白 帆，鄭慧峰，沈平平，王 成，喻桑桑

（中國計量學院精密測試與控制研究所，浙江杭州310018）

基于花朵特征編碼歸類的植物種類識別方法

白 帆，鄭慧峰，沈平平，王 成，喻桑桑

（中國計量學院精密測試與控制研究所，浙江杭州310018）

提出基于花朵特征編碼分類的植物種類近似識別方法.運用以最大嫡閾值為主，GrabCut算法為輔的體系進行花朵圖像分割，提取并篩選出符合人眼視覺特性且分類性能良好的顏色、輪廓、紋理、空間結(jié)構(gòu)等特征.依照最大間隔分類理念、節(jié)點二分模式和分類網(wǎng)絡(luò)結(jié)構(gòu)，搭建編碼分類體系以縮小識別范圍.將顏色直方圖、輪廓直方圖和梯度空間共生矩陣相交進行相似比對擬合運算，得到庫中各已知類別對象與待測目標的相似程度，列出最近似的對象，完成近似識別.對該方法進行實驗驗證、分析和完善，實驗結(jié)果表明，該方法具備識別速度快、準確度高、識別目標擴展性能好等優(yōu)點.

植物種類識別；特征提?。痪幋a歸類；相似度分析

用計算機輔助人進行植物種類識別，是近來機器視覺領(lǐng)域里的重要研究方向.花朵因其特征具有更良好的分類特性，逐漸取代了葉片而成為植物種類識別的首選器官.依據(jù)花朵特征實現(xiàn)高效的植物種類近似識別，是近幾年植物識別領(lǐng)域的重要研究內(nèi)容[1-4].Nilsback等[5]對花朵圖像的分割、特征提取進行研究，提取了花朵圖像的邊界輪廓、紋理、空間、顏色等方面的多個特征.吳清鋒[6]以中草藥植物花朵為研究對象，通過支持向量機（SVM）分類器，以簡單的顏色、紋理、形狀3個視覺特征向量，實現(xiàn)了單一種類花朵的識別.Pornpanomchai等[7-8]嘗試了基于花朵顏色Hu距、輪廓特征向量的歐式距離，查找最小距離植物類別的近似識別方法.Cho[9]借助花朵的部分獨立性較強的顏色、結(jié)構(gòu)特征，設(shè)計了基于二叉樹遞推判別的植物種類近似識別方法.

識別算法的選擇需要考慮識別對象的特性、相近類別的近似程度等因素，保證識別結(jié)果符合人眼視覺特性的同時，追求識別過程快速、高效，并具備良好的擴展新識別種類的能力.在現(xiàn)有的基于植物器官圖像的種類識別方法中：基于特征向量的SVM分類器擴展性差，訓練過程復雜；二叉樹分類算法對特征獨立性的要求過高，易于局部收斂而丟失全局最優(yōu)解；神經(jīng)網(wǎng)絡(luò)針對葉片特征的識別準確性良好，但花朵相對復雜多變的特性致使網(wǎng)絡(luò)隱層單元過多[10]，性能下降.以上方法因其諸方面與近似識別需求相違背，逐步被基于概率類特征的最小距離比對方法所取代，但后者的識別結(jié)果難以契合人眼視覺特性，且其全庫搜索搭配比對算法的模式，無法兼顧識別速度及準確度.本文提出通過花朵的顏色、邊緣輪廓、紋理、空間結(jié)構(gòu)多項特征搭建編碼分類體系，對待測目標“先分類、再比對”的近似識別方法.

1 特征選取

搭建編碼分類體系需要符合人眼視覺、且分類特性良好的特征集合.采用不符合人眼視覺感知特性的特征，會出現(xiàn)分類結(jié)果與人為判斷截然相反的情況；所使用特征具備將花朵集合明確分為2類的良好分類性能，是分類結(jié)果可靠的前提.本研究先通過算法分割花朵圖像，然后測試、分析各分類特征，篩選評價出分類特性良好的特征供分類體選用.

1.1 花朵分割

花朵圖像的分割、輪廓信息的提取是顏色統(tǒng)計類特征、輪廓特征及紋理統(tǒng)計類特征得以精確提取的前提.本研究采用以最大嫡分割[10]為主、Grab-Cut[11]分割為輔的分割體系.通過分析目標H層、S層的直方分布圖，對于與背景差異明顯，即S層（飽和度）或H層（色調(diào)）有明顯“雙峰”特征的對象，使用分布比率值p（i）最大嫡處的閾值r進行分割并提取輪廓；目標邊緣與背景近似的對象計算出的最大嫡閾值會接近飽和度或色調(diào)最大值，無法準確分割，故自動切換使用復雜的GrabCut迭代算法分割，在保證體系分割效果的同時提高運算效率.如圖1所示為分割效果對比圖.

