（控制理论与控制工程专业论文）基于图像多分辨率分析的植物叶片识别系统的研究.pdf

基于图像多分辨率分析的植物叶片识别系统的研究 摘要 植物是世界上物种数量最多，分布最广泛的生命形式，影响着人类赖以生存的生态 环境。因此快速有效地识别植物种类，对于区分植物、探索植物间亲缘关系、阐明植物 系统进化规律具有重要意义。 本文以提取图像纹理特征为理论依据，采用植物叶片图像来进行植物物种的识别。 由于多分辨率分析在图像处理上，尤其是在纹理分析中有着广泛的应用，因此我们将其 运用到植物叶片图像的识别中。我们将g a b o r 滤波方法和近年来热门的小波分解方法也 应用于植物图像分析。为使提取的植物图像纹理特征具有旋转不变性，同时为尽量消除 光照的影响，我们引入了一种近几年新兴的局域二值模式( l b p ) 纹理分析方法，这种 方法通过刻画图像像素点邻域内灰度的变化来描述图像的纹理结构特征。为克服l b p 由于采用多分辨率而导致的存储空间呈指数增长的缺点，我们提出一种g a b o r 分块局域 二值模式方法，它充分利用g a b o r 滤波的多尺度和l b p 的恒定二值编码的特点，因为 l b p 具有灰度尺度和旋转不变性，降低了光照和旋转变形对识别效果的影响，同时通过 分块处理增强了局域特征描述的能力，使之更适合植物图像处理。提取出纹理特征后， 利用支持向量机分类器对植物叶片进行识别，以达到植物物种分类的目的。实验表明， 该方法分类效果良好。同时，我们使用v i s u a lc + + 6 o 开发了植物叶片图像识别系统， 已经实现了对2 7 种约5 0 0 幅叶片图像的快速识别。 本文最后指出了对于植物分类研究存在的一些问题及今后要进一步开展研究的工 作。 关键字：多分辨率分析；统计纹理特征；小波变换；g a b o r 变换；局域二值 模式( l b p ) ；支持向量机( s v m ) 基于图像多分辨率分析的植物叶片识别系统的研究 a b s t r a c t p l a n ti saf a m i l i a rl i v i n gf o r m 、析t ht h el a r g e s tp o p u l a t i o na n dt h ew i d e s td i s t r i b u t i o no n t h ee a r t h ，w h i c hp l a y sa l li m p o r t a n tr o l ei ni m p r o v i n gt h ee n v i r o n m e n to fh u m a nb e i n g s i ti s v e r yi m p o r t a n tt or e c o g n i z et h ep l a n ts p e c i e sc o r r e c t l ya n dq u i c k l yi n t h ec o l l e c t i n ga n d p r e s e r v i n gg e n e t i cr e s o u r c e s ，t h ed i s c o v e r yo f n e ws p e c i e s ，p l a n tr e s o u r c es u r v e y sa n dp l a n t s p e c i e sd a t a b a s em a n a g e m e n t t h i st h e s i sp r o p o s e sa ni m p l e m e n t a t i o nf r a m eo fp l a n tr e c o g n i t i o nb a s e do nl e a v e s i m a g e sb ym e a n so fe x t r a c t i n gt e x t u r ef e a t u r e s m u l t i r e s o l u t i o na n a l y s i sa r ew i d e l ya p p l i e d i ni m a g ep r o c e s s i n gf i e l d ，e s p e c i a l l yi nt e x t u r ea n a l y s i s h e n c e ，w ea p p l i e di tt oi m a g e - b a s e d l e a v e sr e c o g n i t i o n w ea d o p tg a b o rf i l t e r sa n dw a v e l e tt r a n s f o r mw h i c hi sq u i t ep o p u l a ri n r e c e n ty e a r si np l a n ti m a g e sa n a l y s i s an e w l ya p p e a r e dm e a n so ft e x t u r ea n a l y s i sc a l l e dl o c a l b i n a r yp a t t e mi si