基于轮廓特征的植物叶片识别系统
《自然生长状态下植物叶片特征提取与识别方法研究》范文
《自然生长状态下植物叶片特征提取与识别方法研究》篇一一、引言植物叶片作为植物生理生态的重要体现，其形态、颜色、纹理等特征是植物识别和分类的重要依据。
随着计算机视觉技术的快速发展，自然生长状态下植物叶片特征提取与识别方法的研究已成为植物学、计算机科学和人工智能等领域的研究热点。
本文旨在探讨自然生长状态下植物叶片特征提取的方法及识别技术，以期为植物分类、生态环境监测等提供有效工具。
二、植物叶片特征提取方法1. 形态特征提取形态特征是植物叶片最直观、最明显的特征，包括叶片的形状、大小、边缘等。
通过图像处理技术，可以提取出叶片的轮廓、面积、周长、长宽比等形态特征。
此外，还可以利用边缘检测算法提取叶片的边缘特征，如边缘的曲率、分叉点等。
2. 颜色特征提取植物叶片的颜色是反映其生理状态和生长环境的重要特征。
通过颜色空间转换和颜色直方图等方法，可以提取出叶片的颜色特征。
常见的颜色空间包括RGB、HSV、Lab等，可以根据不同的需求选择合适的颜色空间进行特征提取。
3. 纹理特征提取纹理特征是描述植物叶片表面细节的重要特征，包括叶片表面的粗糙度、纹路等。
通过灰度共生矩阵、自相关函数等方法，可以提取出叶片的纹理特征。
此外，还可以利用小波变换等信号处理方法对叶片纹理进行多尺度分析。
三、植物叶片识别方法1. 传统识别方法传统识别方法主要依赖于人工设计的特征描述符和分类器。
例如，通过提取叶片的形态、颜色、纹理等特征，结合支持向量机、随机森林等分类器进行识别。
然而，这种方法需要大量的手工设计和调参工作，且对不同种类植物的识别效果可能存在差异。
2. 深度学习识别方法随着深度学习技术的发展，基于深度学习的植物叶片识别方法逐渐成为研究热点。
通过构建卷积神经网络等深度学习模型，可以自动学习和提取叶片的特征，实现端到端的识别。
这种方法无需手动设计特征描述符和分类器，具有较高的识别准确率和鲁棒性。
四、实验与分析为了验证上述方法的有效性，我们进行了实验分析。
一种基于机器视觉技术的植物生长状态的识别方法
一种基于机器视觉技术的植物生长状态的识别方法
一种基于机器视觉技术的植物生长状态的识别方法包括以下步骤：
1. 设定拍摄设备：在植物的四周、顶部和底部设置拍摄机器，用于分别拍摄一张植物照片。
2. 图像采集：通过拍摄机器获取植物的图像信息。
3. 颜色识别：通过对植物的叶片颜色进行识别对比，能够快速的察觉出叶片颜色的变化。
4. 异常颜色范围识别：确定相邻叶片的颜色变化，对比找出异常颜色的范围。
5. 数据记录：记录识别的总次数、异常叶片的个数和识别出叶片异常范围的次数。
6. 计算识别准确性：通过计算叶片异常范围识别的召回率和准确率，从而计算出识别的准确性。
随着识别次数的增加，识别的准确性也会相应提升。
7. 深入识别：对比异常区域的叶片大小，对于异常区域的情况进行更加深入的识别。
8. 结果输出：快速查找并定位异常区域，为后续的植物生长状态分析提供数据支持。
通过上述步骤，可以有效地利用机器视觉技术对植物的生长状态进行快速、准确的识别，为植物生长的研究和农业生产提供有力的支持。
基于边缘检测的图像识别系统研究和实现
• 191•引言：计算机视觉（Computer Vision ）是在数字图像处理的基础上发展起来的新兴学科；从信息处理的层面研究视觉信息的认知过程，研究视觉信息处理的计算理论和计算方法。
它作为一门综合性的交叉学科，在航空航天、医学影像、工业控制、地理遥感信息处理等方面发挥的重要的应用。
1 方案设计本文通过航空航天项目为研发背景配合民用图片作为效果说明。
本文依据项目设计图像处理系统实现对输入的各种传感器一维数据的拟合成二维数据，形成数字图像形式，然后通过平滑，分割，边缘提取，特征提取（分类）等步骤处理，形成新的数字图像（二维数据），最后将处理后的二维数据再转换成其他传感器所需要的数据流，供其他设备或者传感器进行应用，整个图像处理系统在QT 平台上用C/C++语言实现。
如图1所示。
图1 系统数据流示意图2 主要实现过程2.1 图像生成对原始数据进行拟合和提取形成图像处理所需的二维矩阵。
2.2 图像平滑在本文描述的系统中采用中值滤波对图像进行图像预处理。
