基于数字图像处理树叶识别论文---黄金版

1、目 录摘要1英文摘要21 引言31.1 选题背景及意义31.2 国内外研究的进展31.2.1 树叶识别的研究进展31.2.2 神经网络的研究进展41.3 论文的主要内容与组织结构41.3.1 论文的主要内容41.3.2 组织结构42 树叶图像预处理42.1 图像采集42.2 图像裁剪52.3 图像平滑62.4 图像分割82.4.1 最大类间方差法82.4.2 matlab实现及效果图82.5 边缘检测93 树叶图像特征提取114 基于神经网络的树叶识别134.1 BP网络基本理论134.2 隐含层数的选取134.3 节点数的选取134.4 BP网络的建立144.5 树叶识别144.6 GUI界

2、面设计144.7 结果分析165 总结与展望165.1 总结论文的主要工作165.2 展望论文的不足16参考文献16致谢17基于神经网络的树叶识别系统研究机电与信息工程学院 电子信息工程 曹文君（20903031002）指导老师：吕军（助教）摘要：植物是生物圈的重要组成部分，其中，叶片是植物的一个重要特征，不同的植物叶片在叶形及叶脉等外部特征上都不尽相同，这就使我们能够很好地利用植物叶片的特征来对植物分类。过去这类工作是由人工完成，不但工作量大，而且工作效率比较低。随着数字图像处理技术的快速发展，我们可以有效地借助计算机进行辅助操作，这样可以提高识别的准确性，从而提升了工作效率。本文重点工作有

3、：应用数字图像处理技术对采集到的叶片做图像预处理；提出了基于BP神经网络的方法进行树叶的识别，并构造了一个基于神经网络的集成分类器模型。最后，对本系统进行了仿真测试，取得了较好的结果。关键词：图像处理；神经网络；集成分类器Recognition System of Leaf Images Based on Neuronal NetworkCao Wenjun Director：Lv Jun（Assistant）(School of Mechanical Electrical and Information Engineering ,Huangshan University , Huangsha

4、n, China, 245041)Abstract：The plant is an important component of the biosphere ,and a leaf is a key character of the plant ,different plant may be different in leaf type as well as the leaf vein ,and this enables us to use the plant leaf to carry on the classification of the plant .In the past ,this

5、 kind of work was by completes artificially ,the work load was also very heavy ,moreover the working efficiency was relatively quite low .Along with the computer image processing technologys fast development ,we can use the computer to help us with this work ,then enhance the recognition accuracy an

6、d promote the working efficiency .The main work of this article includes :use digital image processing technology to pretreat the leaf image ;propose method based on BP neural network recognition of the leaves ,besides ,constructed a model based on neural network ensemble classifier .Finally carried

7、 on the experiment test to this system ,hen get to the good result .Key Words： image processing；neural network；ensemble classifier1 引言1.1 选题背景及意义大千世界，植物是普遍存在于自然界的。植物的发展及进化都经历了一个漫长的阶段。它们是维持人类生存的重要载体。因此，对植物的研究就显得格外重要。目前，在地球上仅为人所知的有花植物有大约25万种，其他的更是数不胜数。面对庞大的植物世界，目前植物分类可以通过植物叶型分类来实现植物种类的识别。植物叶形分类主要依赖于分类

8、学知识渊博且长期从事植物分类工作的专家学者进行人工分类，该方法存在着耗时耗力、效率低、主观因素大等不足，再加上植物分类人才的匮乏，对植物分类的研究愈加困难。随着人工智能的日臻成熟，数字图像处理技术广泛用于农业、工业、军事等各个领域。利用数字图像处理技术对植物叶片分类是完全可行的。本文拟对采集的植物叶片图像进行去噪、边缘检测等预处理，通过提取叶片图像外部特征参数，利用BP神经网络实现植物叶片的自动识别。本论文的主要任务是利用数字图像处理技术及其神经网络模式识别方法应用到植物叶片分类应用领域，该研究是工农交叉性研究，在一定程度上促进了植物学、农业及林业领域信息化的发展建设，为植物学农林业的迅速发展

