改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法

改进gabor与hog的自适应加权多特征融合的植物叶片识别方法
技术领域
1.本发明涉及一种基于改进gabor与hog的自适应加权多特征融合的植物叶片识别方法，属于机器视觉领域。


背景技术：

2.植物作为人类必需的一种独一无二的营养、医疗和工业原料，在生态环境保护、食品药品开发、日用品生产等方面发挥着不可替代的作用，因此，研究植物分类对于人类经济社会发展是非常必要的。随着计算机传感器技术、机器视觉及机器学习技术的飞速发展，使得通过图像捕获设备快速获取植物生理特征并综合利用图像处理和模式识别算法进行植物快速分类成为可能。
3.由于植物叶片非刚性特点所导致的叶片外形结构特征复杂多变，即使是同一种植物叶片图像，在生长阶段、生长位置、所处季节和受到光照等不同因素影响下，也会导致其分类特征的巨大差别，从而限制了现有叶片图像特征提取算法与技术的分类识别率。所以准确高效的图像特征提取方法和分类识别算法是解决植物叶片分类问题的关键所在。


技术实现要素：

4.为了克服现有技术的不足，本发明提出了基于改进gabor与hog的自适应加权多特征融合的植物叶片识别方法，对传统的gabor滤波器进行改进，使其在保持原来良好的方向特性和尺度特性的基础上对弯曲部分有更好的特征提取能力，弥补了对植物叶片信息描述的不足，从而达到植物叶片识别的准确性的目的。首先对图像进行预处理，然后对gabor算法中的gabor滤波器进行改进，再利用改进后的gabor算法和hog算法对预处理后的图像分别进行特征提取，得到gabor和hog特征向量，并将两个特征向量自适应加权融合后进行降维处理，再使用svm的组合核函数进行分类训练，输出识别结果。
5.为了解决上述技术问题，本发明采用的技术方案是：
6.本发明提出的基于改进gabor与hog的自适应加权多特征融合的植物叶片识别，所述方法基于改进的gabor特征提取算法，hog特征提取算法，改进gabor与hog的自适应加权多特征融合并进行降维处理，svm的分类训练，具体过程如下：
7.步骤1，对于采集到的植物叶片图像进行预处理，去除噪声；
8.步骤2，gabor特征算法对物体纹理信息有很好的描述能力，对gabor特征算法中的gabor滤波器进行改进，使其对弯曲部分有更好的特征提取能力。
9.步骤3，利用改进后的gabor算法和hog算法对预处理后的图像分别进行特征提取，得到gabor和hog特征向量，并将两个特征向量自适应加权融合；
10.步骤4，采用核主成分分析(kpca)对融合后的特征向量进行降维；
11.步骤5，对径向基核函数和多项式核函数进行线性组合，使用组合核函数作为svm的核函数，对降维后的特征向量进行分类训练。
12.有益效果：本发明提出的基于改进gabor与hog的自适应加权多特征融合的植物叶片识别方法，对传统的gabor滤波器进行改进，使其在保持原来良好的方向特性和尺度特性的基础上对弯曲部分有更好的特征提取能力。本发明可以广泛应用于机器视觉领域中复杂环境下的植物叶片识别，弥补了对植物叶片信息描述的不足，从而达到植物叶片识别的准确性的目的，有非常广阔的应用场景。
附图说明
13.图1为一个实施例中改进gabor与hog的自适应加权多特征融合的植物叶片识别方法的流程图；
14.图2为一个实施例中gabor特征提取的流程图；
15.图3为一个实施例中改进gabor与hog的自适应加权多特征融合与降维的流程图；
16.图4为一个实施例中植物叶片识别的流程图。
具体实施方式
17.为了更加详细的描述本发明提出的改进gabor与hog的自适应加权多特征融合的植物叶片识别方法，结合附图，举例说明如下：
18.在一个实施例中，如图1所示，提供了一种改进gabor与hog的自适应加权多特征融合的植物叶片识别方法，该方法包括以下步骤：
19.步骤1，对采集到的植物叶片图像进行预处理；
