分兩類，在這兩類的類內(nèi)方差最小和類間方差最大的時候，得到的 閾值是最優(yōu)的二值化閾值；具體包括以下子步驟：
[0014] (1. 1)將簡單背景下的葉片圖像轉(zhuǎn)換為灰度圖；
[0015] (1. 2)計算灰度圖的平均灰度：對于一張大小為MXN的圖像，統(tǒng)計獲得灰度為i 對應(yīng)的像素個數(shù)為rV則平均灰度值u可由下式得出：
【主權(quán)項】
1. 一種基于多特征融合的簡單背景下的葉片識別方法，其特征在于，包括w下步驟： (1) 經(jīng)過大津闊值法將葉片圖像中的葉片與背景分割開來獲得葉片； (2) 對分割得到的葉片圖像提取多個葉片特征，包括多尺度=角特征、定向片段直方 圖、基于輪廓關(guān)鍵點的特征W及葉片的幾何特征； (3) 在進行葉片識別時，將多個葉片特征通過基于位置敏感哈希（LSH)方法映射到哈 希表，每個葉片特征都通過K近鄰得出與它最匹配的候選特征列表；使用加權(quán)置信評分得 到最后的識別結(jié)果； (4) 對步驟3得到的識別結(jié)果通過潛在語義分析算法進行進一步重排序，提高識別效 果。
2. 根據(jù)權(quán)利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟1具體包括W下子步驟： (1. 1)將簡單背景下的葉片圖像轉(zhuǎn)換為灰度圖； (1. 2)計算灰度圖的平均灰度：對于一張大小為MXN的圖像，統(tǒng)計獲得灰度為i對應(yīng) 的像素個數(shù)為ni，則平均灰度值U可由下式得出：
(1. 3)計算求解最佳閥值t的相關(guān)變量；記t為目標(biāo)與背景的分割閥值，目標(biāo)像素占的 比例為Wi，目標(biāo)像素的平均灰度為Ui，則
其中Wi是灰度值大于t的統(tǒng)計值；
同理可得到背景像素占的比例W2及平均灰度U2; (1. 4)求解最佳閥值t;遍歷步驟1. 3中得到的t，使得下式最大： G=Wi* (Ui-U) 2+"2* (U2-U) 2 (1. 5)將根據(jù)閥值t獲得的背景像素賦予白色。
3. 根據(jù)權(quán)利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟2中，所述多尺度=角特征具體為：形狀邊界由N個均勻地分布在葉片輪廓 上的采樣點Pi，...，Pw的序列表示，然后將該些采樣點按照順時針的順序進行排列；每個采 樣點Pi由在不同尺度下的Ns個S角形進行表示；引入d(k)用于表示在尺度k中的S角形 點之間的距離，由邊界點的數(shù)量進行表述，其中1《k《化；選擇在Pi兩側(cè)的化個點組成的 兩個集合來描述Pi,化的選擇取決于是否尋求捕獲本地或全局信息；距離d(k)為均勻的或 對數(shù)的海一個邊界點Pi與化個立角形相關(guān)聯(lián)，該些立角形由邊界點Pwoo、P山及Pwoo組 成；使用S角形邊長和角度特征（TSLA) ; A)=(巧1作7;)，...，巧心/(7,八'、)）; 假設(shè)Lik，L2K和L3k是由邊界點Pi-doo、P山及Pwoo組成的；角形於；條邊，且長度從小到大 排列，設(shè)Mk=Lik/Lsk、Nk=L2k/L3k，假設(shè)0為S角形7l的頂點Pi的角度的絕對值，則於的TSLA特征可表述為S元組（Mk，Nk，0 )。
4. 根據(jù)權(quán)利要求1所述的一種基于多特征融合的簡單背景下的葉片識別方法，其特征 在于，所述步驟2中，所述定向片段直方圖具體為；任何輪廓都是一連串連續(xù)的元素成分組 成的，一個元素成分可W是一個像素；對于輪廓上的每個像素，通過計算兩個變量的均值來 關(guān)聯(lián)方向信息，該兩個變量為從原始圖像計算出的梯度的角度0W及0的導(dǎo)數(shù)0';變量 0的值是絕對的，它對應(yīng)于原始圖像的梯度角度；該些角度被投影到一個量化的[〇,2n