(12)发明专利申请
(10)申请公布号(10)申请公布号 CN 104182763 A(43)申请公布日 2014.12.03
(21)申请号 201410403213.9(22)申请日 2014.08.12
(71)申请人中国计量学院
地址310018 浙江省杭州市下沙学源街258
号(72)发明人郑慧峰 白帆 唐廷浩 喻桑桑
王成(51)Int.Cl.
G06K 9/62(2006.01)G06K 9/46(2006.01)G06K 9/34(2006.01)
权利要求书1页 说明书10页 附图3页权利要求书1页 说明书10页 附图3页
(54)发明名称
一种基于花朵特征的植物种类识别系统(57)摘要
本发明涉及植物类别识别领域，具体涉及一种基于花朵特征的植物种类识别系统，包括微处理器单元通过usb接口，与图像采集器的输入端相连，经过微处理器单元计算处理后，通过触控显示单元输出结果；其中，微处理器单元上依次连接有数据库系统、图像处理系统、特征提取处理系统、编码分类系统和对比识别系统；图像处理系统包括预处理和花朵分割；特征提取处理系统为通过颜色直方图提取特征，通过处理得到纹理空间特征；编码分类系统将每个花的特征值由三个8位二进制数值表示；对比识别系统包括颜色比对、轮廓比对和纹理比对；优点：基于花朵特征设计的花朵编码分类体系，弥补了传统识别系统无法兼顾扩展性能、识别速率、识别准确度的难题，适于推广。CN 104182763 A CN 104182763 A
权 利 要 求 书
1/1页
1.一种基于花朵特征的植物种类识别系统，其特征在于：微处理器单元通过usb接口，与图像采集器的输出端相连，经过微处理器单元计算处理后，通过触控显示单元输出结果；其中，微处理器单元上依次连接有数据库系统、图像处理系统、特征提取处理系统、编码分类系统和对比识别系统；
所述的图像处理系统包括(1)预处理：与图像采集器结合，调整图像采集输入端的花朵尺寸，然后通过中值滤波器滤除椒盐噪点，再通过高斯函数低通滤波降噪，从而得到可准确提取特征的花朵图像；(2)花朵分割：使用最大熵阈值二值化分割为主，GrabCut算法为辅的分割体系，将花朵从背景中分割出来，并生成颜色直方图；
所述的特征提取处理系统分为三部分：通过颜色直方图提取颜色特征、通过对花朵轮廓的拟合多边形图像和拟合凸包图像提取轮廓特征和通过计算处理得到纹理空间特征；
所述的编码分类系统将每个花的特征值由三个8位二进制数值表示，用每一位的“0”和“1”分别代表对象所属的子类类别是否具有该特性；
所述的对比识别系统包括颜色比对、轮廓比对和纹理比对，然后三个相似度通过加权欧氏距离值换算总体相似度。
2.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的微处理器单元由ARM内核及其外围功能电路组成。
3.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的调整图像采集处的花朵尺寸为800*600(4∶3)或800*450(16∶9)。
4.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的颜色特征包括花朵色调层各色系像素含量，饱和度层均值、“峰”数，和亮度层均值、“峰”数。
5.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的轮廓特征包括花朵轮廓边角数、面积与周长比、外接圆饱和度、凸包饱和度、最大缺陷比率、花瓣边缘凹凸度和锐角比率。
6.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的纹理空间特征包括：灰度共生矩阵能量特征、线段成分、花朵中心离散点和梯度向量随离心距离分布。
