摘 要：本文以基于移动终端的花卉识别技术为研究对象，以月季花识别为典型案例，探讨了基于移动终端的花卉识别技术流程和方法，论文首先分析了花卉植物特征提取的具体方法，包括颜色特征、形状特征、纹理特征，进而设计了一套花卉识别系统，在此基础上，以广州流花湖公园的20种月季花为实验对象，证明了系统识别的精度。本文是笔者在工作实践基础上的理论升华，相信对从事相关工作的同行能有所裨益。
关键词：移动终端 花卉识别 特征提取 实验
中图分类号：TP39 文献标识码：A 文章编号：1672-3791（2018）08（c）-0094-02
本文针对月季花的特性，提取月季花的底层视觉特征，利用HSV模型提取花朵颜色特征，利用CLCM和LBP融合算法提取花朵的纹理特征、锐度特征、轮廓特征、边界特征等来确定月季花的形状特征，共提取到月季花的22个特征；通过特征选择算法获取其中的18个强分类特征；采用RandomForest算法进行分类和识别。经验证，本文提出的基于移动端月季花快速识别方法平均识别率可达93.5%，用户可以快速便捷地利用手机移动端进行使用，具有不错的识别效果和便利性，能够对非专业人士识别和鉴赏月季花起到一定的帮助。
1 花卉植物特征提取
1.1 图像采集和预处理
本文利用华为P8手机的高清摄像头提取花朵的清晰照片，拍攝角度需要正对花朵，将花朵置于中心位置，并且保证花朵轮廓完整且清晰，便于之后获取花朵图像的有效信息，减少识别误差。获取原始图像之后，为了更好地提取花朵图像信息，需要进行预处理操作，将图像中的花朵图像和复杂背景分离开。首先要利用选择框框选花朵轮廓。点击右下角的按钮，系统生成一个大小可变的四边形选择框，将花朵轮廓尽可能地圈入四边形，然后使用显著性检测算法和GrabCut算法处理图像。步骤为：首先通过图像显著性检测，得到前景和背景区域并建立高斯混合模型GMM，利用K Means算法初始化GMM，将前景和背景聚为NF类和NB类；然后利用最大流最小割思想进行图像进行切分，循环迭代更新GMM参数，让能量函数趋于收敛，最终实现分割。
1.2 颜色特征提取
月季花花色丰富，不同的品种花色不同，总共可分为红色系、朱红色系、橙色系等9种，不同品种的月季花在颜色方面的存在差异，并且颜色具有形状和方向无关性，所以可以将颜色特征作为月季花识别分类的重要依据。相比于RGB颜色空间，HSV空间可以更直观地表达色彩的色调、鲜艳程度、亮度，有助于在不同的颜色之间对比。所以，首先将图像从RGB颜色空间转换到HSV颜色空间，其中，H为色调，取值范围为0°～360°；S为饱和度，表示颜色接近光谱色的程度，即颜色的深浅程度；V为明度，表示颜色明亮的程度。
1.3 形状特征提取
不同的月季花品种，花蕾形状、花朵形态都有所不同，通过分析这些形状特征有助于提高月季花分类的准确率，本文主要从月季花锐度特征、轮廓特征、边界特征这3个方面描述月季花的形状。
1.4 纹理特征提取
不同的月季花的纹理特征也有差异。本文采用融合的灰度共生矩阵和局部二进制模式的方法来描述纹理特征。
1.5 特征选择
本文利用从颜色、形状、纹理这3个方面提取到的月季花的22个特征对月季花进行识别研究，但是有些特征对于分类精度影响较小，并且还会影响计算速度。因此，在进行分类前，首先利用随机森林算法（RandomForest）进行特征选择。
2 系统总体设计
本文采用客户端/服务器（C/S）模型，基于移动端的月季花的快速识别方法如图1所示。移动端工作包括图像采集和预处理，具体操作是：在手机移动端通过摄像头拍摄获取月季花图像并进行预处理，即在触摸屏上利用手势操作将花朵轮廓框选，利用GrabCut算法对月季花图像进行分割，将花朵图像和周围复杂的背景分离开，然后将预处理后的花朵图像上传给服务器。服务器端工作主要包括：特征分析和提取、分类器分类、返回结果。服务器端接收移动端传输的图像后，利用本文所提出的特征提取算法从颜色、形状、纹理3个方面提取月季花视觉特征，并采用分类器进行分类。本文实验数据来源于在广州流花湖公园利用华为P8手机拍摄的20个月季花品种。
3 实验结果和分析
实验所用服务器的配置：酷睿I5处理器，频率3.1GHz，8GB内存。移动端设备配置：Kirin930处理器，频率2.2GHz，内存3GB，操作系统为Linux系统。
本文利用华为P8手机拍摄的20个月季花品种共计1000幅图像进行实验，每个品种包括50幅图片。实验采取五折交叉验证，训练模型阶段将每个品种等份为5份，依次选取其中的4份作为训练样本，剩下的一份为测试样本（袋外数据），分别得到5个数据集（每个训练集包括800幅训练样本和200幅测试样本）。
本文提出的从颜色、形状、纹理3个方面提取到的22个视觉特征对月季花的识别具有良好的识别率，利用特征选择算法提取的18个强分类特征在保证月季花良好的识别效果的同时，可以减少特征提取阶段的工作量以及分类器识别分类阶段的计算量，加快了计算速度。分类器选择方面，RandomForest算法在识别率、可靠性、计算速度等方面表现最佳，所以，本文采用RandomForest算法对提取到的18个特征进行分析。
从实验结果可以看出，这20种月季的平均识别率可达93.5%，识别效果良好。其中，金香玉和金风凰的识别率较差，通过分析可知，这两种花在颜色、形状特征较为相似，造成了较大的识别误差。此外，由于数据库中采集的花朵在拍摄角度、花朵轮廓完整性等方面存在差异，并且花朵在不同的时期形态也有所不同，在一定程度上干扰了识别效果，降低了识别率。
4 结语
本文利用图像处理技术和手机移动端相结合的方法，从颜色、形状、纹理3个方面得到了月季花的22个特征，提出了适合描述月季花视觉特征的方法。利用特征选择算法对特征变量进行重要性排序，通过实验发现其中的18个特征具有良好的分类效果。最终，将有效的特征减少为18个，并作为RandomForest算法的输入变量。实际操作中，移动端完成拍照之后，服务器够在4s内将结果返回到移动端的用户界面。实验表明：本文所提出的方法实现了对月季花进行快速的识别，具有较强的便利性和实用性。虽然某些品种的月季花分类效果不是特别理想，但是总体上来说，具有较好的分类效果。本文对基于移动端的月季花快速识别做了初步的分析，取得了一定的成果。
参考文献
[1]郑小东，王晓洁，李玲玲.面向植物生长智能监控的叶颜色特征提取[J].中国农学通报，2010（19）：401-407.
[2]邵新庆，冯全，邵世禄，等.基于叶片图像的植物鉴别技术研究进展（综述）[J].甘肃农业大学学报，2010（2）：156-160.
