基于自适应神经模糊推理系统的树叶特征的提取以及分类

李永亮，向长城，刘国勋

（湖北民族学院理学院，湖北　恩施　45000）

基于自适应神经模糊推理系统的树叶特征的提取以及分类

李永亮，向长城，刘国勋

（湖北民族学院理学院，湖北恩施45000）

通过植物的几何特征：长宽比，矩形度，面积凹凸比再根据傅里叶描述子和得到的傅里叶系数来提取树叶的一些形状特征：圆形度、细长度、密集度、凹凸度，再利用广泛应用于处理与分析具有复杂细节特征的分形维数来对植物特征进行提取，最后采用自适应神经模糊推理系统（Adaptive Network-based Fuzzy Inference System，ANFIS）基于sugeno模糊来对树叶进行分类，并对树叶的分类进行分析，结果显示：随着适应神经网络的训练次数的增加，识别的误差越来越低，最后达到了比较好的效果，能够准确的进行分类.

几何特征；傅里叶描述子；分形维数

植物保护的一个重要方面是将植物进行分类研究.随着数字图形处理技术的广泛应用，对所采集的植物树叶通过数字化扫描，通过数字图像处理方法对树叶进行特征提取.然后运用模式识别技术对所提取的树叶特征实现对植物的分类与识别［1-3］.

本文主要通过树叶的几何特征、傅里叶描述子和得到的傅里叶系数来提取树叶的一些形状特征：圆形度，细长度，密集度，凹凸度；再利用分形维数来对植物特征进行提取［4-9］，应用经模糊推理系统来对树叶进行分类［10-19］.

1　图像预处理

主要是采用数字图像处理技术对图像进行预处理.

1.1二值化

对图像的特征提取时，只需要灰度图像，因此将需要将RGB图像转化成灰度图像，然后用最大类间方差法（OTSU）来获取阈值分理出树叶的形状.最大类间方差法（OTSU）来获取阈值是一种自适应的阈值确定方法［6］.以银杏叶为例，如图1和图2所示.

图1　银杏叶图Fig.1 Ginkgo leaf

图2　二值化图像Fig.2 Binarization image

1.2滤波降噪

得到的二值图像，通常情况下都会有椒盐噪声（salt-and-pepper noise），如图3所示.在二值化后背景上仍有一些白点，因此需要对二值化的图像通过中值滤波进行滤波降噪.以欧洲榛（Corylus avellana）树叶为例，通过中值滤波对其进行降噪，如图4所示：背景和叶片上的白点和黑点噪声都被消除.

图3　二值化Fig.3 Binarization

图4　滤波后Fig.4 filtering

由于叶柄对树叶特征的提取没有作用，甚至有干扰的作用，因此需要对图4去叶柄，本文通过数学形态学（Mathematical Morphology）对叶柄进行分离［4］后得到如图5所示.

1.3边缘提取

首先对采集的图像通过中值滤波进行滤波，然后利用Canny算子算法中的梯度和方向进行边缘识别［14］.

然后对梯度进行“非极大抑制”得到不同的阈值，用二值化的方法得到边缘信息，并将边缘连接起来.其中提取图5的边缘坐标，如图6所示.

图5　去除叶柄后的图像Fig.5 removal of the petiole

图6　树叶的边缘坐标Fig.6 Edge coordinates of leaves

2　特征提取

2.1几何特征

2.1.1长宽比 利用霍特林变换获取树叶的最小外接矩形，进而得到树叶的长宽比：

其中：lb表示树叶最小外接矩形的长，wb表示树叶最小外接矩形的宽.

2.1.2矩形度 树叶矩形度的定义，就是叶片面积Ao与叶片最小包围盒面积Ab的比值：

2.1.3面积凹凸比 面积凹凸比就是指叶片面积Ao和叶片凸包面积Ac的比值：

叶片凸包面积和求叶片面积类似，只要先得到树叶的凸包，再将该区域填充，同样求出填充区域的面积，即可得到凸包面积.

