Signal and Data Processing

fa شناسایی گونه‌های گیاهی با استفاده از تصاویر برگ بر پایه ویژگی‌های بافت و شبکه عصبی On the use of Textural Features and Neural Networks for Leaf Recognition مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">برگ گیاهان منبع اطلاعاتی مهمی برای پژوهش و شناسایی گیاهان هستند. استخراج این اطلاعات به‌طورعمومی توسط کارشناسان خبره کشاورزی انجام می‌گیرد. از آنجا که برگها ویژگی‌های مناسبی را برای تشخیص انواع گونه‌های گیاهی در سامانه‌های هوشمند فراهم می‌کنند، لذا استفاده از سامانه‌های هوشمند می‌تواند به تشخیص خودکار گونه‌های گیاهی کمک کند. این مقاله روش جدیدی را برای شناسایی برگ‌های گونه‌های گیاهی با استفاده از الگوریتم استخراج ویژگی بافت GIST ارائه می‌دهد که یک روش استخراج ویژگی عمومی برای طبقه‌بندی تصاویر است. این روش دارای دقت خوبی در تعیین شباهت‌ها بین اشیای یکسان در تصاویر مختلف است. در مرحله طبقه‌بندی داده‌ها نیز، از شبکه عصبی Patternnet که برای استخراج الگو مناسب است استفاده می‌شود. برای ارزیابی روش پیشنهادی، الگوریتم حاصل بر روی داده‌های دو پایگاه داده معتبر که تنوع گیاهی زیادی دارند، اعمال شده است. مقایسه نتایج با الگوریتم‌های متداول استخراج ویژگی از تصاویر برگ‌ها نشان می‌دهد که الگوریتم GIST علاوه‌بر سرعت مناسب، دارای دقت طبقه‌بندی قابل قبولی به‌ویژه در تصاویر هم‌راستا و حتی تصاویر از نوع شبه‌پویش است.</div> <div style="text-align: justify;">for recognizing various types of plants, so automatic image recognition algorithms can extract to classify plant species and apply these features. Fast and accurate recognition of plants can have a significant impact on biodiversity management and increasing the effectiveness of the studies in this regard. These automatic methods have involved the development of recognition techniques and digital image processing pattern.  Most of the previous studies on the classification and identification of plant species from leaf images are based on the shape, texture and color features. There were also different methods of data modeling which have been used to leave plant recognition. In this paper, we investigate a novel approach for the recognition of plant species using texture feature GIST to extract general features. In the classification step, Patternnet feed forward neural network algorithm has been applied. Essentially, the GIST feature has been designed to be employed for image classification. In this study, GIST feature vectors are considered as the basis of the leaves’ classification. The GIST descriptor of an image is computed by the first filtering of an image by a filter bank of Gabor filters, and then averaging the responses of filters in each block on a no overlapping grid. For evaluation of our approach, we have applied the algorithm on scan and pseudo-scan images of two famous different datasets Image CLEF2012 and Leaf snap with a high various. The results show that in comparison to some widely used algorithms, our approach outperforms in the case of time and also the accuracy of classification. Substantial results can be achieved when the image of the plants are aligned with one another and when we deal with pseudo scan images. The detection of combinations of leaves that have jagged edges is an important contribution of this study. In many of the previous algorithms, the computational complexity of this detection is high. While by using the GIST feature vector, these types of images are processed simply and precisely (above 90%).  precisely (above 90%).</div> شناسایی گونه‌های گیاهی, بردار ویژگی GIST, شبکه عصبی, فیلتر گابور Species recognition, GIST feature vector, Neural networks, Gabor filter 111 124 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1415-1&slc_lang=fa&sid=1 Fateme Mostajer Kheirkhah فاطمه مستاجر خیرخواه fkheirkhah@gmail.com 10031947532846007509 10031947532846007509 No ICT Research Institute, ACECR پژوهشکده فناوری اطلاعات جهاد دانشگاهی Habibollah Asghari حبیب الله اصغری asghari@ictrc.ac.ir 10031947532846007510 10031947532846007510 Yes ICT Research Institute, ACECR پژوهشکده فناوری اطلاعات جهاد دانشگاهی Darab Yazdani داراب یزدانی dayazdani@yahoo.com 10031947532846007511 10031947532846007511 No Medicinal Plants Research Center, University Jihad مرکز تحقیقات گیاهان دارویی، پژوهشکده گیاهان دارویی، جهاد دانشگاهی