植物叶片特征数字化在植物识别上的应用

植物叶片特征数字化在植物识别上的应用
潘晓星;杨天天;穆立蔷
【摘要】总结了基于叶片特征物种识别现阶段的应用，对已有的数字化叶片特征进行分析归类，并总结出新的拟可行的叶片特征指标。

对基于叶片特征物种识别技术进行前景展望，其必将会成为以后物种识别的发展趋势。

%Summarized the application of leaf characteristics of species identification based on leaf at the present stage, the digital characteristics of the classified analysis, and summed up the new quasi leaf characteristics index feasible. On leaf charac-teristics of species identification technique based on prospect, it will become the development trend of future species identification.
【期刊名称】《国土与自然资源研究》
【年(卷),期】2014(000)001
【总页数】3页(P79-81)
【关键词】植物叶片;叶片特征;数字化;植物识别;数据库
【作者】潘晓星;杨天天;穆立蔷
【作者单位】东北林业大学林学院，哈尔滨 150040;东北林业大学林学院，哈尔滨 150040;东北林业大学林学院，哈尔滨 150040
【正文语种】中文
【中图分类】TP391.41
物种识别一般是通过对植物的外部形态描述，而对于某一植物物种形态懂得描述一般都是通过一系列的形态术语定性的表达。

但用形态术语来描述物种形态特征，专业性较强，普及性较差。

形态计量学（m o r p h o m e t r y）是一门运用图像测试及分析技术，取得描述生物组织宏观或微观形态的图像数据，并对它们进行数学处理或推理，以对生物组织的形态与结构进行定量分析，由形态学与数学相结合而产生的分支学科。

形态计量学在动物研究中已得到广泛应用，骨计量学已成为骨代谢研究中的重要工具，且其在骨疾病发生机制的研究和治疗中都有着广泛的应用价值[1，2]。

而在植物中，多是运用数量分类方法，选择植物的一些比较稳定的外观特征，通过观察和测量采集关于这些性状的数量描述即原始数据，再通过对这些性状的数据进行多种统计分析方法，精确确定植物间的亲缘关系并进行分类，同时从原性状集合中找出最典型的性状子集合作为分类的主要依据，显然这个子集合中的性状也是进行植物识别的重要依据[3]。

近年来，数量分类方法已在植物分类中得
到广泛运用[4-8]，也正是利用形态计量学的思想。

对植物的识别一般都是基于植物的外部特征，而植物叶片较其他外部器官相比，有周期长、易获取等优点，故植物叶片是识别植物最直接、有效的方法。

1 基于叶片特征物种识别现阶段的应用
1.1 叶片特征的手工测量
早在2000年，胡仁勇等在对国产菱属植物数量分类学研究中，选取了一些关于植物叶片的性状，如叶片长度、叶片长宽比、叶缘锯齿数等，并用聚类分析将这些菱属植物分成几个类群，最后运用主成分分析从所有性状中得出区分物种的显著指标[8]。

而阮仕立对野生葡萄的各项外观形态都进行了研究，在葡萄成龄叶的研究中，基于葡萄成龄叶的31个国际标准和20个国内标准，选取了17种指标，并从中
确定出15个叶结构变量作为葡萄分类及鉴定的有效指标[9]。

这些对叶片的研究都较早，且均是手工测量，工作量大、工作效率低并数据客观性难以保证，特别是葡萄叶的性状研究，葡萄叶是掌状叶，叶主脉有分中主脉、上侧主脉、上侧主脉之分，阮仕立选取的一些关于叶脉的性状指标不能同时适用于所有的叶片。

且上述的性状指标中直接测量的数据作为指标较多，在不同物种识别中最好采用相对指标进行比较，此类研究较现在的叶片识别研究较早，而且研究的主要内容不是单对叶片的识别，故识别方法与现在的方法比较粗糙，但叶长、叶宽、叶缘锯齿数、脉间夹角、脉间距等性状指标的选取为以后的叶片识别提供了依据。

