花卉识别的前沿技术

鹤壁高中 河南 鹤壁 458000

正文：

引言：

花卉，具有观赏价值的草本植物，是用来欣赏的植物的统称，喜阳且耐寒，具繁殖功能的短枝，有许多种类。花卉通常由花卉、花冠、花萼、花托、花蕊组成，有各种各样的颜色，有的长的很艳丽，有香味。而图像识别技术是人工智能一个重要领域，为识别各种不同模式和对象的技术。近年来，我国科技迅速发展，图像识别技术也日益成熟，本文以图像识别技术为基础，以花卉为识别对象对其进行快速识别并且分类，为人工智能技术提供经验。

一、识别系统概述

1.识别出花卉

前文中提到，花卉通常由花冠、花萼、花托、花蕊组成，且大多数为被子植物，通常生长在一个有限的短轴上，着其花冠与生殖器。通过使用图像分割技术将提取图像中的物体与背景分离，针对其纹理对其进行识别，判断是否为花卉。

2.对花卉种类识别

不同的花卉，其叶，枝花冠形状等都有明显的区别，可通过使用图像提取并在数据库里进行查找的方法来识别花卉。

二、特征提取

特征提取是花卉识别的重要环节，在辅以正确的算法对特征进一步分析。由于花卉种类较多，花冠颜色较为繁杂，所以花冠不具备较大参考价值。本论文以其叶茎、形状、纹理等方面进行分类。

1.形状特征提取

形状特征有利于分析花冠的瓣的层数，且光照，颜色对形状特征无太大影响，具较强鲁棒性。本论文主要采用最小外接矩形宽高比，凸包面积比，HU不变矩来描述牡丹形状特征

2.最小外接矩形宽高比

此算法针对花朵侧面图片，对于花卉来说可辨识花瓣层数。判断标准为花朵中间突出程度，此方法主要用于辨识侧面图片，而不适用于正面图片。

3.凸包面积比

凸包是正面图片中花朵的最小外接多边形，该特征用于花瓣层数，叶片厚度，叶片疏密程度。花瓣层数少者，相应花瓣间缝隙较大，层数多着相反。两类在凸包面积与花朵面积的比值上存在一定差异。此算法运用这种特征，用于定量描述花朵的形状特征，直观地呈现出不同花朵的不同差异。

4.HU不变矩

几何矩主要用于图像描述。不变矩是一种高度浓缩的图像特征，具平移、旋转与尺度不变形。一幅灰度图像可用于二维灰度密度函数表示。因此用矩来描述灰度图像特征，对其茎叶识别有很大帮助。

5.纹理特征提取

纹理是一种反应物体表面纹理脉络的视觉特征，它体现了物理表面具有缓慢变化的表面结构组织排列属性，可利用图像信息，兼顾其宏观性质，细微结构两个方面。

6.灰度共生矩阵

在图像任取一点以及偏离其的一点形成一个点对，并用函数表示初始的灰度值设为（i、j）令此点在整幅图上移动，得各种（i、j）值，则形成灰度联合概率矩阵（灰度共生矩阵）。根据不同的数值组合，可以得到不同情况下的联合概率矩阵。

三、分类器选择与模型计算

1.KNN算法

KNN算法是计算机算法中的一种监督、学习、识别算法。主要内容为给目标样本周围找个找个K“邻居”根据其邻居多少占比来赋予这个样本周围占比最大邻居的属性。

比较于其他图像识别算法、KNN算法的过程十分简单，而且是一种需要时刻重复“刷新”的计算方式。

KNN算法主要取决以下几个方式要素：

1.距离

KNN作为以邻居的占比来决定样本性质的算法，其距离自然就成了影响模型的重要因素之一。K值（距离）的选择直接影响其精确度与在图像识别上的正确率，若K值较小，则意味其复杂度与精确度会再上一层，同时届于拟合。但K值越大，模型越简单，K值过大，则结界将总是占比较高的样本。

