基于dbN小波和CILBP的草叶识别

摘要

草是人类可持续发展的生态系统中最重要的资源之一。然而，传统的草地鉴定研究由专家进行，效率低、精度低，已不能满足现代草地管理的需要。在本研究中，我们提出三次插值LBP (CILBP)小波和dbN小波用于基于叶片图像的草地识别。利用dbN小波分解的叶片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，与原双线性LBP相比，CILBP能更好地描述低频子图像的纹理特征。实验结果表明，该方法能有效地提高对草叶的识别精度。

1.介绍

草是我们生态系统中最重要的资源之一。由于在不同的日益增长的阶段和环境中的形状和尺寸的变化，草识别仍然是一个困难和挑战的任务。草地有自己的生命周期，种子种子，包括发芽，形成叶子，盛开和水果。在循环中，叶片更明显，并且存在长的器官。它们几乎总是用于提供包括植物学分类的形状，纹理和景观的功能[1］．叶子的形状和外观对早期阶段的观察者表示直观的印象，这些观察者在植物学分类的参考文献中经常看出[2］．迄今为止，植物分类大多依靠专家的知识，因为近缘物种之间的形状和外观模糊不清。纹理为识别提供了另一种方法。Zhang等[3.]提出了一种融合超像素、K-means和PHOG的植物病害叶片分割与识别方法。近年来，深度学习在植物叶片分类中得到了很好的识别结果[1］．

作为植物学研究的一个重要组成部分，基于叶片的禾本科鉴定越来越受到人们的关注。例如，Wang等人[4.]基于叶片图像的形状特征对豆科牧草进行分类。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。在包含14个物种的560个训练样本和1400个测试样本的数据库中，采用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，分类正确率分别为85%和82.4%。

然而，即使在该地区应用了一些高级学习的先进处理工具，繁琐的参数设置过程也使识别复杂且耗时。与此同时，某些经典方法，例如本地二进制模式（LBP）变换可能对于这些实际任务可能是可行的。LBP [5.]是一种有效的纹理特征提取算法，其具有单调图像的灰度变化的不变性。Marko等人。[6.]使用LBP，HU纪念碑和SVM研究了叶片鉴定，提高了鉴定率较高，表明LBP在叶片纹理中的有效性。

因此，草叶的纹理特征仍然是我们研究的重点。提出了一种基于三次插值LBP (CILBP)和小波变换的鲁棒性草地识别算法。小波变换是图像低维表示的数学基础，它可以将图像分解成多分辨率、多尺度的分量。该算法主要涉及三个步骤。首先，采用数学形态学方法对草坪的感兴趣区域图像进行分割;然后，利用小波变换将图像分解为多分辨率分量。最后，对图像进行CILBP变换，实现更精确的呈现。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，可以描述更详细的草叶纹理。

本研究的其余部分组织如下。部分2重点介绍了实验数据库的图像采集和图像预处理过程。第三节主要介绍了本研究中用于草叶识别的算法:dbN小波和CILBP。实验结果和讨论列于第四节．第五节突出显示结论。

2.材料

草叶样品直接取自呼和浩特市郊区。为了保证实验的可信性，叶片应大小不一，完好无损。所有的预处理和后期实验都在Mathworks Matlab R2016a和Windows10 (Intel (R) Core(TM) i7-8700 CPU 3.20 GHz, 16gb RAM)上执行。

２.１.图像采集

具体的图像采集过程如下。首先，把草叶捡起来压在书里，以确保表面光滑。然后在实验室内使用分辨率为2560 × 1920像素的三星手机内置相机进行图像采集，相机与所有样本保持相同的采集距离约30-50厘米。最后，根据叶片形状与长宽之比，将图像样本统一为512 × 512或512 × 256的JPG格式。据此，构建了由15种常见牧草150幅叶片图像组成的叶片图像数据库，用于识别实验。数据库中的一些示例图像如图所示1．

２.２.图像预处理

预处理阶段包括图像灰度化和去噪。由于草的颜色会随着时间和生长阶段的变化而变化，因此，相对于颜色，更稳定的特征是叶子的纹理。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。

由于拍摄过程中的叶子容易受到设备清洁和其他环境因素的影响，因此存在图像噪音。因此，必须从图像中移除它们，其中采用3×3平均过滤器进行去噪。数字2示出了草叶图像的预处理过程，其中左侧，中间和右侧和右侧分别对应于512×512原始JPG图像，灰度图像和去噪图像。

3.方法

所提出的算法使用DBN小波和CILBP来提取预处理图像样本的特征向量。所提出的算法的流程图如图所示3.．

３.１.小波变换

小波变换将图像分解成低频带和三个高频带，包括LL近似分量，LH水平分量，HL垂直分量和HH对角线组件。因为不同的小波基因导致各种结果，所以用于选择小波函数的标准通常包括支撑长度，对称性和规律性。具有对称性的小波不会产生相失真，并且良好的正则化小波可以容易地获得具有次要误差的平滑重建曲线和图像。考虑到所有上述因素，我们选择了Ingrid Daubechies提出的小波函数DBN，其中N是这个小波函数的消失力矩[7.］．虽然消失矩越大，小波函数越平滑，支持长度越长，消耗也会相应增加[8.］．,除了N = 1, dbN has no symmetry. Considering the criteria for determining wavelets and the effect of the algorithm, “db1” was obtained in this study.

