一种基于安卓系统的植物叶片识别方法技术方案

本发明专利技术涉及一种基于安卓系统的植物叶片识别方法，该方法包括以下步骤：1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启动服务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植物叶片识别结果反馈给ARM设备端。4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。与现有技术相比，本发明专利技术具有适用范围广、识别精度高、速度快、操作简单、使用方便等优点。

【技术实现步骤摘要】

本专利技术涉及android软件开发、图像处理与模式识别在植物经典分类中的应用，尤其是涉及一种基于安卓系统的植物叶片识别方法。
技术介绍
植物是世界上物种数量最多且分布最广泛的生命形式，与人类以及环境的关系最为密切。由于人类生产活动造成了植物物种的灭绝，而植物在维持生物平衡、水土保持等方面又起着重要作用；同时，植物农业作为国民经济的命脉，是人们生活生产的基础部分，提高农业生产需要农业植物的精细数据，因此植物分类与识别具有非常重要的意义。植物的分类与识别一般选取植物的局部特征，如植物的叶、花、果、茎、纸条等特征。这些器官都有各自的分类价值，但是相比起植物其他的器官，植物叶片的存活时间较长，在一年的大部分时间内都可较为方便地采集到，所以常作为植物的识别特征和认识植物的主要参照器官；同时叶形是研究植物物种的形态变异和分化的一个非常好的指标，因此基于叶片的识别是识别一种植物最直接有效且最简单的方法。传统的叶片分类识别需要操作者有丰富的分类学知识和长期的实践经验，且工作效率低、工作量大、数据存在一定的主观性，而这些都会影响到识别的客观性与精确性。由于植物叶片基本处于一个平面状态，适合进行二维图像加工处理。随着计算机的应用，探索如何利用计算机快速准确地识别植物叶片，是解决这些问题的一个切实可行的新途径。因此研究基于图像分析的植物叶片识别技术，对于植物分类识别、植物资源的保护与利用、探索植物间的亲缘关系、阐明植物的进化规律、农业与园艺的实际应用等方面具有现实意义.在国外，1986年，ingrouille等人采用27种叶形特征，使用主成分分析方法对橡树进行分类。Guyer等人在1993年提取了17种叶片形状特征对40类植物进行分类。1996年，Yonekawa等人研究发现，简单的叶片形状因子对于植物叶片识别是有效的。国外学者运用判别式分析方法、匹配方法和机器学习方法进行植物叶片分类识别，取得了良好效果。2001年，Osikar使用叶片的几项区域几何特征和矩特征，采用BP前馈神经网络为分类器，对15种瑞典树木进行分类。但是上述的很多算法以及试验大都在PC机上完成的，且有些试验的运行速度不理想或者识别精度达不到令人满意的要求。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种适用范围广、识别精度高、速度快、操作简单、使用方便的基于安卓系统的植物叶片识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于安卓系统的植物叶片识别方法，该方法包括以下步骤：1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启动服务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植物叶片识别结果反馈给ARM设备端。4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。所述的步骤2)中的待识别图片包括本地图片和摄像机拍摄到的图片。所述的步骤2)中的预处理具体包括以下步骤：21)去噪：采用高斯滤波去除图像中的高斯噪声，并且采用中值滤波抑制图像中的椒盐噪声；22)图像分割：采用基于能量函数的分割方法中的grabcut算法对去噪后的待分割图形进行分割，通过对待分割的图像进行区域划分并标号，分别获取每个标号区域的gibbs能量，获得所有标号区域的总能量最小对应的分割图像即为最优；23)特征提取：对分割后的叶片图像采用全局特征中的形状特征和LBP纹理特征作为特征向量，形状特征包括8个几何特征和7个Hu矩特征。所述的步骤3)中的叶片识别具体包括以下步骤：31)从叶片数据库中选取每个物种多张叶片图像，并提取特征向量，采用SVM分类器进行训练；32)向SVM分类器导入待识别叶片的特征向量，根据SVM分类器的结果对叶片进行分类；33)服务器将对叶片分类后的物种ID回传给ARM设备端，ARM设备端根据叶片数据库匹配ID信息，检索出对应物种的相关信息，然后在ARM设备端界面显示给用户。