草叶识别使用DBN小波和CILBP

抽象

草是在生态系统为人类的可持续发展最重要的资源之一。然而，重点在草地上鉴别​​，后者传统上是由低效率和精度专家实施的研究，不能满足现代草原管理的要求。在这项研究中，我们提出三次插值LBP（CILBP）和DBN小波草识别基于叶片图像。由DBN小波分解叶图像的低频分量被用作CILBP的更多细微纹理提取输入。所提出的方法的新颖性是，CILBP可以更好地描述纹理从低频子图像的功能，与原始双线性LBP比较。在对叶草所提出的方法的识别精度方面的有效性进行的实验结果证实。

1.简介

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。其中循环，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]。形状和树叶的外观给在前期的观察员，这往往出现在植物学分类的参考文献[一个直观的印象2]。到目前为止，大多数的植物学分类取决于专家的知识，因为形状和外观是密切相关的物种之间的暧昧。纹理提供了识别的另一种方式。张某等人。[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]。

作为植物学的重要组成部分，根据叶草识别吸引了研究者的注意。例如，Wang等人。[4]叶片图像基于形状分类豆科牧草特征。整体形状的特征包括轴比，矩形，和叶片图像7个不变矩。叶边缘的粗糙度被提取作为局部特征。全局和局部特征被用作输入到用于分类概率神经网络（PNN）和反向传播网络（BP），得到分别为85％和82.4％，正确分类率，在560个训练样本和1400测试数据库样品包括14种。

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]是与不变性单调图像的灰度级改变的有效的纹理特征提取算法。马尔科等。[6使用LBP，胡纪念碑，和SVM对于较高识别率，这表明LBP的在叶片纹理的效果]研究叶识别。

因此，叶草的纹理特征仍然是我们研究的重点。我们通过汇总三次插值LBP（CILBP）提出了一种鲁棒算法和小波变换的草鉴定。小波变换是对图像的低维表示，其可以分解图像转换成多分辨率和多尺度分量的数学基础。三个主要步骤涉及的算法。首先，草的ROI图像通过数学形态学分割。然后，通过小波变换将图像分解为多尺度分量。最后，图像与CILBP转化为实现更精确的呈现。所提出的方法的有效性是由实验证明。新颖之处在于立方插值LBP的应用，描述了叶草更详细的质感。

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3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4节。第5节突出的结论。

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。All 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

特定图像采集过程如下。首先，草叶被拾起并按下一本书里面，以保证光滑的表面。Then, the images were acquired by using the built-in camera of a Samsung mobile phone with a resolution of 2560 × 1920 pixels inside the lab, where the camera should be kept in the same acquisition distance of about 30–50 cm from all samples. Finally, the image samples were uniformed into 512 × 512 or 512 × 256 in JPG format, according to its ratio of blade shape and length-width. Accordingly, the leaf image database composed of 150 leaf images of 15 common grass species constructed for identification experiments. Some sample images in the database are shown in Figure1。

2.2。图像预处理

预处理阶段包括图像灰度和去噪。由于该草的颜色随着时间的推移和不断增长的阶段不同，叶子的纹理是首选的颜色更稳定的特性。此外，存储能力和计算费用的彩色图像是非常大的。因此，彩色图像被转换成灰度级的人作进一步简单和省时的操作。

因为在拍摄过程中，叶子容易受到设备的清洁度和其他环境因素的影响，存在着图像噪声。Therefore, they must be removed from the images, where a 3 × 3 mean filter was adopted for denoising. Figure2一世llustrates the preprocessing procedure of a grass leaf image, in which the left, middle and right ones correspond to 512 × 512 original JPG images, grayscale image and denoised image, respectively.

3.方法

使用DBN该算法小波和CILBP到预处理的图像样本的提取特征向量。所提出的算法的流程图显示于图3。

3.1。小波变换

小波变换将图像分解成低频段和三个高频带，包括LL近似分量，LH水平分量，HL的垂直分量，以及HH对角分量。由于不同的小波基导致不同的结果，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。与对称的小波不产生相位失真，和良好的正则化的小波可以很容易地得到平滑的曲线重建和图像轻微误差。考虑到所有上述因素，我们选择了小波函数DBN提出英格丽·多贝西，其中ñ就是这个小波函数的消失矩[7]。虽然较大的消失矩，平滑小波函数和较长的支撑长度，消费也会相应增加[8]。并除外ñ = 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。

3.2。CILBP

局部二元模式（LBP）首先由Ojala的等人提出。[9用于纹理设有一个图像的提取。该LBP源于初始8邻域分析的圆形邻域内开发成块和分区LBP。当在圆形邻域提取灰度图像的局部邻域纹理特征，双线性内插是处理不能准确地落入到该像素的中心附近的传统方式。线性内插是线性确定基于它们各自的值的线的两个像素的一个点的值。双线性插值是线性插值的二维扩展，这可以通过一系列的一阶线性内插来获得。The output value was the weighted average of the grayscales from the nearest 2 × 2 neighborhood of the sampled point in the input image.

