基于形状上下文特征的植物叶图像匹配方法.pdf

第27卷 第3期 2009年9月 广西师范大学学报 自然科学版 Journalof GuangxiNormalU niversity Natural Science Edition Vol 27 No 3 Sept 2009 收稿日期 2009206205 基 金项目 国家自然科学基金资助项目 60805021 60705007 中国博士后科学基金资助项目 20060390180 200801231 福建省自然科学基金资助项目 A 0740001 A 0810010 通讯联系人 杜吉祥 1977 男 山东高唐人 华侨大学讲师 博士 E2mail jxdu hqu edu cn 基于形状上下文特征的植物叶图像匹配方法 翟传敏1 杜吉祥1 2 1 华侨大学 计算机科学与技术学院 福建 泉州362021 2 中国科学技术大学 自动化系 安徽 合肥230027 摘 要 提出一种将形状上下文特征应用于植物叶片图像自动识别的方法 该方法首先根据叶片形状自适应 确定边界点数目 然后计算叶片的形状直方图 最后利用形状直方图计算不同目标之间的匹配相似度 实验结 果验证了该方法的有效性 关键词 形状上下文 植物识别 形状匹配 中图分类号 TP391141 文献标识码 A 文章编号 100126600 2009 0320171204 传统植物分类学一般需要对标本进行人工测量 获取数据 再通过对这些数据进行分析 确定植物间 的亲缘关系并进行分类 这种方法工作效率低 工作量大 并且数据存在一定的主观性 建立基于数字图像 的计算机植物识别系统有可能是将来植物分类与识别的主流方式 本研究中 只采用叶片图像进行识别 因为相对于其他部分 叶片基本上处于平面状态 适合于进行二 维图像处理 但叶片图像由于受光照 位置以及本身尺寸等因素的影响使得对其进行正确识别有一定的难 度 其关键在于获取有效的图像特征 目前国内外大部分相关的研究就是集中于叶片图像的形状分析与识 别 如几何特征 傅立叶描述子 多尺度曲率空间方法 以及 本征形状 EigenShape 1 8 等 但这些方法具 有一定的局限性 需要在形状特征提取这一步骤仔细设计具有旋转 尺度和平移不变性等形状特征的描述 子 基于此考虑 本文将利用形状轮廓上一组点集表示叶片 进而进行形状匹配 以匹配度来实现植物识别 任务 1 叶片图像的形状上下文特征描述 形状上下文 shape context SC 方法是一种以目标轮廓的有限点集合来表示物体特征的描述方法 该 方法首先对目标图像进行轮廓提取操作 或者是边缘检测操作 然后选择轮廓或边缘上的一组离散点的 集合p p1 p2 pn 来表示该目标的形状信息 SC方法所选择的离散点集要求尽可能地反映出目标对 象的真实形状特点 因此这些点应该比较均匀 一致地分布在物体的轮廓或边缘上 如图1所示 而不一定 是一些具有特殊意义的离散点 如局部曲率最大点等 SC方法中离散点的位置与数目是根据具体问题来 确定的 若离散点数目太少必然导致较低的匹配精度 但可以获得较快的匹配速度 稍大些的离散点数目 理论上可以提高一定的匹配精度 但必然导致匹配速度较低 本文采用文献 9 提出的自适应选取边界点 方法来确定离散点的位置与数目 该方法以所选择的离散点集的质心坐标和原目标对象的质心坐标误差 最小为求解目标 实现边界离散点的自动选取 首先计算原目标对象的质心坐标 X0 Y0 X0 m10 m00 6 i j S i I i j 6 i j S I i j Y0 m01 m00 6 i j S j I i j 6 i j S I i j 1 式 1 中S表示待计算的原目标对象 I i j 表示原目标图像灰度值 图1 形状及其对应的点集 图2 某一点的形状直方图 Fig 1 A shape and its corresponding point set Fig 2 Shape context hist 然后给定一个离散点集数目n的初始值 波动范围和起始点初始坐标 进行点集的自动选取 接下来 计算所选择的边界离散点集的质心坐标 以及与原目标对象的质心坐标的误差值 重复以上过程 随机改 变起始点位置坐标和离散点集数目n 在波动范围内取值 经过若干次后 则可以选择使质心坐标误差值 最小的离散点集作为最终结果 本质上 该方法是一种基于随机优化的选择方法 在离散点集中 对于其中任意一个离散点 剩余的n 1个离散点与该点可以构成n 1个向量 此向量 可以看做一种编码 反映了当前的离散点在整个目标形状中的位置特征 在计算得到某个点和剩下的n 1个点构成的向量之后 一种有效地表示这些向量编码特征的方法是采用形状直方图的形式表示这个n 1向量 为了进行量化处理 