n t r o d u c e dt om a k et h ei m a g e sr o t a t i o ni n v a r i a n ta n de l i m i n a t et h ei m p a c to f i l l u m i n a t i o n i td e s c r i b e dt h et e x t u r ea n ds t r u c t u r a lc h a r a c t e r i s t i c sb yd e p i c t i n gt h e 伊a yl e v e l c h a n g e si nt h ep i x e l s n e i g h b o r h o o d i nt h i st h e s i sam e t h o do fb l o c kl o c a lg a b o rb i n a r y m o d ei sp r o p o s e di no r d e rt oo v e r c o m et h ed e f e c tc a u s e db yl b pf o ri t se x p o n e n t i mg r o w t hi n s t o r a g es p a c e i tm a k e sf u l l u s eo ft h em u l t i - s c a l ec h a r a c t e r i s t i c so fg a b o rf i l t e r sa n dt h e c o n s t a n tb i n a r ye n c o d i n gc h a r a c t e r i s t i c so fl b pw h i c hi sg r a y s c a l e da n dr o t a t i o ni n v a r i a n t i t c a nr e d u c et h ee f f e c t so fi l l u m i n a t i o n a tt h es a m et i m e ，t h eb l o c kp r o c e s s i n ge n h a n c e st h e a b i l i t yo fl o c a lc h a r a c t e r i z a t i o n t h e r e f o r e ，i tm a k e st h e mm o r es u i t a b l ef o ri m a g ep r o c e s s i n g a f t e re x t r a c t i n gt h et e x t u r ef e a t u r e s ，w eu t i l i z es u p p o r tv e c t o rm a c h i n ea sc l a s s i f i e rt o r e c o g n i z et h ep l a n tl e a v e s t h ee x p e r i m e n t a lr e s u l t ss h o wt h a ti ti sa ne f f e c t i v em e t h o d a tt h e s a m et i m e ，w eh a v ed e v e l o p e dap l a n tl e a fi m a g er e c o g n i t i o ns y s t e mu s i n gv i s u a lc + + 6 0 n o wt h e r ea r e2 7c l a s s e sw h i c hc o n t a i na b o u t5 0 0p l a n tl e a v e sh a v i n gb e e ns u c c e s s f u l l y c l a s s i f i e d f i n a l l y , t h ew o r k so ft h i st h e s i sa r eb r i e f l ys u m m a r i z e da n dv i e w e d ，a n df u r t h e rr e s e a r c h w o r k sa r ea l s od i s c u s s e da n dp r o p o s e d k e y w o r d s ：m u l t i - r e s o l u t i o na n a l y s i s ；s t a t i s t i c a l t e x t u r ef e a t u r e s ；w a v e l e t t r a n s f o r m ；g a b o rt r a n s f o r m ；l o c a lb i n a r yp a t t e r n ；s u p p o r tv e c t o rm a c h i n e i i 曲阜师范大学博士硕士学位论文原创性说明 ( 在口划“4 ) 本人郑重声明：此处所提交的博士口硕士囹论文基于图像多分辨率 分析的植物叶片识别系统的研究，是本人在导师指导下，在曲阜师范大学 攻读博士口硕士囤学位期间独立进行研究工作所取得的成果。