7.根据权利要求1所述的一种基于花朵特征的植物种类识别系统，其特征在于：所述的对比识别系统中各部分的权重比例为颜色∶轮廓∶纹理＝3∶1∶2。
2
CN 104182763 A
说 明 书
一种基于花朵特征的植物种类识别系统
1/10页
技术领域
[0001]
本发明涉及植物类别识别领域，具体涉及一种基于花朵特征的植物种类识别系
统。
背景技术
[0002] 用计算机辅助人进行植物种类识别，是近来机器视觉领域里的重要研究方向。花朵特征作为重要的分类识别依据，逐渐取代叶片特征成为植物种类识别依据的首选器官，依据花朵特征搭建高效的植物种类近似识别系统是近几年植物识别领域的重要研究内容。[0003] 2006-2008年，Maria-Elena Nilsback等人对花朵图像的分割、特征提取进行了研究，计算了花朵图像的局部形状、纹理、边界形状、空间分布以及颜色在内的多个特征。2007年，吴清锋选择中草药植物花卉图像为研究对象，通过简单的颜色、纹理、形状三个视觉特征的描述，借助SVM分类器实现了单一种类花朵的检测识别。2010年，ChomtipPornpanomchai等人通过提取待识别花朵颜色RGB分量比率特征值和边缘轮廓特征值，计算两者欧式距离，用以寻找已存种类中与之距离最近的目标，继而完成植物种类的识别。2011年，Tzu-Hsiang Hsu等人，通过花朵特定区域的颜色、结构特征，训练最小距离分类器对目标进行近似识别。[0004] 目前，基于分类器或神经网络的识别系统训练过程繁琐，且识别目标单一，扩展性差；基于花朵特征比对的近似识别系统，无法克服识别准度与速度的矛盾，且其一一比对的识别过程，限制了识别库容量的提升。
[0005] 现有对比文件专利号201310433155.X(一种基于植物叶片图像信息的便携式校园植物种类识别系统)公开了一种通过叶片来识别的嵌入式系统，但缺点是，分类器类的识别系统，过程繁琐复杂，扩展性也差，同时现有的近似识别系统，速度和准度无法同时保证。同时，相对植物叶片特征而言，花朵特征的特性差异更明显，目前还没有一个系统能够做到对花朵特性的近似识别。发明内容
本发明为了克服上述问题，提供了一种基于花朵颜色、轮廓、纹理、空间结构等多
项特征对植物进行编码归类，识别速度快且准确度高的花朵近似识别系统。[0007] 本发明的技术方案如下：一种基于花朵特征的植物种类识别系统，微处理器单元通过usb接口与图像采集器的输出端相连，经过微处理器单元计算处理后，通过触控显示单元输出结果；其中，微处理器单元上依次连接有数据库系统、图像处理系统、特征提取处理系统、编码分类系统和对比识别系统；
[0008] 所述的图像处理系统包括(1)预处理：与图像采集器结合，调整图像采集输入端的花朵尺寸，然后通过中值滤波器滤除椒盐噪点，再通过高斯函数低通滤波降噪，从而得到可准确提取特征的花朵图像；(2)花朵分割：使用最大熵阈值二值化分割为主，GrabCut算法为辅的分割体系，将花朵从背景中分割出来，并生成颜色直方图；
[0006]
3
CN 104182763 A[0009]
说 明 书
2/10页
所述的特征提取处理系统分为三部分：通过颜色直方图提取颜色特征、通过对花朵轮廓的拟合多边形图像和拟合凸包图像提取轮廓特征和通过计算处理得到纹理空间特征；
[0010] 所述的编码分类系统将每个花的特征值由三个8位二进制数值表示，用每一位的“0”和“1”分别代表对象所属的子类类别是否具有该特性；[0011] 所述的对比识别系统包括颜色比对、轮廓比对和纹理比对，然后三个相似度通过加权欧氏距离值换算总体相似度。[0012] 优选方案如下：
[0013] 微处理器单元由ARM内核及其外围功能电路组成。
