骨架的植物叶片定位识别方法(源码)
目前复杂环境下的植物叶片定位识别正面临着许多挑战，比如叶片的杂乱分布、叶片边缘模糊、叶片过度重叠以及杂草的干扰因素等。通过分析国内外已有的植物叶片定位识别算法，本文基于植物叶片骨架，利用MATLAB语言，实现了复杂环境下植物叶片定位识别的目标。首先对叶片图像进行基本的彩色图像灰度化、增强、平滑性去噪等预处理；其次利用颜色分割算法与平滑度分割算法，去除骨架提取的干扰因素；接着利用植物叶片骨架分割、骨架增强、骨架去噪、骨架分离等一系列处理，获取单个叶片骨架；最后进行根识别，主方向识别处理，在复杂背景下定位得到目标叶的位置与主骨架的方向。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
1.3 研究内容与技术路线 2
1.3.1 研究内容 2
1.3.2 技术路线 2
2 植物叶片图像预处理 3
2.1 彩色图像灰度化 3
2.2 图像增强 3
2.3 图像平滑去噪 4
3 植物叶片图像分割 4
3.1 颜色分割 4
3.2 光滑度分割 5
4 基于骨架的植物叶片识别 7
4.1 骨架概念 7
4.2 骨架提取算法 7
4.3 骨架增强 8
4.4 骨架去噪 9
4.5 骨架分离 11
4.6 叶片骨架根识别 13
4.7 叶片骨架的主方向识别 15
4.8 最终效果展示 16
5 植物叶片定位识别系统 17
6 总结与展望 23
6.1 总结 23
6.2 展望 23
致谢 24
参考文献 25
基于骨架的植物叶片定位识别方法
引言
1 绪论 *好棒文|www.hbsrm.com +Q: &351916072&
1.1 研究背景
植物叶片的定位识别是从叶片图像中获取目标叶状态信息的关键步骤，如果能够在获取的图像中自动识别出目标叶，即可分析得出其生长状态。叶片的数量与叶面积可以用来判断植物的生长状态、叶片颜色改变区域与缺失区域可以用来判断作物病害信息。然而，目前复杂环境下植物叶片的准确识别仍然存在很多难题：自然环境下获取的植物叶片图像中通常包含很多与目标叶颜色相近的杂草，使得目标叶的识别非常困难；一幅图像中，不同叶片的重叠亦不可避免；此外，很多叶片的边缘也不是很清晰。由于这些问题的存在，分割图像中的叶片是非常复杂的工作。近年来，针对植物叶片定位识别工作的研究已有一点的进展，主要有基于颜色与基于形状两种类型[1]。
1.2 国内外研究状况
1.2.1 国外研究状况
Kristian Kirka等[2]提出，利用彩色植物叶片图像中土壤部分与目标叶片部分像素点的绿色分量（G）与红色分量（R）比值的不同，可以从简单土壤背景的环境中识别出目标植物叶片。Du J X和Wang X F等[3]的研究表明，利用植物叶片的数学形态学特征、几何特征和不变矩特征来提取叶片的样本特征，用超球面分类器进行样本训练与识别处理工作。Du J X和Zhai C M等[4]将跨学科的尖端科技分形理论应用到植物叶片的识别工作中，提取出叶片的环投影小波分形特征(RPWFF)。投影的方式减少了二维图像的维度，削弱了叶片曲线与自身的相关性，进而计算出叶片连续曲线的分形维数特征，最后将数学形态学中的不变矩特征与其结合来进行植物叶片的识别与分类工作。Yunyoung Nam等[5]采用基于相似度的植物叶片识别方案，同时结合叶片的形状特征与骨架脉络特征，利用矩阵建模两个植物叶片的相似度，进行叶片的识别。近两年，有些学者采用三维技术分割叶片。Quan L等[6]人利用三维状态信息重构植物叶片，结合使用三维特征与彩色特征对目标叶片进行分割。Chen Y S[7]采用光流场方法获取叶片的三维信息，并用三维信息分割叶片，但是此方法能够处理的叶片相对简单，也容易出现错误。
1.2.2 国内研究状况
胡秋萍[8]提出了基于RGB阈值的分割识别方式。植物叶片内部与边缘附近的像素点的RGB值存在较大差异，通过设置RGB阈值可以有效识别出目标叶片并进行分割。王萍等[9]提出将线性滤波方法与非线性滤波方法相结合的思想，结合使用普通边缘检测算子与数学形态学运算，利用不同结构元素，来检测植物叶片边缘的提取效果。朱颢东等[10]提出将K均值聚类与数学中余弦定理相结合的叶片识别方法。首先提取叶片的综合向量特征，包括Hu不变矩特征和形状特征向量，然后使用K均值聚类集合不同叶片训练样本的综合特征向量，获取聚类中心特征向量，最后使用余弦定理来对目标叶片与训练样本中的叶片进行相似度的运算，从而识别出目标叶片。董红霞等[11]提出了基于叶片的纹理特征与形状特征的分类识别方法，在灰度图像上提取纹理特征，在二值图像上提取形状特征，利用BP网络对这些特征进行分类，进行叶片的识别。朱伟兴等[12]在YIQ颜色空间中，选取I作为特征量并用改进的最大类间方差法分离植物与背景。此方法的局限性在于只能将与背景颜色差异较大的的目标叶片分割出来。
1.3 研究内容与技术路线
1.3.1 研究内容
由于植物叶片的颜色特征会随着时间、季节等外界环境因素的变化而改变，而植物叶片形状特征也不是一个相对稳定的特征变量，因此本文选择基于相对稳定的植物叶片骨架特征来进行叶片定位与识别处理的方法。
