上午 在多媒体进展 1687-5699 1687-5680 Hindawi 10.1155 /一百九十○万九千八百七十五分之二千〇二十 1909875 研究文章 草叶识别使用DBN小波和CILBP https://orcid.org/0000-0001-5425-6966 汉 风扇 1 2 https://orcid.org/0000-0003-4376-8362 巧 薛 1 https://orcid.org/0000-0002-5035-8890 嘛 玉宝 3 https://orcid.org/0000-0001-6237-9712 严 未红 3 https://orcid.org/0000-0003-2746-6049 王 鑫 1 https://orcid.org/0000-0002-0093-5143 泛 鑫 1 Reisslein 马丁 1 计算机与信息工程学院 内蒙古农业大学 呼和浩特010018 中国 imau.edu.cn 2 北京鄂尔多斯国际传媒广告有限公司 北京100032 中国 3 中国农业科学院草原研究所 内蒙古 呼和浩特010020 中国 caas.net.cn 2020 4 4 2020 2020 24 07 2019 07 01 2020 31 01 2020 4 4 2020 2020 版权所有©2020范函等。 这是一篇在知识共享署名许可下发布的开放访问的文章，该许可允许在任何媒介上不受限制地使用、发布和复制，只要原稿被正确引用。

草是生态系统中人类可持续发展的重要资源之一。然而，传统上以草类识别为重点的研究大多由专家进行，效率和精度较低，已不能满足现代草地管理的要求。在本研究中，我们提出了三次插值LBP (CILBP)和dbN小波用于基于叶片图像的草识别。将dbN小波分解后的树叶图像的低频分量作为CILBP的输入，进行更精细的纹理提取。该方法的新颖之处在于，相对于原始的双线性LBP, CILBP能够更好地描述低频子图像的纹理特征。实验结果表明，该方法具有较高的识别精度。

 国家自然科学基金项目 61562067 61962048 1.介绍

草是在我们的生态系统中最重要的资源之一。草识别仍然是因为它的形状和大小的变化在不同生育和环境的调查员困难和具有挑战性的任务。草有从种子到种子，发芽，包括形成叶，开花，并fruitification自己的生命周期。其中周期，叶更明显，长期存在的器官。他们几乎总是用来供给功能，包括形状，纹理和脉络分类植物学[ 1]。叶子的形状和外观给早期观察者以直观的印象，这在植物学分类的参考文献中经常看到[ 2]。到目前为止，大部分的植物学分类都依赖于专家的知识，因为密切相关的物种之间的形状和外观是不明确的。纹理提供了一种新的识别方法。Zhang等[ 3]在植物中的患病叶分割和识别提出超像素，K均值和PHOG的融合物。近日，深学习已在植物叶片分类申请了一个有前途的识别结果[ 1]。

基于叶片的草鉴定作为植物学的重要组成部分，越来越受到研究者的重视。如Wang等[ 4[根据叶片图像的形状特征分类的豆科牧草。全局形状特征包括叶片图像的轴比、矩形度和7个不变矩。提取叶片边缘的粗糙度作为局部特征。将全局特征和局部特征作为概率神经网络(PNN)和反向传播网络(BP)的输入进行分类，在一个包含14个物种的560个训练样本和1400个测试样本的数据库中，正确分类率分别为85%和82.4%。

然而，即使一些先进的加工手段，如深度学习已经在该地区得到应用，繁琐的参数设置过程进行了识别复杂和费时。与此同时，一些经典方法如局部二元模式（LBP）的变换可以是用于这些实际任务是可行的。LBP [ 五]是一种有效的纹理特征提取算法，对单调图像的灰度变化不变性。Marko等人[ 6[研究了利用LBP、Hu Monuments和SVM进行叶片识别，以获得更高的识别率，表明LBP在叶片纹理方面的有效性。