20.步骤2，利用改进gabor算法和hog算法对预处理后的图像分别进行特征提取，得到gabor特征向量和hog特征向量，并将两个特征向量自适应加权融合；
21.步骤3，采用核主成分分析kpca对步骤2融合后的特征向量进行降维；
22.步骤4，对径向基核函数和多项式核函数进行线性组合，使用组合后的核函数作为svm分类器的核函数，利用步骤3降维后的特征向量对svm分类器进行训练；
23.步骤5，利用步骤4训练好的svm分类器进行植物叶片识别。
24.在一个实施例中，如图2所示，提供了一种gabor特征提取方法，该方法主要包括以下步骤：
25.步骤s101，输入图像预处理；
26.输入的图像一般为rgb格式，细节信息更多但同时包含的噪声也多，增加了计算量。所以在进行图像特征提取之前，需要进行灰度化处理，降低计算复杂度。灰度图不包含彩色信息，只是表征图像的灰度信息。其中，图像中每个像素点的黑色和白色的深度用灰度值表示。使用不同的权值将r，g，b三个分量进行加权平均进行灰度化，公式为：
27.i(x，y)＝0.299r(x，y) 0.587g(x，y) 0.114b(x，y)
28.其中，i(x，y)为像素点在坐标(x，y)进行灰度变换之后的灰度值，取值范围在[0，255]，r(x，y)，g(x，y)，b(x，y)分别表示像素点(x，y)在r，g，b三通道的像素值。
[0029]
步骤s102，改进gabor滤波器；
[0030]
传统的gabor滤波器x
′
和y
′
都是一次项，对直线的表示能力很强，但对曲线的表示能力较差，导致在提取图像弯曲部分的特征时没有很好的效果；所以为了更好地提取植物叶片弯曲部分的特征，需要对gabor滤波器进行改进，首先将y
′
的立方耦合到x
′
上，然后使
用一个参数曲度系数l来控制曲线的弯曲程度，从而可以增强滤波器的非线性，使其在保持原来良好的方向特性和尺度特性的基础上对弯曲部分有更好的特征提取能力；改进后的gabor滤波器的x
′
和y
′
坐标为：
[0031]y′
＝y cosθ-x sinθ
[0032]
x
′
＝x cosθ y sinθ l(y cosθ-x sinθ)3[0033]
其中，x表示图像中某一像素点的横坐标，y表示图像中某一像素点的纵坐标，θ表示gabor核函数的方向(0，2π)，l的取值范围为(0，1)。
[0034]
步骤s103，构建gabor滤波器组；
[0035]
二维gabor滤波器复数形式的数学表达式为：
[0036][0037]
其中，θ表示gabor核函数的方向，θ∈(0，2π)；ψ表示谐调函数的相位位移，ψ∈(-π，π)，λ表示正弦函数的波长，表示空间纵横比，σ表示高斯滤波器的标准差。
[0038]
通过改变波长λ以及gabor核函数方向θ的值得到不同尺度和不同方向的滤波器，将能够提取出较好的表达出植物叶片纹理特征的gabor滤波器组合起来，即可构建一个能用于提取植物叶片纹理特征的滤波器组。
[0039]
步骤s104，计算图像的gabor特征向量；
[0040]
将灰度化处理的图像i(x，y)与构建的gabor滤波器组进行卷积操作并取模，得到gabor滤波器的输出，其输出为：
[0041][0042]
在一个实施例中，如图3所示，提供了一种hog特征提取方法，主要包括以下步骤：
[0043]
步骤s201，gamma校正；
[0044]
gamma校正是指在图像信号中，检测深色和浅色部分，增大图像的深色和浅色对比效果。一般图像纹理强度与局部光照有关，gamma校正法有助于减少光照对图像的影响。公式如下：
[0045][0046]
其中，gamma表示校正值，o(x，y)
in
表示校正前的像素值，o(x，y)
out
表示校正后的像素值。
[0047]
步骤s202，计算梯度幅值及方向；
[0048]
对于输入的图像，图像在像素点(x，y)的水平方向梯度g
x
(x，y)和垂直方向梯度gy(x，y)：
[0049]gx
