基于VC_的植物种类模式识别系统研究_王怡萱

读取预处理后 的叶片 二值图像
几何特征 质心 周长 面积 中心矩
形状特征参数 外接矩形 矩形度 圆形性 圆形度 方向角 偏心率
最佳匹配椭圆
纹理特征参数 二阶矩 对比度 相关 熵 逆差距
图 4 计算叶片图像特征参数的流程
将提取出的 特征参数 以 TXT 形式
存储
3.1 几何特征
图像的几何特征在图像分析中起着十分重要
2.1 几何变换
从扫描仪上得到的叶片图像，可通过几何变换 进行初步处理。系统可对图像进行平移、镜像（水平 和垂直）、缩放、旋转（包括顺时针旋转 90°，逆时针 旋转 90°，旋转 180°，任意角度旋转）等操作，将叶 片图像调整至合适的处理状态。
2.2 图像平滑
图像平滑的目的是为了消除噪声。图像的平滑 可以在空间域进行，也可以在频率域进行。在试验 中选择空间域常用的方法中的中值滤波，中值滤波 器是在 1971 年由 Jjkey J W 首先提出并应用在一 维信号处理技术中（时间序列分析），后来被二维图 像信号处理技术所引用。中值滤波是一种非线性的 信号处理方法，与其对应的中值滤波器也是一种非
a
b
c
d
e
f
g
图 2 试验中所用 7 种叶片的原始图像
（a：华东椴；b：加杨；c：紫荆；d：樟树；e：橡树；f：桂花；g：红叶小檗）
2 图像增强
图像增强是指根据特定的需要突出一幅图像 中的某些信息，同时削弱或去除某些不需要的信息 的处理方法。其主要目的是使处理后的图像对某种 特定的应用来说，比原始图像更适用。因此，这类处 理是为了某种应用的目的而去改善图像质量。处理 的结果使图像更适合人的观察或机器的识别系统。 植物种类模式识别系统最终对灰度图像进行了几 何变换、图像平滑、图像分割等一系列的优化处理， 使叶片图像的几何形状特征明显、纹理特征清晰。综 上所述，对植物叶片图像进行有效的图像增强是植 物叶片特征参数提取前必不可少的准备工作。
基于 VC++的植物种类模式识别系统是一个典 型的模式识别系统，由信息获取、图像增强、提取特 征参数、分类器设计四部分组成。信息获取是指将 所研究的对象用计算机可以运算的形式来表示。图 像增强过程中，可由信息获取装置或其他因素所造 成的信息退化现象进行滤波、去噪等操作以加强有 用信息，以便进一步进行人机分析。分类器设计过 程中，选用 3 层的 BP 神经网络进行学习训练，以达 到自动识别植物种类的目的。图 1 为该系统的工作 流程。
信息获取 图像增强 提取特征参数 分类器设计 图 1 系统的工作流程
1 信息获取
叶片样本的采集过程如下所述，在北京林业大
132
湖南农业科学
第 23 期
学附近选择 7 种不同科属的阔叶植物，每一种植物 分别在 5 株不同植株上各采集 4 片典型叶片图像， 也就是每一种植物有 20 幅叶片图像，一共有 140 幅图像。基于实际经验，建议选取秋季时节的植物 叶片，此时的叶片较成熟，纹理清晰，识别效果较 好。将前期采集好的植物叶片进行简单的整理与分 类，通过扫描的方式导入计算机，这时扫描仪设置 的模式为 8 位、256 色灰度图像。现已成功应用到 植物种类识别方法中的 7 种植物为：华东椴、加杨、 紫荆、樟树、橡树、桂花、红叶小檗，其叶片图像样本 如图 2 所示。
(School of Technology, Beijing Forest University, Beijing 10083, PRC)
Abstract: The MFC (Microsoft Foundation Classes) library of Microsoft Visual C ++ 6.0 was used to design a set
2.3 图像分割
为了从图像中找到需要识别的物体，还需要对 图像进行分割，也就是定位和分离出不同的待识别 物体。阈值处理是一种区域分割技术，将灰度根据 主观愿望分成两个或多个等间隔或不等间隔灰度 区间，它主要是利用图像中要提取的目标物体和背 景在灰度上的差异，选择一个合适的阈值，通过判 断图像中的每一个像素点的特征属性是否满足阈 值的要求标注来确定图像中该像素点属于目标区 还是应该属于背景区域，从而产生二值图像，它对 物体与背景有较强对比景物的分割特别有用。它计 算简单，而且总能用封闭而且连通的边界定义不交 叠的区域。 2.3.1 直方图阈值分割 由于物体和背景以及不 同物体之间的灰度级有明显的差别，因此，在图像 的灰度级直方图中会呈现明显的峰值。当图像灰度 直方图峰型分布明显时，常以谷底作为门限候选 值。所以只要适当地选择阈值，即可对图像进行分 割。阈值 T 可通过分析边缘检测输出的直方图来人 为确定，具备可调性。 2.3.2 自适应阈值分割 自适应阈值分割是指不 用人为设置阈值，系统会根据图像的特性自动确定 阈值，该方法操作简单，效果也较好。 2.3.3 二值化 图像的二值化，就是将图像上的像 素点的灰度值设置为 0 或 255，也就是将整个图像 呈现出明显的只有黑和白的视觉效果，这是最简单 的图像分割方法（图 3）。
系统。用户可以在设定好的人机操作界面上进行自行操作，导入预先采集好的叶片图像，进行图像增强及特征值计算，提取出几
何特征参数、形状特征参数及纹理特征参数一同作为模式识别的分类依据，并进行人工神经网络的建立，完成植物种类的模式识
别。结果表明，通过对 7 种植物 140 个叶片图像进行实验，基于 VC++的植物种类模式识别系统可以完成植物种类的自动分类，且
结果理想。
关键词：模式识别；特征参数；神经网络
中图分类号：TP391.4
文献标识码：A
