【叶片识别】 LBP植物叶片识别【含Matlab源码 1702期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、LBP简介（附lunwen）

第一章 引言
植物在我们的身边随处可见，它们从产生发展进化到现在，其间经历了漫长的岁月。地球上的植物种类繁多、数量浩瀚，它们是生物圈的重要组成部分，在维持整个生物界的平衡方面发挥着巨大的作用；它们同时也是构成人类生存环境的重要组成部分，是人类社会延续和发展不可或缺的重要因素。由于植物对于地球和人类都具有如此重要的意义，对它们的研究就显得尤为重要，但不同种类的植物在形态构造、生活习性、经济价值等各方面都表现出不同的特性，为了能更好、更有效地研究和利用各种植物，人们对植物进行了识别和分类，从而产生了植物分类学。在计算机科学与技术广泛渗透于的大环境中，如何将计算机的各种相关技术应用于该领域也就成为研究工作中一项非常重要的内容。

1.1 课题的提出与研究意义
自然界的植物是世界上物种数量最多并且分布最广泛的的生命形式，与人类以及环境的关系最为密切。而即使是最专业的科学家也不可能记住所有植物的种类。所以由于人类生产活动造成了植物物种的灭绝的实例也数不胜数。而植物在维持生物平衡、水土保持等方面又起着重要的作用；同时，植物农业作为国民经济命脉，是人们生产生活的基础部分，提高农业生产需要植物的精细数据，因此植物分类和识别具有非常重要的意义。一方面，人们能够通过植物识别系统毫不费力的查询到植物的种类以及其他相关信息，能够更好的保护濒危物种，帮助维持生态平衡，另一方面，通过植物叶片图像也可以鉴别出植物是否受到病虫害。因此我们希望建立植物叶片识别系统来对农作物以及各种稀有植物进行识别。采用模式识别和图像处理的方法，用计算机软件来对农作物病虫害以及各种植物进行分析、鉴别，从而实现稀有物种的快速鉴别或者农作物病虫害的自动诊断。因此，开发一种快速、准确的识别植物叶片的方法极具现实意义。

1.2 国内外相关研究情况
植物的分类与识别一般选取植物的局部特征[1]，例如植物的叶、花、根等特征。这些器官都有各自的分类价值，但是比起植物的其他器官，植物叶片的存活时间较长，在一年的大部分时间里都可较为方便的采集到，所以作为植物的识别特征和认知植物的主要参照器官。因此基于叶片的识别是识别一种植物最直接有效的切最简单的方法。
Ojala[2]等人于2002年提出的局部二进制模式(LBP)[3]，LBP算子定义为在33的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。33领域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息．该方法分析纹理的吸引人的地方在于其计算复杂度小，具有多尺度特性和旋转不变特性，在纹理检索领域[4]得到应用。局部二值模式（LBP）是由Ojala等人于2002年提出，它被用于特征提取，而且，提取的特征是图像的纹理特征，并且，是局部的纹理特征。
局部二值模式（LBP）提取的特征跟位置信息是紧密相关的。直接对两幅图片提取这种特征，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成。
原始的LBP提出后，研究人员不断对其提出了各种改进和优化，从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；LBP均匀模式；LBP旋转不变模式；LBP等价模式[5] 。

