[论文解读] Leaf Classification Using Shape, Color, and Texture Features

Abdul Kadir, Lukito Edi Nugroho+2 more|arXiv (Cornell University)|Nov 20, 2013

Smart Agriculture and AI参考文献 19被引用 211

一句话总结

本文提出了一种结合形状、颜色和纹理特征的叶分类方法，采用概率神经网络（PNN）以提高分类准确率。在Flavia数据集上评估，该方法实现了93.75%的平均分类准确率，通过有效利用多模态叶特征，优于先前的方法。

ABSTRACT

Several methods to identify plants have been proposed by several researchers. Commonly, the methods did not capture color information, because color was not recognized as an important aspect to the identification. In this research, shape and vein, color, and texture features were incorporated to classify a leaf. In this case, a neural network called Probabilistic Neural network (PNN) was used as a classifier. The experimental result shows that the method for classification gives average accuracy of 93.75% when it was tested on Flavia dataset, that contains 32 kinds of plant leaves. It means that the method gives better performance compared to the original work.

研究动机与目标

• 通过在叶分类中整合形状、颜色和纹理特征，提升植物物种识别的准确性。
• 评估结合多种视觉特征对提升分类性能的有效性。
• 证明颜色特征（常被忽视）对实现准确叶识别具有显著贡献。
• 在标准基准数据集（Flavia）上验证所提方法，以进行对比分析。

提出的方法

• 该方法基于叶轮廓和叶脉结构提取形状特征。
• 颜色特征源自叶图像中主导颜色的分布。
• 纹理特征通过局部二值模式（LBP）计算，以捕捉表面纹理模式。
• 采用概率神经网络（PNN）作为分类器，处理融合后的特征集。
• 在PNN分类前，对特征进行归一化，并组合成单一特征向量。
• 模型在包含32种植株物种的Flavia数据集上进行训练和测试。

实验结果

研究问题

• RQ1 形状、颜色和纹理特征的融合是否能提升叶分类准确率？
• RQ2 与忽略颜色信息的方法相比，颜色信息的引入对分类性能有何影响？
• RQ3 PNN分类器是否能有效处理多特征叶表示以实现物种区分？
• RQ4 在标准基准数据集上，结合形态学与光谱特征可达到何种准确率水平？

主要发现

• 所提方法在Flavia数据集上实现了93.75%的平均分类准确率。
• 与仅依赖形状或纹理的方法相比，引入颜色特征显著提升了分类性能。
• PNN分类器在多特征输入下表现出强大的泛化能力。
• 该方法优于Flavia数据集研究中原始报告的工作。