圖1 分割效果對比圖Fig.1 Schematic diagram of segmentation results

1.2 特征測試及選取

圖2 直方圖對比示意圖Fig.2 Schematic diagram of histogram comparison

1.2.1 顏色特征 顏色特征易于提取且特異性明顯[12]，如圖2所示，S層（飽和度）直方圖的“單峰”分布區(qū)域及“雙峰”的有無分別用于判斷“單色”目標和“復色”目標屬于“黑白”或“彩色”；通過V層（亮度）直方圖的尖峰分布區(qū)域區(qū)分“含有亮色”和“含有暗色”的目標；通過高飽和度像素的H層（色調(diào)）直方圖中各個色系的分布情況，可以判定對象所含顏色的數(shù)量及種類等.綜上可知，S層、V層直方圖的“峰”數(shù)、均值、峰度及H層各顏色成分的含量等特征，涵蓋了花朵的顏色特性.

1.2.2 邊緣輪廓特征 擬合花朵邊界呈多邊形及凸包來計算各種輪廓特征.結(jié)合輪廓邊角數(shù)Nc、面積周長比AP來判定輪廓“簡單”或“復雜”[4]；通過外接圓飽和度CC、凸包飽和度CH分別作為輪廓“簡單”和“復雜”對象的飽和度[13]判定依據(jù)；通過最大缺陷比率MD、凸凹度VC、銳角比VA分別判定缺陷明顯、凸性明顯[14]、銳角比率高的對象，各特征對比如圖3所示.

圖3 花朵邊緣輪廓特征對比Fig.3 Flowers’contour feature comparison

1.2.3 紋理及空間結(jié)構(gòu)特征 考慮到紋理特征對方向的敏感性，選取灰度共生矩陣

衍生特征中受方向影響最小的能量特征ASM[14]，來判定對象“平滑”或“粗糙”；通過Hough變換檢測所得直線成分圖判定直線成分較多的對象[15]；通過Sobel核橫、縱向卷積運算差值圖的中心離散點數(shù)量[16]，判斷對象是否有花蕊；采用結(jié)合了空間結(jié)構(gòu)特征的梯度-半徑分布、能量-半徑分布的最大嫡閾值所在區(qū)域，判定目標是否有“環(huán)狀變化帶”或“中心粗糙帶”，使得紋理特征更符合人眼視覺特性，各特征的對比如圖4所示.

圖4 花朵紋理空間特征對比Fig.4 Comparison of flowers’texture and spatial structure feature

共生矩陣中i行j列的元素p代表θ方向間距為d的像素分別是i和j的概率，其多個方向的ASM均值可以用于反映目標區(qū)域的粗糙度.

1.3 閾值選定及特征評價

選取特征時主要考慮特征的分類特性，采用統(tǒng)一的分類特性評定方法對1.2節(jié)涉及的特征進行評價并得到分類最優(yōu)閾值.以測試飽和度均值特征SAVR為例，通過分析統(tǒng)計花朵圖片數(shù)據(jù)庫中所有對象特征值的分布情況（見圖5（a））可知，多數(shù)對象SAVR值分布在“較低”或“較高”2個區(qū)間，故排除了具有漸變特性的“復色”對象后，“單色”對象（見圖5（b））可以用SAVR準確地分成“黑白”和“彩色”2類，而直方圖的最大嫡處分割點即作為該特征的閾值.如圖6所示，該特征配合所定閾值，分類性能良好且符合人眼視覺特性，適用于編碼分類體系.

圖5 飽和度均值分布圖Fig.5 Saturation mean distribution map

2 歸類比對算法

針對全庫搜索模式效率低的缺陷，設(shè)計了分類比對的近似識別算法.通過借鑒SVM分類器訓練查找最大間隔分類面的理念、二叉樹算法高效的節(jié)點二分模式以及神經(jīng)網(wǎng)絡(luò)優(yōu)秀的分類網(wǎng)絡(luò)結(jié)構(gòu)，選用分類特性優(yōu)秀的花朵顏色、輪廓、紋理、空間結(jié)構(gòu)的特征集合，配以評價選定的最優(yōu)閾值構(gòu)成了編碼分類體系.通過該分類體系對花朵分類，篩選出近似的對象以縮小識別范圍，再使用復雜而精確比對算法，分析近似對象的相似度，最終將所有近似對象按相似度降序列出，完成植物種類的近似識別.

