本发明专利技术公开一种植物叶片形状分类的方法、系统及装置，方法包括：获取待测植物叶片图像，经二值化处理得到植物叶片二值化图像；提取植物叶片二值化图像的轮廓信息，得到叶片边缘闭合曲线，获取叶片边缘闭合曲线的所有边缘点信息得到边缘坐标点集合；对边缘坐标点集合中所有边缘坐标点进行预处理，得到叶片边缘点集合，计算叶片边缘点集合中所有叶片边缘点的曲率值，得到叶片曲率集合；将叶片曲率集合进行归一化，通过计算得到待测植物叶片的极大值点集合及极小值点集合；分别计算待测植物叶片与训练集极大值点集合及极小值点集合的相似度，得到植物叶片相似度，基于植物叶片相似度的最小值，得到待测植物叶片图像的分类类别。
【技术实现步骤摘要】
本专利技术涉及数字图像处理领域，尤其涉及一种植物叶片形状分类的方法、系统及装置。
技术介绍
1、植物分类对保护生物多样性、农业生态及生物技术安全具有重要意义，快速准确的植物自动分类在植物的分析和调查过程中有很大帮助，叶片是植物的重要无性器官，不同类别的植物叶片有一定的差异，所以，采用叶片识别植物类别是一种非常普遍的方法。目前，在植物叶片形状分类识别方面，主要利用计算机视觉技术对植物叶片图像进行处理分析，提取植物叶片特征进而进行植物类型的判别。其中，基于深度学习的植物叶片形状分类的方法，需要标注大量的训练集样本，因而不适用于样本量较小的情况；传统的基于计算机视觉的方法从植物叶片图像中提取描述植物叶片的整体特征及局部细节特征，其中，常用的轮廓特征包括凸缺陷特征、轮廓形状对称性特征及轮廓的傅里叶描述子等，常用的几何特征包括最小外接矩形特征、伸长度特征、叶片面积特征、矩形度特征、圆形度特征、致密度特征及凸性特征等，常用的纹理特征包括共生矩阵特征、局部二进制模式特征及gabor图谱特征等，将提取到的特征输入分类器进行分类，得到不同叶片形状的所属类别，常用的分类器包括knn、svm等，该方法在计算过程中需要一定量的训练集样本，同时基于特征提取的方法受到所选取特征种类的影响。
2、随着图像处理技术的不断发展，通过采用轻量级及低消耗的算法，不需要进行样本训练，有效采集利用植物叶片的轮廓特征对植物叶片形状进行分类，能够消除植物叶片图像的尺寸、旋转及形变对植物叶片形状分类的影响。
技术实现思路
1、本专利技术针对现有技术中的缺点，提供了一种植物叶片形状分类的方法、系统及装置。
2、为了解决上述问题，本专利技术通过下述技术方案得以解决：
3、一种植物叶片形状分类的方法，包括以下步骤：
4、获取待测植物叶片图像，经二值化处理得到植物叶片二值化图像；
5、提取植物叶片二值化图像的轮廓信息，得到叶片边缘闭合曲线，获得叶片边缘闭合曲线的所有边缘坐标点信息，得到边缘坐标点集合；
6、对边缘坐标点集合中所有边缘坐标点进行预处理，得到叶片边缘点集合，计算叶片边缘点集合中所有叶片边缘点的曲率值，得到叶片曲率集合；
7、将叶片曲率集合中所有曲率值进行归一化，得到归一化曲率集合，进而得到待测植物叶片的极大值点集合及极小值点集合；
8、基于极大值点集合及极小值点集合，分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度，进而得到植物叶片相似度，所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
9、作为一种可实施方式，所述预处理包括平滑处理和/或降采样处理。
10、作为一种可实施方式，所述平滑处理，具体表达式如下所示：
11、
12、其中，表示平滑后边缘闭合曲线中第个点的横坐标，表示平滑后边缘闭合曲线中第个点的纵坐标，表示平滑窗口的大小，表示边缘坐标点集合中第个点的横坐标，表示边缘坐标点集合中第个点的纵坐标。
13、作为一种可实施方式，所述降采样处理，具体表达式如下所示：
14、
15、其中，表示叶片边缘点集合中点的数量，表示采样间隔，表示边缘坐标点集合中点的数量。
16、作为一种可实施方式，所述叶片边缘点集合的曲率值，具体表达式如下所示：
17、
18、其中，表示叶片边缘点集合中第点的横坐标，表示叶片边缘点集合中第点的纵坐标，表示第点的曲率值，，，，。
19、作为一种可实施方式，所述将叶片曲率集合中所有曲率值进行归一化，得到归一化曲率集合，对归一化曲率集合进行计算，得到极大值点集合及极小值点集合，包括以下步骤：
20、设置归一化轮廓点数量，采用数据插值方法结合归一化轮廓点数量，得到点数量为归一化轮廓点数量的归一化曲率集合；
21、基于归一化曲率集合，得到极大值点集合及极小值点集合，表示如下：
22、
23、
24、其中，表示极大值点的极值，表示极大值点的位置，表示极大值点的数量，表示极小值点的极值，表示极小值点的位置，表示极小值点的数量。
25、作为一种可实施方式，所述基于极大值点集合及极小值点集合，分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度，包括以下步骤：
26、获取训练集中植物叶片图像的极大值点集合及植物叶片图像的极小值点集合；
27、计算待测植物叶片图像的极大值点集合及训练集中植物叶片图像的极大值点集合相对位置分布的相似度；以及，计算待测植物叶片图像的极小值点集合及训练集中植物叶片图像的极小值点集合相对位置分布的相似度；
28、所述植物叶片相似度表示如下：
29、