论文中除注 明部分外不包含他人已经发表或撰写的研究成果。对本文的研究工作做出重 要贡献的个人和集体，均已在文中已明确的方式注明。本声明的法律结果将 完全由本人承担。 作者签名：蝻j 尊色日期：加1 多即 曲阜师范大学博士硕士学位论文使用授权书 ( 在口划“) 基于图像多分辨率分析的植物叶片识别系统的研究系本人在曲阜师范大 学攻读博士口硕士曰学位期间，在导师指导下完成的博士口硕士囤学位 论文。本论文的研究成果归曲阜师范大学所有，本论文的研究内容不得以其 他单位的名义发表。本人完全了解曲阜师范大学关于保存、使用学位论文的 规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文 被查阅和借阅。本人授权曲阜师范大学，可以采用影印或其他复制手段保存 论文，可以公开发表论文的全部或部分内容。 作者签名：特丰拖日期：加q 5 魅 导师签名：日期： 甲产 ，0 埸 基于图像多分辨率分析的植物叶片识别系统的研究 1 1 课题背景 1 1 。1 植物的重要性 第一章绪论 植物是世界上物种数量最多，分布最广泛的生命形式，影响着人类赖以生存的生 态环境。首先，通过光合作用植物能不断产生氧气，以保证空气中氧气和二氧化碳的 平衡，同时能不断改善人类的生存环境，防止水土流失，抑制荒漠并改善气候等。其 次，植物是人类重要的食物来源，如谷物、蔬菜、水果等。据统计，地球上约有8 万种植物可食用，而人类历史上仅用了约7 0 0 0 种。再次，作为生态系统最重要而基 础的生产者角色，以及构成自然栖地最根本要素的植物有着极为重要的生态地位。许 多的有益微生物、濒临绝种的动物、药用物质开发源以及作物品种的来源都来自植物； 尤其许多植物所构成的群落( 森林系统) 可说是大自然所赐与人类最具有经济、生态和 社会三大效益的礼物了。就目前而言，地球上已经被定义、命名的生物约有1 0 0 0 万 种左右，然而许多学者估计，全世界仍旧还有1 0 0 0 万种生物未被定义、命名，甚至 尚未被人发现。 由于社会经济的快速成长，在人口日益密集与经济开发的压力下，人们与自然界 的生物争地，当中第一个遭殃的往往就是植物。不仅海拔二千公尺以下平原地带的原 生森林几乎因为开发而消失殆尽，就连中高海拔地区也渐因茶叶采摘、蔬菜种植、果 树种植、森林开采与铁路公路开发等，而导致广大的植物栖地逐渐破碎与减少，许多 原生植物族群，不仅日益减少，甚至趋向绝灭。根据许多演化学者、生物分类学者及 其他相关的生物学者推断，在地球上有生物以来已经经历了至少三十多亿年里，至少 有1 亿种以上的物种已经灭绝。根据美国植物学家的最新研究表明，目前尚存的2 0 0 0 万种植物中约有4 7 可能会灭绝。这一影响带来的恶性循环造成的损失和破坏难以估 计，如土地荒漠化、气候异变、洪水泛滥等等 1 】。 1 1 2 植物图像识别的意义 显然，对于植物的破坏给人类带来了沉重的灾难。现在人们已经充分认识到保护 环境的重要性，除了保护环境避免生态破坏，对植物进行分类研究并建立植物物种数 据库越来越受到人们的关注。 目前的植物识别和分类工作主要由人工完成。然而由于学科发展的原因，目前从 事植物经典分类工作的人数呈现出明显的下降趋势，且老龄化现象十分严重，植物分 基于图像多分辨率分析的植物叶片识别系统的研究 类学已经成为一个“濒危学科 2 】。这对于植物分类学本身、植物保护和国民经济 的发展都会带来不利的影响。另外，地球上仅为人所知的有花植物就有大约1 0 0 0 万种， 面对如此庞大的植物世界，任何一个植物学家都不可能知道所有的物种和名称，这就 给进一步的研究带来了困难【3 ，4 】。并且传统的植物识别方法般是选用一些相对稳 定的外观特征，如花、果实、叶片等，通过人工采集标本，测量并获得形状和颜色特 征数据，再对这些数据进行分析，确定植物间的亲缘关系并进行分类。这些传统的方 法明显存在着工作效率低、工作量大并且误差大的缺点，而这些缺点都影响了数据分 类的客观性和精确性。随着现代科技的发展，这些问题都可能借助于计算机图像处理 和分析技术来解决。通过将对应植物数字图像输入计算机，利用图像处理技术、模式 识别技术且辅助以软件系统可以实现对植物的快速识别。 1 2 利用植物叶片的纹理特征进行植物物种识别 一般情况下，开花植物都具备的六种器官根、茎、叶、花朵、果实和种子，原则 上均可以作为分类依据，但是在传统植物分类学中通常以花朵、果实和种子为主。原 因是植物的花朵、果实和种子较为稳定。但由于花朵和果实都是三维形状，根据当前 的技术无法达到识别的目的，同时受季节因素影响在非成熟期不容易收集到样本，而 种子就更难。相比较而言，叶片稳定，且基本处于平面状态，适合于进行二维图像处 理，并且采集容易，因此现阶段我们主要采用叶片图像来识别植物。 在图像分析中，形状、颜色和纹理等特征都可以用来作为机器识别的特征。因此， 对于植物叶片来说，这三种特征也都可以作为叶片分类依据。由于叶片在不同季节会 呈现出不同颜色，且容易受关照和阴影的影响，因此颜色特征对于叶片识别来说不是 一个稳定的特征。