植物识别是植物研究的基础性工作，利用植物叶片的特征对植物进行识别是一种十分有效直接的方法。本文首先对植物叶片图像进行预处理，并在预处理基础上提取植物的形状特征、颜色特征、纹理特征与Hu不变矩共22项特征数据。对特征数据进行标准化及特征选择后，采用支持向量机进行训练、测试。为进一步研究不同分类器对叶片的识别效果,将支持向量机与随机森林、K-近邻法、朴素贝叶斯、人工神经网络四种分类器的识别效果进行了分析比较，实验效果表明，在五种分类器中，支持向量机的叶片识别效果最好。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 2
1.3 研究目的与内容 3
2 关键技术 3
2.1 分类器相关概念 3
2.1.1 SVM相关概念 3
2.1.2 RF相关概念 4
2.1.3 KNN相关概念 5
2.1.4 NBA相关概念 6
2.1.5 ANN相关概念 6
2.2 特征选择 7
3 基于SVM的植物叶片识别 7
3.1 数据集 8
3.2 图像预处理 9
3.3 特征提取 10
3.3.1 形状特征 10
3.3.2 Hu不变矩 11
3.3.3 颜色特征 11
3.3.4 纹理特征 12
3.4 训练过程 12
4 实验结果与分析 13
4.1 不同特征对叶片识别效果的影响 13
4.1.1 叶片特征组合方式 13
4.1.2 不同特征组合下分类器识别结果分析 14
4.2 不同分类器对叶片识别效果的影响 15
5 总结与展望 16
致谢 17
参考文献 17
基于支持向量机的植物叶片识别技术
引言
1 绪论
 *景先生毕设|www.jxszl.com +Q: ^351916072* 
1.1 研究背景及意义
植物是生命的主要形态之一，大部分植物作为生态系统的生产者，通过光合作用将太阳能转化为化学能，释放氧气，调节环境中的碳氧平衡，为自然界动物的生存提供必不可少的能源，推动了自然界的发展和进化。一些植物可以直接入药或者提取有效入药成分，是人类治疗疑难杂症的重要方法之一。因此对植物进行识别分类是众多相关研究的关键一步，但是由于地球上的植物种类繁多，而人类的认知能力有限，因此很难做到准确、快速地识别植物种类[1]。
叶片是高等植物的重要器官之一，由于其具有普遍存在和易于观察的特性，常被植物学家作为识别植物的重要依据之一[2]。传统的识别和鉴定方法大多依赖人工完成。然而不同的植物，其叶片在种类、形状、纹理、颜色等方面都有着巨大的差异，并且这些特征也可能随着季节发生变化。在这种情况下，传统的叶片识别方法工作效率较低、工作量大、准确性难以保证[3]。
近年来，随着人工智能技术的发展，研究人员借助计算机对叶片特征进行学习，以此得到区分度信息，从而进行植物叶片识别。其中，结合机器学习不失为快速有效的方法[4]。
1.2 国内外研究现状
叶片识别一直是一个延续性的研究领域。近年来，随着人工智能技术的发展，人工智能技术与计算机视觉相结合的叶片识别方法的研究一直是一个热门话题。
将人工智能技术用于叶片识别，其核心思想是提取叶片特征，对特征进行学习。目前特征学习基本基于以下几类：基于形状的特征学习，基于颜色的特征学习，基于纹理的特征学习。
形状特征用于表示图像外部边缘。Belongie[6]等人在统计学的基础上，成功利用图像边缘点集表示出形状特征。该方法广泛用于人脸识别、叶片识别、车牌识别等领域。
颜色特征可以根据颜色空间模型提取。常见的颜色模型有RGB、CMY、HSV颜色模型。颜色信息并不受几何特征影响，是一种相对稳定的全局特征。目前描述对象颜色特征的方法有绘制直方图，对R、G、B求值比较等。
图像纹理描述的是图像更为细致的特征。在众多计算图像纹理特征的算法中，局部二值模式（LBP）、灰度矩阵分析算法等较为常用。
在以上特征提取成功的基础上，将特征作为输入变量，用于人工智能技术的训练、测试，可以获得效果较好的分类器模型。
2007年，Stephen GangWu[7]等人依据叶片的光滑因子、形状因子等特性，选择概率神经网络来预测32中植物物种。2012年，Sandeep Kumar.E[8]根据叶片图像的颜色、边缘、局部区域提取特征，利用直方图匹配识别印度药用植物物种。与此同时，基于SVM算法的植物叶片识别技术也有了较大的发展。2018年，Enes Yigit[9]等人将Folio叶片数据集作为研究对象，提取Folio数据集中叶片的颜色、形状、纹理等特征，采用SVM、ANN、RFA等分类器训练测试。优化模型后，对比几种分类器的识别效果，发现SVM分类器对植物叶片的分类效果最好。Adel Bakhshipour[10]利用SVM、ANN模型实现对田间杂草的智能识别，其中SVM模型有着更好的效果。在众多研究的基础上，国外团队将研究成果用于实践运用，相继开发出多款植物物种识别App，此类App功能齐全，但是数据库大多数只录入了本地的植物物种，不能实现普遍性的运用。
而我国的植物叶片识别领域的发展没有国外起步早，早期国内的叶片识别集中在浅层特征学习，但是近年来国内众多研究所在该领域投入巨大的精力，推动了这一领域的发展，其中基于SVM的植物叶片识别技术也发展迅速。魏蕾[11]采用SVM算法对木瓜、三角枫、女贞、和五角枫四种植物分类，取得了较好的结果。2013年，张昭[12]等人采用SVM算法对植物叶片进行分类，效果较好。2018年，马娜[13]等在前人的基础上提出了一种改进的SVM算法并将其用于植物叶片识别，提高了分辨率。合肥植物园与中科院合肥实验室合作，成功推出ICL数据库，但是该数据库与国外该类数据库相比，存储的物种种类较少，代表性不足。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/563911.html