基于叶缘与叶脉分数维特征的植物叶识别方法研究.docx

基于叶缘与叶脉分数维特征的植物叶识别方法研究
摘要：
植物叶子是通过叶缘和叶脉等特征来识别的。本文提出了一种基于叶缘与叶脉分数维特征的植物叶识别方法。该方法通过分析叶缘和叶脉的形状特征，生成特征向量，并使用支持向量机进行分类。结果表明，该方法具有较高的准确率和稳定性，可以较好地识别不同植物叶子的分类。
关键词：植物叶子；叶缘；叶脉；分数维特征；支持向量机
引言：
植物叶子是植物体中的重要器官，不仅能够进行光合作用，还可以进行气体交换和水分蒸发等功能。在植物分类学和生态学中，通过叶子的形态特征进行植物分类已经成为一种常用的方法。因此，如何进行高效、准确的叶子识别已经成为了植物科学领域的一个热门问题。
目前，已经有许多方法用于植物叶识别，包括基于形态学特征、纹理特征、颜色特征等方法。然而，这些方法需要提取多个特征并进行复杂的分类和识别过程，导致识别准确率不高。
为了解决这个问题，本文提出了一种基于叶缘与叶脉分数维特征的植物叶识别方法。该方法将叶缘和叶脉的形状特征进行分析，并利用分数维特征生成特征向量，再使用支持向量机进行分类。实验结果表明该方法具有较高的准确率和稳定性，可以较好的识别不同植物叶子的分类。
方法：
1.数据采集和预处理
为了建立合理的植物叶子分类模型，本文利用高清数码相机对不同植物的叶子进行了拍摄。图像采集时要注意光线和角度的统一性，以使后续的计算处理更加方便。在图像采集完成之后，需要对图像进行预处理，以去除图像中的噪声部分。
2.叶缘和叶脉形状特征提取
本文利用matlab进行图像处理和特征提取。首先将叶片图像调整至相同大小，再使用Canny算法检测叶缘，并提取叶缘上的所有像素点。然后，利用Hough变换检测出叶脉上的像素点，通过细化算法处理叶脉上的像素点，以去除不必要的信息。
3.分数维特征生成
该步骤是本文算法中最关键的一步。我们采用多级灰度共生矩阵（MGCM）方法和基于分数的维度扩充算法，将叶缘和叶脉的形状特征以一种新的方式进行了融合。
具体地，我们将叶缘和叶脉进行分段，先分别从两部分提取共生矩阵特征，并计算各自的灰度共生矩阵（GCM）。然后，将两个GCM矩阵相加，得到了一个叶缘和叶脉形状特征的融合矩阵。接下来，再使用分数维特征提取算法，将矩阵的维度进行扩充，生成分数维特征向量。最后，可以将得到的分数维特征向量传递给支持向量机进行分类。
4.支持向量机分类器
支持向量机（SVM）是一种常用的分类方法，它可以对特征向量之间的关系进行建模，并用于分类器的训练和分类。在本文中，我们使用SVM进行植物叶识别。首先，使用特征提取算法将原图像转换成特征向量，然后，使用SVM分类器对特征向量进行分类。
实验结果：
本文在包含50张叶片图像的数据集上进行了实验，其中包括两种不同的植物叶子。实验结果表明，本文方法具有较高的准确率和稳定性，可以较好地识别不同类型的植物叶子。
结论：
本文提出了一种基于叶缘和叶脉分数维特征的植物叶识别方法。该方法通过使用分数维特征生成算法，将叶缘和叶脉形状特征进行融合，并使用SVM分类器进行分类。实验结果表明，该方法具有较高的识别准确率和稳定性，可以应用于植物叶子分类和鉴定等领域。
参考文献：
[1]ZhangHL,HuangBX,LiSH.Anovelmethodforplantleafrecognitionbasedonimprovedisometricsfeaturemapping[J].JournalofYunnanUniversity,2012,34(1):70-75.
[2]TangST,LiuJK,LiangCL,etal.PlantleafrecognitionusingGaborfeaturesandSVMclassification[J].ComputerEngineeringandApplications,2011,47(14):71-73.
[3]ZhuHY,HuXM,WangH.Researchofplantleafrecognitionmethodbasedonsupportvectormachineandfeatureselection[J].JournalofJiangsuUniversity(NaturalScienceEdition),2011,32(2):147-151.