[0014] 调整图像采集处的花朵尺寸为800*600(4∶3)或800*450(16∶9)。颜色特征包括花朵图片HSV色彩空间中的H(色调)层中各颜色的含量，S(饱和度)层、V(亮度)层直方分布图的平均值、“峰”数、“峰”分布带、最大熵阈值。[0015] 颜色特征包括花朵色调层各色系像素含量，饱和度层均值、“峰”数，和亮度层均值、“峰”数。
[0016] 轮廓特征包括花朵轮廓边角数、面积与周长比、外接圆饱和度、凸包饱和度、最大缺陷比率、花瓣边缘凹凸度和锐角比率。[0017] 纹理空间特征包括：灰度共生矩阵能量特征、线段成分、花朵中心离散点和梯度向量随离心距离分布。
[0018] 对比识别系统中各部分的权重比例为颜色∶轮廓∶纹理＝3∶1∶2。对比识别系统采用编码分类体系，可缩小识别范围，进而能够使用复杂精确的算法进行比对识别。[0019] 其中，一、图像处理系统中最大熵阈值二值化的公式为：
[0020]
其中p(i)表示颜色直方图第i列的像素数与像素总数的比值，r为当前分割点，该算法循环分析各分割点处直方图的熵值，最终取最大熵值对应的分割阈值；另外，GrabCut方法是一种基于数学形态学的分割算法，通过分别标记前景、背景像素，数次迭代，从而得到精细、准确的边界轮廓，因其运算过程复杂，消耗大，但准确率高，且各类情况下分割能力均衡，故作为辅助分割手段。
[0022] 采用最大熵阈值二值化分割为主，GrabCut算法为辅的分割体系，用于图像二值化，然后提取边缘轮廓，分割出花朵图像，从而计算得出花朵图片的颜色直方图，方法如下：
[0023] 通过分析图片的HSV色彩空间中H(色调)层、S(饱和度)层、V(亮度)层各层直方图的数据，将易于分割、“双峰”特征明显的直方图作为熵的计算对象；其中，当花朵颜色和背景颜色1)一个鲜艳，一个近似黑白的情况，用S层直方图；[0024] 2)当一个暗，一个亮，用V层直方图；[0025] 3)两个颜色都很鲜艳，且属于不同色调时(如红花，绿背景)，用色调直方图分割。[0026] 二、特征提取处理系统中颜色特征包括：1)饱和度均值，指的是图片所有像素饱和度分量的均值，该数值用于区分“鲜艳”和“黑白”的花朵；[0027] 2)色调直方图中红、黄、品红、绿等各颜色像素的含量，该含量是作为判断花朵是“单色”还是“多色”以及含有几种颜色的判定依据。因低饱和度像素色调特征不明显，此处
[0021]
4
CN 104182763 A
说 明 书
3/10页
色调直方图需滤除低饱和度像素，以保证颜色含量的准确性；[0028] 3)亮度均值，该数值可以判断“黑白”的花是属于“黑”色的，还是“白”色的；[0029] 4)饱和度直方图“双峰”特征，该特征用于识别花朵是否是属于颜色从“鲜艳”到“黑白”渐变的花朵。
[0030] 轮廓特征包括：1)轮廓边角数Nc、面积周长比Ap，该数据用来判定轮廓“简单”或“复杂”，公式如下：
[0031]
2)外接圆饱和度Cc和凸包饱和度Ch，该数据分别作为“简单”和“复杂”花朵的饱和度，公式如下：
[0032] [0033]
[0034]
3)最大缺陷比率Md，是指通过拟合多边形相对于外接圆的径向缺陷最大值与半径的比率，该数据是用来识别有明显缺点的花朵对象，公式如下：
[0035] [0036]
[0037] [0038]
4)花瓣边缘凸凹度Vc，用来描述轮廓的凸凹性强弱，公式如下：
[0039] [0040]
5)锐角比Va代表锐角比率，用于识别花朵锐角含量多的对象，公式如下：
纹理空间特征包括：
[0042] 1)灰度共生矩阵的能量特征ASM，该数据是作为衡量图像粗糙度的依据，以此来区分“平滑”或“粗糙”的花朵对象，公式如下：
[0041] [0043] [0044]
ASM＝∑i∑jp(i，j|d，θ)2
[0045] 共生矩阵中i行j列的元素p代表θ方向间距为d的像素值分别是i和j的概率，其各方向能量特征ASM的均值大小反应目标区域粗糙度；[0046] 2)线段成分，得到的线段成分图是通过经典的检测线段的算法概率霍夫变换
5
