針葉植物葉片或葉小枝數(shù)字圖像識(shí)別和分類(lèi)

田超　周堅(jiān)華

摘要：本文研究針葉植物數(shù)字圖像自動(dòng)識(shí)別分類(lèi)的方法。根據(jù)針葉植物不同科（松、杉、柏科）和種葉片/葉小枝的形狀特征差異設(shè)計(jì)了15個(gè)特征描述符，以適量樣本檢驗(yàn)這些描述符以及它們組合使用對(duì)于劃分針葉植物科和種的有效性，并對(duì)這種有效性做評(píng)估和排序。實(shí)驗(yàn)表明，凹陷密度，凸包歐拉數(shù)、凸包面積與同參數(shù)三角形面積相對(duì)差等，對(duì)辨別松科植物有效；葉圖斑長(zhǎng)寬比、凸殘差面積方差、凹陷密度、凹陷平均短長(zhǎng)軸比等對(duì)劃分杉、柏科植物有效。通過(guò)這些描述符，可以將至少34種針葉植物分為松、杉、柏3個(gè)科和17個(gè)種。用這些描述符組合對(duì)針葉植物科分類(lèi)的精度大于80%；由科劃分種的精度相對(duì)較低，劃分松、杉、柏科植物到幾個(gè)范例種的精度分別為：64.0%、54.3%、40.1%。

關(guān)鍵詞：針葉植物；圖像分類(lèi)；形狀；數(shù)學(xué)形態(tài)學(xué)；特征頻數(shù)

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41071275）資助

中圖分類(lèi)號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A DOI編號(hào)： 10.14025/j.cnki.jlny.2016.06.020

植物數(shù)字圖像自動(dòng)分類(lèi)是植物分類(lèi)學(xué)領(lǐng)域備受關(guān)注的新技術(shù)“基于內(nèi)容的圖像檢索”（Content-Based Image Retrieval， CBIR）是該技術(shù)的代表之一，通過(guò)把用于植物圖像的CBIR軟件植入手機(jī)等智能移動(dòng)設(shè)備，有可能在野外對(duì)植物進(jìn)行實(shí)時(shí)分類(lèi)。已經(jīng)出現(xiàn)了少量移動(dòng)設(shè)備版植物圖像分類(lèi)/檢索軟件，如Nam等2005年開(kāi)發(fā)的“三葉草”系統(tǒng)，可以根據(jù)植物葉輪廓圖檢索植物類(lèi)；Belhumeur等2008年研發(fā)的改進(jìn)型系統(tǒng)，可以查詢(xún)植物圖像與在線(xiàn)植物樣本的相似性等。但由于專(zhuān)家知識(shí)植入圖像自動(dòng)分類(lèi)/檢索系統(tǒng)比較困難，這類(lèi)軟件目前能夠正確辨識(shí)的植物種類(lèi)比較有限，其他類(lèi)似的CBIR系統(tǒng)還在不斷完善中。

據(jù)檢索，植物圖像分類(lèi)的研究主要集中于闊葉類(lèi)植物。闊葉植物的屬種遠(yuǎn)比針葉植物的豐富，這可能是它吸引較多關(guān)注的原因。另一方面，植物圖像分類(lèi)主要依靠植物葉特征，闊葉類(lèi)植物的葉特征（包括葉形、葉緣、葉脈等）遠(yuǎn)比針葉植物的豐富，不同屬種之間的特征差異比較顯著和易于提取，使得闊葉植物先于針葉植物在圖像分類(lèi)領(lǐng)域取得了較大進(jìn)展。例如基于葉片形狀、基于葉脈和葉緣信息的植物圖像分類(lèi)。

與闊葉植物相比，針葉植物種屬間的特征差異不夠分明。根據(jù)Science Director、Springer Link Journals、中國(guó)知網(wǎng)等中外期刊論文數(shù)據(jù)庫(kù)的檢索，尚未檢出針葉植物葉片/葉小枝數(shù)字圖像自動(dòng)分類(lèi)方面的研究文獻(xiàn)。本文主要根據(jù)松、杉、柏科植物葉片/葉小枝的形狀特征差異，設(shè)計(jì)特征描述符；并以圖像分類(lèi)/分割方法檢驗(yàn)這些描述符以及它們的組合，對(duì)于辨識(shí)不同科和種的針葉植物圖像有效。

1 實(shí)驗(yàn)數(shù)據(jù)

研究中使用的植物葉圖像樣本來(lái)自野外自采集和中國(guó)植物圖像庫(kù)。野外自采集區(qū)域?yàn)樯虾Ｊ袇^(qū)和浙江天目山地區(qū)，采樣設(shè)備為普通單反變焦數(shù)碼相機(jī)。自采樣本約占總樣本數(shù)的90%。野外共采集樣本近340個(gè)，包括了上海市綠地和天目山地區(qū)典型的針葉樹(shù)種。表1列出了實(shí)驗(yàn)樣本屬種和數(shù)量。在描述符測(cè)試中隨機(jī)選擇其中180個(gè)樣本構(gòu)成訓(xùn)練集，其余160個(gè)為預(yù)留的測(cè)試樣本。

