·574· 智能系统学报 第13卷 2基于VLEP算子的边缘特征提取 细分阈值V被确定后，每种类型的边缘或非 边缘可根据阈值V进一步分为B种类别。因此，每 利用不同半径、近邻点和方向角的局部边缘 一个纹理图像的特征向量的维数可以被描述为 算子VLEP?R可以提取图像边缘和非边缘信息。 PP 1=Bx(5+4XA) (6) 图像I中，不同位置(x,y)处，以及不同方向角的 边缘值G(x,y)可由式(I)得到： 式中：边缘VLEP算子是P/2类，非边缘VLEP算 Grk(x,y)=VLEPRI(x.y) (1) 子是P/4类；A是非边缘VLEP操作方式的数目。 式中：VLEP是半径为R、近邻点为P、方向角为 如果在每一个纹理图像中的同一类型的细分边缘 的边缘或非边缘VLEP算子。对于边缘VLEP算 或非边缘使用式(3)进行统计，可以获得如式(7) 子，0=2mi/P(i=0,1,·,P/2-1),对于非边缘VLEP算 更紧致的特征向量： 子，0=2πj/PU=0,1,·,P4-1)。1x,y)是原始图像。 HpR=(TR,…,TR,…TR,…T,…,TR,…,TR)(T) 符号“⑧”表示卷积运算。 4分类器 将图像位置(x,y)处所有方向角（含边缘信息 和非边缘信息)对应的边缘值的绝对值G进行 最近邻是一种简单有效的分类准则，通过最 比较。所有1G值中的最大值可由式(2)得出： 近邻分类器可以快速地计算两个直方图之间的相 EpR=max(GRI),p∈0 (2) 似性和差异性，例如最常用的欧氏距离、马氏距 式中：是所有方向角中的一个方向角。对应于 离。本文实验选用马氏距离作为衡量准则： 最大值E的模式种类就是图像中位置(，y)处最 D(瓦比)=V低-)s-(画-)'(8) 终的边缘或非边缘模式。 整个图像中每种边缘或非边缘模式各自出现 式中：正为训练样本集中第k类植物图像的特征 的频率T由式(3)统计描述： 向量，H为测试样本集中待识别图像的特征向 量，D为两特征向量之间的马氏距离。 2 =0=0 5实验结果与分析 (3) ∫1，边缘出现 目前，植物分类算法研究领域的一大问题是 式中：fx,)=0,其他 缺少一个公认的统一的数据平台。本文实验中所 (x,y)是M×N维图像I(x,y)的像素点。然后，可 使用的绿色植物图像来自北京工商大学计算成像 以得到一个特征直方图H,包括不同的边缘或非 实验室拍摄的数据库，为了使数据更好地模拟真 边缘模式出现的概率频次。 实世界的绿色植物环境，保证研究算法更具实用 HPR=(Tp,…,T,…,TR) (4) 性，该图像库构建过程中考虑了多种因素，包括 式中：代表VLEP的方向角，9∈1≤k≤m), 光照强度、叶片大小、拍摄背景、植株数量（多株 m是所有边缘模式的数目。 与单株)、拍摄角度、拍摄距离等，这些因素虽然 保证了数据更具实际意义，但同时也会增加物种 3边缘特征细分 识别的难度。图6展示了几幅数据库中的图例。 本实验选取数据库中80类植物图像，其中，每类 为了获得更紧致的特征向量，特征空间可以 植物6幅图像作为训练图像，9幅作为测试图像， 细分，每种类型的边缘和非边缘可以更详细地分 因此共有480幅训练图像，720幅测试图像。 类，每种类型的边缘和非边缘的细分阈值V使用 下面的方法计算： 首先，将所有训练图像的相同边缘类型或非 边缘类型（或VLEP算子）的E值按从最小到最 大的顺序排列。然后，使用式（⑤）确定阈值V: V=E(g×w+1(0w=1,2…,B-) (5) 式中：N代表所有训练图像中相同边缘或非边缘 (或VLEP算子)类型的数目；B是每种类型的VLEP 算子需要被进一步划分的类别数目，B需要提前 设置；E()表示队列中“第几个”E的值；w是从 图6绿色植物物种数据库图例（银杏树） 1到B-1的正整数。 Fig.6 Some examples of the green plants database(ginkgo)2 基于 VLEP 算子的边缘特征提取 VLEPθ P,R (x, y) θ G θ P,R (x, y) 利用不同半径、近邻点和方向角的局部边缘 算子 可以提取图像边缘和非边缘信息[14]。 图像 I 中，不同位置 处，以及不同方向角 的 边缘值 可由式 (1) 得到： G θ P,R (x, y) = VLEPθ P,R ⊗ I(x, y) (1) VLEPθ P,R θ θ = 2πi/P(i = 0,1,··· ,P/2−1) θ = 2π j/P(j = 0,1,··· ,P/4−1) I(x, y) ⊗ 式中： 是半径为 R、近邻点为 P、方向角为 的边缘或非边缘 VLEP 算子。