开题报告.docx

开题报告.docx

《开题报告.docx》由会员分享，可在线阅读，更多相关《开题报告.docx（10页珍藏版）》请在冰豆网上搜索。

开题报告

开题报告

毕业设计题目：

植物叶片的形状特征提取及分类研究

浙江理工大学本科毕业设计（论文）开题报告

班级

10通信2班

姓名

刘宇飞

课题名称

植物叶片的形状特征提取及分类研究

目录：

一、选题意义与可行性分析

二、国内外研究现状

三、研究的基本内容与拟解决的主要问题

四、总体研究思路（方法与技术路线）

五、预期研究成果

六、研究工作计划

参考文献

成绩：

答辩

意见

答辩组长签名：

年月日

系

主

任

审

核

意

见

签名：

年月日

植物叶片的形状特征提取及分类研究

开题报告

一、选题意义与可行性分析

植物是地球上物种数量最多、分布最广泛的生命形式。

植物通过光合作用不断产生氧气，从而保持着大气中二氧化碳与氧气的平衡，植物也在不断地改善着人类的生活环境，它在水土保持、抑制荒漠和改善气候等方面起着至关重要的作用。

植物是人类生存与发展的重要遗传资源，是人类的重要食物来源。

可以说植物与人类的关系非常密切，人类的生活离不开植物。

现在，人类已经逐渐意识到保护植物的重要性。

除了保护环境，避免生态被进一步破坏之外，对植物资源进行调查、识别、分类也越来越受到人们的关注。

为了能更好地运用植物与识别植物，对植物的分类与识别成为了重要的研究领域。

相比较而言，植物的叶、花朵、果实和种子较为稳定，其图像比较适合于利用计算机来进行处理。

由于花朵、果实和种子都是三维形状的物体，因此识别起来比较复杂，同时受季节因素的影响在非成熟期里不容易收集到样本。

而叶片则基本上处于平面状态，适合进行二维图像处理，并且在一年大部分时间内都可以很方便地采集到，因此现阶段我们主要考虑使用叶片的图像来识别植物。

不同植物的叶片在颜色、叶形构造以及叶脉分布等外部特征上都不尽相同，可以利用植物叶片的特征来对植物进行分类。

为了辨识和分析植物叶片图像中的叶片目标，需要将叶片图像从整幅图像中分离提取出来，此过程就涉及到植物叶片图像的图像分割。

图像分割就是指根据形状、颜色、纹理等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。

本研究将使用Matlab从“轮廓”这个局部中找出特征来判断“形状”这个总体。

二、国内外研究现状

2.1国外研究现状

植物分类学的起源可以追溯到人类接触植物的原始社会。

1753年，瑞典植物学家林奈（Linnaeus）出版的重要著作《植物种志》[1]，根据雄蕊的有无、数目多少和着生情况对植物进行分类，所建立的分类系统，奠定了近代植物分类学的基础，是人为分类系统的典型。

2003年，Helly等[2]开发了植物叶斑自动检测系统，将叶斑的颜色、尺寸、形状特征用于黄瓜3种常见病的识别。

随后，又有很多研究者进行相关研究。

Pydipati等[3]在实验室光照环境下，采用HIS颜色模型，用色彩共生纹理分析法结合统计分类算法对柑橘正常叶片、油斑病叶片、黑斑病叶片、疮痂病识别，准确率超过95%。

T.Saitoh等人[4]在工作中使用花朵和叶片的图像来识别野生种类的植物。

ShearerS.A等人[5]在识别过程中参考使用了植物叶片纹理的特征，他们提取了11个纹理特征，在RGB空间上产生了33个彩色纹理特征，对7种人工培育的植物进行识别。

FranzE.等人[6]利用植物叶片边缘的曲率来对植物进行识别，对于全部可见和部分可见的叶片边缘用曲率来表示。

最近，HLing[7]使用内距离来见着性状特征并且提出了内距离性状Context，这个在几个形状库上都运行的很好，包括瑞士植物叶片数据库。

2.2国内研究现状

一些研究者针对叶特征自动提取方法和技术进行了相关研究。

祁亨年等[8]提出了基于叶片特征的计算机辅助植物识别模型，对叶片大小、形状、叶缘、锯齿等特征的提取进行了初步研究。

同年，毛罕平等[9]研究了番茄缺素叶片颜色特征和纹理特征提取和优化选择方法。

朱静等[10]设计了植物叶形的计算机识别系统，对叶片的一些基本形态特征，如长宽比、最宽处位置、叶基部凹陷程度、叶缘及叶裂等提取进行了研究。

测试结果虽然较好，但并没有实现对植物种类的识别。

赵玉霞等[11]根据玉米叶部病害特点，综合应用阀值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割和特征的提取。

