基于极坐标的树木叶片特征提取方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (10): 171-175.

基于极坐标的树木叶片特征提取方法

张海燕，罗锐，王建新

北京林业大学信息学院，北京 100083

出版日期:2014-05-15 发布日期:2014-05-14

Leaves feature extraction method based on polar coordinates

ZHANG Haiyan, LUO Rui, WANG Jianxin

School of Information, Beijing Forestry University, Beijing 100083, China

Online:2014-05-15 Published:2014-05-14

摘要/Abstract

摘要： 提出了一种在极坐标下进行特征提取的方法，并将其应用于树木叶片图像识别中。该方法首先将目标图像二值化并映射到极坐标下，提取具有旋转、缩放、平移不变性的曲线面积比率、跨度比、饱和度和高度变化率等特征。然后通过最小欧式距离对叶片进行计算、识别。该方法克服了直角坐标系下特征提取方法计算量大，花费的时间长的缺陷。基于该方法的叶片特征提取算法的时间复杂度为[O(n)]。对于叶型有区分，且需要快速进行树叶识别的树叶数据集有很好的效果。该方法在常见的13种树木叶片中进行测试，平均正确识别率达到90%以上。

关键词: 图像识别, 极坐标, 坐标变换

Abstract: The leaves feature extraction method based on polar coordinates is proposed in this paper. The proposed approach is mapping the binary image to polar coordinate and converting them into a curve firstly, then extracting some invariant from the curve. Finally, minimum Euclidian distance is used to train and recognize the leaves. The experiment proves that the approach has the smaller calculation and a good recognition effect. This method is suitable for the leaf shape which has distinction, and is used to identify the leaves needed in the short time. 13 species of leaves have been tested in this method, and the average correct recognition rate is greater than 90%.

Key words: image recognition, polar coordinates, coordinates transformation

张海燕，罗锐，王建新. 基于极坐标的树木叶片特征提取方法[J]. 计算机工程与应用, 2014, 50(10): 171-175.

ZHANG Haiyan, LUO Rui, WANG Jianxin. Leaves feature extraction method based on polar coordinates[J]. Computer Engineering and Applications, 2014, 50(10): 171-175.

[1]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[2]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[3]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[4]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[5]	黄英来，温馨，任洪娥，王佳琪. 深度迁移学习在古筝品质分级中的应用[J]. 计算机工程与应用, 2021, 57(10): 218-224.
[6]	刘虹，王烈. 结合余弦相关性的卷积网络识别汉字的方法[J]. 计算机工程与应用, 2020, 56(8): 130-135.
[7]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[8]	李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别[J]. 计算机工程与应用, 2020, 56(14): 191-198.
[9]	苗开超，周建平，陶鹏，刘承晓，姚叶青. 自适应混合卷积神经网络的雾图能见度识别[J]. 计算机工程与应用, 2020, 56(10): 205-212.
[10]	陈红倩1，杨倩玉1，李慧2，陈谊1. 基于极坐标布局的农残检出倾向性可视分析[J]. 计算机工程与应用, 2019, 55(9): 190-196.
[11]	袁嘉杰，张灵，陈云华. 基于注意力卷积模块的深度神经网络图像识别[J]. 计算机工程与应用, 2019, 55(8): 9-16.
[12]	张锡英，宋宇鹏，陈曦，边继龙. 融合STN和DenseNet的深度学习网络及其应用[J]. 计算机工程与应用, 2019, 55(17): 131-136.
[13]	郑远攀1，2，李广阳1，李晔1. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.
[14]	李丽娜1，郭永强1，2，张晓东1，卢媛1，徐攀峰1. 萤火虫算法结合人工势场法的机器人路径规划[J]. 计算机工程与应用, 2018, 54(20): 104-109.
[15]	袁明新1，2，张丽民1，2，朱友帅1，姜烽1，江亚峰2. 联合中间层的深度卷积神经网络模型[J]. 计算机工程与应用, 2018, 54(20): 139-144.