对于边缘 VLEP 算 子， ，对于非边缘 VLEP 算 子， 。 是原始图像。 符号“ ”表示卷积运算。 (x, y) θ |G θ P,R | |G θ P,R | 将图像位置 处所有方向角 (含边缘信息 和非边缘信息) 对应的边缘值的绝对值 进行 比较。所有 值中的最大值可由式 (2) 得出： E φ P,R = max(|G θ P,R |), φ ∈ θ (2) φ θ E θ P,R (x, y) 式中： 是所有方向角 中的一个方向角。对应于 最大值 的模式种类就是图像中位置 处最 终的边缘或非边缘模式。 T φ P,R 整个图像中每种边缘或非边缘模式各自出现 的频率 由式 (3) 统计描述： T φ P,R = ∑M−1 x=0 ∑N−1 y=0 f(x, y) M ×N (3) f(x, y) = { 1, 边缘出现 0, 其他 式中： ， (x, y) M ×N I(x, y) HP,R 是 维图像 的像素点。然后，可 以得到一个特征直方图 ，包括不同的边缘或非 边缘模式出现的概率频次。 HP,R = (T φ1 P,R ,··· ,T φK P,R ,··· ,T φm P,R ) (4) φk φk ∈ θ(1 ⩽ k ⩽ m) m 式中： 代 表 VLEP 的方向角， ， 是所有边缘模式的数目。 3 边缘特征细分 Vth 为了获得更紧致的特征向量，特征空间可以 细分，每种类型的边缘和非边缘可以更详细地分 类，每种类型的边缘和非边缘的细分阈值 使用 下面的方法计算： E φ P,R Vth 首先，将所有训练图像的相同边缘类型或非 边缘类型 (或 VLEP 算子) 的 值按从最小到最 大的顺序排列。然后，使用式 (5) 确定阈值 ： Vth = E φ P,R ( N B ×w+1), (w = 1,2,··· ,B−1) (5) E φ P,R (·) E φ P,R w 式中：N 代表所有训练图像中相同边缘或非边缘 (或 VLEP 算子) 类型的数目；B 是每种类型的 VLEP 算子需要被进一步划分的类别数目，B 需要提前 设置； 表示队列中“第几个” 的值； 是从 1 到 B – 1 的正整数。 VthVth λ 细分阈值 被确定后，每种类型的边缘或非 边缘可根据阈值 进一步分为 B 种类别。因此，每 一个纹理图像的特征向量的维数 可以被描述为 λ = B×( P 2 + P 4 × A) (6) P/2 P/4 式中：边缘 VLEP 算子是 类，非边缘 VLEP 算 子是 类；A 是非边缘 VLEP 操作方式的数目。 如果在每一个纹理图像中的同一类型的细分边缘 或非边缘使用式 (3) 进行统计，可以获得如式 (7) 更紧致的特征向量： H ′ P,R = (T φ11 P,R ,···,T φ1B P,R ,···T φk1 P,R ,···,T φkB P,R ,···,T φm1 P,R ,···,T φmB P,R ) (7) 4 分类器 最近邻是一种简单有效的分类准则，通过最 近邻分类器可以快速地计算两个直方图之间的相 似性和差异性，例如最常用的欧氏距离、马氏距 离。本文实验选用马氏距离作为衡量准则： D ( H′ k , H ′ test) = √( H′ k − H′ test) S −1 ( H′ k − H′ test)T (8) H′ k k H′ test D 式中： 为训练样本集中第 类植物图像的特征 向量， 为测试样本集中待识别图像的特征向 量， 为两特征向量之间的马氏距离。 5 实验结果与分析 目前，植物分类算法研究领域的一大问题是 缺少一个公认的统一的数据平台。本文实验中所 使用的绿色植物图像来自北京工商大学计算成像 实验室拍摄的数据库，为了使数据更好地模拟真 实世界的绿色植物环境，保证研究算法更具实用 性，该图像库构建过程中考虑了多种因素，包括 光照强度、叶片大小、拍摄背景、植株数量 (多株 与单株)、拍摄角度、拍摄距离等，这些因素虽然 保证了数据更具实际意义，但同时也会增加物种 识别的难度。图 6 展示了几幅数据库中的图例。 本实验选取数据库中 80 类植物图像，其中，每类 植物 6 幅图像作为训练图像，9 幅作为测试图像， 因此共有 480 幅训练图像，720 幅测试图像。 图 6 绿色植物物种数据库图例 (银杏树) Fig. 6 Some examples of the green plants database (ginkgo) ·574· 智 能 系 统 学 报 第 13 卷