(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210507199.1 (22)申请日 2022.05.10 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号数学与信息学院6 38 (72)发明人 王美华　黄德　 (74)专利代理 机构 广州博联知识产权代理有限 公司 44663 专利代理师 王洪江 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01) G06T 7/136(2017.01)G06K 9/62(2022.01) (54)发明名称 一种KNN优化下基于多尺度三角形表征的植 物叶片识别方法 (57)摘要 本发明提供一种KNN优化下基于多尺度三角 形表征的植物叶片识别方法， 包括， 输入RGB三通 道的植物叶片图片， 对其进行预处理； 获得植物 叶片的三角形轮廓点角度特征TVA、 三角形叶子 形状面积特征TUA、 三角形纹理特征TGSSL、 三角 形边长积分特征TSLI； 对每一张植物叶片特征使 用上述特征的集合进行表示； 根据正则化后的特 征值进行比较。 本发明具有很高的准确性， 本发 明的方法都有最高的准确性， 当数据训练集和测 试集分割比为9:1时， 准确率为99.43％； 本发明 的方法具有更好的鲁棒性， 对比算法IDSC的精度 下降了50.5％， MARCH 下降了10.9％， 本发明的方 法只下降了 5.35％， 具有更强的抗干 扰能力。 权利要求书3页 说明书8页 附图2页 CN 114821329 A 2022.07.29 CN 114821329 A 1.一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于， 包括以下 步骤： S1)、 输入RGB三 通道的植物叶片图片， 对其进行 预处理， 提取植物叶片图片的轮廓点； S2)、 对于提取的植物叶片轮廓点进行标号， 并且进行分组， 基于多尺度的三角形特征 提取方法， 来获得植物叶片的三角形轮廓点角度特征TVA、 三角形叶子形状面积特征TUA、 三 角形纹理特征TGSSL、 三角形边长积分特 征TSLI； S3)、 每一张植物叶片特征使用上述特征的集合进行表示， 表示方法都与轮廓点的起始 位置有关， 对上述进行快速傅里叶变换， 获得长度为N的傅里叶系数序列， 根据上述特征 的 选择不变性， 因此， 起 点不同不会改变傅里叶系数； S4)、 根据正则化后的特征值进行比较， 每一张植物叶片图像可以使用集合(TUA， TVA， TGA， TGSD， TSLI)来对比找到叶子种类， 具体方法如下： 其中， dis( α, β )表示两个 数据之间的距 离度量， α, β 分别表示是数据集中的索引号， Γα、 Γβ分别表示(T UAα， TVAα， TGAα， TGSDα， TSLIα)、 (TUAβ， TVAβ， TGAβ， TGSDβ， TSLIβ)； S5)、 利用步骤S4)得到的输出,可以用于区分两 张植物叶片的特征差异程度， 并且根据 差异信息进行图像检索、 图像分类， 输入一张图像之后， 系统将返回图像库最佳匹配的5张 图像还有他们之间的距离与类别。 2.根据权利要求1所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于： 步骤S1)中， 叶子图像的预处 理具体如下： S101)、 将RGB图像转换成灰度图像， 通过以下公式获得 灰度矩阵表示： Gray＝Red*0.3+Green*0.59+Blue* 0.11； S102)、 利用pytho n中的cv2模块中的阈值分割函数进行阈值分割： 其中， f(x)为阈值分割函数， xi,yi分别表示图像 像素i的坐标， T为设置的阈值； S103)、 利用python中 的cv2模块中 的find Contours函数提取叶片的外轮廓 线， 然后按 逆时针均匀采样N个点， 轮廓坐标点 集表示为: P＝{(x1,y1),(x2,y2),…,(xN,yN)}； 其中， 第i个 轮廓点的坐标表示 为:pi(xi,yi)； xN,yN表示第N个 轮廓点的坐标。 3.根据权利要求1所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于： 步骤S2)中， 三角形叶子形状面积特 征TUA的提取如下： 其中， 表示以i为坐标的点， 以k 为三角形的另外 两点取点的度量，权　利　要　求　书 1/3 页 2 CN 114821329 A 2N为提取轮廓点后植物叶片轮廓的点的总数， k是正整数， 用于选择轮廓点的数量； x(k) 为轮廓点pi到pi+x(k)之间轮廓点的数量； ABS表示求绝对值， xi‑x(k)、 xi+x(k)、 yi‑x(k)、 yi+x(k)分别表示对应下 标的轮廓点 坐标。 4.根据权利要求3所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于： 步骤S2)中， 三角形轮廓点角度特 征TVA的提取如下： 其中， 表示以i为下标的点pi顶角角度， 分别表示顶点pi与pi‑x(k)构成的 边， pi与pi+x(k)构成的边， pi‑x(k)与pi+x(k)构成的边。 5.根据权利要求4所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于： 步骤S2)中， 三角形纹 理特征TGSSL的提取如下： 其中， Gt代表Gray＝Red*0.3+Green*0.59+Blue* 0.11； 表示 代表对每一个 进行累加求 和； 代表 划分三角形区域内的平均灰度值。 6.根据权利要求5所述的一种KNN优化下基于多尺度三角形表征的植物叶片识别方法， 其特征在于： 步骤S2)中， 三角形边长积分特 征TSLI的提取如下： 其中， 表示以i为下标的轮廓点pi与pi‑x(k)构成的边的长度， A VG表示求平均值； 权　利　要　求　书 2/3 页 3 CN 114821329 A 3