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，16个相邻像素的加权内插像素周围的（一世 + ü，Ĵ +  ）被考虑来计算目标像素的灰度值（X，ÿ）。计算公式如下： 哪里 哪里

图五和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分别对应于块号1，2，3，和4。这两组数字比较，可以清楚地观察到，CILBP编码图像是平滑的，表现的是三次插值更好地保持图像的细节。参与计算越拟合点，能够获得内插像素的更精确的输出。不可避免的是，参与计算的像素数影响了计算的复杂性，以及。准确度和时间复杂度之间的折衷做三次插值在这项研究是可行的。

CILBP可以提高在同一时间的特征向量。表1比较低频子图像的特征向量，通过BILBP和CILBP萃取。所述BILBP特征向量包含24个零与一些缺少的信息，而统计数据CILBP被更均匀地分布，这有助于较高的识别准确率。

3.3。特征匹配

在二维空间中的欧几里德距离是两个点，这是通常用于距离度量之间的距离。具体公式是

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.实验结果和讨论

为了验证所提出的整合DBN小波变换和CILBP草叶识别的有效性，下面三组实验中被处决。首先，块BILBP和CILBP的实验性能进行了比较。其次，块和分区考虑到了在LBP（称为块LBP和在下面的上下文分区LBP）用于比较。第三，基于小波分解后低频图像和重构图像LBP的识别性能进行了比较。的识别率和平均识别时间分别为识别性能，其中前者是正确地识别的图像数与总图像数的比率的主要焦点，而后者是确定每个测试样品所需的平均时间。

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。

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。According 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 Table3，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。

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，图7和8对应于识别率和平均时间的表中列出的对比2和3。这些改进表明，适当的分区可有效提升图像中的局部差异的纹理信息。

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  4 partition and 1 block are plotted in Figure9。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。

4.3。LBP基于对重建图像质量

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。与表相比3，我们发现被利用高频信息时的识别率没有显著改善。因此，高频分量可以在没有明显的改善被丢弃。

5。结论

在本文中，我们提出了三次插值LBP（CILBP）提取包含在由DBN小波为草叶识别分解低频分量更微妙的质感。所述图像的第一级分解能获得低频图像，原来的大小，这缩短了计算时间上的特征提取的1/4。同时，当延伸识别时间重构高频分量被放弃对所述识别的效果没有明显的影响。CILBP可以有效地突出从与三次插值低频子图像的草叶纹理特征，当原始图像的灰度值是高度相似的，与普通的LBP双线性插值比较。实验结果显示，该算法对叶草的识别精度的效果。

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。

泄露

范函和薛期澳是共同第一作者。

利益冲突

作者声明：本文内容没有利益冲突。

作者的贡献

范函和薛期拗同等贡献这项工作。

致谢

这项工作是由下批准号：61562067和61962048中国国家自然科学基金的支持。

参考

1. S. H.李，C. S.陈，S. J.梅奥和P. Remagnino，“如何对植物分类学深提取，并学会叶功能，”模式识别卷。71，第1-13，2017。查看在：出版商网站|谷歌学术
2. H. Abdurrasyid，H.耶尼和D的Stephane，“使用质心轮廓距离叶形状识别，”IOP CONF。系列：地球与环境科学卷。31，没有。1，文章ID 012002，2016。查看在：出版商网站|谷歌学术
3. S.张，W. H. Wang和Z.你，“植物病害叶分割和识别通过超像素，K-手段和PHOG的融合，”OPTIK卷。157，第866-872，2018。查看在：出版商网站|谷歌学术
4. J.王，冯问，Y.王和X邵，“研究的分类基于图像识别技术的豆科牧草，”草地学报卷。18，第37-41，2010年，中国。查看在：谷歌学术
5. T. Ojala的，M. Pietikainen和Maenpaa T.，“多分辨率灰度和旋转不变纹理分类与局部二元模式，”IEEE交易模式分析与机器智能卷。24，没有。7，第971-987，2002。查看在：出版商网站|谷歌学术
6. L.马尔科，T伊娃和T.米兰，“基于支持向量机Hu矩和局部二元模式叶识别算法，”在IEEE第15届国际学术研讨会应用机器智能与信息学论文集，Herl'lany，斯洛伐克，2017年1月。查看在：谷歌学术
7. I. Daubechies小，“关于小波十讲”该杂志美国声学学会卷。93，没有。3，P。1671年，1992年。查看在：谷歌学术
8. 十，朱，谢四，问：Gao等，“在分析电力系统谐波的使用DB8的应用，”电力科学与技术卷。2，第69-73页，2011年，中国。查看在：谷歌学术
9. T.奥亚拉，M.Pietikäinen和D.哈伍德，“基于功能的分布与分类质感措施的比较研究”模式识别卷。29，没有。1，第51-59，1996。查看在：出版商网站|谷歌学术

版权

版权所有©2020范函等。这是下发布的开放式访问文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。