图7　原树叶边缘Fig.7 Original leaf edge

图8　凸包边缘Fig.8 convex hull

2.2傅里叶描述子

傅里叶系数P0表示轮廓曲线C的形心位置.若将坐标原点移至形心，那么曲线的方程可改写成：

2.3分形维数

所谓分形是指其Hausdorff维数DH严格大于其拓扑维数Dr的集合，即：

称DH为F的分形维数.

在这用计盒维数来代替，它也被称为盒维数.近似计算盒维数DB为：

图9　分类器结构Fig.9 Classifier structure of ANFIS

3　分类

3.1图像分类

本文结合人工神经网络，模糊逻辑两者的优势，设计了合适的自适应神经模糊推理系统（adaptive networkbased fuzzy inference system，ANFIS），结构如图9所示.

ANFIS分类器结构分为6层，其主要结构为BP-ANN：

1）输入层

2）模糊化层

假设共有N个输入变量，每个输入变量都有3个评价指标，则每个指标需要定义一个模糊集，则此层内共有3N个结点.第i（i=1，2，…，N）组的3个结点输入都是xi，其输出分别是隶属度函数代表xi的j（j=1，2，…，N）个模糊集合.为了简化模糊化过程，采用参数化的三角形隶属函数.

3）规则层

每个结点代表一条模糊规则，作用是计算出每条规则的使用度，即：

4）去模糊层

计算出第i条规则的激励强度与所有规则激励强度之和的比值.该层的作用实现归一化计算，即：

其中：Oj代表本层第j个单元输出：wkj是前层到本层的权值，下标k代表前层第k个单元，下标j代表第j个单元.

6）判断层

这一层的单结点是一个标以C的固定结点，它计算所有传来信号之和作为总输出，即：

7）总输出

对于ANFIS网络，采用最小二乘算法计算线性部分，采用BP算法计算非线性部分.训练后的ANFIS结构模型如图10所示，得到了9个特征变量，最后得到所属的分类的类型.

3.2图像分类结果比较

本文用10类共计91片树叶样本图像对系统进行实际运行测试，样本树叶的形状图如图11所示.

图10　训练后的ANFIS模型结构图Fig.10 ANFIS model structure after training

图11　树叶的样本图Fig.11 Sample of the leaves

分类采用了Matlab自带的规则观察器（RuleViewer）工具箱.根据10类树叶的分类的特征变量，通过自适应神经模糊推理系统进行分类，分类结果如下图12所示，其中黄色的面积部分代表不同特征变量对应的相应类的相似程度，黄色部分越大，就说明该特征与这一类越接近.

本文中共选择了11个特征变量，但是每个变量对于识别一片树叶所占的比重是不同的，即识别不同的树叶不同的特征所表现的显著性时不同的，从图13可以看出特征的选择标准比重从大到小依次为：5，3，1，4，10，8，7，6，11，9，2，具体的比重信息如表1.

图12　分类GUI界面Fig.12 Classifier of GUI interface

图13　性能评价Fig.13 Performance evaluation

表1　特征变量的排列顺序以及比重Tab.1 order of feature variables

对分类的结果进行性能评价，通过图13可以发现，随着训练次数的增加，识别的误差越来越低，最后达到了比较好的效果，能够准确的进行分类.

在训练过程中，发现自适应神经模糊推理系统识别率比较高，达到了89.011%.给出一组树叶的特征值，都能够较准确的分得出结果.本文用10个样本来显示分类的效果，如表2和表3.

4　总结与展望

本文首先通过图像处理提取树叶的几何特征，利用识别系统ANFIS进行识别和分析.

表2　部分样本的分类结果Tab.2 Results of some samples

表3　部分样品的分类结果Tab.3 Results of some samples

本文所做的工作是一个探索性的工作，初步的实验结果证明了基于ANFIS的树叶分类与识别的可行性，但是在很多方面还有待完善和提高，今后还有许多工作有待进一步的开展.比如树叶的特征提取这一部分，本文提取的只是树叶边缘的部分特征，还有很多特征可以进行提取，像彩色图像的纹理特征等等；然后就是本文的分类识别系统，采用的是ANFIS，同样，分类有很多种方法，本文采用的不一定是最好的，所以还有待继续研究.

