杜芊芊，孟一凡，王 吉，胡琦瑤

（西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院，陜西 西安 710127）

0 引 言

地球上植物覆蓋面積廣、種類繁多，如何對已發(fā)現(xiàn)的植物進(jìn)行識(shí)別是一項(xiàng)極其復(fù)雜的工作。在植物識(shí)別的研究中，不同植物有不同的特征，如顏色、形狀、大小等，可以利用這些特征建立一個(gè)模型對植物圖像進(jìn)行識(shí)別。該過程可分為三個(gè)步驟：首先，將得到的植物圖片進(jìn)行圖像預(yù)處理；其次，選擇非線性增強(qiáng)的方法得到輸出，再利用濾波和平滑處理使得圖像可識(shí)別度提高；最后，將得到的圖像通過混合深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行識(shí)別并返回結(jié)果。

1 圖像增強(qiáng)

在圖像增強(qiáng)的處理過程中，由于像素點(diǎn)所在的空間不同，所以一般可分為基于空域和頻域的圖像處理方法?；诳沼虻姆椒ㄊ侵笇D像進(jìn)行點(diǎn)操作和模板操作；而基于頻域的方法是通過FFT將圖像轉(zhuǎn)換到頻域處理，然后再通過反變換得到增強(qiáng)圖像。

在對圖像進(jìn)行增強(qiáng)處理之前，首先需要對圖像進(jìn)行如下的均衡化處理：

式中：為規(guī)定圖像中的灰度級數(shù)；E代表灰度映射函數(shù)；u和v分別代表原始圖像和規(guī)定圖像同一位置的灰度值；p(u)表示對u出現(xiàn)的概率估計(jì)。

完成均衡化處理之后，就可以開始對圖像進(jìn)行如下的規(guī)定化處理：式中：表示原始圖像中的灰度級數(shù)；s和t分別代表原始圖像和增強(qiáng)圖像同一位置的灰度值；p(s)表示對s出現(xiàn)的概率估計(jì)。

在上述過程中，利用規(guī)定化圖像調(diào)整原始圖像的對比度，可以使整體效果更佳。

在得到輸出圖像之后，需要對其進(jìn)行處理以便程序更好地對圖像進(jìn)行識(shí)別。因?yàn)楦淖儓D像的直方圖的形態(tài)也相當(dāng)于改變圖像的對比度，所以利用直方圖的規(guī)定化可以使獲得的整體植物圖像更均勻。這樣處理可以獲得規(guī)定的圖片像素直方圖分布情況。把原始圖像的直方圖替換為所得的直方圖，這樣可以對圖像進(jìn)行全局優(yōu)化?？紤]到系統(tǒng)在離散空間的復(fù)雜度，擬采用單映射規(guī)則來獲得所需圖像，即從小到大依次找到能使下式最小的和，然后將p(s)對應(yīng)到p(u)去。

在完成對圖像的處理之后可以獲得規(guī)定化所得的圖像。對比圖1和圖2，根據(jù)輸出的圖像可以看出，規(guī)定化之后的圖像與原圖相比全局效果得到改善，對比度的增加可以突出圖像的輪廓從而使其更容易被識(shí)別，即處理后的圖片可識(shí)別度更高。

圖1 處理前圖片

圖2 處理后圖片

2 圖像平滑

對圖像進(jìn)行平滑處理后可以提取圖片中物體的輪廓信息，并且能夠有效濾除高頻噪聲。中值濾波器設(shè)計(jì)簡單且實(shí)用，主要依靠模板排序?qū)崿F(xiàn)濾波。這里選擇使用中值濾波的方式對圖像進(jìn)行處理。為了減少運(yùn)算量，采用稀疏的模板處理圖像。

3 初始化深度學(xué)習(xí)環(huán)境和導(dǎo)入數(shù)據(jù)

圖像的分析和計(jì)算是植物識(shí)別問題的核心。將經(jīng)過預(yù)處理的圖像加入到深度學(xué)習(xí)環(huán)境中能夠提高識(shí)別率。學(xué)習(xí)環(huán)境采用多個(gè)基礎(chǔ)深度網(wǎng)絡(luò)，然后需要進(jìn)行任務(wù)分組，把相似度較高的圖像分到同一組。需要注意的是，應(yīng)該減小差別較大的植物組間距，提高識(shí)別的準(zhǔn)確性，并將其與不同的植物物種進(jìn)行比較，可以加強(qiáng)其與其他植物的區(qū)分。

3.1 執(zhí)行圖像數(shù)據(jù)預(yù)處理

樣本訓(xùn)練的核心問題在于獲得不同植物之間的不同特征，在圖像中體現(xiàn)為輪廓和像素點(diǎn)分布以及灰度值的不同。為了提高目標(biāo)的識(shí)別率，可以利用這三個(gè)關(guān)鍵點(diǎn)設(shè)計(jì)一個(gè)門網(wǎng)絡(luò)。通過視覺相似矩陣估計(jì)任務(wù)間關(guān)系，并加入目標(biāo)函數(shù)的流形正則化項(xiàng)，以提高不同植物種間區(qū)分度。先構(gòu)建一個(gè)網(wǎng)絡(luò)映射函數(shù)，然后把不同特征信息作為參數(shù)自變量，就可以得到特征向量，最后根據(jù)反饋修改不同特征的參數(shù)值來提高目標(biāo)的識(shí)別度。