2.3 图像边缘检测图像边缘是指局部区域亮度有阶跃变化的像素点的集合。
边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，它是图像分割所依赖的重要特征。
边缘检测算子检查每个像素的邻域并对其灰度变化率进行量化，也包括方向的确定。
大多数使用基于方向导数掩模求卷积的方法。
边缘检测算子通常由两个边缘检测模板组成。
图像中的每个像素分别用这两个模板做卷积，得到两个方向上的梯度G_1和G_2，为了减少运算量，有时也使用近似值G=|G_1 |+|G_2 |。
梯度方向。
本文描述的系统采用的是sobel 算子为基础构建的Canny算子：（1）Sobel 算子的提出者Irwin Sobel 在1968-1973年提出了该算法，Sobel 算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此检测效果更好。
（2）Canny 算子是John F. Canny 于1986年提出的一个多级边缘检测算法。
基于图像分析的植物叶片识别技术综述
1
基于图像分析的植物叶片识别技术
基于图像分析的植物叶片识别主要有图像预处理 、 叶片特
将 CSS 匹配方式运用到叶片的进一步识别分类中 ， 保 基于上下文特征的匹配方法
证了识别的准确性。 2. 1. 2 形状上下文（ shape context） 的描述方法是指以目标轮廓的 有限点集合来表示物体特征的方法 。 基于上下文特征的匹配 方法的基本思想是以有限点集来表示待匹配的图像物体 ， 利用 得到匹 形状直方图计算与模板图像的形状上下文特征匹配度 ， 配度最小值的模板， 从而确定测试图像的类别 。 基于上下文特征的匹配方法进行植物叶片识别是一种利 用叶片形状轮廓上的一组离散点集表示叶片 ， 从而进行形状匹 配， 用匹配度实现植物叶片识别的方法 。 在植物叶片识别中， 对植物叶片图像进行轮廓提取 ， 选取叶片轮廓或者边缘上的一 p2 ， …， p n ｝ 表示叶片的形状信息， 组离散点集合 p = ｛ p1 ， 从而得 到 n 个形状直方图。对于叶片形状， 选取了 n 个边界离散点之 就可以用 n 个矩阵描述它的形状特征 。 得到形状直方图 后， 后， 需要对任意的两个目标对象进行相应形状直方图的匹配程 度计算， 即进行两个目标对象的相似度测量 。 相似度测量式为
［1 ］
人类以及环境的关系最为密切 。 由于人类生产活动造成了植 物物种的灭绝， 而植物在维持生物平衡 、 水土保持等方面又起 着重要作用； 同时， 植物农业作为国民经济的命脉 ， 是人们生活 提高农业生产需要农业植物的精细数据 ， 因 生产的基础部分， 此植物分类与识别具有非常重要的意义 。 植物的分类与识别一般选取植物的局部特征 ， 如植物的 叶、 花、 果、 茎、 纸条等特征。这些器官都有各自的分类价值 ， 但 是相比起植物其他的器官 ， 植物叶片的存活时间较长 ， 在一年 的大部分时间内都可较为方便地采集到 ， 所以常作为植物的识 别特征和认识植物的主要参照器官 ； 同时叶形是研究植物物种 的形态变异和分化的一个非常好的指标 ， 因此基于叶片的识别 是识别一种植物最直接有效且最简单的方法 。 传统的叶片分类识别需要操作者有丰富的分类学知识和 长期的实践经验， 且工作效率低、 工作量大、 数据存在一定的主 观性， 而这些都会影响到识别的客观性与精确性 。由于植物叶 片基本处于一个平面状态 ， 适合进行二维图像加工处理 。随着 计算机的应用， 探索如何利用计算机快速准确地识别植物叶 片， 是解决这些问题的一个切实可行的新途径 。因此研究基于
植物叶片定位识别国内外研究现状
植物叶片定位识别国内外研究现状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。
30679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，论文网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。
基于YOLOv5的复杂背景下植物叶片检测研究
基于YOLOv5的复杂背景下植物叶片检测研究在当今这个信息爆炸的时代，数据如同繁星般点缀在科技的天空中，而我们的任务就是从这片璀璨的星空中寻找到那些对我们有用的星辰。