至于形状特征是指叶片的形状和大小，叶片在形态上的多样性成为 植物分类和识别的重要依据 6 ，7 】。本文将重点从纹理特征提取角度进行植物物种识 别。 1 3 植物物种机器识别的国内外研究现状 近年来对植物物种的识别分类研究主要集中在农业领域的应用，例如田间杂草自 动识别、病虫害防治、对农作物生长态势的检测和农产品自动收获等。而对普遍意义 的普通植物种类识别的研究，即植物基础研究则相对较少。对于农业领域的应用，一 般有特定的应用目的，只识别一类或几类。而普通植物种类的识别则要求能够识别多 类。下面就其国内外的研究现状进行详细介绍。 1 作物生长态势监测 i s a h m a d 等 8 】用彩色图像评价缺水和缺氮对玉米生长的影响及由此而产生的 植株颜色的变化。研究发现：颜色是一个用来识别玉米植株和叶片的有效分类特征 2 基于图像多分辨率分析的植物叶片识别系统的研究 9 。孙德敏、王永等 1 0 ，1 1 】采用红外热像仪测量植物的叶面温度，研究了植物叶面 温度的纹理特征与光照强度的关系。在温度、湿度、风速等环境因子保持不变的情况 下，叶面温度的纹理特征与光强有较强的线性关系。 2 田间杂草自动识别 m e y e r 等【1 2 在1 9 9 8 年利用纹理特征图像来识别土壤和杂草，使用灰度共生矩阵 方法得到4 个纹理特征。b u r k s 等 1 3 】在2 0 0 0 年也利用彩色纹理图像来进行杂草分类， 同样使用灰度共生矩阵方法，对土壤和5 种杂草的识别；随后，他们又使用彩色图像 共生矩阵纹理进行了杂草识别。中国农业大学的相阿荣等设计了一个基于颜色识别法 的杂草和土壤背景识别系统 1 4 ，15 】。2 0 0 7 年，毛文华等先利用颜色特征分割土壤背 景，然后利用位置和纹理特征识别行间和行内杂草，最后利用形态特征后处理误识别的 作物和杂草 1 6 】，吉林工业大学的吕朝辉等也利用机器视觉进行了田间植物检测与识 别技术的研究 17 】等。 3 植物病害自动检测 吉林大学的陈佳娟等 1 8 】在2 0 0 1 年应用图像处理和人工智能技术对植物病害自 动诊断技术进行了详细研究。该项研究综合了植物病害的形状、纹理、颜色信息，利 用多层次网络完成植物病种判别。江苏大学的毛罕平等 1 9 ，2 0 利用计算机图像处理技 术对黄瓜缺素判别和诊断进行了深入探讨。 4 普通植物识别 对普通植物识别的研究更多的侧重于如何提取有效的特征来进行分类。 i n g r o u i l l e 、l a i r d 2 4 和g u y e r 2 5 分别在1 9 8 6 年和1 9 9 3 年提取叶片形状特征对植物 进行分类。m c d o n a l d 等 2 1 1 在1 9 9 0 年利用数学形态学方法来进行植物的识别。r a y 2 6 在1 9 9 2 年提出一种“特征形状”的方法对叶片进行分类。r u i 等 2 7 】也在1 9 9 6 年提 出一种改进傅立叶描述子方法来进行植物叶片识别，这种方法将傅立叶变换的幅值和 相位独立计算以提高精度。m a n h 在2 0 0 0 年 2 2 和2 0 0 1 年【2 3 】利用变形结构来逼近叶 片，即首先找到骨架，然后在骨架上作垂线。 国内在这一方面的研究非常少。1 9 9 4 年，傅星、卢汉清【3 4 】开展了应用计算机进 行植物自动分类的初步研究。直到2 0 0 4 ，傅弘等【3 3 】提出了一种基于人工神经网络的 叶脉提取方法，利用边缘梯度、局部对比度和邻域统计特征等1 0 个参数来描述像素 的邻域特征，并将其作为神经网络的输入层，经过训练的神经网络能够提取叶脉图像。 2 0 0 2 年以来，池哲儒等进行了一系列植物识别的相关研究 2 9 ，3 0 ，3 1 ，提出一种中心 一轮廓距离曲线方法来匹配叶片形状，并通过不同特征的模糊集成实现植物图像的检 索。2 0 0 6 年，顾潇 3 2 提出了基于小波变换和多分辨率分析的叶片主脉络提取算法， 并以植物叶片脉络的统计纹理特征和r a d o n 变换特征为数据集，由径向基概率神经 网络( r b p n n ) 作为分类器来进行分类识别。2 0 0 8 年，贺鹏 2 8 】将形状特征和纹理 特征结合，然后以概率神经网络为分类器，实现对宽叶树种类的识别。 基于图像多分辨率分析的植物叶片识别系统的研究 对普通植物的识别与其它应用于特定目的的植物识别没有本质的区别，只是它更 具有普遍性。其识别方法稍加改动后就能应用于具有特定对象和目的的某个农业领 域，而且提取的特征也可应用于植物分类学。因此，本文的研究集中在具有普遍意义 的普通植物机器识别。 1 4 ，本文的创新点及章节安排 本文的主要工作是利用多分辨率分析来提取植物叶片的纹理特征，以实现植物物 种分类，提出了利用小波变换的不同尺度分解获得一个特征向量，同时应用基于g a b o r 变换和局域二值模式( l b p ) 法的g a b o r 分块局域二值模式法提取出叶片纹理特征， 然后应用支持向量机( s v m ) 进行分类，并完成系统软件的设计。 整个论文分为六个部分： 第一章：绪论。