1.3 论文的主要研究工作
本文的研究工作主要包括以下几个方面：综述了模式识别相关技术的研究现状，研究了 LBP 方法以及 LBP 算子的相关理论、研究及应用，设计并实现了基于 LBP的植物叶片识别系统，并用叶片样本对系统进行了测试验证。
本文深入研究了 LBP 方法的相关理论。LBP 方法将图像纹理的两种不同分类方法（即基于统计特征判别的分类方法和基于结构特征判别的分类方法）有效地结合了起来，在一定程度上解决了对图像纹理构成的单一分类所带来的问题。LBP 算子是提取图像 LBP 特征的具体工具，本文详细介绍了 LBP 算子的基本方法。
本文规划了系统的体系结构，设计了系统的工作流程，将整个系统所实现的功能分成了样本采集和预处理模块、LBP 特征提取模块和数据库模块等三个个功能模块，然后对系统流程的各主要环节的设计与实现进行了详细的介绍。
实际采集了3种不同植物的叶片图像样本，样本总数将近40例。用这些样本对系统进行了测试，得到了测试结果。
本文主要的工作在于应用 LBP 方法进行植物叶片样本纹理分析，进而设计与实现了基于 LBP 的植物叶片分类识别系统。虽然 LBP 方法的应用领域涉及面很广，但是目前在植物叶片分类识别领域几乎还没有相关的研究和应用，有很多具体的理论研究与实践应用方面的工作还有待于进一步的深化。本文所设计与实现的基于 LBP 的植物叶片识别系统属于该领域内的创新工作。

1.4 论文结构
本文结构如下：
第一章 绪论
阐述课题背景，分析特征提取及LBP方法的国内外研究现状，明确课题研究的意义及目标，介绍论文的主要工作；并对论文结构安排做了说明。

第二章 LBP方法的理论研究
对LBP特征提取的相关概念进行介绍，重点介绍LBP相关原理及基本特性，针对本研究课题,重点研究LBP特征在相关领域中的应用，针对当前的主要应用对LBP方法进行分析，为本文研究奠定理论基础。

第三章基于LBP植物叶片识别系统设计
主要阐述了植物叶片识别系统的总体设计思路，并且详细介绍了每个系统模块的设计思想。在此基础之上，更加详细的介绍了每个系统模块的主要功能和实现方法。同时，介绍了关键环节的设计。

第四章实验结果
主要展示了本次研究得到的成果，分析实验结果，验证了基于LBP特征提取在植物叶片识别中的可行性。

第五章总结与展望
对论文的主要研究工作和贡献进行总结，并在当前工作的基础上，结合研究中遇到的问题，为下一步研究工作提供参考。

⛄二、部分源代码

clc;clear;
allsamples=[];%所有训练图像
M=300;N=300;
SubNum=3;
SubRow = M/SubNum;
SubCol = N/SubNum;
LbpHist=zeros(8,SubNumSubNum59);
for n=1:3
for m=1:8
I11=imread(strcat(‘.bmp’));
[M,N]=size(I11);
%分块获取LBP直方图，共分SubNumSubNum块，每块提取159的特征
%所以总共特征数为1*（SubNumSubNum59）
%初始化特征向量及分块数
h=((n-1)8+m);
SP=[-1 -1; -1 0; -1 1; 0 -1; -0 1; 1 -1; 1 0; 1 1];
mapping=getmapping(8,‘u2’);
for i=1:SubNum
for j=1:SubNum
Img = I11(((i-1)SubRow+1):iSubRow, ((j-1)SubCol+1):jSubCol);
LbpImg = LBP(Img,SP,0,‘i’);
H11=LBP(LbpImg,1,8,mapping,‘h’);
Index = (i-1)SubNum+j; %计算第几块
LbpHist(h,((Index-1)59+1):Index59)=H11;
end
end
%imshow(I11);
%下面这行的112和92两个数据哪里来的？干什么用？记住多用容易认的变量，比如SubNum
b=I11(1:SubNumSubNum59); % b是行矢量 1×N，其中N＝11292，提取顺序是先列后行，即从上到下，从左到右
b=double(b);
%allsamples有何作用？
allsamples=[allsamples; b]; % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M＝200
end
end
[fn,pn,fi]=uigetfile('.bmp’,‘选择图片’);
I12=imread([pn fn]);
[M1,N1]=size(I12);
SubNum=3;
SubRow = M1/SubNum;
SubCol = N1/SubNum;
LbpHist1=zeros(1,SubNumSubNum59);
SP=[-1 -1; -1 0; -1 1; 0 -1; -0 1; 1 -1; 1 0; 1 1];
mapping=getmapping(8,‘u2’);
for i=1:SubNum
for j=1:SubNum
Img1 = I12(((i-1)SubRow+1):iSubRow, ((j-1)SubCol+1):jSubCol);
LbpImg1 = LBP(Img1,SP,0,‘i’);
H12=LBP(LbpImg1,1,8,mapping,‘h’);
Index = (i-1)SubNum+j; %计算第几块
LbpHist1(((Index-1)59+1):Index59)=H12;
end
end
juli=zeros(1,24);
for j=1:24
for i=1:SubNumSubNum*59
S=LbpHist(j,i);
Q=LbpHist1(i);
S1=S-Q;
Q1=S+Q;
f=sum(S1^2/Q1);
end
juli(1,j:j+1)=f;
end
min=min(juli);
[m2,n2]=find(juli==min);
[xsort,index]=sort(juli);
n3=index(1);
class1=8;
class2=16;
class3=24;
if n3<=class1
disp(‘这个叶片属于class1’);
else if n3>class1&&n3<=class2
disp(‘这个叶片属于class2’);
else if n3>class2&&n3<=class3
disp(‘这个叶片属于class3’);
else
disp(‘没有类别’);
end
end
end
% GETMAPPING returns a structure containing a mapping table for LBP codes.
% MAPPING = GETMAPPING(SAMPLES,MAPPINGTYPE) returns a
% structure containing a mapping table for
% LBP codes in a neighbourhood of SAMPLES sampling
% points. Possible values for MAPPINGTYPE are
% ‘u2’ for uniform LBP
% ‘ri’ for rotation-invariant LBP
% ‘riu2’ for uniform rotation-invariant LBP.
%
% Example:
% I=imread(‘rice.tif’);
% MAPPING=getmapping(16,‘riu2’);
% LBPHIST=lbp(I,2,16,MAPPING,‘hist’);
% Now LBPHIST contains a rotation-invariant uniform LBP
% histogram in a (16,2) neighbourhood.
%