1.2 基于叶片特征的计算机辅助植物识别
由于手工测量的局限性，2003年祁亨年在基于叶子特征的计算机辅助植物识别模型和叶缘锯齿特征提取研究的基础上，提出了计算机辅助植物分类与识别的系统[3]，还提出如何提取叶片大小、叶形及叶缘特征的方法，改进了圆形度[10，11]参数的定义。

提出了计算机辅助植物识别（C A P I）的概念，并对其前景做了讨论和展望[12]。

根据叶片图像信息，傅弘等[13]提出了一种基于人工神经网络的叶脉提取方法。

朱静等[14]通过叶片图像的输入、变换、平滑和分割等识别过程，实现了叶片图像的形状和叶缘特征的结果输出，对14种植物337份叶片样本的叶形测试准确率达93.2%。

王晓峰等[15]利用其对得到的形状特征进行分类从而实现了对20多种植物叶片的快速识别，并且平均识别率达到了92%。

吴凤凰[16]模式识别在植物叶片自动化识别中的典型应用进行了总结，模式识别在植物叶片识别方面起到了重要作用，具有广阔的发展前景。

侯铜等[17]提出了一种基于植物叶片形状特征的方法对叶片进行识别，首先对叶片进行预处理，其中包括滤波和阈值分割，然后提取叶片的相对特征参数，得到了8个特征参数，通过这几个参数对几种叶片分类，达到了87.5%的平均识别率。

阚江明等[18]通过对3种植物的60个叶片图像进行实验，仅用植物叶片形状特征进行植物识别的平均正确识别率为70.83%，利用植物
叶片形状特征和纹理特征进行植物自动识别的平均正确识别率为83.3%。

郑小东等 [19]获得纵横比、位置度2个特征数据，根据特征数据结合植物分类学知识能够识别叶片的基本形状。

X i a o-F e n g Wa n g等[20]提取八个几何特征，包括矩形、圆度、偏心率等，对超过20类植物叶片进行了快速分类，平均正确识别率达92.2%。

国外对叶片识别的研究也很多，大多采用先进的技术测定叶片各项参数，选取有效的指标进行叶片识别，如K r i s h n a S i n g h等[21]运用S V M-B D TP N N和傅立叶矩技术对叶片形状分类，J yo t i s m i t a C h a k i等[22]采用基于特征的神经网络分类器形状的植物叶片识别，K u e-B u mL e e等[23]提出了基于叶片轮廓质心，可用于植物叶片识别系统的分类，十个特点是基于使用四种基本几何特征和五个静脉特征的数字化形态特征提取，为了验证该方法的有效性，1907片叶的图像进行了32种植物分类，在实验结果中，所提出的叶识别系统显示的平均识别率为95.44%，所提出的先进的叶片的识别方法的识别率优于现有所有的叶片的识别方法。

2 基于叶片特征数字化物种识别方法的分析
早期的叶片特征数字化均采用手工测量，但手工测量的精度过低，无法满足物种识别的要求，故均也引用的其他外部形态特征和叶片特征综合识别。

目前主要的识别系统均采用计算机数字图像处理技术，主要流程大致为：叶片图像获取→图像预处理→阈值分割→特征参数提取。

其操作步骤较专业，处理叶片需离体叶片，无法达到快捷、方便地识别叶片的要求。

通过对已有的指标选取分类，主要包括叶形、叶缘、叶脉三大部分的指标选取。

2.1 叶形指标分析
叶片的形状根据植物学知识主要是由叶长、叶宽的比例以及叶片最宽处的位置确定的。

叶长、叶宽的比例在很多基于叶片特征识别研究中都采用了这一特征，并做出
了初步的定义，叶片长指叶片基部到叶缘所有点的最长距离，叶片宽指垂直于叶片长的最长叶宽（叶长宽参照祁亨年的《基于叶片特征的计算机辅助植物识别模型》中“长度为从叶柄和叶面结合点出发与叶缘所有点间距离的最大值，宽度则定义为与长垂直方向上叶缘两点间距离的最大值”[3]）。