CN 104182763 A
说 明 书
4/10页
(Probabilistic Hough Transform)得到的，通过设定阈值来区分直线成分多或少的花朵；[0047] 3)花朵中心离散点，使用sobel核横向、纵向卷积运算相减得到花朵中心离散点，并通过分析离散点的量，设定阈值后判定花朵有无花蕊，阈值域设定为边界周长的15-30％；
[0048]
Sobel横向、纵向卷积核
[0050] 4)梯度向量随离心距离分布得到的梯度向量随离心距离分布图，该图表中若有位于离心距在三分之一半径到三分之二半径间的“单峰”，及表明花朵有明显的环状结构；若二分之一半径内的梯度分量明显大于二分之一半径外的梯度分量，则表明有中央粗糙带结构。
[0051] 三、以上特征配以阈值或分割域，作为编码分类体系的依据。[0052] 四、1、颜色比对是按照HSV各层直方图的相交比率
[0049] [0053] [0054]
直方图相交比率即计算图A、B含有n列的直方图中每列共有像素数与总像素数的
比值。
颜色比对、轮廓比对和纹理比对后，三个相似度通过加权欧氏距离值换算总体相似度，公式如下：
[0055] [0056]
权重比例是颜色∶轮廓∶纹理＝3∶1∶2。因为颜色最能反映特性，纹理其次，轮廓考虑到提取的不精确，故比重最低。[0058] 2、轮廓比对是将待测花和库中同子类的已知对象进行对比后，制作成对比轮廓几何直方图(PGH)。计算每一对轮廓边缘夹角以及最大最小距离差值，作为轮廓相似度比对的依据。
[0059] 3、纹理比对：由于传统的统计法和基元划分法纹理特征不具备良好的旋转不变性，所以本发明采用了新的基元划分模式：从里向外分层5层，然后划分基元，每个基元取平均灰度值作为该基元的灰度，然后仿照基元法构建了由内向外的“径向梯度共生矩阵”和由近及远的“环向梯度共生矩阵”，将两种矩阵的相交比率作为纹理相似度比对依据。两个比率按1∶1拟合纹理相似度结果。
[0057]
通过触控显示单元输出显示结果：可以按总体相似度降序显示结果，也可以只按
颜色、轮廓或纹理中的一种或多种分析识别。[0061] 最后，本发明中的数据库系统初期是与本发明的识别系统一样，少了最后的对比识别环节，将数据保存在微处理器单元后，即成为了数据库，将该数据库存储在微处理器单元内后，再次使用本发明识别系统时，则可以将要识别的花朵与数据库中的花朵资料进行比对。
[0060]
6
CN 104182763 A[0062]
说 明 书
5/10页
本发明优点：基于花朵颜色、轮廓、纹理、空间结构特征设计的花朵编码分类体系，并以此搭建了植物种类近似识别系统，弥补了传统识别系统无法兼顾扩展性能、识别速率、识别准确度的难题，适于推广。
附图说明
[0063] 图1是本发明的硬件系统图；
[0064] 图2是本发明中特征提取的总体结构框图；
[0065] 图3是本发明中纹理比对系统的基元划分模式图。
具体实施方式
[0066] 下面结合实施例进行详细说明，但本发明并不局限于具体实施例。[0067] 实施例1
[0068] 一种基于花朵特征的植物种类识别系统，微处理器单元通过usb接口，与图像采集器的输出端相连，经过微处理器单元计算处理后，通过触控显示单元输出结果；其中，微处理器单元上依次连接有数据库系统、图像处理系统、特征提取处理系统、编码分类系统和对比识别系统；
[0069] 所述的图像处理系统包括(1)预处理：与图像采集器结合，调整图像采集输入端的花朵尺寸，然后通过中值滤波器滤除椒盐噪点，再通过高斯函数低通滤波降噪，从而得到清晰的花朵图像；(2)花朵分割：使用最大熵阈值二值化分割为主，GrabCut算法为辅的分割体系，将花朵从背景中分割出来，并生成颜色直方图；[0070] 所述的特征提取处理系统分为三部分：通过颜色直方图提取颜色特征、通过对花朵轮廓的拟合多边形和拟合凸包图像图像提取轮廓特征和通过计算处理得到纹理空间特征；