因此，草叶的纹理特征仍然是我们研究的重点。我们提出了一种聚合法立方插值LBP (CILBP)和小波变换的草识别鲁棒算法。小波变换是图像低维表示的数学基础，它能将图像分解为多分辨率、多尺度的分量。该算法涉及三个主要步骤。首先，采用数学形态学方法对感兴趣的草地图像进行分割。然后，利用小波变换将图像分解为多分辨率分量。最后，使用CILBP对图像进行变换，以获得更精确的表示。实验证明了该方法的有效性。其新颖之处在于在LBP中应用了三次插值，可以更细致地描述草叶的纹理。

在这项研究中的其余部分安排如下。部分 2主要集中于图像获取和数据库对于实验的图像预处理过程。 第三节主要介绍了叶草在我们的研究中鉴定草算法：DBN小波和CILBP。实验结果和讨论中列出 第四节。 第五节突显出结论。

 2.材料

草叶子样品直接从呼和浩特郊区拍摄。为了保证实验的可信度，叶子应该是不同的尺寸和完整的。一种ll the preprocessing and later experiments were executed on Mathworks Matlab R2016a and Windows10 (Intel (R) Core(TM) i7-8700 CPU 3.20 GHz, 16 GB RAM).

2.1。图像采集

具体的图像采集过程如下。首先，捡起草叶，压入书中，以确保表面光滑。然后在实验室内部使用分辨率为2560×1920像素的三星手机内置摄像头进行图像采集，相机与所有样本保持相同的采集距离，大约30-50 cm。最后，根据叶片形状与长宽之比，将图像样本按照JPG格式分为512×512和512×256。据此构建了15种常见禾本科植物的150幅叶片图像，用于鉴定实验。数据库中的一些示例图像如图所示 1。

样本图像数据库。

 2.2。图像预处理

预处理阶段包括图像灰度和去噪。由于草的颜色随时间和生长期的变化而变化，叶片的质地比颜色更稳定。另外，彩色图像的存储容量和计算费用也很大。因此，将彩色图像转换为灰度图像，进一步进行简单省时的操作。

由于叶片在拍摄过程中容易受到设备洁净度等环境因素的影响，存在图像噪声。因此，必须将它们从图像中去除，其中去噪采用3×3均值滤波器。数字 2说明了一幅草叶图像的预处理过程，其中左、中、右分别对应512×512原始JPG图像、灰度图像和去噪图像。

草叶图像预处理。(一)原始图像;(b)灰度图像;(c)去噪图像。

 3.方法

该算法利用dbN小波和CILBP提取预处理图像样本的特征向量。所提出的算法流程图如图所示 3。

流程图CILBP和DBN小波。

 3.1。小波变换

小波变换将图像分解为一个低频带和三个高频带，包括一个LL近似分量、LH水平分量、HL垂直分量和HH对角分量。由于不同的小波基会产生不同的结果，因此选择小波函数的标准通常包括支撑长度、对称性和正则性。具有对称性的小波不会产生相位畸变，良好的正则化小波可以轻松获得光滑的重构曲线和误差较小的图像。综合以上因素，我们选择了英格丽·多贝茨提出的小波函数dbN，其中<一世talic> ñ为该小波函数的消失矩[ 7]。消失矩越大，小波函数越平滑，支撑长度越长，消耗也会相应增加[ 8]。并除外<一世talic> ñ= 1时，dbN不对称。考虑到小波的判断标准和算法的效果，本研究得到“db1”。

数字 4示出了通过小波分解四倍组分的图像。第一个是一个低频子图像，其包含了大部分的叶图像的细节，而其它三个是对应于边缘和叶的轮廓的高频子图像。着眼于叶纹理信息，该高频分量在该研究中被丢弃。用小波分解的不同频率分量的鉴定结果在实验部分中进行了比较。

用一级小波dbN分解子图像。(一)Approxiamtion1;（b）中垂直详细信息v1;(c)水平细节1;(d)对角线细节1。

 3.2。CILBP

局部二元模式（LBP）首先由Ojala的等人提出。[ 9]，用于提取图像的纹理特征。最初的8邻域分析产生的LBP发展为圆形邻域内的块和分区LBP。在圆形邻域内提取灰度图像的局部邻域纹理特征时，双线性插值是处理不能准确落在像素中心的邻域的传统方法。线性插值是根据两个像素点各自的值在一条直线上线性确定一个点的值。双线性插值是线性插值的二维扩展，它可以由一系列一阶线性插值得到。输出值为输入图像中采样点最接近2×2邻域的灰度加权平均值。

