首页分享一种基于机器学习的花朵种类识别方法与流程

一种基于机器学习的花朵种类识别方法与流程

来源：花匠小妙招时间：2024-11-12 18:09

本发明涉及图像处理领域，具体涉及一种基于机器学习的花朵种类的识别方法。

背景技术：

人类的身边存在着各种各样的植物，它们是构成地球生物圈的重要组成部分；植物从诞生进化发展到现在，经历了十分漫长的岁月。地球上有着数以亿计的植物，形成了现实的生态系统，它们在维持生态系统的平衡方面发挥着巨大的作用，同时植物也是人类文明发展和延续必不可少的重要因素。因为植物对于生态系统和人类具有着如此重要的意义，对于植物进行研究就显得相当重要。但是因为不同种类的植物在经济价值、生活习性、形态构造等各个方面都表现出不同的特性，为了能够更好、更有效地保护、利用各种植物，我们需要对植物进行识别和分类。

花是植物的重要组成部分之一，能充分的反应植物的特征，通过对花朵的识别可以很好的对植物进行分类。在传统的花朵识别方法中，专业人员依靠自身丰富的经验，根据花朵外部形态上的特征，去识别花的种类。但是非专业的人员很难掌握这些方法，这些方法也很难被应用于日常的生活中。地球上有着数以万计的植物，单纯的依靠人的经验和记忆是很难有效的对植物进行识别的。

传统的花朵识别方法依靠人工方式进行分类,难度大,效率低。如何使人们更方便、快捷、准确的实现对花朵的辨认成为一个技术难题。

技术实现要素：

针对现有技术的不足，本发明提出一种基于机器学习的花朵种类的识别的方法，具体技术方案如下：

一种基于机器学习的花朵种类的识别方法，其特征在于，该方法具体包括如下步骤：

s1：采集用于训练的包含花朵的图片；

s2：对所述的花朵图片进行灰度处理和阈值处理，得到对应的二值化图像；

s3：将该二值化图像中可能包含花朵的roi区域进行分割提取出来；

s4：然后根据四边定位法对roi区域进行花朵准确定位，所述的四边定位法具体过程为：

(1)先对roi区域进行建立二维直角坐标系，根据坐标系确定roi区域边缘点的坐标；

(2)对于roi区域的任意一边，随机选取10-20个边缘点，计算边缘点的方差值，然后忽略误差较大的1个或两个边缘点，利用线性回归对剩下的边缘点进行回归直线拟合；

(3)最后对四条边均进行线性回归直线拟合，即得到包含花朵的矩形区域，从而实现对花朵的定位。

s5：对于每个花朵样本，均提取定位图像的所有sift特征；

s6：对每个定位图像提取到的所有sift特征进行聚类，得到生成特征的k个关键词及其权重；

s7：重复s2-s6，得到所有训练的包含花朵的图片的k个关键词及其权重和样本类别；

s8：将s7得到的所有的k个关键词及其权重作为svm分类器的输入，样本的类别作为输出，训练一个多类svm分类器，得到一个包含所有花朵类别的种类信息的分类器，从而实现了花朵识别。

s9：将新采集的未分类的图片输入训练好的svm分类器中，即可得到对应的花朵种类信息。

进一步地，所述的s5的sift特征生成的具体过程为：

s5.1初始化k维计数器向量为0，每一维对应一个关键词的权重；

s5.2然后将每幅图像样本的每个sift特征与k个类中心进行距离比较，在对应最小距离的那一维权重加12；

s5.3得到k个关键词对。

进一步地，所述的s6中k-means聚类过程具体为：

s6.1：选取k个类中心，对提取的所有m个sift特征，每隔m/k个取一个类中心；

s6.2：计算每个sift特征与每个类中心的距离，并将每个sift特征归入距离最近的类中心；

s6.3：更新类中心；

s6.4：迭代直到达到指定的精度，获得k个类中心，即k个关键词sift特征。

进一步地，所述的s1中花朵图片的采集过程为：

首先选择相机拍照背景为单调深颜色，然后利用此背景对大自然的花朵进行拍照，采集花朵样本，得到的样本图片中背景都为深色。

进一步地，所述的s2中图像的灰度和阈值处理的具体过程为：

s2.1根据公式y＝0.3r+0.59g+0.11b，将采集的三通道彩色图片转换为单通道灰度图片，式中，b、g、r分别表示彩色图像的三通道颜色像素值。

s2.2根据公式设置固定灰度阈值t，将上述灰度图像中图像阈值大于t的区域分割提取出来，作为roi区域；其中，g(x,y)为所得的二值图像，f(x,y)为灰度图像，t为所设固定阈值。