正如航海者依靠北极星导航一般，科技专栏作家在探索知识的海洋时，也需要一个强有力的工具来指引方向。
今天，我们要探讨的就是这样一颗指引之星——基于YOLOv5的复杂背景下植物叶片检测研究。
首先，让我们想象一下，如果我们置身于一片茂密的丛林之中，试图寻找某一种稀有植物的叶片，这无异于大海捞针。
传统的植物叶片检测方法就像是用肉眼在茫茫林海中搜索，效率低下且容易出错。
然而，当我们有了YOLOv5这一强大的助手，情况就大不相同了。
YOLOv5就像是一部高倍率的望远镜，能够迅速锁定目标，即使在复杂的背景之下也能准确识别出所需的植物叶片。
接下来，我们必须认识到，在实际应用中，植物叶片的背景往往是多变且复杂的。
这就要求我们的检测系统不仅要有敏锐的“视力”，还需要具备强大的“大脑”。
幸运的是，YOLOv5正是这样一位智慧与力量并存的“超级侦探”。
它通过深度学习算法，能够在千变万化的背景中精准地定位到每一片叶子，这种能力无疑是对传统方法的一种颠覆性革新。
此外，我们还应该看到，这项技术的应用前景是无比广阔的。
它不仅能够帮助科研人员更快地收集数据，提高工作效率；还可以在农业领域发挥巨大作用，比如病虫害监测、作物生长分析等。
这就像是给农民朋友们配备了一副“透视眼”，让他们能够洞察田间地头的每一个细节。
然而，任何一项技术都不可能完美无缺。
在使用YOLOv5进行植物叶片检测的过程中，我们也会遇到一些挑战和问题。
例如，如何处理光照变化带来的影响、如何提高在不同环境下的检测稳定性等。
这些问题就像是前进道路上的荆棘，需要我们一一克服。
最后，我想说，基于YOLOv5的复杂背景下植物叶片检测研究就像是一场精彩的探险旅程。
它既有未知的挑战，也有发现的喜悦。
随着技术的不断进步和完善，我相信未来的某一天，我们会像拥有魔法一样，轻松地在复杂的环境中找到每一片叶子，揭开大自然的神秘面纱。
基于图像处理的植物病害识别与智能防治系统设计
基于图像处理的植物病害识别与智能防治系统设计随着农业科技的不断发展和进步，农作物病害的识别与防治成为农业领域的重要工作之一。
传统的植物病害识别方法主要依赖于经验和人工观察，效率低下且易受主观因素的影响。
随着图像处理技术的进步和智能算法的应用，基于图像处理的植物病害识别与智能防治系统逐渐兴起。
本文将针对基于图像处理的植物病害识别与智能防治系统进行设计与探讨。
一、植物病害识别系统的设计植物病害识别系统是基于图像处理技术的一种应用，主要通过采集和处理植物叶片的图像，从中提取出特征信息，通过分析和比对，判断植物是否受到了病害的侵害，并对病害进行分类和识别。
下面是植物病害识别系统的设计要点：1. 图像采集与预处理：系统需要通过一个高分辨率的摄像设备对植物叶片进行图像采集。
采集到的图像可能受到光照、角度和环境等因素的影响，因此需要进行图像的预处理工作，包括去噪、亮度调整、图像增强等。
2. 特征提取与选择：对预处理后的图像进行特征提取，包括形态学特征、纹理特征和颜色特征等。
通过图像处理与机器学习算法的结合，建立相应的特征向量，并选取最为有效和区分度高的特征。
3. 病害分类与识别：利用训练样本和机器学习算法进行分类和识别。
通过对已知植物病害样本的学习，构建相关的分类模型，并对新采集到的植物叶片图像进行分类和识别。
常用的机器学习算法有支持向量机、神经网络和决策树等。
4. 智能报警与反馈：在病害识别后，系统需要根据识别结果进行智能报警和反馈。
当系统判断植物受到病害侵害时，可以通过声音、灯光或移动设备等方式发出报警，并同时将识别结果反馈给农民或相关管理人员。
二、智能防治系统的设计基于图像处理的植物病害识别系统的目的是准确识别和分析植物病害，而智能防治系统则是在识别结果的基础上，结合其他技术手段，进行植物病害的智能防治和管理。
下面是智能防治系统的设计要点：1. 数据库建设与管理：系统需要建立一个植物病害的数据库，包括不同病害的特征图像、病害的分布情况和病害的治疗方案等信息。
《2024年自然生长状态下植物叶片特征提取与识别方法研究》范文
《自然生长状态下植物叶片特征提取与识别方法研究》篇一摘要：本研究针对自然生长状态下的植物叶片，探讨其特征提取与识别方法。
