基于轮廓形状和深度特征融合的植物叶片图像识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953615A(43)申请公布日2023.04.11(21)申请号202211471872.7(22)申请日2022.11.23(71)申请人江苏开放大学（江苏城市职业学院）地址210036江苏省南京市鼓楼区江东北路399号(72)发明人叶梦婕程勇吴旭姿(74)专利代理机构南京经纬专利商标代理有限公司32200专利代理师陈月菊(51)Int.Cl.G06V10/764(2022.01)G06V10/46(2022.01)G06V10/80(2022.01)权利要求书3页说明书10页附图3页(54)发明名称基于轮廓形状和深度特征融合的植物叶片图像识别方法(57)摘要本发明公开了一种基于轮廓形状和深度特征融合的植物叶片图像识别方法，属于植物叶片识别技术领域。包括如下步骤：首先依据叶片轮廓曲线偏移特性提取最小投影距离特征和相对投影距离特征，并结合描述轮廓凸凹特性的拱高距离特征，然后根据多特征融合和多尺度分析获取多尺度多轮廓距离形状描述子，最后运用最大值归一化融合低层次轮廓特征和高层次语义特征。本发明不但能从两个正交维度提取不同尺度轮廓曲线特征，较全面地描述二维轮廓空间分布特征，而且通过融合不同层次特征相互补充，结合不同层次特征优点，显著提高植物叶片图像识别性能。CN115953615ACN115953615A权利要求书1/3页1.一种基于轮廓形状和深度特征融合的植物叶片图像识别方法，其特征在于，包括如下步骤：S10、依据叶片轮廓曲线偏移特性提取最小投影距离特征和相对投影距离特征，并结合描述轮廓凸凹特性的拱高距离特征；S20、根据多特征融合和多尺度分析获取多尺度多轮廓距离形状描述子；S30、运用最大值归一化融合低层次轮廓特征和高层次语义特征。2.根据权利要求1所述的方法，其特征在于，步骤S10具体如下：S11、对于二值叶片图像，沿逆时针均匀采样，叶片形状轮廓可表示成有序点集：C＝{Pi(xi,yi),i＝1,…,N}其中，N表示轮廓采样点数；S12、提取最小投影距离；为描述轮廓曲线的偏移特征，以叶片轮廓点Pi为参考点，基于k+1逆时针和顺时针方向，沿轮廓弧长为s＝N/2的轮廓点Pi′和Pi″(局部距离特征参考点)为基准，提取点Pi的最小投影距离特征其模型如下：p其中，点Pi为轮廓点Pi到直线Pi′Pi″的投影点，表示以Pi′为始点，Pi为终点的向量；和同理；||Pi'Pi”||表示点Pi′与点Pi″的欧式距离，·表示向量的数量积；最小投影距离表征点Pi相对于轮廓曲线的一端的偏移程度；S13、提取相对投影距离；提取最小投影距离特征的后，从刻画轮廓曲线两端相对偏移关系的角度，提取点Pi的相对投影距离特征其模型如下：pppp其中，PiPi'表示投影点Pi到点Pi'的有向投影距离，PiPi”表示投影点Pi到点Pi”的有向投影距离；S14、提取拱高距离；在最小投影距离和相对投影距离的基础上，从多特征融合的角度，提取点Pi的拱高距离特征和其模型如下：2CN115953615A权利要求书2/3页其中，hi表示点Pi的拱高函数，×表示向量与向量的向量积。3.根据权利要求2所述的方法，其特征在于，S11，中叶片形状轮廓线是闭合的，Pi+N＝Pi且Pi‑N＝Pi。4.根据权利要求1所述的方法，其特征在于，步骤S20具体如下：提取多尺度轮廓距离特征；固定轮廓弧长s，轮廓点Pi索引由1变化到N，提取所有采样点k+1的轮廓距离特征固定轮廓点Pi，改变轮廓弧长s＝N/2的尺度因子k，提取不同尺度k＝1,...,T距离特征，其中为最大尺度值，其模型如下：其中，表示尺度1的所有轮廓采样点最小投影距离特征向量，同理。5.根据权利要求1所述的方法，其特征在于，步骤S30具体如下：提取高层次语义特征；在低层次距离特征的基础上，利用基于ImageNet图像库的预训练VGG16深度学习模型，并移除最后一层全连接层，提取植物叶片图像高层次语义特征fd，其模型如下：fd＝FC(I)其中，I表示输入的RGB图像，其大小为224×224x3，FC(·)表示全连接层，其大小为1x4096；融合不同层次特征；提取低层次轮廓特征和高层次语义特征后，基于低层次轮廓特征距离Dhf和高层次语义特征距离Ddf，采用最大值归一法融合不同层次特征，其模型如下：其中，和分别表示叶片图像测试集中第i个图像与训练集中第j个图像的轮廓特征距离或深度特征距离，和分别表示叶片图像测试集中第i个图像与训练集中所有图像的轮廓特征距离序列或深度特征距离序列的最大值。6.根据权利要求5所述的方法，其特征在于，运用预训练的VGG16模型，提取高层次的语义特征。7.根据权利要求5所述的方法，其特征在于，不同层次的特征距离取值范围介于[0,1]，通过线性融合