数字4.说明了小波分解的四分量图像。第一幅是低频子图像，包含了叶子图像的大部分细节，另外三幅是高频子图像，对应的是叶子的边缘和轮廓。本研究以叶片纹理信息为重点，剔除高频成分。实验部分比较了小波分解不同频率分量下的识别结果。

３．２．CILBP

局部二进制模式(Local binary patterns, LBP)最早由Ojala等人提出[9.]对于纹理特征提取图像。源自初始8邻域分析的LBP被开发成圆形邻域内的块和分区LBP。当在循环邻域中提取灰度图像的本地邻居纹理特征时，Bilinear插值是处理不能准确地落到像素的中心的邻域的传统方式。线性插值是基于它们各自的值线性地确定两个像素线上的点的值。双线性插值是线性插值的二维延伸，其可以通过一系列一阶线性插值获得。输出值是输入图像中采样点的最接近的2×2邻域的灰度的加权平均值。

然而，双线性插值的平滑效果会在某些几何运算中降低图像的细节。同时，这种不连续导致了意想不到的结果。高阶插值可以克服这些缺点，输出值是输入图像中采样点的最近邻4 × 4邻域的灰度加权平均值。考虑到时间复杂度，我们采用三次插值的方法来计算不能精确落在灰度图像中心的点。为了区分不同插值的LBP，本文将三次插值和普通双线性插值LBP分别简称为CILBP和BILBP。

在图像处理中，像素周围16个相邻像素的加权插值（我+u那j+ ），计算目标像素的灰度值(x那y)．计算公式如下: 在哪里 在哪里

数据5.和6.分别对应于使用BILBP和CILBP的叶片样本编码图像。figure中的四幅图像5.和6.分别对应区块号1、2、3、4。对比这两组图，可以清楚地看到，cilbp编码的图像更平滑，表明三次插值更好地保持了图像的细节。计算中涉及的拟合点越多，插值像素的输出就越准确。不可避免的是，计算中涉及的像素数量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是可行的。

CILBP同时可以改进特征向量。表格1比较了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，有一些信息缺失，而统计数据CILBP分布更均匀，有助于更高的识别精度。

3.3。特征匹配

二维空间中的欧几里德距离是两点之间的距离，其通常用于距离度量。混凝土配方是

最近的邻邻分类器用于识别，其中测试样品和训练样本之间的最小欧几里德距离确定了该类别。

4.实验结果与讨论

为了验证本文提出的dbN小波变换与CILBP相结合用于草叶识别的有效性，进行了以下三组实验。首先，比较了BILBP和CILBP的实验性能。其次，在LBP中考虑块和分区(下文简称块LBP和分区LBP)进行比较。然后，比较了基于低频图像和小波分解后重构图像的LBP识别性能。识别率和平均识别率是识别性能的主要关注点，识别率是正确识别的图像数与总图像数的比值，平均识别率是识别每个测试样本所需的平均时间。

4．1.BILBP和CILBP区块的识别性能

表格2列出基于DBN小波分解的低频子图像的BILBP和CILBP的识别率。BILBP的正确识别率分别对应于块数1和2的88％和84％。相比之下，CILBP的鉴定率达到91％和89％，3％和5％高于BILBP。使用LBP中的立方插值，改进来自更好的纹理描述。当块数增加到3.块数增加到3时，BILBP和CILBP的识别率降低了。通过更大的块数引起的块大小，具有粗糙的纹理颗粒，导致了更大的纹理信息损失。特别是，当块数为4,8％的尺寸低于BILBP时，CILBP的识别率为79％，因为由于纹理描述难以满足识别准确性的需要。从上面可以得出结论，当块号为1到3时，CILBP与原始BILBP相比，CILBP可以大大提高识别准确性。

表中还比较了平均识别时间2．一般来说，由于三次插补相对于双线性插补计算更为复杂，CILBP需要的时间相对较多，这与表中所列的平均识别时间相符2．块数的增加导致更大块尺寸的粗粒度分析所需的平均时间更少。当区段数为3时，CILBP和BILBP的鉴定时间分别为0.37 s和0.30 s。考虑到识别精度和平均时间，2号区块CILBP的总体识别效率为89%，平均时间为0.72 s。