9、提供了强有力的技术支持，从而对推动经济的跨越发展起到了重要作用。1.2 国内外研究的进展1.2.1 树叶识别的研究进展虽然图像识别技术在十九世纪就有人研究，但真正开始受到人们关注的是在60年代末，随着时间的推移，到80年代，图像识别技术广泛应用到各个领域，而且也取得了不错的成果。傅弘1学者提出了神经网络的叶脉提取方法，通过训练的神经网络准确地提取了叶脉图像，实现了叶脉的提取；朱静2学者提出了在Windows XP平台上对叶片图像的输入、变换及分割等识别过程的设计,实现了叶缘特征的结果输出和叶片图像的形状。刘纯利3学者提出了树叶纹理建模的树叶识别方法，通过提取采集的树叶的某些区域，利用图像处理对

10、重要区域进行变换，并用高斯模型对高频子带建模，再用高斯模型的参数作为树叶的特征，从而实现了树叶识别；王代琳4学者提出了神经网络的树叶识别方法，通过对不同树叶进行预处理来获取外形特征，利用java语言实现了树叶识别；朱宁5学者利用局部二进制模式方法，提出了将该方法应用于植物叶片图像纹理特征的提取，实现了用于提取叶片样本特征的各种算子，实现了基于局部二进制模式的树叶识别。王晓峰6学者提出了一种利用树叶外形特征来对叶片进行识别的方法，通过对叶片图像做去噪及边缘等处理并提取叶片的轮廓区域，利用其得到的外部特征进行分类，实现了多种植物叶片的准确识别。至此，树叶识别技术便得到了快速发展。1.2.2 神经网

11、络的研究进展人工神经网络，简称ANN，它是由很多神经元相互连接而组成的一个信息处理系统。何术7学者提出了目前较常用的自组织映射神经网络(SOM神经网络)的方法，通过提取树叶形状特征值作为神经网络的输入，在输出端形成不同的输出值与此类别相对应，从而得到分类结果。陈涓8学者提出了基于小生境技术的神经网络进化集成方法，通过个体间相似程度的共享函数来调整网络的适应度，从而使神经网络集成系统的泛化能力得到大幅度改善。朱晓峰9学者提出了基于神经网络的出版业量化分析模型，对出版业的实际数据进行了实验，结果显示该方法是可行的。Kohonen10教授提出了映射具有拓扑结构的自组织映射模型，通过在计算机上进行实验

12、，证明得出的学习效果非常显著。Hopfield11对神经网络介绍了能量函数的概念，提出了神经网络的平衡稳定状态的判别方法，实现了优化计算途径。1.3 论文的主要内容与组织结构1.3.1 论文的主要内容该课题在参考理论基础上，利用MATLAB语言实现树叶图像的去噪、分割、边缘检测等操作，再进行特征提取，最后借助训练集特征建立神经网络分类器，并以测试集验证分类器模型的性能。1.3.2 组织结构1引言介绍了选题背景、意义、国内外研究进展、论文内容与组织结构。2树叶图像预处理首先阐述了基于神经网络的树叶识别流程图，然后详细介绍了有关图像采集、裁剪、去噪、边缘提取等操作的理论、程序及效果图。3树叶图像特

13、征提取介绍了选取的特征参数，然后陈列出几个所选取的样本的特征值。4基于神经网络的树叶识别首先介绍了神经网络，然后介绍了基于神经网络的树叶识别的实现，最后对树叶识别结果进行分析。5总结与展望总结论文的主要工作以及展望论文的不足。2 树叶图像预处理2.1 图像采集采集4种共计80片原始树叶，其中桂花20片，桔树叶20片，枫树叶20片，夹竹桃20片。 图2-1 桂花叶 图2-2 桔树叶 图2-3 枫树叶 图2-4 夹竹桃2.2 图像裁剪用ACDSee工具对采集的图像进行截取，统一截取图像长宽为600600像素。其裁剪过程为：第一步：用ACDSee打开采集的图片，鼠标右击，进入编辑界面：图2-5 编辑

14、图第二步：调整宽度和高度为600600像素，移动十字光标为最佳位置：图2-6 裁剪图第三步：点击完成，如图2-7：图2-7 处理后图2.3 图像平滑 图像在处理过程中，常常会受到各种外部因素的影响，使得获取的图像一般都含有噪声，而去噪平滑技术可以平滑图像中的噪声。图像平滑主要是消除或减少噪声以改善图像质量，一般采用均值滤波法和中值滤波法来进行图像去噪。均值滤波是用模板内的全体像素点的均值或加权均值来代替原始值；其数学公式如2-1：设是含有噪声的图像，是经过理后的图像， (2-1)其中M是邻域内各邻近像素的坐标值，N是邻域中临近像素的个数。对于均值滤波法，在实际应用中，常用的模板尺寸有33、55