进一步地，所述的s3中roi区域提取需要设定提取面积上、下限值，当提取面积不符合要求时，该图片不符合训练标准，则将其舍弃。

本发明的有益效果如下：

(1)本发明的花朵种类的识别的方法没有过多的图像预处理环节，通过灰度阈值处理找出了roi矩形区域和四边定位法确定了牡丹花的位置，使用非常方便，而且分类正确率较高；

(2)通过基于机器学习的svm方法来对花朵进行智能识别，使识别更快、更方便、识别率更高。

附图说明

图1是本发明的基于机器学习的花朵种类的识别方法的流程图；

图2为采用本发明的方法对花朵识别过程图，其中，图2a为灰度图，图2b为二值化的图，图2c为四边定位后的图。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的原理为：如图1所示，采集用于训练的包含花朵的图片放入样本库中，对每幅图像先进行图像预处理操作分割出roi区域，在roi的位置建立二维坐标系，然后对花朵进行四边定位，确定出花朵的矩形区域位置。对每个样本的roi区域提取出所有的sift特征，然后对每个样本的sift特征进行k-means聚类，得到该样本信息的k个关键词及其权重。随后，把所有样本的关键词和权重作为输入、花朵类型作为输出，来训练一个多类svm分类器，得到包含所有花朵的种类信息。

作为其中一种实施例，本发明的基于机器学习的花朵种类的识别方法的具体步骤如下：

s1：采集用于训练的若干类的包含花朵的图片，采集的训练图片中的花朵尽量覆盖尽可能多的种类的花朵，具体过程如下：

选择相机拍照背景为单调深颜色，然后利用此背景对大自然的花朵进行拍照，采集花朵样本，得到的样本图片中背景都为深色。

s2：对所述的花朵图片进行灰度处理(如图2a所示)和阈值处理，得到对应的二值化图像(如图2b所示)，作为其中一种实施方式，具体步骤如下：

s2.1根据公式y＝0.3r+0.59g+0.11b，将采集的花朵图片三通道彩色图片转换为单通道灰度图片，式中，b、g、r分别表示彩色图像的三通道颜色像素值。

s2.2再根据公式设置固定灰度阈值t，将上述灰度图像中图像阈值大于t的区域分割提取出来，作为roi区域，其中，g(x,y)为所得的二值图像，f(x,y)为灰度图像，t为所设固定阈值。

s3：将上述二值化图像中可能包含花朵的roi区域进行分割提取出来，具体如下：

根据固定阈值将图像二值化处理，提取图像中白色的部分，即为包含花朵的可能的区域。当采集的一张花朵图片中包含有多个花朵时，阈值处理后分割出来的白色部分面积比较大；当采集的一张花朵图片中包含花朵很小时以至于不能进行特征提取，或者采集的图像中不包含花朵时，阈值处理后分割出来的白色部分面积比较小，此时这些图片都不能作为有效训练数据，因此需要设定提取面积上、下限值，根据此来自动判断该图片是否符合训练标准。

s4：然后根据四边定位法对roi区域进行花朵准确定位，所述的四边定位法具体过程为：

(1)先对roi区域进行建立二维直角坐标系，根据坐标系确定roi区域边缘点的坐标；

(3)最后对四条边均进行线性回归直线拟合，即得到包含花朵的矩形区域，从而实现对花朵的定位(如图2c所示)。

s5：对于每个花朵样本，均提取定位图像的所有sift特征，所述的sift特征生成的过程为：

(1)初始化k维计数器向量为0，每一维对应一个关键词的权重；

(2)然后将每幅图像样本的每个sift特征与k个类中心进行距离比较，在对应最小距离的那一维权重加12；

(3)得到k个关键词对。

s6：对每个定位图像提取到的所有sift特征进行聚类，得到生成特征的k个关键词及其权重；

所述的k-means聚类过程为：

(1)选取k个类中心，对提取的所有m个sift特征，每隔m/k个取一个类中心；

(2)计算每个sift特征与每个类中心的距离，并将每个sift特征归入距离最近的类中心；

(3)更新类中心；

(4)迭代直到达到指定的精度，获得k个类中心，即k个关键词sift特征。

s7：重复s5，得到所有训练的包括花朵的图片的k个关键词及其权重和样本类别信息；

s8：将s6得到的所有的k个关键词及其权重作为svm分类器的输入，花朵的种类信息作为输出，训练一个多类svm分类器，得到一个包含所有花朵类别的种类信息的分类器，从而实现了花朵识别。

s9：将新采集的未分类的图片输入训练好的多类svm分类器中，即可得到对应的花朵种类信息。

本发明没有过多的图像预处理环节，通过灰度阈值处理找出了roi矩形区域和四边定位法找出了花朵的位置，使用非常方便，而且分类正确率较高；另外本发明克服了传统人工识别方法的不足，通过基于机器学习的svm方法来对花朵进行智能识别，使得识别结果很高，同时又省去了图像预处理中的很多环节，故方法简单高效。本发明的方法识别更快、更方便、识别率更高。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。