基于安卓的叶片自动分类app开发与设计
文献综述
一、前言
叶片具有自己独特的脉络纹理以及各自不同的形状，因此从叶片出发能更加快速而准确地分别出植物的种类，从而更全面地认识植物的习性或者是对生长环境的要求。这对植物的批量种植和管理有着相当重要的影响，所以基于植物叶片进行分类是可行且相当有必要的。在植物叶片识别领域，传统的叶片识别包括预处理，特征提取以及特征匹配的过程。由人工对叶片进行上述特征提取操作，由于叶片特征的多样性以及环境和背景的因素的影响，需要花费相当大的精力和人力，而且最终需要经验丰富的植物学家才能完成最终的鉴别工作，显然传统的叶片识别已无法满足当前的需求，其识别准确率也相对欠佳。随着近年来图像识别技术的进步以及Android系统的广泛运用，为新型的植物识别提供了平台；为植物叶片识别步入人们日常的正常生活中提供了可能。通过移动终端对叶片进行自动分类不仅能克服人工识别的不足，同时还能辅助人们认识植物，有助于计算机技术与植物学相结合，共同促进学科发展。
二.研究现状及主要观点
2.1国外研究现状
植物叶片识别从宏观上来看属于图像识别方向，属于图像处理这个领域里众多课题之一。图像识别的发展大致上经过了三个阶段：文字识别、数字图像处理、物体识别。进入20世纪八十年代，随之计算机和信息科学的发展，计算机视觉和人工智能研究已成为新的主要研究方向。国外关于植物叶片识别方面的研究可以上溯到1986年，Ingrouile等人提取了植物叶片图像的形状特征共27种，利用主成分分析（PCA）实现了对橡树的分类。1990年Lecun等首先提出了梯度反向传播算法训练卷积神经网络模型，在MNIST手写数字数据集上表现出相对其他方法更好的性能，开启了基于统计模型的机器学习浪潮。1993年，Guyer等提取了17个叶片的基本几何信息，包括形状、边界、质心等特征对植物进行分类。这一研究和我当下的研究有一定的相似之处。1996年东京大学Yonekawa等研究发现叶片简单的几何特征对于叶片的分类识别是有效的。2001年，Osikar利用BP神经网络，对提取到的15树木叶片的几何特征进行分类。2005年，Plotze等采用Minkovwski分形计算叶片特征，使用K-means聚类对西番莲进行分类。2006年，NETO等用椭圆傅里叶描述因子，对美洲茶、向日葵、茼麻、大豆四种植物叶片轮廓进行变换，再用主成分分析选取最优特征来分类，取得较优结果。2007年，Nam等将叶片形状和叶脉特征作为叶片的描述特征。
2.2国内研究现状
国内在植物叶片识别领域起步相对于国外更晚，但发展速度不可小觑。在前期研究工作中，方法和国外类似。2006年，中国科学院合肥智能机械研究所王晓峰等利用叶片轮廓计算矩形度、圆形度、偏心率等15个特征对20多种植物叶片进行分类，并提出了新的移动中心超球分类器，实现了快速识别，平均识别率达到了92%。按照叶片轮廓分类也是我当前研究的方向之一。2007年，吴清峰等在非纯色背景下首先进行目标叶片提取，通过叶片几何特征包括叶脉、形状、叶边缘锯齿等，获得了较高的分类准确率。2008年，杜吉祥等为了解决光照、位置和叶片尺寸等原因对特征提取的影响，使用了多尺度Gabor变换，并对各个子图滤波能量值求均值和方差，保证了特征在空间上的鲁棒性，并使用概率神经网络作为分类器，对50类植物叶片进行分类，达到84.4%的准确率。2015年，唐钦提出了一种基于灰度-方向共生矩阵的叶片纹理特征提取方法，使用K-means减少训练样本集，在保证准确率不下降的情况下，提高训练SVM分类器的速度，达到了89.45%的准确率。