15、等。中值滤波可以表示为一个序列模板内的所有像素点按某种规则排序，再选取中间值作为其使用值。设一个序列 ,取其长度为m(m为奇数),数学公式表示为2-2: (2-2) 称为序列的中值。Matlab实现为：I=imread(桂花叶.jpg);J=rgb2gray(I);K=imnoise(J,gaussian,0.02); %加入高斯噪声K1=filter2(fspecial(average,3),K)/255; %进行33均值滤波K2=filter2(fspecial(average,5),K)/255; %进行55均值滤波L1=medfilt2(K,3,3); %加入33中值滤波L2=medf

16、ilt2(K,5,5); %加入55中值滤波subplot(231),imshow(K),title(加噪);subplot(232),imshow(K1),title(3*3均值滤波);subplot(233),imshow(K2),title(5*5均值滤波);subplot(234),imshow(L1),title(3*3中值滤波);subplot(235),imshow(L2),title(5*5中值滤波);图2-8 去噪效果图两种滤波方法各有特点。相较来说，均值滤波去噪效果不如中值滤波。中值滤波对图像的细节保存相对更好些，而且能够在去除噪声的同时可以很好的保持图像的边缘。另外，去噪

17、结果与模板大小选择是相关的，模板越大处理后的图像相对模糊，图像边缘损失也比较多，进而带来不利影响。模板太小去噪效果也不是很好。综上，本文采用55模板的中值滤波方法。2.4 图像分割从图像采集到图像分析必然要进行图像分割，图像分割是把图像分成若干个特定区域。它是图像进行预处理的关键一步，分割不好图像分析便加大了难度。而现有的图像分割方法主要包括：理论分割、边缘分割、区域分割以及阈值分割等12。 2.4.1 最大类间方差法本文拟采用基于阈值的分割方法（最大类间方差法）。该方法求图像最佳阀值的公式如公式2-3： （2-3） 式中：灰度值为的频率； ：目标部分比例；：背景部分比例；：目标均值； ：背景

18、均值；： 总均值。2.4.2 matlab实现及效果图I=imread(桂花叶.jpg);axis(0,600,0,600);grid on; %显示网络线axis on; %显示坐标系level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);BW1=BW;subplot(121),imshow(I);title(原图);subplot(122),imshow(BW1);title(Otsu法阈值分割);axis(0,600,0,600);grid on; %显示网络线axis on; %显示坐标系图2-9 Otsu法分割图2.5 边缘检测图像的边缘可以表示为

19、图像局部区域亮度变化很显著的部分，另外，图像边缘信息是其重要特征，也是图像识别和图像分析的基础。在图像处理时得到的树叶特征一般是基于其轮廓信息的，所以对树叶边缘检测好坏直接影响最终的识别结果。现有的边缘检测方法主要包括Sobel算子检测、Roberts算子检测、Prewitt算子检测以及Laplace算子检测等。Sobel算子：Sobel算子的掩模模板是利用两个33的卷积核得到的，且噪声抑制效果强于Prewitt算子，但得到的边缘较宽。-101-202-101121000-1-2-1 Roberts算子：Roberts算子是一种差分算子，是利用两个22的掩模模板对图像边缘进行检测。去噪作用小，

20、且边缘检测能力相对较差。100-10-110 Prewitt算子：Prewitt算子与Sobel算子的方程一样。该算子既能检测边缘点，还能抑制噪声的影响。-101-101-101111000-1-1-1 Gauss-Laplace算子：Laplace算子是一个二阶微分算子，它的计算简单，只需要一个卷积核。具有各项同性，Laplace算子对噪声比较敏感，所以在检测前一般先进行去噪处理，常用的Gauss-Laplace算子是55模板。-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2Gauss-Laplace算子Matlab实现及效果图：I = imread(桂花