通过采集多种植物叶片图像，利用图像处理技术进行特征提取，并结合机器学习算法对叶片进行分类和识别。
本论文首先介绍了研究背景与意义，随后详细阐述了研究内容与方法，最后对实验结果进行了分析并得出结论。
一、引言随着科技的发展，植物叶片的识别与分类在农业、生态学、植物学等领域具有重要应用价值。
传统的叶片识别方法多依赖于人工鉴定，但在大规模的植物识别中，效率较低。
因此，本研究旨在利用现代图像处理技术和机器学习算法，实现对自然生长状态下植物叶片特征的自动提取与识别。
二、文献综述近年来，植物叶片特征提取与识别方法得到了广泛的研究。
从早期的基于形态学的方法，到后来的基于光谱特性的方法，再到现在的基于图像处理和机器学习的方法，技术手段不断更新。
本文将重点介绍基于图像处理和机器学习的叶片特征提取与识别方法。
三、研究内容与方法1. 数据采集为保证研究的全面性，我们采集了多种自然生长状态下的植物叶片图像。
这些图像包括不同种类、不同生长阶段、不同光照条件下的叶片，以确保我们的研究具有广泛的适用性。
2. 图像预处理对采集的图像进行预处理，包括去噪、增强、二值化等操作，以便更好地提取叶片特征。
3. 特征提取利用图像处理技术，提取叶片的形状、纹理、颜色等特征。
这些特征将作为后续分类和识别的依据。
4. 机器学习算法应用将提取的特征输入到机器学习算法中，如支持向量机（SVM）、随机森林（Random Forest）、卷积神经网络（CNN）等，对叶片进行分类和识别。
四、实验结果与分析1. 实验设置我们采用交叉验证的方法，对不同算法和参数进行测试，以评估其性能。
2. 特征提取结果通过图像处理技术，成功提取了植物叶片的多种特征，包括形状、纹理、颜色等。
这些特征在后续的分类和识别中发挥了重要作用。
3. 识别结果与分析实验结果表明，基于机器学习的叶片识别方法具有较高的准确性和稳定性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于轮廓特征的植物叶片识别系统文章提出了一个基于图像识别的植物叶片识别系统，采用Opencv计算机视觉库在Android平台上进行嵌入式开发，通过调用移动设备摄像头对即时拍摄的150幅植物叶片照片进行物种识别。
比较了包括canny边缘检测和EM分割算法等方法，再通过自适应核的形态学操作进行后期处理，提取到较准确的叶片边缘轮廓信息。
计算轮廓曲率并且统计成曲率直方图特征，最后通过SVM分类器，对特征进行分类，来达到对不同的植物叶片进行识别和分类。
识别率较高，运算速度有待提升。
标签：图像处理；形态学；EM算法；直方图比对；SVM；支持向量机引言模式识别技术被用于计算机视觉及图像处理领域，近些年得到了飞速的发展，吸引了世界上众多学者参与研究。
如何提取或者测量叶子的特征是一个长期研究中的话题[1]。
这使得模式识别在这个领域的应用面临了一个新的挑战[2][13]。
根据文献[2]，由计算机自动获取现存植物的数据的做法还没有被实施。
而目前国内外针对植物叶片形状特征中的轮廓特征，对植物叶片轮廓提取的方法主要分为基于轮廓和基于区域[3]。
文章通过对现场拍摄的植物叶片照片进行预处理，对比[4]中使用的canny边缘检测，我们采用Expectation-Maximization 算法对植物和背景进行图像分割[5]，能在移动平台上以较快的速度获取相对更加准确的边缘信息。
结合文章提出的自适应核植物形态学开闭运算，以达到去除叶片茎的干扰，然后提取植物叶片边缘轮廓的曲率特征。
关于特征的选择，虽然目前已经有许多方法，但大都使用了预定义的特征。
而[9]中使用了一个移动中值中心超球面分类器，因为其需要大量的迭代计算，不适合在移动平台上应用。
相似的做法在[2]中也提出了。
他们的另外一篇论文提出了一个用于叶片形状匹配的简单的动态规划算法，相对[9]而言计算速度有一定提升。
而文章采用采用的多尺度提取轮廓曲率信息，既能有很短的计算时间，通过实验筛选出最具代表性的尺度特征，相比采用”不变矩”或类似于多尺度距离矩阵[10]等尺度不变方法，不仅能保证识别的成功率，而且计算量较小。
以上的很多方法都使用了k-邻域的分类方法[2][8][9]，而有些文章中采用虚拟神经网络的方法。
在[11]中作者结合花和叶子的信息来分类野生的花，[12]中提出一个虚拟神经网络的运用来分类仙人掌。