根据图像识别的原理我们可知：图像识别的算法因为其识别对象的变幻与复杂性、需具备灵活多变性。

2.距离的度量

即测试样本与训练样本的临近程度，K的大小限制了其选择

3.分类权重

找好测试样本周围的训练样本范围后，我们就需要，根据训练样本决定测试样本属性，这时就需要制定好的决策规则，常用的有以下两种：①多数表决；②给予不同距离的测试样本不同的权值。C比如权值与距离成反比。

KNN的算法固然简便，但在实际应用正确率却并不高。并不是理想的图像识别算法。

2.线性分类器

机器学习的算法之一，大体内容为将具有相似特征的对象通过线性组合来做出分类决定。有两部分组成；评分与损失函数、对所处理数据问题进行优化，优化过程中通过更新评分函数的参数来最小损失函数值。在辨别图像如下应用：

图像是三维的，可拉伸为一个列向量，对其进行分类，即得出某值，占比最大。若训练数据中有3000张图像的数据，即可寻找不同图像（即所识别的图）权值比重，放入其分类器识别，占比高的一项即为这张图的属性。

总体来看，线性分类器实质上是一个学习模块，通过深度的数据学习来建立一个个模板，再将目标图片上的数据代入模块，进行配比。相较于KNN的设定区域进行对目标数据的定义，这种方法准确性较高，因为线性分类器并未用其所有数据进行一一比对，而是每次识别只用一张图（减少因数据太多太杂出错的概率）而且是使用内积计算，不是用L1.L2来觉得其权重。

3.卷积神经网络

以神经元为原理，即某一神经元可以影响其他神经元的高效识别方法，因为某方向性与独特结构而别应用，它可以有效的降低反馈神经网络复杂性与不稳定性，可以直接输入原始图像。卷积在此为内积，就是根据多个一定的权重（卷积核）对一个块的图像进行内积运算，重点位于由局部提取出的整体。一般来说，CNN的结构包括两部分，特征提取层、特征映射层。每层与其下一层紧密相连。并且逐层提取其特征，并对其数据进行记录，整理。二是特征映射层，每个计算层生多个特征映射层组成，每个特征提取层是一个平面，每个平面权值相同，因为特征提取性算法减小了结构的分辨率。

CNN的局部感知能力很强，多个反射层使其算法简便了许多。仅需在局部提取，最终在最高层进行整合即可。CNN相较于普通网络还有一个特点，横向读取，几个神经元横向对图片进行提取，相对于普通神经网络全部神经元都读取全部图片这一做法，卷积神经网络效率更高，读取更有规律性。图像处理步骤更加简便。

另外，池化也是其算法的特点之一，在部分特征提取时（假设划定某一区域提取）即选择该区域的最大值或平均值取代该区域，该算法使数据敏感度与算法复杂度降低。比较KNN算法过于死板，不注重变化，在图像识别中不推荐使用。线性分类器通过深度学习结果模型代入数据的方法虽好，但终究读取范围能力有限，需要人为进行大量调整，反复修改。相较之下，卷积神经网络运用局部特征提取的算法，减小了运算与数据处理的复杂度。两者在这一点上可以取长补短进行结合。两者在有光线影响遮挡的情况下，仍旧十分准确的识别出了目标图片中花卉的种类，识别用时几乎相同。相较之下，支付宝识花的准确率更大些（微软喜欢给出几个不同结果，虽然概率最大的那个是正确的）。

四、花卉识别的商用软件评估

通过使用支付宝与百度的实话技术后，我得出两者中的共同特点。

百度识花与支付宝识花都是运用类似线性分类器的算法运算——通过从海量图库中深度学习，建立起对界门纲目科种属的具体识知（即成立相对应的线性分类器）鉴于花卉植物的多样性采用单纯的KNN算法出错几率太大。花卉识别注重其递进性而不是整体性。而这时，卷积神经网络里的局部特征提取法就占了优势。我在运用支付宝识花软件与微信识花软件时的目标为巴粟，其判断结果都具有类似的纹路，外形且准确率也很高。此外，在辨识出花卉的同时亦能判断出其他物品所属种类，说明其算法具有灵活多变的特点。