[0071] 所述的编码分类系统将每个花的特征值由三个8位二进制数值表示，用每一位的“0”和“1”分别代表对象所属的子类类别是否具有该特性；[0072] 所述的对比识别系统包括颜色比对、轮廓比对和纹理比对，然后三个相似度通过加权欧氏距离值换算总体相似度。
[0073] 微处理器单元由ARM内核及其外围功能电路组成。
[0074] 调整图像采集处的花朵尺寸为800*450(16∶9)。颜色特征包括花朵图片HSV色彩空间中的H(色调)层中各颜色的含量，S(饱和度)层、V(亮度)层直方分布图的平均值、“峰”数、“峰”分布带、最大熵阈值。[0075] 轮廓特征包括花朵轮廓边角数、面积与周长比、外接圆饱和度、凸包饱和度、最大缺陷比率、花瓣边缘凹凸度和锐角比率。[0076] 纹理空间特征包括：ASM、线段成分、花朵中心离散点和梯度向量随离心距离分布。[0077] 对比识别系统中各部分的权重比例为颜色∶轮廓∶纹理＝3∶1∶2。对比识别系统采用编码分类体系，可大幅缩小了识别范围，从而使得用复杂精确的算法进行比对识别成为了可能。[0078] 其中，一、图像处理系统中最大熵阈值二值化的公式为：
[0079]
7
CN 104182763 A[0080]
说 明 书
6/10页
其中p(i)表示颜色直方图第i列的像素数与像素总数的比值，r为当前分割点，该算法循环分析各分割点处直方图的熵值，最终取最大熵值对应的分割阈值；另外，GrabCut方法是一种基于数学形态学的分割算法，通过分别标记前景、背景像素，数次迭代，从而得到精细、准确的边界轮廓，因其运算过程复杂，消耗大，但准确率高，且各类情况下分割能力均衡，故作为辅助分割手段。
[0081] 采用最大熵阈值二值化分割为主，GrabCut算法为辅的分割体系，用于图像二值化，然后提取边缘轮廓，分割出花朵图像，从而计算得出花朵图片的颜色直方图，方法如下：
[0082] 通过分析图片的HSV色彩空间中H(色调)层、S(饱和度)层、V(亮度)层各层直方图的数据，将易于分割、“双峰”特征明显的直方图作为熵的计算对象；其中，当花朵颜色和背景颜色1)一个鲜艳，一个近似黑白的情况，用S层直方图；[0083] 2)当一个暗，一个亮，用V层直方图；[0084] 3)两个颜色都很鲜艳，且属于不同色调时(如红花，绿背景)，用色调直方图分割。[0085] 二、特征提取处理系统中颜色特征包括：1)饱和度均值，指的是图片所有像素饱和度分量的均值，该数值用于区分“鲜艳”和“黑白”的花朵；[0086] 2)色调直方图中红、黄、品红、绿等各颜色像素的含量，该含量是作为判断花朵是“单色”还是“多色”以及含有几种颜色的判定依据。因低饱和度像素色调特征不明显，此处色调直方图需滤除低饱和度像素，以保证颜色含量的准确性；[0087] 3)亮度均值，该数值可以判断“黑白”的花是属于“黑”色的，还是“白”色的；[0088] 4)饱和度直方图“双峰”特征，该特征用于识别花朵是否是属于颜色从“鲜艳”到“黑白”渐变的花朵。
[0089] 轮廓特征包括：1)轮廓边角数Nc、面积周长比Ap，该数据用来判定轮廓“简单”或“复杂”，公式如下：
[0090]
2)外接圆饱和度Cc和凸包饱和度Ch，该数据分别作为“简单”和“复杂”花朵的饱和度，公式如下：
[0091] [0092]
[0093]
3)最大缺陷比率Md，是指通过拟合多边形相对于外接圆的径向缺陷最大值与半径的比率，该数据是用来识别有明显缺点的花朵对象，公式如下：
[0094] [0095]
8
CN 104182763 A[0096] [0097]
说 明 书
7/10页
4)花瓣边缘凸凹度Vc，用来描述轮廓的凸凹性强弱，公式如下：
[0098] [0099]
5)锐角比Va代表锐角比率，用于识别花朵锐角含量多的对象，公式如下：
纹理空间特征包括：