本章主要介绍了利用数字图像识别植物物种的课题背景，概括了 利用纹理特征进行植物分类的国内外研究现状，提出了利用多分辨率分析方法提取植 物叶片纹理特征的方法。 第二章：纹理特征提取。本章主要介绍了纹理的定义和主要的纹理分析方法，主 要有统计法、结构法和频谱法。其中基于统计法的纹理分析是该章节的重点，并详细 介绍了在此基础上的特征提取方法，如直方图法、共生矩阵法和游程法等。 ， 第三章：多分辨率分析。本章主要介绍了基于小波变换的多分辨率分析的发展背 景、原理及应用小波变换提取纹理特征的方法。同时给出了g a b o r d 、波变换的原理及 纹理特征提取方法。最后详细介绍了近年来比较热门的局域二值模式( l b p ) 的原理。 第四章：多分辨率分析及支持向量机在植物叶片识别中的应用。本章主要介绍了 图像分类的基本概念，提出了运用多分辨率分析来进行基于纹理特征的植物叶片图像 的自动识别算法，主要是利用g a b o r 分块局域二值模式方法来进行纹理特征的提取， 最后用支持向量机( s v m ) 分类器进行分类和识别，同时给出了识别结果。 第五章：植物叶片识别系统的实现。本章主要讨论的是我们的植物叶片图像识别 系统的实现。分别介绍了叶片图像识别的流程、系统实现的软硬件条件、系统特点。 并将系统按照功能的不同划分为九个模块，同时给出了系统运行时的屏幕截图。 第六章：总结与展望。本章对全文的工作做了总结，并对进一步的研究工作进行 了展望。 4 基于图像多分辨率分析的植物叶片识别系统的研究 2 1 纹理的定义 第二章纹理特征提取 纹理是图像分析中的常用概念，纹理分析已经在许多学科中得到了广泛的应用。无 论从理论还是常识出发，纹理信息都显然应该成为描述与识别图像的一项重要依据。与 其他图像特征或描述相比，纹理性质似乎能很好的兼顾图像宏观性质与细部结构两个方 面。 目前，对于纹理尚无正式的定义。一般来说，纹理应该具有如下的3 项基本要素： 1 某种局部的序列性在比该序列更大的区域内不断重复。 2 序列是由基本部分非随机排列组成的。 3 各部分大致都是均匀的统一体，纹理区域任何地方都有大致相同的结构尺寸。 即可以认为是由许多相互接近的、互相编织的元素构成，并且富有周期性。 图像的纹理从一般意义上来说是图像中灰度和颜色的变化，即灰度和颜色空间以一 定的形式变化而产生的图案( 模式) ，是真实图像区域固有的特征之一。任何物体的表 面，如果一直放大下去进行观察的话一定会显现出纹理。 图像中最基本的单元是像素。而由像素组成的具有一定形状和大小的集合，如条状、 丝状、圆状、块状等，就称为纹理基元。图像的纹理反映的就是反复出现的纹理基元和 它的排列规则。在某些图像中，例如砖块、格子窗等，有一个或几个图像周期性的重复 出现，通常称这种图像为确定型或结构型纹理图像；反之，不具有孤立的基本结构与明 显的周期性，而呈现某种随即结构的图像称为随机型纹理图像，例如指纹、遥感图像等。 本文重点讨论树叶纹理，属于随机纹理图像的范畴。 2 2 纹理分析方法 图像的纹理分析已经在许多学科得到了广泛的应用，特别是在气象云图、卫星遥感 地面图像和显微图像( 如细胞图像、催化剂表面图像等) 中。纹理分析在分析识别这些 图像时都起到了重要作用 3 5 。以气象云图为例，由于气象云图多是纹理型的，在红外 云图上，各种云类呈现的纹理特征完全不同，所以几种不同纹理特征的云类，如积雨云、 积云和层云的机器识别就可以用纹理作为一大特征。而对于卫星遥感地表图像，相当于 人们站在宇宙空间看地球，地表的山脉、草地、沙漠、大片森林、城市建筑等均表现了 不同的纹理特征。 直观来说图像的纹理描述了区域的平滑、稀疏、规则等特性 3 6 】，常用的三种纹理 描述方法有统计法、结构法和频谱法三类 3 7 】。 基于图像多分辨率分析的植物叶片识别系统的研究 2 2 1 统计法 在统计法中常用的有直方图法、灰度梯度法、自相关函数法和共生矩阵法。直方图 法又分为窗口直方图法和边缘直方图法。 直方图是图像窗口中，多种不同灰度的像素分布的概率统计。视觉系统所观察到的 图像窗口中的纹理基元必然对应于一定的概率分布的直方图，期间存在着一定的对应关 系。根据这个特点，就可以让计算机来进行两个适当大小的图像窗口的纹理基元的计算 和分析。若已知两个图像窗口中的一个窗口里的纹理基元、且两个窗1 2 1 的直方图相同或 相似，则说明第二个窗口中可能具有类似第一个窗口的纹理基元。若将连续的图像串口 的直方图的相似性进行比较，就可以发现及鉴别纹理基元排列的周期性及紧密性等。相 同的纹理基元具有相同的直方图，但相同的直方图可能会有不同的纹理基元相对应，所 以在运用直方图进行纹理基元的分析和比较时，还要加上基元的其它特征。 边缘直方图方法就是沿着边缘走向的像素的邻域，分析其直方图。若某一范围内有 尖峰，就说明在这个灰度范围内，纹理所具有的方向性。但是这种方法只能识别某些纹 理。 灰度梯度矩阵法就是计算一个小区域的灰度梯度，找出其方向，然后将若干个小区 域的方向加以综合，就可以找出该区域的纹理基元或纹理走向。 自相关函数法，就是对各种不同类的图像进行自相关函数的纹理分析。p ( x ，y ) 随x 、 y 大小变化而变化，与图像中纹理粗细的变化有着对应的关系。 