3.2 構(gòu)建神經(jīng)網(wǎng)絡(luò)層模型

現(xiàn)有大多數(shù)成功的深度卷積神經(jīng)網(wǎng)絡(luò)都經(jīng)過海量樣本數(shù)據(jù)優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重因子，特別是在圖像識(shí)別領(lǐng)域中，圖像數(shù)據(jù)集已經(jīng)擁有了優(yōu)良性能。本項(xiàng)目中將其應(yīng)用至類別不超過最大輸出維數(shù)的一個(gè)任務(wù)組的植物識(shí)別，預(yù)期能獲得良好性能。因此，選擇現(xiàn)有深度網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)是可行的。其次，本項(xiàng)目不是簡單地將多個(gè)基礎(chǔ)網(wǎng)絡(luò)組合成有更多輸出維的網(wǎng)絡(luò)；對于給定的任務(wù)組，通過分析和試驗(yàn)選擇一個(gè)現(xiàn)有深度網(wǎng)絡(luò)作為基礎(chǔ)深度卷積神經(jīng)網(wǎng)絡(luò)。計(jì)算機(jī)在處理的過程中對已提取的特征值利用損失函數(shù)進(jìn)行判斷。對不同植物物種的第個(gè)任務(wù)組提出一種基于深度多任務(wù)學(xué)習(xí)的方法，通過優(yōu)化聯(lián)合目標(biāo)函數(shù)來學(xué)習(xí)相應(yīng)的第個(gè)具有模型參數(shù)W=(W, ...,W, ...,W)的基礎(chǔ)深度卷積神經(jīng)網(wǎng)絡(luò)函數(shù)()。

3.3 構(gòu)建訓(xùn)練模型

初步設(shè)計(jì)的多任務(wù)混合深度網(wǎng)絡(luò)框架如圖3所示。在該模型中，混合深度卷積神經(jīng)網(wǎng)絡(luò)需要選擇優(yōu)良的深度網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ)，并確定任務(wù)組間的任務(wù)重疊以及基礎(chǔ)深度卷積神經(jīng)網(wǎng)絡(luò)的組合方式，最后通過迭代來定義自適應(yīng)強(qiáng)的網(wǎng)絡(luò)。

圖3 多任務(wù)混合深度神經(jīng)網(wǎng)絡(luò)框架

根據(jù)植物分類的復(fù)雜度，考慮設(shè)計(jì)雙層網(wǎng)絡(luò)：一層網(wǎng)絡(luò)以提取特征值為主；另一層對比不同分組組間的信息，設(shè)計(jì)成為閉環(huán)網(wǎng)絡(luò)。由此可以確定相互關(guān)聯(lián)的學(xué)習(xí)任務(wù)，如在提取到一幅圖片的特征值之后可以根據(jù)組間的差別來調(diào)整圖片的識(shí)別位置，在同時(shí)對比多組任務(wù)之后可以輸出一個(gè)相似百分比用來標(biāo)識(shí)該圖像的確信值；而且當(dāng)植物圖像分配到相同的任務(wù)組時(shí)，這種植物物種可以具有相似的學(xué)習(xí)復(fù)雜性，使它們得到更充分的比較并顯著增強(qiáng)它們的可區(qū)分度。

經(jīng)過測試發(fā)現(xiàn)，在單一環(huán)境下的圖像識(shí)別可靠性高，所得識(shí)別準(zhǔn)確率較高。但在復(fù)雜環(huán)境下的植物識(shí)別效果不佳，主要是在特征提取方面很難實(shí)現(xiàn)圖像的完整特征提取。測試結(jié)果如圖4和圖5所示。

圖4 輸出輪廓特征

圖5 顏色及輪廓結(jié)果

4 結(jié) 語

針對當(dāng)前具有高度相似性的植物物種識(shí)別中的難點(diǎn)，本項(xiàng)目設(shè)計(jì)了一種改進(jìn)型多任務(wù)混合深度網(wǎng)絡(luò)。對相似圖像進(jìn)行分類時(shí)，使用從已有神經(jīng)網(wǎng)絡(luò)改進(jìn)而來的深度混合網(wǎng)絡(luò)，解決了在對大批量、強(qiáng)相似度的植物種類進(jìn)行鑒別時(shí)混合深度網(wǎng)絡(luò)成功率較低的問題，實(shí)現(xiàn)了對高相似度植物的圖像的訓(xùn)練、識(shí)別和分類。本設(shè)計(jì)對植物的識(shí)別精確度能達(dá)到83%。