但是根据[9]中作者所论证的，SVM 分类将更有利于对高维特征进行更加精确的分类。
所以文章最后通过SVM训练形成的强分类器，与曲率直方图相交[5]这种方法对比，对其曲率直方图进行分类，使得系统的识别率更加稳定，达到对不同的植物叶片进行识别和分类。
1 提取叶片由于植物在不同的季节颜色变化较大，并且叶片受光照环境的不同，很容易发生颜色的改变；如果以叶片的脉络作为特征，伴随着叶片的生长变化极大，不利于同种物种的准确识别。
同时，为了模拟在真实环境中需要进行现场拍摄，所以在Android平台上进行嵌入式开发。
考虑到移动平台的摄像头像素偏低，我们尽量选择高亮的背景进行拍摄，为了能够提高识别的准确率，只能通过对叶片轮廓形状上的特征进行提取。
这样的话，要获得一个描述充分准确的叶片轮廓形状就显得十分关键。
与canny边缘检测比较而言，使用Expectation-Maximization算法对图像的前景和背景颜色分布进行估计，能够保证提取的轮廓闭合，完整。
如果使用canny边缘检测，在叶脉比较突出的情况下，可能会检测到多个边缘，并且不一定能形成完整闭合的轮廓。
通过EM训练，利用这个训练结果，对独立的每个像素进行分类。
得到一个最初的分割二值图像，如果图像含有噪点可以利用中值滤波进行处理，之后通过Opencv中的FindContour方法取出轮廓，就能保证所得轮廓的完整和边缘曲率信息的精确，然后通过形态学开闭运算及根据连通性进行除去阴影区域和叶片的叶杆。
1.1 通过Expectation-Maximization算法进行初始分割我们初始化每个高斯模型在各自的期望中心附近分布，注意到公式中的系数为0.5，当采用两个相等权重的高斯分布时，从新图像中读入数据，函数能收敛到相应的阈值。
特征提取就通过EM分割，交替地使用每个像素估计当前参数，然后在使用新参数对像素点进行预测，从而更新和修正参数，反复迭代直至收敛。
我们将拍摄图片按比例缩放为400*400像素，比较了不同的采样方式。
首先，采取生成随机二维数组，作为采样像素点的横纵坐标，采样点数为总像素数量的百分之一；其次，选择存储图像的矩阵中，每隔10个像素点取一个采样点，从像素点（10，10）开始，同样采样点数为总像素数量的百分之一。
结果表明，采用第二种采样的方式更有利于初始分割图像的准确性。
其原因是当拍摄者在对叶片进行拍摄时，主观的会将叶片置于整幅图像的中心，而采用网格状取样方式，能对采样点的不同类型有一个全面的覆盖。
然而对于光照产生的阴影和叶片上比较薄的部分，或者由于拍摄摄像头像素过低，以至于照片模糊，有可能使得叶片边缘会有一些噪点，增加中值滤波，可以消除这一影响。
1.2 使用形态学操作去除错误预测区域在EM处理之后，每个像素点都根据其在EM处理中和两个高斯之间的关系被认定为叶子或者是背景上的像素。
这就导致了一开始的分割中有时候会存在因为不均衡的背景、阴影或者图像中多余的物体而产生错误预测区域。
另外，图像中多余的边缘信息也会导致错误分割区域，这是因为在实验时，我们通常会在叶子后面放置一张白纸来产生一个高亮的背景，之后拍摄照片，这些照片有的会拍到白纸的边缘，从而产生潜在的错误预测区域。
因为叶片的柄，较叶面而言大多都比较狭长，在进行一个形态学开运算之后，也就是一系列的膨胀和腐蚀操作过后，二值图像会分离成一系列相互不连通的区域，而去除茎不应该增加相互不连通区域的数量，所以我们认为这样的候选部分最可能是杆，所以我们通过顶帽算法将茎提取出后，在原图上修剪掉这一部分，剩下的就只剩叶面了，如图1、图2。
1.4提取结果经过以上步骤，叶片的边缘形状提取到此完成，在安卓4.0系统普通手机上需要一共运行3.27s，主要花费时间为EM预测，占总时间的72.3%。
不过这一系列操作对于没有叶柄的图1来说，去茎处理之后，会损失一定的边缘信息，应该如何解决或图像恢复，文章尚且没有做更多的研究。
2 曲率特征的计算和存储2.1 曲率的计算对于不同拍摄者的不同拍摄尺度选择，会使得有时叶片面积占整幅照片面积比例过小，有的过大，所以只有使用多尺度的叶片形状特征，才可以有效地分辨不同种类的植物叶片。