然而，双线性插值的平滑效果会降低一些几何运算图像的细节。同时，不连续导致了意想不到的结果。These disadvantages could be overcome by a higher-order interpolation, in which the output value is the weighted average of the grayscales from the nearest 4 × 4 neighborhood of the sampled point in the input image. Considering the time complexity, a cubic interpolation was applied to calculate the dots that can not fall precisely on the centers of the grayscale image in our study. To distinguish the LBP with different interpolations, we abbreviated the cubic interpolation and common bilinear interpolation LBP as CILBP and BILBP in this paper.

在图像处理中，将16个相邻像素(<一世talic> 一世+<一世talic> ü，<一世talic> Ĵ+<一世nline-formula> v ）中的溶液考虑来计算目标像素的灰度值（<一世talic> X，<一世talic> ÿ)。计算公式如下: （1） F X ， ÿ = F 一世 + ü ， Ĵ + v = 一种 乙 C ， 在哪里 （2） 一种 = 小号 1 + v 小号 v 小号 1 − v 小号 2 − v ， 乙 = F 一世 − 1 ， Ĵ − 1 F 一世 − 1 ， Ĵ F 一世 − 1 ， Ĵ + 1 F 一世 − 1 ， Ĵ + 2 F 一世 ， Ĵ − 1 F 一世 ， Ĵ F 一世 ， Ĵ + 1 F 一世 ， Ĵ + 2 F 一世 + 1 ， Ĵ − 1 F 一世 + 1 ， Ĵ F 一世 + 1 ， Ĵ + 1 F 一世 + 1 ， Ĵ + 2 F 一世 + 2 ， Ĵ − 1 F 一世 + 2 ， Ĵ F 一世 + 2 ， Ĵ + 1 F 一世 + 2 ， Ĵ + 2 ， C = 小号 1 + ü 小号 ü 小号 1 − ü 小号 2 − ü ， 在哪里 （3） 小号 X = 1 − 2 X 2 + X 3 ， 0 ≤ X < 1 ， 4 − 8 X + 五 X 2 − X 3 ， 1 ≤ X < 2 ， 0 ， X ≥ 2.

数字 五和 6对应于使用BILBP和CILBP，分别叶样品的编码图像。在图的四个图像 五和 6分别对应区块号1、2、3、4。对比这两组图可以清楚的看到，cilbp编码的图像更加平滑，说明三次插值更好的保持了图像的细节。计算的拟合点越多，插值后像素的输出越准确。不可避免地，计算中涉及的像素个数也会影响计算复杂度。精度和时间复杂度之间的折衷使得三次插值在本研究中成为可行的。

与BILBP编码（块号从1到4，从左至右）叶图像。

与CILBP编码（块号从1到4，从左至右）叶图像。

CILBP可以提高在同一时间的特征向量。表 1比较BILBP和CILBP提取的低频子图像的特征向量。BILBP特征向量包含24个零，其中含有一些缺失信息，而统计数据CILBP分布更均匀，有助于提高识别精度。

BILBP和CILBP的特征向量的比较。

方法 功能矢量的分量
BILBP 899 145 143 50 128 48 103 230 122 161 285 0
0 0 0 0 190 0 0 0 0 0 0 0
76 134 135 111 252 255 60 112 218 287 0 0
0 0 0 0 0 197 0 0 0 0 0 132
189 217 330 95 93 155 71 199 151 5089 4314
CILBP 717 105 102 53 126 34 105 169 39 83 252 118
39 66 43 76 119 49 72 134 75 46 98 34
48 139 154 77 314 188 40 76 212 155 59 179
43 40 80 90 59 192 42 61 59 67 121 92
86 66 234 83 55 116 48 151 83 4518 4103
3.3。特征匹配