[0101] 1)灰度共生矩阵的能量特征ASM，该数据是作为衡量图像粗糙度的依据，以此来区分“平滑”或“粗糙”的花朵对象，公式如下：
[0100] [0102] [0103]
AsM＝∑i∑jp(i，j|d，θ)2
[0104] 共生矩阵中i行j列的元素p代表θ方向间距为d的像素值分别是i和j的概率，
[0105]
其各方向能量特征ASM的均值大小反应目标区域粗糙度；
[0106] 2)线段成分，得到的线段成分图是通过经典的检测线段的算法概率霍夫变换(Probabi listic Hough Transform)得到的，通过设定阈值来区分直线成分多或少的花朵；
[0107] 3)花朵中心离散点，使用Sobel核横向、纵向卷积运算相减得到花朵中心离散点，并通过分析离散点的量，设定轮廓周长的15-30％作为阈值域，判定花朵有无花蕊；
[0108]
Sobel横向、纵向卷积核
[0110] 4)梯度向量随离心距离分布得到的梯度向量随离心距离分布图，该图表中若有位于离心距在三分之一半径到三分之二半径间的“单峰”，及表明花朵有明显的环状结构；若二分之一半径内的梯度分量明显大于二分之一半径外的梯度分量，则表明有中央粗糙带结构。
[0109]
三、以上特征配以阈值或分割域，作为编码分类体系的依据。
[0112] 本发明选出十余种花朵特征，以相关特征搭配结合、特异性特征独立描述的形式，搭建了编码分类体系。如表1所示，三个8位二进制数组成了编码特征子，每一位由某一种或多种图形特征，配以适当的阈值将花朵集合划分成两个子类，特征值相应位数的“0”和“1”代表对象所属的子类类别或该特性的有无，如某花朵颜色特征值第5位为“1”，则表示其含有黄色成分；某花轮廓特征值1、2位都为“0”则表示其隶属于轮廓简单且饱和度高的子类。该体系理论上可将花朵集合细分成上千个子类。这样具体操作识别的时候只要先编码归类，再与数据库中同一个类别的对象比对相似度即可，采用该编码归类可以大幅缩减比对范围。
[0111]
9
CN 104182763 A[0113]
说 明 书
8/10页
各种特征划分子类的条件不尽相同，对于独立性较好的特征，如某些轮廓/纹理特征的有无、色系成分的有无，以该特征全库分布图最大熵处的阈值作为分类判定条件；而相关性较强的特征，如轮廓的复杂程度、饱和度，则根据二者相关分布域划分。[0114] 表1编码特征子组成结构
[0115]
[0116] [0117] [0118]
四、1、颜色比对是按照HSV各层直方图的相交比率
直方图相交比率即计算图A、B含有n列的直方图中每列共有像素数与总像素数的
比值。
H层由于花朵红色成分较多，蓝色、绿色成分少，故调整了各颜色分量的权重，增大
了红色系的红色、黄色、平红，缩小到绿蓝；V、S层直接比对，然后三层比率拟合成颜色相似度，也是采用欧式距离，各部分比例为H∶S∶V＝5∶3∶2。[0120] 颜色比对、轮廓比对和纹理比对后，三个相似度通过加权欧氏距离值换算总体相似度，公式如下：
[0119] [0121]
权重比例是颜色∶轮廓∶纹理＝3∶1∶2。因为颜色最能反映特性，纹理其次，轮廓考虑到提取的不精确，故比重最低。[0123] 2、轮廓比对是将待测花和库中同子类的已知对象进行对比后，制作成对比轮廓几何直方图(PGH)。计算每一对轮廓边缘夹角以及最大最小距离差值，作为轮廓相似度比对的依据。
[0124] 3、纹理比对：由于传统的统计法和基元划分法纹理特征不具备良好的旋转不变性，所以本发明采用了新的基元划分模式：从里向外分层5层，然后划分基元，每个基元取平均灰度值作为该基元的灰度，然后仿照基元法构建了由内向外的“径向梯度共生矩阵”和由近及远的“环向梯度共生矩阵”，将两种矩阵的相交比率作为纹理相似度比对依据。两个比率按1∶1拟合纹理相似度结果。