对于离散的点来说，要求轮廓的曲率并不能够直接求取，由于我们考虑到在移动平台上不能够进行长时间大量的运算，只能够借由在叶片轮廓上，以轮廓点为半径画圆，统计在院内的像素为叶片的像素点数，来广义的表示该点处的曲率值[13]，曲率越大，园内的叶片像素点数越接近圆面积的一半，如图3、4所示。
我们尝试从叶片轮廓的某一点出发，按照顺时针顺序，选取不同的尺度，计算轮廓曲线的曲率大小，形成一组关于轮廓点序列和其在不同尺度下所对应的曲率值的向量，将其转化成矩阵形式可以在表示成横坐标为轮廓点的序号，纵坐标表示为尺度大小，而横纵坐标所对应的值就是这一点，在这一尺度下的曲率大小。
我们取了1～30个像素大小的不同尺度，绘制灰度图像如图5。
灰度值越高，代表该处曲率越大。
如图5所示。
2.2 曲率特征的存储完成计算后，相对应的，每一幅R-P图像的直方图信息将对应着一种植物的特征。
由于在Android平台下自带Sqlite数据库，读写速度快，并且较为轻便，我们为了不丢失直方图精度，不进行归一化处理，而是将数据以32位Float型数字转化为字符串，存入数据库中，作为植物特征信息比对数据库。
3 直方图比对3.1 传统图像直方图比较设D为评估直方图相似程度的距离，N代表2～30的28个尺度，B为直方图的bins由Opencv函数calhist的histsize参数决定，文章中均设置为20，ai，bi分别为直方图被归一化之后所分成的区间段所对应的峰值。
由于每张叶片照片的轮廓点数不同，计算生成的直方图需要归一化才能进行统一比较，所以Opencv 归一化操作时使用插值算法的同时，必然造成精度以及特征的丢失，但是直方图相交方法分尺度的比较可以大大减少这类误差带来的影响。
结果如图八所示。
3.2 采用SVM对直方图进行分类采用传统直方图相交的比较方法确实可以带来相对较高的准确度，但是对于需要在更加严谨的场合使用叶片识别系统，那么还需要提高识别率。
3.1 中提到直方图在比较时容易丢失精度，所以进行比较也只是进行一个二维的距离映射，从而判断他们的相似程度，显得比较显得不够细致。
文章在曲率直方图特征提取的基础上提出使用SVM支持向量机对，直方图进行分类。
4 结束语文章所提出的基于Android平台的叶片识别系统，在叶片特征提取上利用了EM聚类分割算法，使得叶片轮廓信息得以较好的完整保存，比canny轮廓检测效果好，信息精确度较高，而且利用两个等量的高斯模型，使得迭代算法的收敛速度加快；通过自适应核对拍摄者的不同构图习惯给图像处理带来的影响大大降低，充分利用形态学处理克服较多拍摄的不利条件；多尺度的边缘轮廓曲率特征地提取，有效地将传统意义上的曲率和积分不变性相互联系起来，实现了尺度不变的方法；再通过统计方法，将无方向信息的直方图联系在一起，最终用比较了针对曲率信息的直方图中传统直方图相似度比较方式和SVM直方图分类各自的优缺点；证实了SVM在高位特征空间具有强大的分类能力，并且效果确实优于传统直方图比较方法。
为基于图像形状特征的叶片种类识别，在移动设备上开发的继续深入研究，做了一个小结。
由于移动平台灵巧轻便，既适合科研人员进行科学实验及学习研究，又将会作为一款科普手机软件受到旅游或者探险爱好者们的喜爱。
参考文献[1]H. Fu and Z. bined thresholding and neural network approach for vein pattern extraction from leaf images[J].IEE Proceedings-VisionImage and Signal Processing，2006 ，153（6）.[2]J.-X. Du，X.-F. Wang，and G.-J. Zhang.Leaf shape based plant species recognition [J].Applied Mathematics and Computation，2007，185.[3]Zhang D，Lu G. Review of shape representation and description techniques[J].Pattern recognition，2004，37（1）：1-19.