刘立波等[12]研究了根据病斑区域的颜色特征和纹理特征识别水稻叶瘟病的方法，为进一步实现水稻病害自动诊断打下了基础。

马晓丹等[13]运用图像处理技术和神经网络技术，基于病斑RGB颜色特征实现了大豆叶片病斑区域的识别（准确率可达100%）。

王娜等[14]研究了根据病斑颜色、纹理、形状特征识别3种玉米叶部病害的方法，利用计算机视觉技术实现玉米叶部病害的自动识别诊断。

王晓峰等[15]研究了叶片特征提取及识别,首先对叶片图像进行预处理并且提出叶片的轮廓，然后利用轮廓计算得到叶片的矩形度、圆形度、偏心率等八项几何特征和七个图像不变矩，同时提出了一种新的移动中心超球分类器，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。

傅弘等[16]对植物叶脉的提取进行了研究，利用边缘梯度、领域统计等参数描述像素领域特征作为神经网络的输入层进行训练学习提取出植物叶片的叶脉。

三、研究的基本内容与拟解决的主要问题

3．1研究的基本内容

本研究的重点就是如何对植物叶片的特征提取并分类。

典型框架是：

对叶片的形状进行人工标注分类。

这种方法当图像数量不大时，不失为一种简单易行的方法。

然而，当叶片数据量非常庞大时，基于文本的图像检索存在着诸多困难，此时叶片形状的自动识别就派上用场了。

本研究以计算机图像处理技术为主要技术手段，综合运用图像处理等方面的知识对植物叶片进行分类。

本研究的主要内容有：

1．植物图像的预处理。

主要为二值化处理、采用简单边缘检测算子进行边缘检测等等。

2．叶片图像的形状特征提取。

特征提取是实现植物特征识别的一个重要环节。

一共选取了16种区域描述特征，分别是周长、面积、质心横坐标、质心纵坐标、宽度、长度、长宽比、偏心率、圆形度、Hu矩，其中Hu矩特征选了7维，Hu不变矩具有旋转、平移和尺度不变性。

3．叶片图像的分类，主要采用K-means算法和近邻法。

。

3．2拟解决的主要问题

本研究拟解决的主要问题有：

1.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。

同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。

因此，要根据图像的具体特点选择合适的分割方法。

2、分类的方法有很多种，如何选取分类识别率最高的方法的需要解决的问题。

四、总体研究思路（方法与技术路线）

图1总体流程图

4．1叶片图像采集

首先，有针对性地采集常见的3种植物叶片，且有意挑选那些斑点较少或者无斑点的优良叶片；同时，为了有效提高训练样本集的自相容能力和泛化能力，有代表性地采集每种植物的叶片大小和老嫩不等各40片，使其尽可能多地囊括该种植物叶片的全部特征；然后，通过扫描仪将120片叶片制成数字图像。

4．2预处理

图像预处理的目的是一定程度上减少图像中的噪音，增加图像的质量，加强有用的信息，并促进后期图像特征的归一化。

图像预处理的方法主要包括图像灰度化和图像增强。

叶片图像灰度化：

获取的叶片图像是RGB彩色图像，为了消除叶柄对分类结果的影响，人为地去除了植物叶柄。

叶片在不同季节颜色会有不同，同一张叶片因光照角度不同颜色也会存在很大的差别，所以对其进行灰度图转换，将彩色图像转换为灰度图像，消除颜色对分类的干扰。

图像增强：

图像增强主要是指按照一定要求，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像预读和识别效果的图像处理方法。

经过预处理后的图像所包含的可提取信息往往要比未经过预处理的图像要丰富的多。

4．3二值化

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。

一幅图像包括目标物体、背景还有噪声，要想从多值二值化的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：

大于T的像素群和小于T的像素群。

这是研究灰度变换的最特殊的方法，称为图像的二值化。

图像二值化是图像处理的基本技术，也是图像处理中一个非常活跃的分支，其应用领域非常广泛，特别是在图像信息压缩、边缘提取和形状分析等方面起着重要作用，成为其处理过程中的一个基本手段。

二值化的目的是将图像转换成黑白二值图像，从而能得到清晰的边缘轮廓线，更好地为边缘提取、图像分割、目标识别等后续处理服务。

4．4边缘检测

图像的边缘是指图像局部区域亮度变化显著的部分。

该区域的灰度剖面一般可以看做一个阶跃，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。

图像的边缘部分集中了图像的大部分信息，图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的，同时也是图像分割所依赖的重要特征。

边缘检测主要是图像的灰度变化的度量、检测和定位，自从1959年提出边缘检测以来，经过五十多年的发展，已有许多种不同的边缘检测方法。

边缘检测的基本思想是先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置阈值的方法提取边缘点集。

但是由于噪声和图像模糊，检测到的边界可能会有间断的情况发生。

4．5形状特征提取

植物叶片形状特征提取主要包括四个部分，第一部分是叶片图像采集，采用拍摄叶片的方法获取叶片图像，注意叶片的平整和完整。

第二部分是预处理，图像预处理将叶片原始图像灰度化，先通过二值化分离出背景和叶片，然后再检测叶片区域轮廓为叶片边界，该方法在多数情况下能检测到封闭曲线，但对于叶片颜色斑驳或阴影区域较大的叶片图像，边界检测的准确度不高。