而叶片最宽处位置郑小东等[19]定义了“位置度（w z d）”来确定，w z d=2 h s/h-1，h指叶高，h s指叶片最宽处位置的上半部分，并做出范围解释：位置度取值在-1～1之间，当接近0时，叶形为圆形或椭圆形；当大于0时，为卵形或披针形；当小于0时，为倒卵形或
倒披针形。

但定义中的叶片高、叶片最宽处位置均采用图像分析，叶片高为图像像素中纵坐标的最大值和最小值的差值，而最宽处位置为叶片像素数目最多的位置。

如果可以准确的测量叶片的长度，以及叶片最宽处位置到叶基部的距离，则可以将叶最宽处的位置定义为主脉上叶最宽处到主脉基部的距离与叶主脉长的比值，分3种情况：①大于0小于1/2，叶片最宽处在叶片的下部；②等于1/2，叶片最宽处在叶片的中部；③大于1/2小于1，叶片最宽处在叶片的上部。

这样可以比较准确地得到叶片最宽处位置的数据，对以后数据处理和各个物种的识别分析均有所帮助。

植物形态学中对叶端、叶基的描述均是运用文字描述（如：叶端急尖，叶基心形等），如果有精确的仪器能够准确的测量叶端、叶基两侧的夹角，可以将叶端夹角、叶基夹角两项指标引入对叶形的描述，可以更好的识别植物种类。

2.2 叶缘指标分析
叶缘特征在叶片识别中的应用较早是祁亨年[3]提出的，但他只提出有无锯齿和锯
齿的数量两个和叶缘有关的特征，而后的研究中，对图像处理和图像分析技术的不断提高，又提出了圆形性、弯曲能量等一些叶缘凹凸程度的指标。

叶周长、叶面积，都是叶片图像的重要信息，叶片面积与叶片周长的比值，可用以表现叶缘的凹凸程度，比值越小，说明叶缘凹凸得越厉害。

而在一些研究中又提出“致密度”这一概念[24]，致密度是用来体现图像边界的复杂程度，度量图像接近
圆形的程度，其定义为图像周长的平方与面积的比值。

叶包膜是指叶缘相邻锯齿最高点的两两连线围成的图形，叶包膜的面积与叶片面积的比值，也表现出叶缘的凹凸程度，比值越大，说明叶缘凹凸得越厉害；当然，叶包膜的周长与叶周长的比值，同样可以作为衡量叶缘的凹凸程度，根据两点之间线段最短，叶包膜周长必小于叶周长，其比值越接近1，说明叶缘的凹凸程度越平缓。

在植物形态学中，对叶缘类型的描述也采用的是文字描述，如：全缘、波状、锯齿等。

根据这些对锯齿形状的描述，引出叶片锯齿高度、叶片锯齿宽度的定义，叶片锯齿宽度指叶缘两个相邻的最低点的距离，叶片锯齿高度指锯齿最高点到叶片锯齿宽度的距离。

结合这两个参数，笔者定义出“叶缘锯齿的面积与锯齿高度宽度的乘积的比”这个指标，表现出叶缘锯齿的形状，当比值大于1/2小于1，锯齿呈凸起的波浪状；比值等于1/2，锯齿呈规则的三角形状；比值小于1/2，锯齿呈骤尖状。

2.3 叶脉指标分析
计算机辅助植物识别均采用扫描叶片图像，对图像进行处理分析，然后提取特征参数，叶片图像中叶脉的信息较不清晰，故很少研究对叶脉的特征参数进行提取分析。