[4]Valliammal N，Geethalakshmi S N. Hybrid image segmentation algorithm for leaf recognition and characterization[C].Process Automation，Control and Computing （PACC），2011 International Conference on. IEEE，2011：1-6.[5]Kumar N，Belhumeur P N，Biswas A，et al. Leafsnap：A computer vision system for automatic plant species identification[M].Computer Vision-ECCV 2012. Springer Berlin Heidelberg，2012：502-516.[6]Wang Z，Chi Z，Feng D. Fuzzy integral for leaf image retrieval[C].Fuzzy Systems，2002. FUZZ-IEEE’02. Proceedings of the 2002 IEEE International Conference on. IEEE，2002，1：372-377.[7]F. Gouveia，V. Filipe，M. Reis，C. Couto，and J. Bulas-Cruz. Biometry：the characterisation of chestnut-tree leaves using computer vision，”[J].in Proceedings of IEEE International Symposium on Industrial Electronics，Guimar？aes，Portugal，1997.[8]X. Gu，J.-X. Du，and X.-F. Wang.Leaf recognition based on the combination of wavelet transform and gaussian interpolation[J].in Proceedings of International Conference on Intelligent Computing 2005，ser. LNCS 3644. Springer，2005.[9]X.-F. Wang，J.-X. Du，and G.-J. Zhang.Recognition of leaf images based on shape features using a hypersphere classifier[J].in Proceedings of International Conference on Intelligent Computing 2005，ser. LNCS 3644. Springer，2005.[10]Hu R，Jia W，Ling H，et al. Multiscale distance matrix for fast plant leaf recognition[J]. Image Processing，IEEE Transactions on，2012，21（11）：4667-4672.[11]T. K. Takeshi Saitoh.Automatic recognition of wild flowers[J].in Proceedings of 15th International Conference on Pattern Recognition （ICPR’00），2000，2.[12]B. C. Heymans，J. P. Onema，and J. O. Kuti. A neural network for opuntia leaf-form recognition，”[J].in Proceedings of IEEE International Joint Conference on Neural Networks，1991.[13]Manay S.，Cremers D.，Hong B.W.，et al.Integral invariants for shape matching[J].TPAMI，2006，28：1602-1618.作者简介：普楠（1993-）男，云南昆明人，苏州大学敬文书院本科生，研究方向：计算机视觉。