开题报告

开题报告

毕业设计题目：植物叶片的形状特征提取及分类研究

浙江理工大学本科毕业设计（论文）开题报告

植物叶片的形状特征提取及分类研究

开题报告

一、选题意义与可行性分析

植物是地球上物种数量最多、分布最广泛的生命形式。植物通过光合作用不断产生氧气，从而保持着大气中二氧化碳与氧气的平衡，植物也在不断地改善着人类的生活环境，它在水土保持、抑制荒漠和改善气候等方面起着至关重要的作用。植物是人类生存与发展的重要遗传资源，是人类的重要食物来源。可以说植物与人类的关系非常密切，人类的生活离不开植物。

现在，人类已经逐渐意识到保护植物的重要性。除了保护环境，避免生态被进一步破坏之外，对植物资源进行调查、识别、分类也越来越受到人们的关注。为了能更好地运用植物与识别植物，对植物的分类与识别成为了重要的研究领域。

相比较而言，植物的叶、花朵、果实和种子较为稳定，其图像比较适合于利用计算机来进行处理。由于花朵、果实和种子都是三维形状的物体，因此识别起来比较复杂，同时受季节因素的影响在非成熟期里不容易收集到样本。而叶片则基本上处于平面状态，适合进行二维图像处理，并且在一年大部分时间内都可以很方便地采集到，因此现阶段我们主要考虑使用叶片的图像来识别植物。

不同植物的叶片在颜色、叶形构造以及叶脉分布等外部特征上都不尽相同，可以利用植物叶片的特征来对植物进行分类。为了辨识和分析植物叶片图像中的叶片目标，需要将叶片图像从整幅图像中分离提取出来，此过程就涉及到植物叶片图像的图像分割。图像分割就是指根据形状、颜色、纹理等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。

本研究将使用Matlab从“轮廓”这个局部中找出特征来判断“形状”这个总体。

二、国内外研究现状

2.1国外研究现状

植物分类学的起源可以追溯到人类接触植物的原始社会。

1753 年，瑞典植物学家林奈（Linnaeus）出版的重要著作《植物种志》[1]，根据雄蕊的有无、数目多少和着生情况对植物进行分类，所建立的分类系统，奠定了近

代植物分类学的基础，是人为分类系统的典型。

2003年，Helly等[2]开发了植物叶斑自动检测系统，将叶斑的颜色、尺寸、形状特征用于黄瓜3 种常见病的识别。

随后，又有很多研究者进行相关研究。

Pydipati等[3]在实验室光照环境下，采用HIS颜色模型，用色彩共生纹理分析法结合统计分类算法对柑橘正常叶片、油斑病叶片、黑斑病叶片、疮痂病识别，准确率超过95%。

T.Saitoh等人[4]在工作中使用花朵和叶片的图像来识别野生种类的植物。

Shearer S.A等人[5]在识别过程中参考使用了植物叶片纹理的特征，他们提取了11个纹理特征，在RGB空间上产生了33个彩色纹理特征，对7种人工培育的植物进行识别。

Franz E.等人[6]利用植物叶片边缘的曲率来对植物进行识别，对于全部可见和部分可见的叶片边缘用曲率来表示。

最近，H Ling[7]使用内距离来见着性状特征并且提出了内距离性状Context，这个在几个形状库上都运行的很好，包括瑞士植物叶片数据库。

2.2国内研究现状

一些研究者针对叶特征自动提取方法和技术进行了相关研究。

祁亨年等[8]提出了基于叶片特征的计算机辅助植物识别模型，对叶片大小、形状、叶缘、锯齿等特征的提取进行了初步研究。同年，毛罕平等[9]研究了番茄缺素叶片颜色特征和纹理特征提取和优化选择方法。

朱静等[10]设计了植物叶形的计算机识别系统，对叶片的一些基本形态特征，如长宽比、最宽处位置、叶基部凹陷程度、叶缘及叶裂等提取进行了研究。测试结果虽然较好，但并没有实现对植物种类的识别。

赵玉霞等[11]根据玉米叶部病害特点，综合应用阀值法、区域标记方法与Freeman 链码法，对玉米叶部病害图片进行图像分割和特征的提取。

刘立波等[12]研究了根据病斑区域的颜色特征和纹理特征识别水稻叶瘟病的方法，为进一步实现水稻病害自动诊断打下了基础。

马晓丹等[13]运用图像处理技术和神经网络技术，基于病斑 RGB 颜色特征实现了大豆叶片病斑区域的识别（准确率可达 100%）。

王娜等[14]研究了根据病斑颜色、纹理、形状特征识别3种玉米叶部病害的方法，利用计算机视觉技术实现玉米叶部病害的自动识别诊断。

王晓峰等[15]研究了叶片特征提取及识别,首先对叶片图像进行预处理并且提出叶片的轮廓，然后利用轮廓计算得到叶片的矩形度、圆形度、偏心率等八项几何特征和七个图像不变矩，同时提出了一种新的移动中心超球分类器，利用其对得到的形状特征进行分类从而实现了对20多种植物叶片的快速识别。

傅弘等[16]对植物叶脉的提取进行了研究，利用边缘梯度、领域统计等参数描述像素领域特征作为神经网络的输入层进行训练学习提取出植物叶片的叶脉。

三、研究的基本内容与拟解决的主要问题

3．1研究的基本内容

本研究的重点就是如何对植物叶片的特征提取并分类。典型框架是：对叶片的形状进行人工标注分类。这种方法当图像数量不大时，不失为一种简单易行的方法。然而，当叶片数据量非常庞大时，基于文本的图像检索存在着诸多困难，此时叶片形状的自动识别就派上用场了。本研究以计算机图像处理技术为主要技术手段，综合运用图像处理等方面的知识对植物叶片进行分类。

本研究的主要内容有：

1．植物图像的预处理。主要为二值化处理、采用简单边缘检测算子进行边缘检测等等。

2．叶片图像的形状特征提取。特征提取是实现植物特征识别的一个重要环节。一共选取了16种区域描述特征，分别是周长、面积、质心横坐标、质心纵坐标、宽度、长度、长宽比、偏心率、圆形度、Hu矩，其中Hu矩特征选了7维，Hu不变矩具有旋转、平移和尺度不变性。

3．叶片图像的分类，主要采用K-means算法和近邻法。。

3．2拟解决的主要问题

本研究拟解决的主要问题有：

1.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。因此，要根据图像的具体特点选择合适的分割方法。