二维空间中的欧氏距离是两点之间的距离，通常用于距离度量。具体公式为 （4） d ÿ 测试 ， ÿ 一世 = ÿ 测试 − ÿ 一世 = ∑ Ĵ = 1 ķ ÿ 测试 Ĵ − ÿ 一世 Ĵ 2 。

最近邻分类器被用于识别，其中所述测试样品和训练样本之间的最小欧几里得距离来确定类别。

 4.实验结果与讨论

为了验证本文提出的结合dbN小波变换和CILBP进行草叶识别的有效性，我们进行了以下三组实验。首先，比较了BILBP和CILBP块的实验性能。其次，在LBP中考虑了块和分区(以下简称块LBP和分区LBP)进行比较。第三，比较了低频图像和小波分解后重构图像的LBP识别性能。识别率和平均识别时间是识别性能的主要关注点，前者是正确识别的图像数与总图像数的比值，后者是识别每个测试样本所需的平均时间。

4.1。该块BILBP和CILBP的识别性能

表 2列表基于由DBN分解低频子图像BILBP和CILBP的识别率小波。BILBP正确识别率分别对应于所述块数字1和2为88％和84％。相比较而言，CILBP的识别率达到91％和89％，比那些BILBP的高3％和5％。这些改进在使用LBP三次插值从质地更好的描述出来。BILBP和CILBP的识别率降低两者当块数增加至3，较大的块大小引起由更大的块号与粗糙纹理粒状导致更多的纹理信息的损失。特别是，CILBP的识别率时，块号为4，8％比BILBP的降低，既不能满足识别精度，因为的质地坚韧描述的需要79％。它可以从上面的是，与原来相比BILBP当块数是从1到3 CILBP可以大大提高识别的精度推断。

分组BILBP和CILBP(低频子图像)的时间消耗比较。

块编号 鉴别率(%) 平均识别时间（s）
BILBP CILBP BILBP CILBP
1 88 91 2.00 2.66
2 84 89 0.58 0.72
3 84 87 0.30 0.37
4 87 79 0.21 0.24

平均识别时间也比较见表 2。一般来说，CILBP与双线性插值，其与一致的平均识别时间消耗，如表中所列相比必需的，因为三次插值的更复杂的计算的相对更多的时间 2。在所需要的更大的块大小的粗糙粒度分析平均时间少于块编号的增加导致。The identification time of CILBP and BILBP dropped to 0.37 s and 0.30 s when the block number was 3. Taking into consideration of both identification accuracy and average time, CILBP with block number 2 was preferred for an overall optimal performance of 89% identification rate and 0.72 s average time.

 4.2。块和分区CILBP的识别性能

表 3节目块和分区CILBP和BILBP基于由DBN分解低频分量的性能小波。一种ccording to the biological characteristics of grass leaf texture, in which more coarse and obvious textures are close to the petiole, and more delicate and abundant texture with an overall symmetry occur on the leaf edges, vertical partition 1 × 4 was chosen in this experiments. As shown in Table 3，块和分区CILBP可以作为与块和分区BILBP相比当块数分别为1〜3，可大大提高识别精度。

用分割(1×4)和块BILBP、CILBP鉴定结果。

提取组件 块编号 鉴别率(%) 平均识别时间（s）
BILBP CILBP BILBP CILBP
低频率的 1 92 96 2.00 1.34
低频率的 2 88 93 0.58 0.41
低频率的 3 89 87 0.30 0.21
低频率的 4 83 81 0.21 0.16

CILBP的表的顶部识别率 3达到96％，5％，比表中的数据更高的 2相同的块的条件下，和平均时间比表短 2。此外,数据 7和 8对应于表中列出的识别率和平均时间的比较 2和 3。改进结果表明，适当的分割可以有效地增强图像局部差异的纹理信息。