这时可采用Roberts、Sobel、Prewitt之类的边缘检测算子。

第三部分是形状特征提取，叶片经过预处理后，得到了二值叶片图像和叶片轮廓图像，下一步就是对其进行相应的特征提取。

主要从叶片的形状这个方面提取特征，计算出相应的形状特征参数。

第四部分是分类识别，本研究主要采用近邻法进行分类识别，计算出距每个测试样本最近的训练对象，判断出叶片名称。

4．6分类识别

图像分类识别是利用提取出来的图像特征按照模式识别的方法进行模式判

定，把特征类似的图片归于一类的过程。

这个过程需要从训练样本的属性中发现

个体或对象的一般分类规则，并根据这些规则对非训练样本数据对象进行分类。

分类识别最常用的方法是距离法，通过提取出叶片的形状参数如纵横轴比、矩形度、偏心率等进行分析，并取其平均值，对叶片进行分类，最后对于相似度高的叶片进行网络学习分类。

五、预期研究成果

设计出植物叶片识别程序，借助图像处理技术，实现的功能为分析用户上传

的叶片特征。

具体实现步骤是在进行预处理后提取相关植物叶片特征，根据信息判断叶片特征并显示分类结果。

六、研究工作计划

2013.10.26~2013.11.03

1、学生选题，确定毕业论文题目

2、教师下发毕业设计任务书给学生

2013.11.04-2013.12.21

1、各系组织对学生进行文献综述写作、科技文献翻译、开题报告写作集中指导

2、学生完成文献综述、科技文献翻译、开题报告

2013.12.22

开题报告答辩，成绩评定

2013.12.23-2014.03.07

学习并编程实现植物叶片图像的预处理及基于形状特征的植物叶片识别

2014.03.10

毕业设计中期检查

2014.03.11-2014.04.17

完成实验部分，并撰写论文

2014.04.18-2014.04.25

学生上交毕业设计，教师评阅

2014.04.26-2014.04.30

评阅组教师评阅

2014.05.1-2014.05.10

修改并完善毕业设计

2014.05.11

毕业设计第一次答辩，一辩成绩不及格进入二辩

2014.05.12-2014.05.26

学生进一步修改完善毕业设计

2014.05.27

毕业设计第二次答辩，二辩成绩不及格者不能按时毕业

参考文献

[1]崔大方.植物分类学[M].第三版.北京.中国农业出版社,2006.105~110

[2]El-HellyM,RafeaAA.Anintegratedimageprocessingsystemforleafdiseasesdetectionanddiagnosis[A].1stIndianInternationalConferenceonArtificialIntelligence[C].Hyderabad,India:

IICAI,2003:

1182-1195

[3]PydipatiR,BurksTF.Statisticalandneuralnetworkclassifiersforcitrusdiseasedetectionusingmachinevision[J].AmericanSocietyofAgriculturalEngineers,2007,48（5）:

2007-2014

[4]TSaitoh.TKaneko.Automaticrecognitionofwildflowers[J].Proc.PatternRecognition,

2000,Vol.2:

507-510

[5]ShearerSA,HolmesRG.Plantidentificationusingcolor-occurrencematrices[J].TransactionoftheASAE,1990,33（6）:

2037-2044

[6]FranzE,GebhardtMR,UnklesbayKB.Shapedescriptionofcompletelyvisibleandpartiallyoccludedleavesforidentifyingplantsindigitalimages[J].TransactionoftheASAE,1991,

34

（2）:

673-681

[7]LingH,JacobsD.UsingtheInnerDistanceforClassificationofArticulatedShapes[J].In:

IEEEInternationalConferenceonComputerVisionandPatternRecognition,SanDiego,CA,USA,2005:

719-726

[8]祁亨年,寿韬,金水.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

[9]毛罕平,徐贵力,李萍萍.番茄缺素叶片的图像特征提取和优化选择研究[J].农业工程学报,2003,19

（2）:

133-136

[10]朱静,田兴军,陈彬等.植物叶形的计算机识别系统[J].植物学通报2005,22（5）:

599-604

[11]赵玉霞,王克如,白中英,等.基于图像识别的玉米叶部病害诊断研究[J].中国农业科学,2007,40（4）:

698-703

[12]刘立波,周国民.基于多层感知神经网络的水稻叶瘟病识别方法[J].农业工程学报,2009,25（S2）:

213-217

[13]马晓丹,祁广云.基于神经网络的大豆叶片病斑的识别与研究[J].黑龙江八一农垦大学学报,2006,18

（2）:

84-87

[14]王娜,王克如,谢瑞芝,等.基于Fisher判别分析的玉米叶部病害图像识别[J].中国农业科学,2009,42（11）:

3836-3842

[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,2006,03:

190-193

[16]傅弘,池哲儒,常杰等.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[J].植物学通报,2004,21（4）:

429-436