灰度共生矩阵法除了借助图像的灰度信息外，还利用了像素间相对位置的空间信 息，通过条件概率来抽取纹理特征。 2 2 2 结构法 与统计法思想不同，结构分析法首先从像素出发，检测出纹理基元，并找出纹理基 元的排列信息，建立纹理基元模型。如果已知纹理基元，需要描述基元的排列规则。结 构法运用形式语言来描述各种纹理基元( 如s 、a ) 及其排列规则( 如s 一 a s ) ，通过语言 的重新组织而形成所需的纹理模式。 2 2 3 频谱法 频谱法是借助f o u r i e r 频谱的频率特征来描述周期或近乎周期的2 d 图像模式的方向 性。1 1 1 f o u r i e r 频谱中的尖峰对应纹理模式的主方向，这些峰在频域平面的位置对应模式 的基本周期，而将周期性成分滤出后，剩下的非周期性部分可用统计方法描述 3 8 】。 一般来说，对于有规则的纹理图像，如花布图案等，主要采用结构分析方法。而统 计法或频谱法则针对随机型纹理图像，如遥感图像中的森林、山脉、草地等，这些图像 6 基于图像多分辨率分析的植物叶片识别系统的研究 中的纹理细且无规则，所以只能采用这类方法。由于本文处理的是植物叶片图像，其图 像纹理没有规律可言，因此采用统计纹理分析方法。本文采用了三种统计方法来提取特 征。在统计纹理分析中，采用的方法不同，所提取的特征值定义也有所不同。 2 3 统计纹理方法及其特征提取 本章节讨论了基于统计特征的纹理分析方法，主要采用了一下三种方法：基于直方 图的方法、基于共生矩阵的方法和基于游程的方法。 2 3 1 基于直方图的方法 图像的灰度直方图可以描述图像的灰度分布情况，其横坐标为灰度级b 【o l - 1 】 ( 图像灰度级数为l ) ，纵坐标为该灰度b 在图像中出现的频率p ( b ) = n ( b ) m ，其中m 表 示了图像中总像素数目，n ( b ) 表示像素为灰度值6 的数目。因此p ( b ) 是一个在【0 ，1 】区 间的随机数，代表了区域的概率密度函数( p r o b a b i l i t yd e n s i t yf u n c t i o n ，p d f ) 。通常， 直方图给出了一副灰度图像的全局描述，它的一阶统计测度可以作为类别见的特征差 异，如均值、方差、偏度、峰度、能量、熵等 3 9 】： ( 1 ) 均值( m e a l l ) p ：表示灰度概率分布的均值。 p 。丢) ( 2 1 ) 6 = 0 厶工 ( 2 ) 方差( v a r i a n c e ) 仃2 ：图像灰度值分布离散性的度量。 仃2 = ( b - u ) 2 p ( 6 )( 2 。2 ) b = 0 ( 3 ) 偏度( s k e w n e s s ) ：对灰度分布的对称情况的度量。 它描述了数据集关于中心点左右对称的情况。对于任何对称分布的数据集，其偏度都 近似为0 ，例如正态分布的偏度就是o 。如果偏度为负数，表示数据集偏于中心点的左 边；如是正数，则表示数据集偏于中心点j “的右边。 s = 专( 6 一p ) 3 p ( 6 ) ( 2 3 ) ( 4 ) 峰度( k u r t o s i s ) k ：表示图像灰度分布的集中情况。 相对于正态分布来说，数据是集中在均值附近，呈尖峰状，还是分布于两端，呈平坦状。 如果数据集有高峰度值，则说明在均值附近有一尖峰：若峰度值低，则峰值较平缓。但 是对于均匀分布来说，却是个例外，正值表示数据集中在均值附近，负值则表示数据是 平缓分布的。 基于图像多分辨率分析的植物叶片识别系统的研究 k = 了1 荟l - i ( 6 训4 加) ( 2 4 ) ( 5 ) 能量( e n e r g y ) ：表示了灰度分布的均匀性。如果图像灰度值是等概率分布的，则 能量为最小。 上，1 e = 【p ( 6 ) 】2 ( 2 5 ) b = 0 ( 6 ) 熵( e n t r o p y ) ：是图像中信息量的度量。如果图像灰度值是等概率分布的，则熵值 最大。 l - i e r = p ( b ) l o g p ( b ) b = 0 2 3 2 基于共生矩阵的方法 ( 2 6 ) 尽管基于直方图的方法可以提取出一阶统计特征，但是这无法满足实际应用的需 要。因为灰度直方图与象素的空间位置无关，所以对纹理的特征描述是有局限性的。因 此就产生了以象素的灰度和位置为参数的分析方法，这就是基于灰度共生矩阵( g r a y l e v e lc o o c c u r r e n c em a t r i x 。g l c m ) 的计算纹理特征的方法。且共生矩阵能产生二阶统 计特征，从而能进一步的完善纹理描述 4 0 】。 灰度共生矩阵是用来描述纹理中灰度基元之间空间联系的基础，它充分利用了纹理 中灰度分布的性质。通常灰度共生矩阵是图像象素的联合概率分布，它也是纹理分析中 常用的统计方法 4 1 】。 设图像灰度级为，则共生矩阵为一个l l 的矩阵，记为 c ，( 6 ，0 ) = ( 工，少) = f ，f ( x + d x ，y + 方) = _ ，) ，f ，【0 ，1 ，一1 】 l 厶i j 其中五y 是图像中像素的坐标。