在阮仕立对野生葡萄的研究中，对叶脉特征选取了部分指标，并定义了“脉间夹角”、“脉间距”等[9]。

脉间夹角是指一级侧脉与主脉的夹角，脉间距可分为第
一脉间距、第二脉间距、第三脉间距等，分别指第一侧脉基部到第二侧脉基部的距离、第二侧脉基部到第三侧脉基部的距离、第三侧脉基部到第四侧脉基部的距离等。

但脉间距为绝对指标，脉间距可以随叶片的长大而变大，可以引出“相对脉间距”的定义，指脉间距与主脉的比值，采用相对指标，保证数据的说服力。

根据脉间距的定义，并结合植物形态学知识，笔者定义了“叶基到第一侧脉基部距离与叶主脉长的比值”这一指标，表现出叶主脉上分出第一侧脉的相对位置，比值为0的则
是基出脉，可以很好的将基出脉叶片和非基出脉叶片区分开来。

叶脉指标的选取，少不了脉序。

叶脉在叶片上呈现出各种有规律的脉纹的分布，称
为脉序。

脉序可分为：平行脉、网状脉和叉状脉。

平行脉的各叶脉平行排列，多见于单子叶植物；而网状脉具有明显的主脉，并像两侧发出许多侧脉，各侧脉之间，又一再分枝形成细脉，组成网状，是多数双子叶植物的脉序；叉状脉各脉作二叉分枝，为较原始的脉序。

叉状脉序在蕨类植物中较为普遍，如铁线草；在种子植物中较少见，只有裸子植物银杏、被子植物独叶草等少数植物中有之。

脉序是区分单子叶、双子叶植物的重要指标，也是识别种子植物银杏、独叶草等显著特征。

但旨在叶片特征数字化，可以将叶脉脉序转化成多元性状编码 [25]，在测量和收集叶片
信息时，可以三种脉序编码成“0，1，2”进行统计。

3 前景展望
通过叶片特征信息进行物种的自动识别，需要建立植物叶片特征信息数据库，包括各个物种的叶片信息，从植物叶片特征入手，测量叶片特征信息数据，选取有效的识别指标，进行分类，同时还需引入模式识别和数学统计方法到叶片自动识别系统中来。

随着现代科技的发展，现市场上已研制出一种叶片特征分析处理综合性的分析仪器—叶面分析仪，其精确度高于传统的分析仪，能够准确快速的测量叶片特征的各
项参数，如：叶片面积、叶片周长、叶长叶宽，叶片锯齿高度、宽度、数量，叶包膜形成的投影面积，还可以自定义叶片上的长度和角度的测量，并且对叶片无损伤，可进行活体测量。

若将该仪器利用于叶片特征参数的读取，可以大大提高测量的工作效率，对叶片特征识别技术的普及有很大的帮助。

植物保护一直是我国相关主管部门的长期而艰巨的任务。

然而因受经济利益趋势，每年涉及植物走私、盗采、盗伐的案件屡禁不止，如对红豆杉资源的破坏，对兰科植物的采挖，这种掠夺式的开采，严重的破坏了我国的植物资源。

在这种情况下，我们必须加强立法，加大处罚力度，制止这种强盗式行为。

植物物种鉴定是植物案件定性或量刑的关键，因此，如何快捷、准确的识别植物成为案件处理的核心内容。

从叶片特征信息数字化入手，应用计算机辅助测量和计算，着重研究叶片有效指标的确定，从而根据这些指标来识别植物物种，建立植物叶片特征信息数据库，这种基于叶片特征信息的物种识别技术必将是以后物种识别的发展趋势。