21、叶.jpg); J=rgb2gray(I); K = imnoise(I,gaussian,0,0.02);%加入高斯噪声（=0，2=0.02）L=medfilt2(J,5,5); %加入中值滤波BW_sobel = edge(L,sobel);BW_prewitt = edge(L,prewitt);BW_roberts = edge(L,roberts);BW_laplace = edge(L,log);figure,imshow(BW_sobel),xlabel(sobel检测);figure,imshow(BW_prewitt),xlabel(prewitt检测);figure,ims

22、how(BW_roberts),xlabel(roberts检测);figure,imshow(BW_laplace),xlabel(laplace检测); 图2-10 sobel检测 图2-11 prewitt检测 图2-12 roberts检测 图2-13 laplace检测3 树叶图像特征提取图像特征提取是影响图像识别效果的关键环节，需要充分考虑图像的特征、稳定性和个数的选取。形态特征是本文研究的重点，一般包括矩形度、延长度、似圆度、紧凑度及不变矩等。（1）矩形度树叶的矩形度是指树叶的区域面积与其最小外接矩形的面积之比，反映了一片树叶对其外接矩形的充满程度。则矩形度可定义为： （3-1）

23、式中，为树叶的面积，SMER为树叶的最小外接矩形（MER）的面积。（2）延长度树叶延长度可以表示为短轴与长轴的比值。其中长轴是树叶轮廓上任意过质心的两点直线的最长距离，短轴是长轴两侧与其距离最长的左右两点的距离和。（3）似圆度设树叶周长和面积分别为P和S，最小外接矩形的长轴长为L，则似圆度被定义为： （3-2）（4）紧凑度紧凑度可以表示一个刻画树叶紧凑程度的参数，设树叶的面积为S，周长为P，则紧凑度被定义为： （3-3）（5）不变矩不变矩是描述区域的方法之一。对于二维(NM)数字化图像，阶矩可以定义为： （3-4）其对应的阶中心矩可以定义为： （3-5）式中，是二维图像的图像灰度在水平方向上灰

24、度质心； 是图像灰度在垂直方向上的灰度质心。的归一化阶中心矩可以定义为： （3-6）M.K.Hu提出的不变矩理论是由三阶规格化的中心矩非线性组合构成的7个量值。它们对旋转、平移、镜面及尺度变换都具有不变性。其定义为： （3-7）4 基于神经网络的树叶识别人工神经网络，简称ANN，它是由很多神经元相互连接而组成的一个信息处理系统。人工神经网络的并行结构和交叉处理能力在图像处理与分析中应用广泛。其是基于一定学习方法得到的特征参数与识别种类关系，这种关系是通过网络连接权得到的网络输入和输出之间的一种非线性映射。常用的人工神经网络包括RBF网络、BP网络、Hopfield网络等。4.1 BP网络基本理

25、论BP神经网络是一种多层前馈网络，其结构包括输入层、隐含层和输出层，其学习过程是由输入层特征向量通过非线性变换从输入层传达到隐含层，再进行逐层处理，最后传到输出层，另外每一层的神经元状态都会直接影响下一层神经元状态。当神经网络输出层的输出值与其期望值相差较大时，就会转入反向传播，然后通过修正各神经元间的权值系数，以及修正网络参数，使系统识别误差降到允许范围内。图4-1 三层BP网络结构图4.2 隐含层数的选取隐含层过多，会造成网络训练缓慢，使误差曲线不稳定。一般情况下，取一个隐含层就能完成映射。本文拟采用三层神经网络。4.3 节点数的选取经过数据降维后的树叶特征矩阵是由前6个主成分表示的，即特

26、征变量为6个，所以BP网络输入层单元数为6。本文研究对象是桂花叶、桔子叶、枫树叶和夹竹桃4种植物树叶，所以输出层单元数确定为2，输出的排列组合分别代表了4种不同的识别种类，对应关系为：00-桂花叶、01-桔子叶、10-枫树叶、11-夹竹桃。通过不断调整隐元，观测实验结果获取最佳的隐含层单元数为8。4.4 BP网络的建立（1）网络进行初始化，即随机设置三层神经元的权值；（2）给定网络的输入向量和目标输出，即将降维后的数据作为BP网络的输入，同时确定每个样本对应的实际输出值；（3）计算BP网络隐含层、输出层各单元的输出；（4）计算实际输出和相应的理论输出之间的偏差；（5）调整各层神经元的权值矩阵；