必须使用方向参数和距离参数 其中 方向参数表示将圆周分成的份数 即对向 量方向 与水平轴夹角 的离散化表示 距离参数表示将向量长度分成的份数 即对向量长度 两点间欧氏 距离 的离散化表示 形状直方图定义如下 对于给定的方向参数和距离参数 计算各个方向和距离上的向 量个数 即n 1个向量的分布规律描述 在边界点集p p1 p2 pn 中 对于任意一个离散点pi与剩下 的n 1个离散点所构成的形状直方图 如图2所示 其计算方法如下 hi k q pi q pi bin k 2 其中 q pi bin k 表示相对于pi 点q属于形状直方图的第k分量 k 1 2 K K为方向参数和距 离参数的乘积 因此 对于边界点集p p1 p2 pn 最终得到n个形状直方图 而每一个形状直方图就是一个二 维矩阵 这样 对于任意一个目标形状 选择合适的n个边界离散点后 就可用n个矩阵描述其形状特征 2 形状上下文特征匹配度量 根据上一节方法计算得到任意一个目标的形状直方图之后 就需要对任意两个目标对象计算相应的 形状直方图的匹配程度 即两个目标对象的相似度测量 首先 任意两个目标对象的形状直方图之间的匹配代价函数定义如下 Cij C pi qj 1 2 6 K k 1 hi k hj k 2 hi k hj k 3 其中 hi k 为目标p的点pi的形状直方图 hj为目标q的点qj的形状直方图 按照公式 3 任意两个目标形状之间的匹配代价结果可以表示为一个代价矩阵C 接下来 根据计算 得到的代价矩阵C进行特征点的匹配操作 定义 H 6 i C pi q i 4 特征点匹配操作的目标就是使得式 4 获得最小解 该匹配问题实际上是一个典型的双向图匹配问题 可 以利用成熟的动态规划算法获得求解 由于是基于代价矩阵进行计算 所以 相似程度越高 相应的匹配代 价就越小 这样 任意两个目标形状之间的相似程度就可以用一个匹配代价标量来进行度量 形状上下文特征描述方法基于目标对象轮廓或边缘上的离散点间的相互位置关系进行计算 不涉及 点的绝对位置 因此仅有平移不变性 但是为了做到缩放不变性 需要进行距离的归一化处理 即将任意两 271 广西师范大学学报 自然科学版 第27卷 点间欧式绝对距离除以平均距离 此处的平均距离定义为所有离散点间欧式绝对距离的算术平均值 距离 的归一化操作实际上是以相对距离代替绝对距离 从而实现缩放不变 对于植物叶图像 必须考虑旋转不变问题 一种处理方法是计算叶片形状的主轴 对图像进行修正 即 主轴旋转预处理 可参考文献 8 另一种方法是不进行图像旋转的预处理修正 而是依次选择测试形状 点集的初始点 计算相应的匹配度 最后选择最好的匹配 也就是最小匹配度 即直方图平移修正 3 实验与结果分析 为验证本文算法的有效性 拟对50类植物物种的叶片图像进行分类与识别 目前还没有公开的植物叶 图像数据库可以进行对比试验 本文中的叶片图像库是实验室自行采集 扫描建立 本实验中使用了650幅 图像 像素为128 128 每种植物最少有10个样本数据 对于每一类物种 选取5幅图像作为训练模板 剩余 的图像作为测试数据 对于任意一幅测试图像 计算该叶片形状与所有训练模板的匹配度 然后将所有匹 配度排序 选择匹配度最小的训练模板 就可以确定测试图像的类别 首先 我们从图像数据库中任意取两幅图像 自适应计算各自点集数目 其匹配结果如图3所示 其中 图像没有进行旋转预处理 两个形状的相对应的点以不同颜色的线连接 然后 对所有测试叶图像依次进 行计算 所有形状的点集数目自适应计算得到 表1是为处理旋转不变而采取的两个方法对最终识别率的 影响 从中可以看出 直方图平移修正的结果要好于主轴旋转预处理方法 这是因为主轴的计算受叶片形 状自身的影响比较大 旋转后的两个形状对齐时存在一定误差 而直方图平移修正方法类似穷举 将所有 可能的对齐方式全部计算 其结果自然要好 但是在点集数目较大时 耗费的时间也比较多 图3 植物叶片形状匹配 Fig 3 Shape matching of the plant leaves 表1 旋转不变处理方法对识别率影响的比较 Tab 1 Comparison of the Rotation invariantmethods 处理方法主轴旋转预处理直方图平移修正 识别率 75 378 8 表2 选择不同点集数目对识别率影响的比较 Tab 2 Comparison of the number of point set 点集数目n5070100150200300500 识别率 64 169 978 379 279 779 879 8 下面测试不同的点集数目对识别率的影响 为降低计算代价 采用主轴旋转预处理方法 对所有的形 状 我们指定一个共同的n 