[0125] 通过触控显示单元输出显示结果：可以按总体相似度降序显示结果，也可以只按颜色、轮廓或纹理中的一种或多种分析识别。[0126] 最后，本发明中的数据库系统初期是与本发明的识别系统一样，少了最后的对比识别环节，将数据保存在微处理器单元后，即成为了数据库，将该数据库存储在微处理器单元内后，再次使用本发明识别系统时，则可以将要识别的花朵与数据库中的花朵资料进行比对。
[0122]
10
CN 104182763 A[0127]
说 明 书
9/10页
本发明是基于VC++环境搭建了识别系统的软件框架，使用110张不同品种、各类特性差异明显的月季花图片作为实验对象，测试识别系统三个方面的性能：1)编码归类体系的细分能力；2)归类识别的效率；3)比对识别的可靠性。[0128] 1、细分能力实验[0129] 多次随机抽取30、40、50的张花朵图片搭建识别种类数据库。实验结果如表1所示。
[0130] 表1编码归类库搭建实验
[0131]
2、识别系统的速度、准度实验
[0133] 对不同容量的识别库进行归类识别和全库搜索识别对比实验，结果如表2所示。[0134] 表2识别模式速度对比
[0132] [0135]
通过耗时对比可知，一次比对运算平均耗时5s，归类识别体系提升的效率随着库
容量的增大而成倍增加。
[0137] 对比二者的识别结果可知，运用编码分类体系划定的比对范围，基本均包含比对算法判定的全库最近似对象，而如第5次实验出现的结果相左情况，可通过分析目标特征对分类体系加以修正、完善，进一步提升归类识别算法的准确率。[0138] 实验分析与总结
[0139] 1)计算近似子类模式的优化[0140] 本发明中识别算法设定，若当前识别种类库不包括待测目标所属子类，则通过编
[0136]
11
CN 104182763 A
说 明 书
10/10页
码特征值计算找寻最邻近的3个子类作为比对范围，因编码特征子各位所代表特征的贡献度不均衡，该模式可靠性有待提高。拟通过在特征评价环节，采用控制变量法结合贝叶斯决策理论，对各个特征进行贡献度评估，作为子类近似距离计算时各个特征的权值。进而异子类对象的比对相似度也应由该距离值加以修正。[0141] 2)分类体系误差的鉴定[0142] 实验5的情况表明，编码分类体系会出现与比对算法识别结果相左的分类情况，考虑到比对运算相对分类体系关于人眼视觉特性符合程度较差，需分析分类相左的对象特性，佐以人眼视觉判定，归类系统是否“真的”发生了错误归类。[0143] 3)相关特征近似子类的整合[0144] 在计算轮廓饱和度特征时，采用外接圆饱和度、凸包饱和度分别评价轮廓“简单”与“复杂”的对象，但实验测试中发现，轮廓“复杂且饱和”和“简单不饱和”两个子类区分程度不够明显，多次出现交错情况，故将两个子类合并，舍弃了不必要的细分而保证了体系的稳定性。
[0145] 4)轮廓特征权值的削弱
[0146] 花朵轮廓特征因其随花期变化明显，且受分割效果影响较大的特性，在拟合总体相似度时的权值需适当削弱，且当计算临近子类时也应当优先考虑临近的异轮廓编码子类。
5)分类体系性能的最大化
[0148] 分类体系以各特征分类效果最好的阈值划分模式作为搭建根基，降低了图像尺寸、光强、微小偏角的影响；多类特征相结合的搭配形式，既符合人眼视觉特性，又保证了分类、归类的可靠性、准确性；编码子组成结构明确，易于检验、查询和扩展新特征。[0149] 6)分类识别体系的扩展
[0150] 通过本文的方法设计与实践，验证了针对特征多样的对象进行近似识别时，归类识别方法的良好性能，此方法可跨界应用于其他识别、归类系统。
[0147]
12
CN 104182763 A
说 明 书 附 图
1/3页
图1
13
CN 104182763 A
说 明 书 附 图
2/3页
图2
14
CN 104182763 A
说 明 书 附 图
3/3页
图3
15
因篇幅问题不能全部显示，请点此查看更多更全内容