2 方法

2.1 概述

本文的研究對(duì)象為松、杉、柏科植物，由于南洋杉科植物在上海綠化地很少見(jiàn)，僅采集到“智力南洋杉”和“大葉南洋杉”兩種，故合并到杉科中。依據(jù)松、杉、柏科多種植物葉的表觀特征和圖像特征，設(shè)計(jì)了能夠?qū)⑷呒捌渚唧w種分開(kāi)的圖像特征描述符。它們中的大多數(shù)依據(jù)形態(tài)測(cè)量學(xué)設(shè)計(jì)，能夠定量描述葉形特征；還有一小部分根據(jù)特征頻數(shù)統(tǒng)計(jì)值設(shè)計(jì)，如鄰域暗細(xì)節(jié)密度等，用于描述葉片/葉小枝凹陷的密度。通過(guò)在這些描述符組合的特征空間里做圖像監(jiān)督分類(lèi)，可以評(píng)估各描述符及其組合的有效性。工作流程見(jiàn)圖1。

2.2 針葉圖像預(yù)處理

針葉植物葉圖像預(yù)處理的有效算法包括平滑化、維納濾波、銳化、大津法閾值計(jì)算和二值化、形態(tài)學(xué)開(kāi)啟和閉合、凸（凹）噪聲面積過(guò)濾、Gaussian濾波和邊緣檢測(cè)等。實(shí)驗(yàn)表明，對(duì)針葉植物葉圖像有效的預(yù)處理包括：降噪，去毛刺，閉合裂隙、填補(bǔ)凹陷等，它們能給出比較完整的葉片二值圖，以便特征提取和描述符值計(jì)算。圖2以雪松為例說(shuō)明該過(guò)程。

2.3 描述符設(shè)計(jì)

形狀是葉片圖斑的主要特征。常用的形狀特征包括圖斑面積、圖斑的短長(zhǎng)軸比、凸包面積、凸殘差特征、形狀系數(shù)、邊緣密度、分維等。針葉植物葉形通常具有如下特征：松葉形簡(jiǎn)單，針狀，常2針、3針或5針一束，葉節(jié)點(diǎn)無(wú)分叉；柏枝葉復(fù)雜，分支明顯，單葉小而呈鱗片狀（或鱗葉、針葉混生）；杉多為線(xiàn)形葉等?？梢杂猛拱蛲箽埐?、幾何形狀、細(xì)節(jié)頻數(shù)等描述這些特征，設(shè)計(jì)出適用的描述符。表2給出部分經(jīng)實(shí)驗(yàn)證明有效的描述符，所有描述符都?xì)w一化到值域[0， 1]。

2.4 描述符測(cè)試和精度評(píng)估

圖3和表3～6給出以決策樹(shù)（DT）評(píng)估描述符組合分類(lèi)精度的實(shí)例。如針葉科分類(lèi)時(shí)，隨機(jī)選擇8個(gè)描述符構(gòu)成初始特征向量，訓(xùn)練樣本數(shù)為180，其中松、杉、柏科植物樣本分別為55、61、64。訓(xùn)練中DT自動(dòng)選擇對(duì)樣本適應(yīng)性較好的5個(gè)描述符構(gòu)成決策樹(shù)t（圖3）；隨后以t對(duì)測(cè)試集圖像分類(lèi)，并以混淆矩陣評(píng)估分類(lèi)精度。

3 描述符的設(shè)計(jì)依據(jù)

表2中的描述符設(shè)計(jì)基于葉圖斑的某些圖像特征，例如凸殘差、圖斑凹陷、圖斑面積對(duì)稱(chēng)性、圖斑密度對(duì)稱(chēng)性、圖斑幾何圖形軸對(duì)稱(chēng)性、圖斑與同參數(shù)幾何圖形的相似性等。下面分別展開(kāi)討論。

3.1 凸殘差

凸包（convex）是將圖斑邊界的凸頂點(diǎn)連線(xiàn)形成的外多邊形。用凸包減去原圖斑得到凸殘差（convex deficiency）。實(shí)驗(yàn)表明，根據(jù)凸包和凸殘差設(shè)計(jì)的描述符對(duì)于表征針葉植物葉輪廓形狀和葉小枝的分布規(guī)律、密度和復(fù)雜程度等有效?；谕箽埐畹拿枋龇校海ㄒ?jiàn)表2）。圖4以側(cè)柏、墨西哥落羽杉、白皮松為例，顯示這類(lèi)描述符參變量的提取方法。表7為基于凸殘差描述符的分割閾值范例。