(x，y)＝j(x 1，y)-j(x-1，y)
[0050]gy
(x，y)＝j(x，y 1)-j(x，y-1)
[0051]
其中，j(x，y)表示输入图像中像素点(x，y)处的像素值。
[0052]
图像在像素点(x，y)的梯度幅值和梯度方向分别表示为γ(x，y)和α(x，y)：
[0053]
γ(x，y)＝[g
x
(x，y)2 gy(x，y)2]
0.5
[0054]
α(x，y)＝tan-1
[gy(x，y)/g
x
(x，y)]
[0055]
步骤s202，构建单元格以及块方向梯度直方图；
[0056]
计算方向梯度直方图时，先将图像分割成多个尺寸为8
×
8的彼此相连的单元格，
再进一步将图像划分成块，2
×
2个单元格组成一个块，则得到尺寸为16
×
16的块。根据大小为8像素的步长，块在检测窗口上从左到右，从上到下滑动，直至遍历整幅图像。
[0057]
然后根据像素梯度方向和幅值，计算单元格和块的梯度信息。使用双线性差值确定每个像素点(x，y)的梯度方向和对应方向幅值，将每个单元格中各像素点的同一范围的方向梯度幅值相加，得到该梯度方向的统计分量，以此类推得到其他方向梯度的统计分量，进而统计单元格的梯度信息。然后通过串联组合的单元格的梯度信息，形成块区域的hog特征。
[0058]
步骤s203，生成特征向量hog；
[0059]
将图像的每个块的hog描述符串联在一起，得到图像的hog特征向量。
[0060]
在一个实施例中，提供了一种改进gabor与hog的自适应加权多特征融合与降维方法，具体如下：
[0061]
利用改进后gabor算法和hog算法对预处理后的图像分别进行特征提取，得到gabor和hog特征向量，采用自适应加权多特征融合法对这两个特征向量进行加权融合；在预处理后的图像中选取一个大小为h
×
w像素的涵盖所有植物叶片的矩形目标区域r
obj
，分别计算gabor特征向量的概率密度函数pg和hog特征向量的概率密度函数ph，公式如下：
[0062][0063][0064]
其中，βg表示gabor特征向量，βh表示hog特征向量，δ(z)为kronecker delta函数，a(z)-βg表示判断z像素点是否属于特征值βg，如果属于，则a(z)-βg＝0，该函数取值为1，否则该函数取值为0，a(z)-βh同理，n
obj
表示目标区域r
obj
的像素数；
[0065]
计算得到基于像素的对数似然比公式：
[0066][0067]
其中，m＝g或者h；
[0068]
此时不同特征向量βm对应的融合权值系数为ωm，ωm的计算公式如下：
[0069]
ωm＝lm(z)/lg(z) lh(z)
[0070]
其中，m＝g或者h，ωg ωh＝1，当提取植物叶片弯曲部分的特征时，ωg的值大于ωh，当提取植物叶片边缘部分的特征时，ωh的值大于ωg；
[0071]
则两者融合后的特征向量ν表示为：
[0072]
v＝ωgβg ωhβh[0073]
由于特征融合会使融合后的特征向量的维度变高，所以采用kpca进行降维。kpca在进行特征提取之前，通过一选定的正交降维矩阵将冗余相关的数据利用核函数映射到高维空间f，从而去除了冗余信息但保留了主要信息的新的低维近似特征空间代替原高维空间，从而实现数据的降维。
[0074]
在一个实施例中，如图4所示，提供了一种植物叶片识别方法，主要包括以下步骤：
[0075]
步骤s301，训练svm分类器；
[0076]
将线性组合多项式核函数和径向基核函数作为svm的核函数，根据学习到的加权多特征对组合核函数svm分类器进行训练。
[0077]
步骤s302，使用分类器判断植物叶片种类；
[0078]
将融合并降维后的gabor和hog特征向量送入已经训练好的svm分类器中判断植物叶片种类，输出识别结果。
[0079]
应当指出，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也在本技术权利要求的保护范围内。