本文的研究内容主要包括以下几点：
（1）尝试利用植物叶片骨架的亮度特性提取骨架，并基于骨架的相似线性特征对骨架进行增强。
（2）应用颜色分割与平滑度分割，对骨架进行去噪、分离处理。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
1.3 研究内容与技术路线 2
1.3.1 研究内容 2
1.3.2 技术路线 2
2 植物叶片图像预处理 3
2.1 彩色图像灰度化 3
2.2 图像增强 3
2.3 图像平滑去噪 4
3 植物叶片图像分割 4
3.1 颜色分割 4
3.2 光滑度分割 5
4 基于骨架的植物叶片识别 7
4.1 骨架概念 7
4.2 骨架提取算法 7
4.3 骨架增强 8
4.4 骨架去噪 9
4.5 骨架分离 11
4.6 叶片骨架根识别 13
4.7 叶片骨架的主方向识别 15
4.8 最终效果展示 16
5 植物叶片定位识别系统 17
6 总结与展望 23
6.1 总结 23
6.2 展望 23
致谢 24
参考文献 25
基于骨架的植物叶片定位识别方法
引言
1 绪论 *好棒文|www.hbsrm.com +Q: &351916072&
1.1 研究背景
植物叶片的定位识别是从叶片图像中获取目标叶状态信息的关键步骤，如果能够在获取的图像中自动识别出目标叶，即可分析得出其生长状态。叶片的数量与叶面积可以用来判断植物的生长状态、叶片颜色改变区域与缺失区域可以用来判断作物病害信息。然而，目前复杂环境下植物叶片的准确识别仍然存在很多难题：自然环境下获取的植物叶片图像中通常包含很多与目标叶颜色相近的杂草，使得目标叶的识别非常困难；一幅图像中，不同叶片的重叠亦不可避免；此外，很多叶片的边缘也不是很清晰。由于这些问题的存在，分割图像中的叶片是非常复杂的工作。近年来，针对植物叶片定位识别工作的研究已有一点的进展，主要有基于颜色与基于形状两种类型[1]。
1.2 国内外研究状况
1.2.1 国外研究状况
Kristian Kirka等[2]提出，利用彩色植物叶片图像中土壤部分与目标叶片部分像素点的绿色分量（G）与红色分量（R）比值的不同，可以从简单土壤背景的环境中识别出目标植物叶片。Du J X和Wang X F等[3]的研究表明，利用植物叶片的数学形态学特征、几何特征和不变矩特征来提取叶片的样本特征，用超球面分类器进行样本训练与识别处理工作。Du J X和Zhai C M等[4]将跨学科的尖端科技分形理论应用到植物叶片的识别工作中，提取出叶片的环投影小波分形特征(RPWFF)。投影的方式减少了二维图像的维度，削弱了叶片曲线与自身的相关性，进而计算出叶片连续曲线的分形维数特征，最后将数学形态学中的不变矩特征与其结合来进行植物叶片的识别与分类工作。Yunyoung Nam等[5]采用基于相似度的植物叶片识别方案，同时结合叶片的形状特征与骨架脉络特征，利用矩阵建模两个植物叶片的相似度，进行叶片的识别。近两年，有些学者采用三维技术分割叶片。Quan L等[6]人利用三维状态信息重构植物叶片，结合使用三维特征与彩色特征对目标叶片进行分割。Chen Y S[7]采用光流场方法获取叶片的三维信息，并用三维信息分割叶片，但是此方法能够处理的叶片相对简单，也容易出现错误。
1.2.2 国内研究状况
胡秋萍[8]提出了基于RGB阈值的分割识别方式。植物叶片内部与边缘附近的像素点的RGB值存在较大差异，通过设置RGB阈值可以有效识别出目标叶片并进行分割。王萍等[9]提出将线性滤波方法与非线性滤波方法相结合的思想，结合使用普通边缘检测算子与数学形态学运算，利用不同结构元素，来检测植物叶片边缘的提取效果。朱颢东等[10]提出将K均值聚类与数学中余弦定理相结合的叶片识别方法。首先提取叶片的综合向量特征，包括Hu不变矩特征和形状特征向量，然后使用K均值聚类集合不同叶片训练样本的综合特征向量，获取聚类中心特征向量，最后使用余弦定理来对目标叶片与训练样本中的叶片进行相似度的运算，从而识别出目标叶片。董红霞等[11]提出了基于叶片的纹理特征与形状特征的分类识别方法，在灰度图像上提取纹理特征，在二值图像上提取形状特征，利用BP网络对这些特征进行分类，进行叶片的识别。朱伟兴等[12]在YIQ颜色空间中，选取I作为特征量并用改进的最大类间方差法分离植物与背景。此方法的局限性在于只能将与背景颜色差异较大的的目标叶片分割出来。
1.3 研究内容与技术路线
1.3.1 研究内容
由于植物叶片的颜色特征会随着时间、季节等外界环境因素的变化而改变，而植物叶片形状特征也不是一个相对稳定的特征变量，因此本文选择基于相对稳定的植物叶片骨架特征来进行叶片定位与识别处理的方法。
本文的研究内容主要包括以下几点：
（1）尝试利用植物叶片骨架的亮度特性提取骨架，并基于骨架的相似线性特征对骨架进行增强。
（2）应用颜色分割与平滑度分割，对骨架进行去噪、分离处理。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1769.html