（a），（d）分別為龍柏和水杉葉小枝二值圖，真元素個(gè)數(shù)即葉小枝圖斑面積；（b），（e）為暗細(xì)節(jié)二值圖，SE均為3×3菱形；（c），（f）為凹陷尺寸大于閾值的圖斑，可以通過(guò)測(cè)量其中面積較大的主凹陷的密度、短長(zhǎng)軸比、形狀系數(shù)等，獲得有參考價(jià)值的分類(lèi)特征。由圖可見(jiàn)，龍柏的暗細(xì)節(jié)尺寸較小、細(xì)節(jié)短、分布密度（單位面積細(xì)節(jié)個(gè)數(shù)）較大；而水杉的暗細(xì)節(jié)尺寸較大、細(xì)節(jié)狹長(zhǎng)、分布密度較小。

3.2 圖斑凹陷

暗細(xì)節(jié)是葉圖像上尺寸較小的暗調(diào)元素或葉圖斑的孔洞（凹陷），可以通過(guò)形態(tài)學(xué)“低帽變換”提取。它是用閉合操作消除比結(jié)構(gòu)元素（SE）尺寸小的暗細(xì)節(jié)，獲得背景估計(jì)b；然后從b中減去原圖像I就能獲得暗細(xì)節(jié)集da。

3.3 葉圖斑對(duì)稱(chēng)性

葉圖斑對(duì)稱(chēng)性通常以葉小枝某些統(tǒng)計(jì)值的上下對(duì)稱(chēng)性表述?？捎玫慕y(tǒng)計(jì)值包括面積、密度和幾何圖形軸長(zhǎng)等。面積和密度的統(tǒng)計(jì)對(duì)象主要為葉圖斑、凸包、凸殘差等的二值圖。表達(dá)式的主要形式為差比值，比如 （見(jiàn)表2）。幾何圖形軸對(duì)稱(chēng)性利用了與葉圖斑有關(guān)的幾種幾何圖形，如外接矩形、內(nèi)接圓等。

3.4 圖斑與同參數(shù)幾何圖形的相似性

典型的松、杉、柏葉小枝的外輪廓與某些幾何圖形接近，比如松與三角形、杉與矩形/橢圓、柏與扇形/橢圓相像。利用葉圖斑凸包二值圖與同參數(shù)（高/長(zhǎng)軸、寬/短軸等）的幾何圖形面積的差比值，表征葉圖斑凸包接近這些幾何形狀的程度，可能用于劃分不同科的針葉植物，表9列出部分基于圖斑對(duì)稱(chēng)性的描述符的性能和范例閾值。這些描述符包括（見(jiàn)表2）。

4 結(jié)論

本文研究針葉植物葉片或葉小枝圖像按科和種分類(lèi)的方法，設(shè)計(jì)了14個(gè)新的描述符，并評(píng)估了各自和組合使用的有效性。上述實(shí)驗(yàn)和統(tǒng)計(jì)分析支持如下結(jié)論：（1）基于凸殘差、圖斑凹陷、圖斑對(duì)稱(chēng)性和圖斑與同參數(shù)幾何圖形相似性設(shè)計(jì)的描述符對(duì)于識(shí)別針葉植物科和部分種有效。（2）適當(dāng)數(shù)量和不同功能的描述符組合，有助于改善分類(lèi)精度。（3）用這些描述符組合對(duì)針葉植物科分類(lèi)的精度大于80%；由科劃分種的精度相對(duì)較低，劃分松、杉、柏科植物到幾個(gè)范例種的精度分別為：64.0%、54.3%、40.1%。由本實(shí)驗(yàn)還可以看出，要?jiǎng)澐指嗟膶俜N還有待進(jìn)一步增加植物樣本，并繼續(xù)深入描述符和分類(lèi)空間設(shè)計(jì)等方面的研究。本文的分類(lèi)方法主要依據(jù)的是植物外形特征，而未嚴(yán)格遵守植物學(xué)分類(lèi)規(guī)則，比如中國(guó)植物志中將日本冷杉劃分為松科，而本文根據(jù)其形狀特征將其劃分到杉中，這一點(diǎn)望讀者理解。

參考文獻(xiàn)

[1]Geng SL （耿生玲）. Tian F （田芳）. The principle and realization of picture sharpening and smoothing[J]. Journal of Qinghai Normal University（Natural Science） （青海師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2003（03）：62-65

[2]Zhu J （朱靜），Tian XJ （田興軍），Chen B （陳彬） et al. Computer Recognition System of Plant Leaf-shape[J]. Chinese Bulletin of Botany （植物學(xué)通報(bào)）， 2005，22（05）：599-604

作者簡(jiǎn)介：田超，華東師范大學(xué)地理科學(xué)學(xué)院，在讀碩士，研究方向：遙感圖像分析與空間數(shù)據(jù)挖掘。

通訊作者：周堅(jiān)華，碩士，華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，副教授，研究方向：城市與生態(tài)遙感。

網(wǎng)絡(luò)出版時(shí)間：2016-3-10 17：07：45

網(wǎng)絡(luò)出版地址：http：//www.cnki.net/kcms/detail/22.1186.S.20160310.1707.001.html