4．2.区块和分区CILBP的识别性能

表格3.显示基于DBN小波分解的低频分量的块和分区CILBP和BILBP的性能。根据草叶纹理的生物学特性，其中更粗糙和明显的纹理靠近叶柄，并且在叶边缘发生整体对称的更细腻和丰富的纹理，在该实验中选择了垂直分区1×4。如表所示3.，块和分区CILBP还可以大大提高识别准确性，与块数为1到3时，与块和分区BILBP相比。

表中CILBP的检出率最高3.达到96%，比上表数据高5%2在相同的块条件下，平均时间比表中短2．此外,数据7.和8.对应于表格中列出的识别率和平均时间的比较2和3.．改进表明，适当的分区可以有效地增强图像中局部差异的纹理信息。

进一步比较CILBP和BILBP在1 4 partition and 1 block are plotted in Figure9.．将测试集中的每一幅图像与训练集中的所有图像进行匹配。由于每个类在训练集中有5个样本，所以在测试集中每个样本有5个正确的匹配，70个错误的匹配。如果两幅图像之间的匹配距离小于错误匹配的阈值，则该匹配是真正的接受。数字9.结果表明，在假合格率相同的情况下，CILBP的真实合格率(GAR)高于BILBP。

4．3．基于重构图像的LBP

表格4.列出基于重建图像的CILBP和BILBP的识别结果，其组件由三个高频子图像和低频子图像组成。数字10.说明表中列出的CILBP的鉴别率比较3.和4.．与表格相比3.，发现利用高频信息时识别率并没有显著提高。因此，高频成分可以丢弃，没有明显的改善。

5。结论

在本文中，我们提出了立方插值LBP（CILBP），以提取由DBN小波分解的低频分量中包含的更细微的纹理，用于草叶识别。图像的第一级分解可以获得低频图像，1/4的原始尺寸，其缩短了特征提取的计算时间。同时，在扩展识别时间的同时，废弃重建的高频分量对识别效应没有明显影响。当原始图像的灰度值高相似时，CILBP可以有效地突出来自低频子图像的草叶纹理特征，与普通LBP的双线性插值相比，当原始图像的灰度相似时，立方插值。实验结果表明了草叶所提出的算法识别准确性的有效性。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

信息披露

范涵和薛乔是共同的第一作者。

的利益冲突

作者声明本文内容不存在利益冲突。

作者的贡献

范涵和薛桥对这部作品贡献相当。

致谢

国家自然科学基金面上项目(no . 61562067, no . 61962048)。关键词:岩石力学，应力应变，数值模拟，数值模拟

参考文献

1. S. H. Lee, C. S. Chan, S. J. Mayo和P. Remagnino，“深度学习如何提取和学习叶子特征用于植物分类，”模式识别，卷。71，pp。1-13,2017。视图:出版商的网站|谷歌学术
2. H. Abdurrasyid, H. Yeni，和D. Stephane，“基于质心轮廓距离的叶子形状识别”，IOP会议系列:地球与环境科学第31卷第1期1、文章编号012002,2016。视图:出版商的网站|谷歌学术
3. S. Zhang，W.H. Wang和Z.您，“植物患病的叶片分割和融合的超级棒，K型和Phog，”Optik，卷。157，pp。866-872，2018。视图:出版商的网站|谷歌学术
4. “基于图像识别技术的豆科牧草分类研究”，王军，冯秋琦，邵晓霞，“基于图像识别技术的豆科牧草分类研究”，Agrestia学报，卷。18，pp。37-41,2010，中文。视图:谷歌学术
5. T. Ojala, M. Pietikainen，和T. Maenpaa，“基于局部二值模式的多分辨率灰度和旋转不变纹理分类”，图案分析和机器智能的IEEE交易，第24卷，第2期7，页971-987,2002。视图:出版商的网站|谷歌学术
6. L. Marko, T. Eva，和T. Milan，“基于Hu矩和局部二值模式的支持向量机叶子识别算法”，发表于IEEE第十五届国际应用机器智能与信息学研讨会论文集， Herl 'lany，斯洛伐克，2017年1月。视图:谷歌学术
7. I. Daubechies，“小波上的十次讲座”美国声学学会杂志，卷。93，没有。3，p。1671年，1992年。视图:谷歌学术
8. 朱旭，谢东，高强等，“基于Db8的电力系统谐波分析”，电力科学与技术，第2卷，69-73页，2011。视图:谷歌学术
9. T. Ojala，M.Pietikäinen和D. Harwood，“基于特色分布的分类纹理措施的比较研究”模式识别，第29卷，第2期1，第51-59页，1996。视图:出版商的网站|谷歌学术

版权

版权所有©2020范涵等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。