基于度量核和GHI核混合的植物叶片识别算法

张东明，李新华*，梅星宇，张东彦

(1.安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，安徽 合肥 230601；2.安徽大学 电子信息工程学院，安徽 合肥 230601)

植物叶片识别是植物保护的基础，而传统人工识别方法耗时耗力、主观性强、易出错，因此利用计算机视觉技术自动识别植物叶片就显得尤为重要.迄今为止，研究人员在这一领域做了很多工作.文献[1]构造多尺度距离矩阵(multiscale distance matrix，简称MDM)形状特征用于植物叶片识别.文献[2]提出了一种新的特征描述符，名为多尺度曲率直方图(histogram of curvature over scale，简称HoCS)，将其用于植物叶片识别.文献[3]在文献[2]的基础上，融合HoCS形状特征和局部二值模式(local binary pattern，简称LBP)纹理特征，利用K最近邻(k-nearest-neighbor，简称KNN)方法识别叶片.文献[4]提取叶片图像几何特征及Hu不变矩特征，利用支持向量机(support vector machine, 简称SVM)分类器进行叶片识别.文献[5]经翻转、缩放等操作增广叶片数据集后，利用迁移学习对植物叶片进行识别.文献[6]将经主分量分析(principal components analysis，简称PCA)降维后的LBP特征与形状特征结合，利用KNN识别植物叶片.文献[7]提出一种基于词袋(bag of words，简称BOW)模型和熵序列的叶片识别方法.文献[8]将叶片分为2或4个部分，提取各部分的颜色、纹理特征，利用极限学习机(extreme learning machines，简称ELM)对叶片进行识别.文献[9]首先利用小波分解出叶片高低频信息，然后分别对高低频信息提取LBP及局部向量化(local phase quantization，简称LPQ)特征，最后利用KNN识别叶片.

植物叶片识别首先是特征提取及降维，然后将最终特征送入分类器进行识别，因此获得高辨识度的图像特……