［1］贺鹏，黄林.植物叶片特征提取及识别［J］.农机化研究，2008（6）：168-170.［2］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］.浙江农林大学学报，2003，20（3）：281-284.

［3］江景涛，姜学东，李福荣.利用中值滤波去除图像噪声的研究及MATLAB实现［J］.莱阳农学院学报（自然科学版），2006，23（1）：63-65.

［4］王树文，闫成新，张天序，等.数学形态学在图像处理中的应用［J］.计算机工程与应用，2004，32（32）：89-92.

［5］杨琨，曾立波，王殿成.数学形态学腐蚀膨胀运算的快速算法［J］.计算机工程与应用，2006，41（34）：54-56.

［6］张斌，贺赛先.基于Canny算子的边缘提取改善方法［J］.红外技术，2006（3）：165-169.

［7］葛世荣，索双富.表面轮廓分形维数计算方法的研究［J］.摩擦学学报，1997（4）：354-362.

［8］申瑛，杨焕志，张振彬，等.基于活动轮廓与模糊型支持向量机的车辆分类算法［J］.吉首大学学报（自然科学版），2015，36（2）：55-59.

［9］张平，王山东，黄瑾娉，等.基于SFM和CMVS/PMVS的建筑物点云重构方法研究［J］.苏州科技学院学报（自然科学版），2015，32（3）：60-64.

［10］宫赤坤，华泽钊.应用自适应网络模糊推理系统的sugeno模糊模型辨识［J］.武汉理工大学学报（交通科学与工程版），2001，4（4）：444-446.

［11］贺强，晏立.基于LOG和Canny算子的边缘检测算法［J］.计算机工程，2011，37（3）：210-212.

［12］王忠芝，张金瑞.基于图像处理的叶面积测量方法［J］.网络新媒体技术，2010（5）：68-72.

［13］张钧，李小鹏，何正友.采用自适应神经模糊推理系统的配电网故障分类方法［J］.中国电机工程学报，2010，25（5）：87-93.

［14］林圣，何正友，陈双，等.基于ANFIS的特高压输电线路故障分类识别方法［J］.西南交通大学学报，2011，46（4）：611-619.

［15］刘锡铃，张世良，章立亮.一种改进的图像边缘检测算法［J］.延边大学学报（自然科学版），2013，39（3）：215-218.

［16］WONSEOK Song，TAEJEONG Kim，HEE Chan Kim，et al.A finger-vein verification system using mean curvature［J］.Pattern Recognition Letters，2011（32）：1541-1547.

［17］KUN Feng，ZHINONG Jiang，WEI He，et al.A recognition and novelty detection approach based on Curvelet transform，nonlinear PCA and SVM with application to indicator diagram diagnosis［J］.Expert Systems with Applications，2011（38）：12721-12729.

［18］ELIO Ramos，DENNY S，Fernández.Class ification of leaf epidermis microphotographs using texture features［J］.Ecological informatics，2009，4（3）：177-181.

［19］ZHUO lin Jiang，ZHE Lin，LARRY S.Davis.A unified tree-based framework for joint action localization，recognitionand segmentation［J］.Computer Vision and Image Understanding，2012，117：1345-1355.

责任编辑：时 凌

The Feature Extraction and Classification of Leaves Based ANFIS

LI Yongliang，XIONG Changcheng，LIU Guoxun
（School of Science，Hubei University for Nationalities，Enshi 445000，China）

Research on feature extraction and classification of the leaves is a hot field.The difficulty of this kind of problems is that according to the image information leaves extracts a set of features，and then make the corresponding classification methods.First，for feature extraction，this paper adopts the corresponding feature geometry，Fourier descriptors and the fractal dimension of the feature description leaves. Finally the leaves are classitied by adopting ANFIS based sugeno fuzziness.Classification recognition rate is higher and can be applied to accurate classification.

geometric characteristic；Fourier descriptor；fractal dimension

TP391

A

1008-8423（2015）04-0388-05DOI：10.13501/j.cnki.42-1569/n.2015.12.008

2015-11-27.

湖北省自然科学基金项目（2015 CFB264）.

李永亮（1968-），男，硕士，副教授，主要从事生物数学和数学建模的研究.