function mapping = getmapping(samples,mappingtype)
% Version 0.1.1
% Authors: Marko Heikkil?and Timo Ahonen

% Changelog
% 0.1.1 Changed output to be a structure
% Fixed a bug causing out of memory errors when generating rotation
% invariant mappings with high number of sampling points.
% Lauge Sorensen is acknowledged for spotting this problem.

table = 0:2^samples-1;
newMax = 0; %number of patterns in the resulting LBP code
index = 0;

if strcmp(mappingtype,‘u2’) %Uniform 2
newMax = samples*(samples-1) + 3;
for i = 0:2^samples-1
j = bitset(bitshift(i,1,samples),1,bitget(i,samples)); %rotate left
numt = sum(bitget(bitxor(i,j),1:samples)); %number of 1->0 and
%0->1 transitions
%in binary string
%x is equal to the
%number of 1-bits in
%XOR(x,Rotate left(x))
if numt <= 2
table(i+1) = index;
index = index + 1;
else
table(i+1) = newMax - 1;
end
end
end

if strcmp(mappingtype,‘ri’) %Rotation invariant
tmpMap = zeros(2^samples,1) - 1;
for i = 0:2^samples-1
rm = i;
r = i;
for j = 1:samples-1
r = bitset(bitshift(r,1,samples),1,bitget(r,samples)); %rotate
%left
if r < rm
rm = r;
end
end
if tmpMap(rm+1) < 0
tmpMap(rm+1) = newMax;
newMax = newMax + 1;
end
table(i+1) = tmpMap(rm+1);
end
end

if strcmp(mappingtype,‘riu2’) %Uniform & Rotation invariant
newMax = samples + 2;
for i = 0:2^samples - 1
j = bitset(bitshift(i,1,samples),1,bitget(i,samples)); %rotate left
numt = sum(bitget(bitxor(i,j),1:samples));
if numt <= 2
table(i+1) = sum(bitget(i,1:samples));
else
table(i+1) = samples+1;
end
end
end

mapping.table=table;
mapping.samples=samples;
mapping.num=newMax;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]阚江明,王怡萱,杨晓微,冷萃.基于叶片图像的植物识别方法[J].科技导报. 2010,28(23)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合