文章编号：1006-060X（2011）23-0131-05
Pattern Recognition System for Plant Species Based on VC++
WANG Yi-xuan, KAN Jiang-ming, ZHANG Jun-mei, YANG Kai, KE Qiu-hong
收稿日期：2011-08-19 基金项目：国家自然科学基金项目（30901164） 作者简介：王怡萱（1988-），女，满族，辽宁凤城市人，硕士研 究生，研究方向为数字图像处理与计算机视觉。 通讯作者：阚江明
究一些自动技术，依靠这些技术，计算机自动地（或 者人进行少量干涉）把待识别的模式分到各自模式 类中。即模式识别技术就是根据模式的特性，将其 判定为某一模式类的技术。
a
b
c
d
e
图 3 图像增强处理的效果
（a：彩色原始图像；b：扫描后的灰度图像；c：3×3 中值滤波后的
图像；d：阈值分3 期
王怡萱等：基于 VC++的植物种类模式识别系统研究
133
3 提取特征参数
特征提取是指从图像中提取有用的数据或信 息，得到图像的“非图像”表示或描述，如数值、向量 和符号等的过程，提取出来的这些“非图像”的表示 或描述就是特征。有了这些数值或向量形式的特征 就可以通过训练过程教会计算机如何懂得这些特 征，从而使计算机具有识别图像的本领。
Key words: pattern recognition; characteristic parameter; neural network
Visual C++作为微软公司推出的一款功能强大 而复杂的编译器，提供了完善的 Windows 应用程序 编程框架，可用于开发各种类型、不同规模和复杂 程度的应用程序，开发效率高，生成的应用软件代 码性能优良。利用 Visual C++编程语言进行数字图 像处理，可以充分发挥 Visual C++编程灵活、功能 强大、代码效率高等特点，在快速进行各种数字图 像处理的基础上，有效实现基于数字图像的各种模 式识别应用。模式识别是 20 世纪 60 年代迅速发展 起来的一门前沿学科，在许多领域得到了广泛应 用。模式识别的目的就是利用计算机模仿人的识别 能力，它往往包含有推理过程，需要有专家系统、知 识工程等相关学科的支持。模式是指具有某种特定 性质的观察对象，特定性质是指可以用来区分观察 对象是否相同或相似而选择的特性。模式识别是研
图像特征的分类有多种标准。如根据特征自身 的特点可以将其分为两大类：描述物体外形的集 合。特征是通过测量或处理能够抽取的数据。对于 图像而言，每一幅图像都具有能够区别于其他图像 的自身特征，有些是可以直观感受到的自然特征， 如亮度、边缘、纹理和色彩等；有些则是需要通过变 换或处理才能得到的，如矩、直方图以及主成份等。 在植物种类模式识别系统中，分割出图像中需要识 别的物体，提取需要的特征，并对某些参数进行计 算、测量，根据测量的结果进行分类。由原图像可获 取的原始信息，其数据量一般相当大。为了有效地 实现分类识别，应对经过预处理的信息进行选择 或提炼，得到最能反映分类本质的特征，构成特征 向量，最终用于对图像的模式识别。图 4 为计算叶 片图像特征参数的流程。
湖南农业科学 2011，（23）：131~135
Hunan Agricultural Sciences
基于 VC++ 的植物种类模式识别系统研究
王怡萱，阚江明，张俊梅，杨 锴，珂秋红
（北京林业大学工学院，北京 100083）
摘 要：应用 Microsoft Visual C++6.0 的 MFC（Microsoft Foundation Classes）类库，设计了一套基于叶片图像的植物种类自动识别
automatic identification system for plant species based on leaf images. Users can do their own operation on a good manmachine interface, input the pre -collected leaf images. User can self -operate on the set man -machine operation interface. Firstly, the pre -collected leaf images were introduced to conduct image enhancement and eigenvalue calculation, and then the geometric parameters, shape parameters and texture parameters were extracted as classified basis for the pattern recognition. Finally, the artificial neural network was established to complete the pattern recognition for plant species. The results showed that through the test on 140 leaf images of seven species, this set of identification system can complete the automatic classification of plant species and the result is satisfactory.