形状分析在植物种类鉴定方面的应用

背景介绍

叶片分类问题难点是叶片表面性质不同引起的光强改变，叶片部分包卷，缺损，虫蛀的情况。这类问题不适合使用图像数据进行识别和判断，更适合边缘的轮廓数据进行分析。边缘曲线对光强，叶片反光，叶片中心的虫蛀，缺损本身就不敏感。同时，识别叶片的方法主要在于叶片的整体形状以及边缘细节的光滑度。因此，这是证明形状分析方法有效性和应用性非常合适的应用背景。

相关文献

下列几篇文章使用了曲线去做相关的识别工作，并附上文章中我所感兴趣的内容：

1. Similarity Metric For Curved Shapes In Euclidean Space (CVPR) Demisse基于李群的度量方法，认为Srivastava的方法容易忽略曲线的细节信息的做法是不合适的。
2. A leaf recognition algorithm for plant classification using probabilistic neural network. 提供了Flavia数据库及相应处理代码。
3. Landmark-free statistical analysis of the shape of plant leaves (Journal of Theoretical Biology) 给出了使用曲线分类的评判标准： MAP 以及 Precision-Recall图。
4. A Shape-based Approach for Leaf Classification using Multiscale Triangular Representation 和
5. A riemannian elastic metric for shape-based plant leaf classification 提供了Precision-Recall的计算公式 后者更加详细。
6. Plant species identification using digital morphometrics- A review 文献综述 解释了叶片识别的细节特征
7. Shape classification using the inner-distance (07PAMI) 识别方面的实验很全面。提供了各种数据库

预处理步骤

主要针对Flavia数据库进行分析。Flavia数据库921M，32类共1907树叶数据，图片存为是800*600的JEPG格式。文献[2]给出了Flavia数据库数据初始化流程:
1. RGB转Gray. 论文使用的转换公式
gray=0.2989∗R+0.5870∗G+0.1140∗B
其实就是matlab里面的rgb2gray函数。
2. 论文中统计直方图得出判决阈值为242，可基本区分叶片（记0），背景记1。
3. 用3*3的均值滤波器去除噪声
4. 用[0 1 0; 1 -4 1; 0 1 0]增强边缘
5. 论文中用Laplacian算法，我觉得用边缘提取算法效果更好
6. 稍加修饰就获得轮廓数据。

基于srv-framework的分类：

首先，[1,3,5]对数据库中各曲线两两计算距离。
利用一种 one-leave-out test方法，取出某个样本后，用该样本到数据库内查询。

---

我目前不清楚的概念及名词:
one-leave-out test
MAP mean average precision
precision recall graph

明天缕清思路后再分析。
2017-1-13