Plant Leaf Classification

Abstract

Identification of plants is an important subject that has many practical uses. In this thesis, we devoted our efforts to identify plants through images of their leaves. The reason behind this choice is that the plants are complicated organisms, therefore, it is appropriate to identify plants through their leaves. Leaf classification is a multi-disciplinary field that requires knowledge in botany, image processing, and pattern recognition. Additionally, experimentation requires large datasets to be performed accurately. Many methods in the literature concentrate on a single descriptor to describe a leaf. However, in this thesis, we concentrate on multiple descriptors to describe the leaf from different aspects. The biggest challenge in using multiple descriptors is identifying the descriptors that complement each other without significant overlaps. Additionally, not every descriptor is meaningful for every leaf type. Therefore, a class-based prioritizing classifier is required to deal with these issues. In this study, we employ Linear Discriminant Classifier (LDC) for this task. We propose two leaf classification methods, namely Geometric Leaf Classification (GLC) and Combination of Geometric, Texture and Color Features for Leaf Classi- fication (GTCLC) in this thesis. These methods include new features such as Sorted LBP, application of LDC for leaf classification and several feature types combined to improve the classification accuracy. First of all, geometric features are used for the classification of plant leaves. Then, a number of features, such as geometric, shape, texture, and color features are combined to perform leaf classification. During the experiments these methods are compared with the state-of-the-art methods. According to these experiments, GTCLC outperforms all methods both in terms of accuracy and suitability. Keywords: leaf classification, pattern recognition, feature extraction, geometric features, LBP, CIE-LCH

Öz: Yaprakların tanımlanması, bir cok kullanımı olan, onemli bir konudur. Biz de bu tez esnasında bitki yapraklarının tanımlanması uzerine yogunlastık. Yaprakları tercih etmemizdeki sebep, bitkilerin genel olarak karmasık canlılar olmasına ragmen, yaprak goruntulerinin duzenli ve bitkiyi yeterli miktarda ifade edebilmesinden kaynaklanmaktadır. Yaprakların tanımlanması, birden fazla bilim dalına ait bilgi gerektirmektedir; bunlar: botanik, resim isleme ve oruntu tanıma alanlarıdır. Ek olarak, deneysel calısmaların kesin sonuclara ulasabilmesi icin buyuk boyutlu veritabanlarına ihtiyac duyulmaktadır. Literaturdeki bir cok yontem tek bir tip tanımlayıcı kullanmaktadır. Ancak biz bu tezde, yaprakları farklı yonleriyle tanımlayan cok sayıda tanımlayıcı kullanmaktayız. Coklu-tanımlayıcılı sistemlerin en buyuk zorlugu bir birlerine destek olurken, aynı bilgiyi tekrarlamayan tanımlayıcıların tespitidir. Ek olarak, her tanımlayıcı, tum yaprak tipleri icin anlam ifade etmemektedir. Bu sebepten dolayı, sınıf-tabanlı onceliklendirme yetenegine sahip bir sınıflandırma sistemi kullanılmalıdır. Biz de bu calıs¸mada Dogrusal Ayırtac Sınıflandırıcısı’nı (Linear Discriminant Classifier, LDC), bu sorunları cozebildiginden dolayı kullanmaktayız. Calısmalarımız esanasında, Geometrik Yaprak Tanımlama (GLC) ve Geometrik, Doku ve Renk Tabanlı Yaprak Tanımlama (GTCLC) olarak iki ayrı sistem one surduk. Bu yontemler, Sıralanmıs¸ Yerel ˙Ikili Oruntuler (SLBP) gibi yeni tanımlayıcılar, LDC’nin kullanımı ve farklı tipte tanımlayıcıların birlikte kullanılması gibi yenilikler icermektedir. Deneyler esnasında bu yontemler literaturdeki yontemlerle karsılastırılmıstır. Bu deneylerin sonucunda, GTCLC yonteminin hem performans, hem de uyumluluk yonunden en iyi sonucu verdigi tespit edilmistir. Anahtar kelimeler: yaprak sınıflandırma, oruntu tanıma, oznitelik bulma, geometrik oznitelikler, Yerel Ikili Oruntu, CIE-LCH