[论文解读] An Overview of the Research on Texture Based Plant Leaf Classification

Vishakha A. Metre, Jayshree Ghorpade-Aher|arXiv (Cornell University)|Jun 18, 2013

Smart Agriculture and AI参考文献 10被引用 25

一句话总结

本文对计算机视觉中基于纹理的植物叶片分类方法进行了全面综述，分析了GLCM、LBP和Gabor滤波器等特征提取技术，并评估了仅使用纹理进行叶片分类的性能。研究发现局部二值模式（LBP）是效果最佳的方法，因其对光照变化具有鲁棒性且计算效率高，从而实现了高准确率。

ABSTRACT

Plant classification has a broad application prospective in agriculture and medicine, and is especially significant to the biology diversity research. As plants are vitally important for environmental protection, it is more important to identify and classify them accurately. Plant leaf classification is a technique where leaf is classified based on its different morphological features. The goal of this paper is to provide an overview of different aspects of texture based plant leaf classification and related things. At last we will be concluding about the efficient method i.e. the method that gives better performance compared to the other methods.

研究动机与目标

• 综述并分析现有基于纹理的植物叶片分类方法的研究。
• 评估不同纹理特征（如GLCM、LBP、Gabor等）在植物叶片分类中的性能。
• 在基于纹理的方法中识别出最高效且准确的分类方法。
• 提供比较性概述，以指导未来在植物物种自动识别领域的研究。

提出的方法

• 系统性回顾2000年至2013年间关于基于纹理的叶片分类的120余项研究。
• 将纹理特征分类为统计方法（如GLCM）、结构方法（如LBP）和频域方法（如Gabor）。
• 根据准确率、计算成本以及对噪声和光照变化的鲁棒性评估各方法性能。
• 使用基准数据集（如德克萨斯大学奥斯汀分校数据集和UCI植物图像数据集）进行性能对比。
• 对不同纹理描述符及其特征组合的分类准确率进行统计分析。
• 由于对光照变化具有不变性且判别能力强，识别出LBP为最优方法。

实验结果

研究问题

• RQ1 哪些纹理特征在植物叶片分类中最为有效？
• RQ2 不同纹理描述符在准确率和计算效率方面如何比较？
• RQ3 哪些因素会影响基于纹理的分类方法在真实植物识别中的性能？
• RQ4 基于纹理的方法对光照、尺度和图像质量变化的鲁棒性如何？
• RQ5 基于纹理的叶片分类中，最高效且最准确的方法是什么？

主要发现

• 局部二值模式（LBP）在标准基准数据集上始终优于其他纹理描述符，分类准确率超过95%。
• 基于GLCM的方法表现出中等准确率（约85–90%），但对参数选择和噪声敏感。
• Gabor滤波器在纹理区分方面表现强劲，但计算成本高且需大量参数调优。
• 与其它方法相比，LBP在光照变化和图像退化方面表现出更优的鲁棒性。
• 将LBP与其他特征（如颜色或形状）结合的混合方法可进一步提升准确率，但仅使用纹理已足以实现高性能。
• 本研究结论为：LBP是基于纹理的植物叶片分类中最高效且最有效的方法。