该式也说明了灰度共生矩阵描述图像在日方向上， 相隔距离占的一对像素分别具有灰度f 和的出现概率，从而可以将( x ，y ) 的空间坐标转 化为灰度对( x ，y ) 的描述。灰度共生矩阵可以理解为像素对或灰度级对的直方图，这里 要求像素对距离不变且像素灰度差不变。因此距离6 和方向0 可由( d x ，d y ) 构成，如图 2 】： 8 基于图像多分辨率分析的植物叶片识别系统的研究 0 y 图2 1 共生矩阵中距离d 和方向q 的示意图 灰度共生矩阵能提供图像灰度空间分布的有用信息。例如，组成图像的基本图斑( 即 灰度接近的图斑) 尺寸为j ，如果6 的长度小于j ，那么矩阵c ，( 艿，9 ) 的高值将集中在 主对角线附近，因为空间相隔为6 的像素对灰度接近的概率较高。换句话说，如6 的长 度大于s ，那么矩阵o j ( 6 ，日) 中的值将分散。因此在实际应用中，6 的选择通常不大于组 成图像的图斑尺寸，常选用单位距离1 所以0 。方向可以表示为( 出，砂) = ( + l ，o ) ，4 5 。方向 可以表示为( 出，方) = ( + l ，一1 ) ，依此类推，可以得到图2 2 所示： 一 1 8 0 o 9 0 。t ( - i ，- i )( o ，- i )( + 1 - i ) ( 一1 0 )( o o )( 1 ，0 ) ( - i ，+ 1 )( o 。+ 1 ) ( + 1 ，+ 1 ) 4 5 。 o 。 l 3 1 5 。 2 2 5 。2 7 0 。 图2 2 共生矩阵的方向示意图 显然，由此构成的灰度共生矩阵是一个集合，集合的元素c ( 6 ，p ) 为第所亍、第j 列 矩阵元素，表示所以在p 方向上、相隔距离为6 的象素对，其中一个灰度值为f ，另一 个为，。其中日方向，可取0 。、4 5 。、9 0 。、1 3 5 。、1 8 0 。、2 2 5 。、2 7 0 。、3 1 5 。等8 个方向，也可简化为o 。、4 5 。、9 0 。、1 3 5 。这4 个方向。 基于共生矩阵，可定义许多基于统计法的纹理特征量 4 2 ，有对比度、纹理的一致 9 基于图像多分辨率分析的植物叶片识别系统的研究 性、象素对灰度的相关性、熵、能量等。近年来许多研究都表明共生矩阵能比其他通用 的方法更好的表现图像的纹理信息 4 3 。下面是本文中用到的1 0 个纹理特征量f l ，f 1 0 4 4 。 一 ( 1 ) 熵( e n t r o p y ) ：是对图像纹理信息量的一种度量。当g 值分布越均匀，则熵值越 大。如果只含有少量纹理信息，则熵值就小。 f l = 一g ，j l o g c , ( 2 8 ) ( 2 ) 能量( e n e r g y ) 也叫角二阶矩，是衡量图像中纹理的一种度量。当c ，中各个元 素的值相等时，能量值最小；若g ，中各个元素的值相差大时，能量值就大。 ，2 - - z c , ，2 ( 2 9 ) ( 3 ) 同质性( h o m o g e n e i t y ) ：描述了图像的局部平滑性，又称逆差分矩。当c f 中值集 中在对角线附近时，同质性大。 f 3 _ z c i , j 矛, 2 i , j 1 ( 2 1 0 ) ，- ， 厶上w ( 4 ) 对比度( c o n t r a s t ) ：局部图像变化的测度，表示图像全部象素对的灰度差为l f 一，l 的 平均值。对比度大的象素对越多，这个值越大。 f 一= ( ，一c j ( 2 1 1 ) ( 5 ) 聚类中心趋势( c l u s t e rt e n d e n c y ) f 5 = ( ，+ 一2 t ) 2 c j ，其中f = f c f ( 2 1 2 ) ( 6 ) c l u s t e rs h a d e f 6 = ( f + 一2 t ) 3c f 。，其中f = z i c l ， ( 2 1 3 ) ( 7 ) 相关性( c o r r e l a t i o n ) ：描述了相邻象素间灰度的线性相关度。 ( i - t ) ( j - t ) c , ， n 2 京而其札5 否双c f 似f ) 2 7 ( 2 1 4 ) ( 8 ) c o r r e l a t i o ni n f o1 脚一删1 ，8 = 一 f 其中兄盯1 = 一c ，1 0 9 ( h ) ，日= 聊( f ) 所( ) ，尼耵= f 1 ( 2 1 5 ) t , j ( 9 ) c o r r e l a t i o ni n f 0 2 f 9 = 1 - e x p ( - 2 x ( - x y 2 一h x r ) ) 其中尼耵2 = 一h x l o g ( h ) ( 2 1 6 ) ( 10 ) m a x i m u mp r o b a b i l i t y 1 0 基于圈像多分辨率分析的植物叶片识别系统的研究 2 3 3 基于游程的方法 f , o = m a x ( c ，) ( 2 1 7 ) 游程( r u n 1 e n g t h ) 是指具有相同灰度b 且连续、共直线( 直线方向为日，长度为，) 的图像象素，标记为( ，b ，0 ) ，它反映了纹理的方向性 4 5 。粗纹理的游程较长，出现的 次数较为频繁；相反，细纹理的游程较短。