识别率的比较。

的平均识别时间比较。

为了使CILBP和BILBP，它们的ROC曲线的性能之间的进一步比较条件1下 <一世nline-formula> ∗ 图中绘制了4个分区和1个区块 9。在测试组每个图像与训练集所有图像匹配。由于每类训练集有5个样品中，有5个正确和不正确70在测试组中的每个样本匹配。如果两个图像之间的匹配距离比阈值不正确的匹配时，匹配是真正接受。数字 9显示，CILBP的真正接受率（GAR）是在相同的误接受率（FAR）小于BILBP高。

比较ROC曲线。

 4.3。基于重建图像的LBP

表 4列表基于重建的图像，其成分由三个高频子图像和低频子图像CILBP和BILBP的识别结果。数字 10示出CILBP的识别率在表中所列的比较 3和 4。相比之下,表 3，发现利用高频信息时，识别率并没有显著提高。因此，高频元件可以丢弃而不做明显改进。

Identification results (%) with partition (1 × 4) and block CILBP.

提取组件 块 BILBP CILBP
重建 1 95 95
重建 2 89 89
重建 3 88 92
重建 4 88 85

的CILBP识别率比较。

 5.结论

在本文中，我们提出了三次插值LBP (CILBP)，以提取更细微的纹理包含在低频分量的dbN小波分解草叶识别。对图像进行一级分解，得到原始尺寸1/4的低频图像，缩短了特征提取的计算时间。同时，由于重构的高频分量在延长识别时间的同时对识别效果没有明显影响，因此放弃了重构的高频分量。与常用LBP的双线性插值相比，在原始图像灰度值高度相似的情况下，通过三次插值，CILBP可以有效地突出低频子图像中的草叶纹理特征。实验结果表明，该算法具有较高的识别精度。

 数据可用性

用来支持这项研究的结果的数据是可用的，请相应的作者。

 信息披露

范函和薛期骜是共同第一作者。

 的利益冲突

作者声明：本文内容没有利益冲突。

 作者的贡献

樊函和薛七傲同等贡献这项工作。

 致谢

这项工作得到了国家自然科学基金61562067和61962048的资助。

 背风处 S. H. 陈 C. S. 梅奥 S. J. Remagnino P. 如何深度学习提取物和叶获悉特色植物分类 模式识别 2017年 71 1 13 10.1016 / j.patcog.2017.05.015 2- s2.0-85023164668 Abdurrasyid H。 耶尼 H。 斯特凡 D. 叶形状识别使用形心轮廓距离 IOP CONF。系列：地球与环境科学 2016 31 1 012002 10.1088 / 1755年至1315年/ 31/1/012002 2- s2.0-84966320716 张 年代。 王 w·H。 你 Z。 植物患病叶分割和识别通过的超像素，K均值和PHOG融合 Optik 2018 157 866 872 10.1016 / j.ijleo.2017.11.190 2- s2.0-85035787036 王 J. 冯 Q。 王 Y。 邵 X。 基于图像识别技术的豆科牧草分类研究 草地学报 2010 18 37 41 在中国 奥亚拉 T。 Pietikainen M. Maenpaa T。 基于局部二值模式的多分辨率灰度和旋转不变纹理分类 IEEE交易模式分析与机器智能 2002年 24 7 971 987 10.1109 / tpami.2002.1017623 2- s2.0-0036647193 Marko L. 伊娃 T。 米兰 T。 采用支持向量机与胡锦涛的时刻，当地二进制模式叶识别算法 IEEE第15届国际学术研讨会应用机器智能与信息学论文集 2017年1月 Herl'lany，斯洛伐克 Daubechies 一世。 关于小波的十堂课 该杂志美国声学学会 1992 93 3 1671 朱 X。 谢 D. 高 Q。 在分析电力系统谐波的使用DB8应用 电力科学与技术的 2011 2 69 73 在中国 奥亚拉 T。 Pietikainen M. 哈伍德 D. 以分类为基础的功能的分布的纹理特征的比较研究 模式识别 1996 29 1 51 59 10.1016 / 0031-3203（95）00067-4 2 - s2.0 - 0029669420