所述的步骤23)中，8个几何特征包括纵横轴比、矩形度、面积凹凸比、周长凹凸比、球状性、圆形度、偏心率和形状参数，7个Hu矩特征为利用二阶和三阶中心矩构造出的不变矩。与现有技术相比，本专利技术具有以下优点：一、适用范围广：从捕获图片来说，本专利技术可以对复杂背景的叶片进行识别。二、识别精度高、速度快：从提取特征的算法上来说，本专利技术使用了Hu矩特征与LBP纹理特征的集成，Hu矩特征的优点是速度很快，缺点是识别率比较低，对于纹理比较丰富的图片，识别率只有10％左右，而LBP纹理特征专注于纹理特征的描述，弥补了Hu矩特征的不足，它在纹理分类中具有强区分能力，从而使本专利技术的识别方法达到很高的识别精度。三、本专利技术操作简单，使用方便，能够识别的植物种类多，简化了植物识别的步骤。附图说明图1为本专利技术的方法流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例：客户端负责捕获植物叶片，并做一些预处理，其中包括去噪，分割，提取特征，然后根据提取到的特征在客户端进行识别，其中识别方法包括：LBP识别方法和几何特征的超球识别方法。关于去噪：噪声根据其服从的分布对其进行分类，可以分为服从高斯分布的高斯噪声、服从泊松分布的泊松噪声(泊松噪声可以认为是椒盐噪声)。我们去噪一般指的就是图像平滑，我们提供了三种去除噪声的方法：线性滤波、中值滤波和高斯滤波。高斯滤波可以很有效的滤除高斯噪声，线性滤波和中值滤波相比，中值滤波能更有效地抑制椒盐噪声。图像分割有很多方法，我们选择grabcut算法进行分割，其中常用的阈值分割方法(包括固定阈值分割法，迭代阈值分割法，自适应阈值分割法，直方图双峰分割法)和分水岭分割方法(存在比较严重的过分割现象)在复杂背景下效果都显得很糟糕，于是我们考虑到了基于能量函数的分割方法，我们采用opencv函数库中的grabcut算法，该图像分割算法其实就是对图像的不同区域进行标号，不同的标号对应不同的gibbs能量，使总能量最小的标号就是最优的分割，这种方法在复杂背景下分割效果相当不错，分割之后，我们得到了比较干净的叶片前景，接下来就可以进行特征提取了。提取特征，得到比较好的特征向量是本专利技术非常看重的部分！在很多情况下，提取特征的好坏很大程度上决定了识别结果的精度高低。特征好坏本文档来自技高网...

【技术保护点】
一种基于安卓系统的植物叶片识别方法，其特征在于，该方法包括以下步骤：1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启动服务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植物叶片识别结果反馈给ARM设备端。4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。

【技术特征摘要】
1.一种基于安卓系统的植物叶片识别方法，其特征在于，该方法包括以下步骤：
1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；
2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；
3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启动服
务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植物叶
片识别结果反馈给ARM设备端。
4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。
2.根据权利要求1所述的一种基于安卓系统的植物叶片识别方法，其特征在于，所述的
步骤2)中的待识别图片包括本地图片和摄像机拍摄到的图片。
3.根据权利要求1所述的一种基于安卓系统的植物叶片识别方法，其特征在于，所述的
步骤2)中的预处理具体包括以下步骤：
21)去噪：采用高斯滤波去除图像中的高斯噪声，并且采用中值滤波抑制图像中的椒盐
噪声；
22)图像分割：采用基于能量函数的分割方法中的grabcut算法对去噪后的待分割图形
进行分割，通过对待分割的图像...

【专利技术属性】
技术研发人员：黄德双，许功胜，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31