其范围从50到500 结果列于表2 对于自适应计算的点集数目 其平均值为n 0 92 27 n的取值范围为50到 150 从中可以看出 当n取值较小时 识别结果较差 这是因为由这些点 所组成的形状与原始形状存在的误差较大 当n取值约为100时 在识别率与计算时间当中可以获得一个 比较好的平衡 而自适应计算得到的n的取值也比较接近于这个结果 因此 从实验结果来看 自适应计算 点集数目是一个可行 有效的方法 对基于叶图像的植物物种机器识别问题 在本实验图像 数据集上 已经采用了其他不同的特征提取方法进行了实 验 8 实验采用完全相同的训练和测试数据集 识别结果见 表3 从中可以看出 相对于采用全局形状特征的Hu不变矩 方法 以及傅立叶描述子方法 3 采用局部特征的 基于形状 上下文特征的形状匹配方法可以获得更好的识别结果 表3 不同特征选择方法对识别率的影响 Tab 3 Performance comparison of the different Features 分类器 平均正确识别率 SCHuM FD 12NN78 873 371 8 371第3期 翟传敏等 基于形状上下文特征的植物叶图像匹配方法 4 结 语 本文提出了一种基于形状上下文特征匹配的植物叶片机器识别方法 实验结果表明 对于植物物种自 动识别工作 形状上下文方法是一种有效的特征提取方法 该识别方法的完善将会使传统的植物形态分类 学和数量分类学研究 在识别速度以及研究质量上有一定的突破性进展 另外 该方法将会在中草药鉴定 植物资源调查 保护和利用以及植物生态监测中得到应用 参 考 文 献 1 GU YER D E M I LES G E GAULTN EY L D et al Application of machine vision to shape analysis in leaf and plant identification J Transactions of the A SA E 1993 36 1 1632171 2 T I MM ERMAN SA J M HULZEBOSCH A A Computer vision system for on2line sorting of pot plants using an artificial neural network classifier J Comput Electron A gric 1996 15 1 41255 3 RU I Yong SHE A C HUAN G T S Modified fourier descriptors for shape representation a practical approach C First InternationalWorkshop on I mage Databases andM ultiM edia Search S l s n 1996 4 ABBA SI S MOKHTAR I AN F KITTLER J Reliable classification of chrysanthemum leaves through curvature scale space C Proceedings of the First International Conference on Scale2Space Theory in Computer V ision Berlin Springer2V erlag 1997 2842295 5 O I DE M N I NOM IYA S D iscri m ination of soybean leaflet shape by neural networks w ith i mage input J Computers and Electronics in A griculture 2000 29 1 2 59272 6 傅星 卢汉清 应用计算机进行植物自动分类的初步研究 J 生态学杂志 1994 13 2 69271 7 傅弘 池哲儒 基于人工神经网络的叶脉信息提取 J 植物学通报 2004 21 4 4292436 8 杜吉祥 汪增福 基于径向基概率神经网络的植物叶片自动识别方法 J 模式识别与人工智能 2008 21 2 2062213 9 申家振 张艳宁 刘涛 基于形状上下文的形状匹配 J 微电子学与计算机 2005 22 4 1442146 Plant LeafM atching Based on Shape2context Feature ZHAIChuan m in 1 DU Ji xiang1 2 1 College of Computer Science and Technology Huaqi