識別流程如圖7所示，算法的核心為編碼分類和近似比對2部分.前者基于人眼視覺特性的分類模式，高效、準確地對目標進行分類，縮小了識別范圍；后者精確地近似目標比對運算，保證識別結(jié)果的準確性和橫向可比性.

2.1 編碼分類體系的搭建

圖6 SAvR針對“單色”對象分類Fig.6 SAVRfor“monochrome”object classification

圖7 識別流程示意圖Fig.7 Schematic diagram of recognition process

表1 編碼特征子組成結(jié)構(gòu)Tab.1 Structure of features coding

分類體系選用十余種特征，以相關(guān)特征搭配結(jié)合、特異性特征獨立描述的形式，組成了編碼分類體系.如表1所示，3個8位二進制數(shù)組成了編碼特征子，每一位由某一種或多種圖形特征，配以特征評價測試所選定的最優(yōu)閾值.將花朵集合劃分成2個子類，并用特征值相應位數(shù)的“0”和“1”標示對象所屬的子類類別或該特性的有無.如某花朵顏色特征值的第5位為“1”，則表示該花朵含有黃色成分；某花輪廓特征值1、2位都為“0”，則表示隸屬于輪廓簡單、且飽和度高的子類.該體系理論上可以將花朵集合細分成上千個子類.

通過將識別庫中的圖片按分類體系提取特征、編碼分類，為識別目標時的一一比對環(huán)節(jié)縮小比對范圍.識別時，通過分類體系篩選出庫中最近似的10％的對象進入比對環(huán)節(jié)，大幅提高了識別效率.

2.2 近似比對識別

如圖8所示，近似比對運算負責計算待測目標與識別范圍內(nèi)已知對象的相似度，其值由顏色、輪廓、紋理及空間結(jié)構(gòu)三方面各自的相似度分量p，配以權(quán)值ω換算加權(quán)歐式距離d（式（9））得出，用以反映二者的近似程度.

直方圖相交比率[10]是通過圖A、B含有n列的直方圖中每列共有像素數(shù)min（Na，Nb）與圖A該列像素數(shù)Na比值的累加和L換算得出.

由于花朵包含的綠色、藍色成分極少，將H層如圖9（a）所示的色調(diào)分布調(diào)整為如圖9（b）所示的權(quán)重；S層、V層的區(qū)分能力明顯弱于H層，故在計算顏色相似度分量時縮減了二者的權(quán)值.

輪廓相似度分量通過幾何直方圖相交比率換算得出.二維幾何直方圖（PGH）[17]計算了每一對輪廓邊緣夾角以及最大最小距離，具有尺度不變、旋轉(zhuǎn)不變特性.輪廓比對時，通過將輪廓擬合多邊形離散化、定量均衡化，以保證比對算法的普遍適用性.

圖8 近似比對算法結(jié)構(gòu)示意圖Fig.8 Schematic diagram of approximate matching algorithm structure

在紋理及空間結(jié)構(gòu)相似度的比對環(huán)節(jié)中，為了克服傳統(tǒng)方法不具備旋轉(zhuǎn)不變性[15]的缺陷，本文結(jié)合了空間結(jié)構(gòu)特征，設(shè)計了如圖10所示的基元劃分模式.類比灰度共生矩陣，定義了由內(nèi)向外（Ⅰ→Ⅳ）的“徑向共生矩陣”和由近及遠（1→5）的“環(huán)向共生矩陣”，利用2種矩陣的相交比率換算得到紋理相似度分量.

圖10 花朵圖像基元劃分示意圖Fig.10 Schematic diagram of flower image element division

3 實驗驗證與分析

基于VC++環(huán)境搭建了軟件框架，使用110張不同品種、各類特性差異明顯的月季花圖片作為實驗對象，測試體現(xiàn)歸類識別算法優(yōu)勢的以下3個方面的性能.1）應對識別庫擴展的分類體系的細分能力；2）歸類識別相較全庫搜索模式提高的效率；3）分類體系的準確度及穩(wěn)定性.

3.1 細分能力實驗

用分類體系對容量為30～90的隨機圖片庫進行分類測試，結(jié)果如表2所示，細分均勻且?guī)熘袩o較大子類，細分能力良好.