30、
31、
32、其中，表示测试集中第张待测植物叶片图像的极大值点集合及训练集中第张植物叶片图像的极大值点集合相对位置分布的相似度，表示训练集中第张植物叶片图像的极大值点集合，表示测试集中第张待测植物叶片图像的极大值点集合，表示测试集中第张待测植物叶片图像的极小值点集合及训练集中第张植物叶片图像的极小值点集合相对位置分布的相似度，表示训练集中第张植物叶片图像的极小值点集合，表示测试集中第张待测植物叶片图像的极小值点集合，表示植物叶片相似度。
33、作为一种可实施方式，还包括以下步骤：
34、若待测植物叶片图像存在偏移，则对待测植物叶片图像的极大值点集合的最大值横坐标进行旋转平移，使得待测植物叶片图像的极大值点集合的最大值横坐标与训练集中植物叶片图像的极大值点集合的最大值横坐标处于相同位置，表示如下：
35、
36、
37、
38、
39、
40、其中，表示训练集中第张植物叶片图像的极大值点集合，表示训练集中第张植物叶片图像的极大值点集合的第个极大值点的位置，表示训练集中第张植物叶片图像的极大值点集合的第个极大值点的极值，表示训练集中第张植物叶片图像的极大值点集合的点数量，表示测试集中第张待测植物叶片图像的极大值点集合，表示测试集中第张待测植物叶片图像的极大值点集合中第个极大值点的位置，表示测试集中第张待测植物叶片图像的极大值点集合中第个极大值点的极值，表示测试集中第张待测植物叶片图像的极大值点集合的点数量，表示训练集的极大值点集合的最大值对应的点，表示测试集的极大值点集合的最大值对应的点，表示中最大值的位置，表示中最大值的位置，表示平移旋转量。
41、作为一种可实施方式，所述植物叶片相似度的最小值则为待测植物叶片的所属类别，表示如下：
42、
43、其中，表示所属类别，表示植物叶片相似度。
44、一种植物叶片形状分类的系统，包括二值化模块、轮廓计算模块、预处理模块、归一化计算模块及类别计算模块；
45、所述二值化模块，获取待测植本文档来自技高网
...
【技术保护点】
1.一种植物叶片形状分类的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述预处理包括平滑处理和/或降采样处理。
3.根据权利要求2所述植物叶片形状分类的方法，其特征在于，所述平滑处理，具体表达式如下所示：
4.根据权利要求2所述植物叶片形状分类的方法，其特征在于，所述降采样处理，具体表达式如下所示：
5.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述叶片边缘点集合的曲率值，具体表达式如下所示：
6.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述将叶片曲率集合中所有曲率值进行归一化，得到归一化曲率集合，对归一化曲率集合进行计算，得到极大值点集合及极小值点集合，包括以下步骤：
7.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述基于极大值点集合及极小值点集合，分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度，包括以下步骤：
8.根据权利要求1或7所述植物叶片形状分类的方法，其特征在于，还包括以下步骤：>
9.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述植物叶片相似度的最小值则为待测植物叶片的所属类别，表示如下：
10.一种植物叶片形状分类的系统，其特征在于，包括二值化模块、轮廓计算模块、预处理模块、归一化计算模块及类别计算模块；
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述的方法。
12.一种植物叶片形状分类的装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任意一项所述的方法。
...
【技术特征摘要】
1.一种植物叶片形状分类的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述预处理包括平滑处理和/或降采样处理。
3.根据权利要求2所述植物叶片形状分类的方法，其特征在于，所述平滑处理，具体表达式如下所示：
4.根据权利要求2所述植物叶片形状分类的方法，其特征在于，所述降采样处理，具体表达式如下所示：
5.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述叶片边缘点集合的曲率值，具体表达式如下所示：
6.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述将叶片曲率集合中所有曲率值进行归一化，得到归一化曲率集合，对归一化曲率集合进行计算，得到极大值点集合及极小值点集合，包括以下步骤：
7.根据权利要求1所述植物叶片形状分类的方法，其特征在于，所述基于极大值点集合及极小值点...
【专利技术属性】
技术研发人员：陈渝阳，张煜，王亚利，王闯，张盛军，张文杰，
申请(专利权)人：浙江托普云农科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。