27、（6）若达不到训练要求则转至步骤3，重新学习，直到理想值与实际输出值的偏差满足训练精度要求。4.5 树叶识别图像识别是用数字图像处理技术与计算机处理技术结合起来，继而完成人的认识和理解的过程。简单的说图像识别是把研究目标,根据其某些特征进行识别和分类。图像识别的目的就是设计程序或设备,代替人类自动处理图像信息,自动对图像进行分辨和识别,实现较高的图像识别率。本文的树叶图像识别分4个部分,其框图如图4-2所示：结果分 析神经网络识别树叶图像特征提取树叶图像预处理树叶采 集图4-2 图像识别系统框图第一部分是树叶图像信息的采集,它相当于对被研究对象的调查和了解。从中得到数据。第二部分是树叶图像预处

28、理，预处理的目的是为了去噪和差异，即将树叶图像变换成适合图像特征提取的形式。第三部分是树叶图像特征提取，它的作用是把图像预处理后的样本进行选择某些特征参数,并进行分析。当然,抽取特征参数的数目与采用的判决方法也是有很大的关系。第四部分是神经网络识别,即根据提取的特征参数,采用多特征神经网络集成分类器的规则,对图像信息进行分类和识别,从而得到识别结果。4.6 GUI界面设计图形用户界面，简称GUI。它是一种结合各种学科的人机系统工程。目前也有不少公司应用。它提供了很多工具用于仿真及设计，本文拟采用GUI界面来仿真基于神经网络的树叶识别。仿真结果如图4-3,图4-4：图4-3 神经网络训练图4-4

29、 树叶识别系统界面4.7 结果分析通过BP神经网络进行了四种树叶的识别，得到比较满意的结果。但由于所提取的树叶形态特征存在差异，也出现了识别错误的现象。树叶识别结果见表4-1：表4-1 识别结果 样本数识别结果识别错误识别率 桂花叶2018290% 桔子叶2018290% 枫树叶2020 0100% 夹竹桃20200100%平均识别率95%5 总结与展望5.1 总结论文的主要工作本人广泛收集和查阅了模式识别、数字图像处理和人工神经网络的相关资料和文献,实现了不同目标的识别。论文主要完成了:（1）目标样本的采集，对树叶图像进行预处理，包括裁剪、平滑、分割及边缘检测等。（2）对树叶图像特征的选择和

30、提取进行了分析。（3）介绍并建立了神经网络分类器，对树叶图像进行了训练与识别，并且比较了数据进行分析，以及识别结果。5.2 展望论文的不足论文取得了一些比较满意的效果,但是一些环节仍有不足，待进一步研究和完善:首先是样本选择，神经网络训练样本选择的优劣对目标识别性能影响较大。论文采用的目标图像背景相对比较简单,噪声小,与实际工程要求有一定差距并且样本的完备性也有所不足。如何建立抗干扰性更强是下一步研究的重点。其次是现在神经网络模型的确定还没有成熟的理论依据,在理论上如何实现神经网络模型最优化是一个难点,也是神经网络广泛应用的瓶颈。最后是目标特征量的选择与提取直接影响动态图像识别的准确性和实时性

31、，虽然目前有一些理论可依,但大多数情况下容易受主观因素影响。因此如何选择与提取目标特征还需进一步研究。参考文献1 傅弘，池哲儒，常杰，傅承新基于人工神经网络的叶脉信息提取植物活体机器识别研究J.植物学通报, 2004, 21(4):429-436.2 朱静，田兴军，陈彬，吕劲紫植物叶形的计算机识别系统J.植物学通报, 2005，22(5)：599-604.3 刘纯利，刘少斌.基于纹理建模的树叶识别系统J.计算机科学，2012,39（11）：289-290.4 王代琳.基于神经网络的树叶识别系统研究（英文）C.东北林业大学，2005.5 朱宁.基于LBP的树叶识别系统研究与实现M.北京林业大学，2007(01).6 王晓峰，黄德双，杜吉祥，张国军叶片图像特征提取与识别技术的研究J.计算机工程与应用, 2003, 3:190-193.7 何术SOM神经网络在树叶形状分类中的应用J.电脑开发与应用,2004,17(2):23-24.8 陈涓.神经网络集成的泛化能力研究及其应用G.兰州理工大学，