3.2 歸類識別的速率實驗

實驗通過對比全庫搜索和歸類識別2種模式的耗時來反映歸類識別模式提高的效率，實驗結(jié)果如表3所示.表中，t1為歸類識別耗時，t2為全庫搜索耗時.實驗均采用2.2節(jié)的比對算法，比對2幅圖片的平均耗時為0.8 s，按分類體系對待測目標提取特征、歸類、篩選前10％識別對象的耗時約1 s，歸類識別模式提高的效率達到85％.

表2 編碼歸類庫搭建實驗Tab.2 Building code classification database experiments

表3 識別模式速度對比實驗Tab.3 Identification mode speed contrast experiment

3.3 分類體系準確度實驗

選取比對量為10％和20％，將歸類比對算法和全庫搜索比對算法進行對比，結(jié)果如表4所示.當比對量為10％時，有一定的概率會發(fā)生近似解“遺漏”現(xiàn)象；該現(xiàn)象在比對量為20％時基本消除，可以適當調(diào)高比對量以保證歸類準確度，通過分析“遺漏”現(xiàn)象發(fā)生的原因改善分類體系.

表4 識別準確度實驗Tab.4 Identification accuracy experiment

3.4 實驗分析與算法完善

通過對發(fā)生“遺漏”現(xiàn)象的實驗進行調(diào)試分析，針對識別庫分類時的誤判、鄰近子類篩選的誤差、擬合總相似度的分量權(quán)值作了以下三方面改進措施.

3.4.1 分類體系的改進 分類誤判的幾率極低，但CC和CH飽和度特征值組合在與輪廓復雜度特征搭配使用時出現(xiàn)了少數(shù)交錯現(xiàn)象，故將輪廓簡單且飽和度較低與輪廓復雜且飽和度較高的2個子類合并，從而確保體系的可靠性.

3.4.2 歸類算法的改進 實驗3中低比對量時出現(xiàn)的“遺漏”現(xiàn)象，多為鄰近子類的篩選“失誤”造成.在如圖11所示的篩選方式基礎(chǔ)上，以各編碼特征子分類性能的高低評定貢獻度，進而優(yōu)化鄰近子類的計算.

圖11 歸類反饋示意圖Fig.11 Classified feedback diagram

3.4.3 擬合權(quán)值的優(yōu)化 花朵輪廓特性隨花期的變化明顯，且受分割效果的影響較大，可靠性較低，故適當削減其權(quán)值以提高結(jié)果的準確度.

通過以上改進措施基本消除了近似識別結(jié)果的“遺漏”現(xiàn)象，對于實驗使用的容量不大于90的識別庫，當比對量設(shè)為10％時，近似度前10％的識別結(jié)果與全庫搜索比對結(jié)果一致.

4 結(jié) 語

設(shè)計綜合花朵顏色、輪廓、紋理、空間結(jié)構(gòu)各類特征的基于編碼歸類的物種近似識別算法，所搭建的分類體系使用符合人眼視覺特性的特征，采用遵循最大間隔理念的二分模式和能夠反映三方面相似度以及擬合換算總相似度的相交算法.實驗結(jié)果表明，與傳統(tǒng)識別方案相比，具有識別速率快、準確度和穩(wěn)定性良好等特點.

提出算法尚存在不足之處，為了保證識別結(jié)果的精準，在針對不同的花朵種類建立識別庫時，須通過人工簡單測試微調(diào)分類體系特征子的權(quán)值，尚無自適應調(diào)整環(huán)節(jié)；對于花朵特征區(qū)別不顯著的植物種類，須通過人工經(jīng)驗或生物學方法進行分類.

（

）：

[1]ZHANG J，HUANG X Y.A survey of plant recognition method based on image processing[C]∥International Conference on IEEE Electrical and Control Engineering.Wuhan：IEEE，2010：4974-4977.

[2]張蕾.基于葉片特征的計算機自動植物種類識別研究[D].長春：東北師范大學，2007：10-24.

ZHANG Lei.The research of computer-aided plant species identification based on leaf feature[D].Changchun：Northeast Teachers University，2007：10-24.

[3]TAN W N，SEM R，TAN Y F.Blooming flower recognition by using eigenvalues of shape features[C]∥6th International Conference on Digital Image Processing International Society for Optics and Photonics.[S.l.]：ICDIP，2014：4177-4180.