【相关文献】
[1]李建赤，黄必留，徐自强.骨组织形态计量学在临床骨病应用中的研究与进展[J].中国组织工程研究与临床康复，2011，15（35）：6607～6610.
[2]Weinsten R.Clinical use of bone biopsy.In: Marcus R, Feldman D, Nelson D, Rosen CJ (eds).Osteoporosis.3rd edition.Academic Press.2008,448～465.
[3]祁亨年，寿韬，金水虎.基于叶片特征的计算机辅助植物识别模型[J].浙江林学院学报，2003，
20（3）：281～284.
[4]张峰，张金屯.我国植被数量分类和排序研究进展[J].山西大学学报：自然科学版，2000，23（3）：278～282.
[5]张元明，曹同，潘伯荣.新疆博格达山地面生苔藓植被的数量分类与排序研究[J].植物生态学报，2002，26（1）：10～16.
[6]阎双喜，赵勇，赵天榜.中国黄杨属植物数量分类的研究[J].生物数学学报，2002，17（3）：380～383.
[7]任王君，陶玲.中国沙拐枣属植物的数值分类研究[J].西北植物学报，2002，22（5）：1073～1085.
[8]胡仁勇，丁炳扬，黄涛，等.国产菱属植物数量分类研究[J].浙江大学学报：农业与生命科学版，2001，27（4）：419～423.
[9]阮仕立.中国野生葡萄种质资源描述标准及其计算机管理的研究[D].西北农林科技大学硕士研究生学位论文.
[10]谷口庆治.数字图像处理[M].朱虹，瘳学成，乐静，译.北京：科学出版社，2002
[11]邬浩，潘云鹤，庄越挺，等.基于对象形状的图象查询技术[J].软件学报，1998，9（5）：434～349.
[12]祁亨年.植物外观特征自动获取及计算机辅助植物分类与识别[J].浙江林学院学报，2004，21（2）：222～227.
[13]傅弘，池哲儒，常杰.基于人工神经网络的叶脉信息提取—植物活体机器识别研究册[J].植物学，2004，21（4）：429～436.
[14]朱静，田学军，陈彬，等.植物叶形的计算机识别系统册[J].植物学通报，2005，22（5）：599～604.
[15]王晓峰，黄德双，杜吉祥，等.叶片图像特征提取与识别技术的研究[J].计算机工程与应用，2006（3）：190～193.
[16]吴凤凰.模式识别在植物叶片识别中的应用 [J].安徽农业科学，2007，35（1）：285～288.
[17]侯铜，姚立红，阚江明.基于叶片外形特征的植物识别研究[J].湖南农业科学，2009（4）：123～125，129.
[18]阚江明，王怡萱，杨晓微，冷萃.基于叶片图像的植物识别方法[J].科技导报，2010，28（23）：81～85.
[19]郑小东，王晓洁，高洁.面向植物分类的被子植物叶形特征自动提取.中国农学通报，2011，27（5）：149～153.
[20]Xiao-Feng Wang, Ji-Xiang Du, Guo-Jun Zhang.Recognition of Leaf Images Based on Shape Features Using a Hypersphere Classifier [J].Advancesin Intelligent Computing Lecture Notes in Computer Science Volume 3644, 2005, pp 87～96.
[21]Krishna Singh, Indra Gupta, Sangeeta Gupta.SVM-BDT PNN andFourier Moment Technique for Classification of Leaf Shape [J].InternationalJournal of Signal Processing, Image Processing and Pattern Recognitionrocessing and Pattern Recognition Vol.3, No.4, December, 2010
[22]Jyotismita Chaki, Ranjan Parekh.Plant Leaf Recognition using Shape based Features and Neural Network classifiers [J]. (IJACSA) International Journal of Advanced Computer Science and Applications, Vol.2, No.10,2011.
[23]Kue-Bum Lee, Kwang-Woo Chung, Kwang-Seok Hong.An Implementation of Leaf Recognition System Based on Leaf Contour and Centroid forPlant
Classification[J].Ubiquitous Information Technologies and ApplicationsLecture Notes in Electrical Engineering Volume 214, 2013, pp 109～116.
[24]牛珂.基于图像处理的植物叶子参数测量系统研究与实现 [D].西北农林科技大学.
[25]万静.48种悬钩子植物表型性状数量分类研究[D].四川农业大学硕士学位论文.。