[论文解读] Architecture Based Classification of Leaf Images

Sadeghi Mahmoud, Ali Zakerolhosseini+1 more|arXiv (Cornell University)|Jan 7, 2018

Smart Agriculture and AI参考文献 10被引用 3

一句话总结

本文提出了一种基于架构的新型叶像分类方法，将植物学知识与计算特征提取相结合。通过五阶段预处理并应用数学技术提取架构特征（如叶脉模式和边缘类型），将定量测量映射到语义植物学术语，从而在 ImageCLEF 2012 数据集上实现优异性能，为植物学家和计算机视觉研究人员提供了一个全面的框架。

ABSTRACT

Plant classification and identification has so far been an important and difficult task. In this paper, an efficient and systematic approach for extracting the leaf architecture characters from captured digital images is proposed. The input image is first pre-processed in five steps to be prepared for feature extraction. In the second stage, methods for extracting different architectural features are studied using various mathematical and computational methods. Also, the classification rules for mapping the calculated values of each feature to semantic botanical terms in proposed. Compared with previous studies, the proposed method combines extracted features of an image with specific knowledge of leaf architecture in the domain of botany to provide a comprehensive framework for both computer engineers and botanist. Finally, Based on the proposed method, experiments on the classification of the ImagerCLEF 2012 dataset has been performed with promising results.

研究动机与目标

• 开发一种系统化方法，利用计算与数学方法从数字图像中提取叶的架构特征。
• 将定量特征测量映射到语义植物学术语，以增强对植物学家的可解释性。
• 创建一个统一框架，弥合计算机视觉与植物学科学在植物分类中的鸿沟。
• 在标准基准数据集（特别是 ImageCLEF 2012）上评估该方法，以证明其有效性。
• 通过整合特定领域的植物学知识与图像处理技术，提升叶像分类的准确性和可解释性。

提出的方法

• 该方法从五步预处理流水线开始，以提升图像质量并为特征提取做准备。
• 采用数学与计算技术提取如叶脉结构、边缘类型和形状特征等架构特征。
• 通过基于植物学知识的预定义分类规则，将每个提取的特征映射到语义植物学术语。
• 该框架将特定领域的植物学术语与定量图像分析相结合，以提升可解释性。
• 采用系统化分类流水线在 ImageCLEF 2012 数据集上评估该方法。
• 该系统结合图像处理与专家植物学知识，生成语义上有意义的分类结果。

实验结果

研究问题

• RQ1 如何利用计算与数学方法系统地提取叶像中的架构特征？
• RQ2 如何可靠地将叶特征的定量测量映射到语义植物学术语？
• RQ3 整合植物学知识在多大程度上能提升叶像分类的准确性和可解释性？
• RQ4 统一框架能否有效弥合计算机视觉与植物学科学在植物分类中的差距？
• RQ5 该基于架构的方法在标准叶像数据集上可实现何种性能？

主要发现

• 所提出的方法在 ImageCLEF 2012 数据集上取得了有前景的分类结果，证明了其在实际应用中的有效性。
• 将植物学知识与图像处理相结合，可实现更具可解释性与生物学意义的分类。
• 五步预处理流水线显著提升了图像质量与特征可检测性。
• 将定量特征映射到语义植物学术语，增强了框架对植物学家的可用性。
• 该方法提供了一个全面且系统化的方法，支持自动化分类与专家验证。
• 结果表明，将特定领域知识与计算技术结合，可构建更稳健、更准确的分类系统。