n ( i ，b ，0 ) 就表示图像中含有游程( ，b ，0 ) 的数 目。对于图像中的每个象素，均可考虑4 个方向，即日可取0 。、4 5 。、9 0 。、1 3 5 。值。 根据n ( i ，b ，0 ) 可定义以下5 种纹理特征值 1 1 ，其中三表示大小为n , xn 2 图像的灰度级， 朋表示游程长度岫q 种数。 ( 1 ) 短游程增强( s h o r t r u n se m p h a s i s ) 1 短游程，顾名思义就是游程长度短，即，值较小。因此式中寺项产生了较大的权重， 短游程得到增强。若图像含的游程越短，则该值就越大。 t n l1 吉( ，b ，9 ) 歙= 旦产簪一 ( 2 1 8 ) n ( i ，6 ，8 ) b = lf 一 ( 2 ) 长游程增强( l o n g r u n se m p h a s i s ) 长游程，顾名思义就是游程长度长，即，值较大。因此式中，2 项产生了较大的权重，长 游程得到增强。若图像含的游程越长，则该值就越大。 n t ，2 ( ，b ，9 ) 三尺= 号焉( 2 1 9 ) ( z ，6 ，8 ) b = li = 1 ( 3 ) 灰度分布( d i s t r i b u t i o no f g r a y l e v e l ) 度量了游程灰度分布的一致性。该统计值 小，则说明灰度分布不均匀；反之，则灰度分布均匀。 f jn l 2 【( ，b ，9 ) 】 d g = 气焉卜一 z n ( i ，b ，臼) b = lf ；l ( 4 ) 游程长度分布( d i s t r i b u t i o no fl e n g t h s ) ( 2 2 0 ) 基于图像多分辨率分析的植物叶片识别系统的研究 n ( 1 ，b ，臼) 】 d l = 号 卜一 n ( i ，b ，口) 6 = l ，= l ( 5 ) 游程百分率( p e r c e n t a g eo fr u n l e n g t h s ) ln t ( ，b ，p ) 2 4 本章小结 p r = = ! f 三! n i n 2 ( 2 2 1 ) ( 2 2 2 ) 本章主要介绍了纹理的定义和主要的纹理分析方法，主要有统计法、结构法和频 谱法。其中重点介绍了基于统计法的纹理分析及相应的特征提取方法。对于一幅灰度图 像，运用直方图方法可以提取6 个特征，共生矩阵方法可以提取1 0 个特征，游程方法可 以提取5 个特征。 1 2 基于图像多分辨率分析的植物叶片识别系统的研究 3 1 引言 第三章多分辨率分析 在2 0 世纪5 0 年代后期，信号处理领域发生了一次巨大的变革，即数字计算的出现和 快速傅立叶变换算法的形成。这两个核心技术第一次允许对人类本身的特殊信号和工业 的重要信号( 从医学监视器和扫描仪到现代电子通信) ，进行实际处理和解释 4 6 。其 中傅立叶变换可以称为变换域图像处理的基石。长期以来，傅立叶分析一直被认为是最 完美的数学理论和最实用的方法之一。其中，g a b o r 变换就是加窗傅里叶变换，即短时 傅里叶变换( s t f t ) 。其实质是在傅里叶变换中加一个时间窗，以给出信号谱的时变信 息。但是用傅立叶分析只能获得信号的整个频谱，而难以获得信号的局部特性，特别是 对于突变信号和非平稳信号难以获得希望的结果。为了克服经典傅立叶分析本身的弱 点，人们发展了信号的时频分析法。 1 9 7 4 年法国从事石油信号处理的工程师j m o r l e t 首先提出了小波变换的概念。1 9 8 7 年，s m a l l a t 以小波为分析基础提出了一种全新而有效的信号处理与分析方法，即著名 的多分辨率理论( m u l t i r e s o l u t i o n a n a l y s i s ，m r a ) 。该理论将许多学科的技术有效的统 一在一起，如信号处理的子带编码、数字语音识别的积分镜像过滤以及金字塔图像处理。 由于它能对多种分辨率下的信号( 或图像) 进行表示和分析，所以如果某种分辨率下无 法进行分析，则可以转换到另一分辨率下，在该分辨率下信号( 或图像) 的特性会很明 显。例如，当观察一幅图像时，我们看到的通常都是相连接的纹理和灰度级相似的区域， 由它们再结合形成物体。若物体尺寸很小或对比度不高，就要采用高分辨率观察；反之， 则需要低分辨率。如果物体的尺寸有大有小，或对比度有强有弱的情况同时存在，这时 用多分辨率进行研究就具有明显的优势 4 7 ，4 8 。 事实上，由于g a b o r d 、波变换可以较好地模拟生物的视觉系统，因此其性能优于基 于小波变换的纹理特征提取方法。而通常提取对应不同尺度和方向的g a b o r d , 波系数幅 度序列的均值与标准方差作为纹理特征，因而g a b o r d , 波变换提取纹理特征的方法实质 也是纹理的多分辨率分析。 多分辨率分析在数学领域本身的许多学科，如计算机识别、信号分析、图像处理、 量子力学、电子对抗、数据压缩、c t 成像；地震勘探数据处理、边缘检测、音乐与语音 人工合成、机械故障诊断、大气与海洋波的分析，分形力学，流体湍流以及天体力学方 面都已取得了具有科学意义和应用价值的