[4]SAITOH T，KANEKO T.Automatic recognition of wild flowers[C]∥Pattern Recognition，International Conference on IEEE Computer Society.[S.l.]：IEEE，2000：2507.

[5]NILSBACK M，ZISSERMAN A.Automated flower classification over a large number of classes[C]∥6th Indian Conference on Computer vision，Graphics and Image Processing.Bhubaneswar：IEEE，2008：722-729.

[6]吳清鋒.基于內(nèi)容的中草藥植物圖像檢索關(guān)鍵技術(shù)研究[D].廈門：廈門大學，2007.

WU Qing-feng.Research onkey techniques of contentbased Chinese herbal medicine botanic image retrieval [D].Xiamen：Xiamen University，2007.

[7]PORNPANOMCHAI C，SAKUNRERARATSAME P，WONGSASIRINART R，et al.Herb flower recognition system（HFRS）[C]∥Electronics and Information Engineering.Kyoto，Japan：ICEIE，2010（V1）：123-127.

[8]HSU T，LEE C，CHEN L.An interactive flower image recognition system[J].Multimed Tools，2011，53（1）：53-73.

[9]CHO S Y.Content-based structural recognition for flower image classification[C]∥7th IEEE Conference on Industrial Electronics and Applications.Singapore：IEEE，2012.

[10]馮偉興，賀波，王臣業(yè).數(shù)字圖像模式識別技術(shù)詳解[M].2版.北京：機械工業(yè)出版社，2013.

[11]SPAGNOLO P，ORAZIO T D，LEO M，et al.Moving object segmentation by background subtraction and temporal analysis[J].Image and vision Computing，2006，24（5）：411-423.

[12]NILSBACK M，ZISSERMAN A.A visual vocabulary for flower classification[C]∥Proceedings of the2006 IEEE Computer Society Conference on Computer vision and Pattern Recognition.[S.l.]：IEEE，2006：1447-1454.

[13]HONG A X，CHI Z R，CHEN G，et al.Region-of-interest based flower images retrieval[C]∥International Conference on Acoustics，Speech and Signal Processing.Hong Kong：IEEE，2003：589-592.

[14]孫即祥.圖像分析[M].北京：科技出版社，2005：29-45.

[15]游福成.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2011：73-86.

[16]王晅，馬建峰.數(shù)字圖像分析與模式識別[M].北京：科技出版社，2011：232-258.

[17]蘇見欣，姚劍敏，郭太良，等.基于成對幾何直方圖的PCB標志檢測與匹配[J].計算機與現(xiàn)代化，2012（6）：43-46.

SU Jian-xin，YAO Jian-min，GUO Tai-liang，et al.Dectection and match of PCB mark based on pair-wise geometrical histogram[J].Jisuanji Yu Xiandaihua，2012（6）：43-46.

Plant species identification method based on flower feature coding classification

BAI Fan，ZHENG Hui-feng，SHEN Ping-ping，WANG Cheng，YU Sang-sang

（Institute of Precision Measurement and Control，China Jiliang University，Hangzhou 310018，China）

An approximate identification method of plant species based on the encoding of the flowers’feature was proposed.Images of the flowers were segmented using maximum entropy threshold combined with GrabCut algorithm in order to extract and select the color，contour，texture and spatial structure satisfying good human visual features and classification performances.The coding classification system was built to narrow the range of recognition according to the concept of maximum spacing classification，binary node models and classification network structure.The color histogram，contour histogram and spatial gradient co-occurrence matrix were compared to the fitting operation to calculate the similarity degree of each class object and the testing target.The approximate identification was completed when the class object with the highest similarity degree was found.The method was verified，analyzed and improved through experiments.Experimental results show that the method has the advantages of high recognition speed，accuracy and good extensibility.

plant species identification；feature extraction；code classification；similarity analysis

TP 391

A

1008-973X（2015）10-1902-07

2014-08-21.浙江大學學報（工學版）網(wǎng)址：www.journals.zju.edu.cn/eng

國家自然科學基金資助項目（11474259）；浙江省自然科學基金資助項目（LY14E050013，LY15E050012）；浙江省公益技術(shù)應用研究項目（2014C31109）；浙江省教育廳資助項目（201431549）；浙江省“儀器科學與技術(shù)”重中之重學科開放基金資助項目；國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃資助項目.

白帆（1989—），男，碩士生，從事數(shù)字圖像處理技術(shù)的研究.E-mail：bfstl@qq.com

鄭慧峰，男，副教授.E-mail：zhenghui-feng@163.com