《表3 植物物种识别的典型纹理特征》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于图像处理的田间杂草识别研究进展与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表3所示，统计法是描述特征纹理的最常用的方法，目前常见的统计纹理特征方法主要有局部二值算子（LBP）[12，34]、灰度共生矩阵法（GLCM）[34，37-38]、直方图[10-11]。LBP是以中心像素灰度作为阈值，通过统计编码的出现频次来反映图像的纹理信息。GLCM主要是对两个像素点间的灰度关系提取二阶纹理信息，并通过定义一些统计量，利用统计量来描述纹理特征，ROJAS等[37]采用该方法计算纹理特征中自相关、对比度、熵等10个纹理特征的重要测量值，并通过PCA以获取最佳特征，能取得90%的分类精度。虽然灰度共生矩阵具有较强的适应能力和鲁棒性、易于实现，但是该方法缺乏对全局信息利用，即没有很好利用叶脉纹理流型特征。为了解决传统灰度共生矩阵的不足，唐钦[38]根据分支叶脉沿主叶脉两侧向外扩展的流型特点，提出一种灰度-方向共生矩阵，一定程度上提高了识别率。此外可以通过灰度直方图提取植物的边缘纹理特征[32]，如针对单子叶叶片与双子叶叶片存在明显的叶片轮廓差异，AHMAD等[10]通过Sobel滤波器检测不同方向边缘，并通过生成边缘方向直方图（EOH）来标记单子叶作物与阔叶杂草，不过这种方法更多还是通过分析叶片边缘形状来进行杂草识别，很少用来提取叶片的叶脉纹理，识别精度不高。