🍃 Classificação de Espécies de Folhas

Visão Computacional · Segmentação · Extração de Descritores · Aprendizado de Máquina

Classificação automática de 32 espécies de plantas a partir de imagens de folhas,
usando segmentação KMeans, descritores HOG + forma, PCA e classificadores KNN/SVM.

---

Pipeline

📷 Imagem
    │
    ▼
🔵 Segmentação
    ├─ Convolução (kernel 10×10 para suavização)
    ├─ KMeans (K=2) → separa folha do fundo
    └─ Limiarização de Otsu → máscara binária
    │
    ▼
📐 Extração de Descritores (10 features por imagem)
    ├─ Forma: Circularity, Eccentricity, Solidity, Aspect Ratio,
    │         Perimeter, Area, Num Corners (Harris)
    └─ Textura: HOG Norm, HOG Mean, HOG Var
    │
    ▼
📉 PCA → 4 componentes principais (93.06% da variância)
    │
    ▼
🤖 Classificação
    ├─ KNN  (K=5, Euclidean)   → 76.61%
    ├─ SVM  (RBF,   C=10)      → 79.23% ✅ melhor
    └─ SVM  (Linear, C=10)     → 77.66%

---

Resultados — Resumo

Modelo	Acurácia	Macro Avg Precision	Macro Avg Recall	Macro Avg F1
SVM RBF C=10, gamma=scale	79.23%	0.79	0.78	0.78
SVM Linear C=10	77.66%	0.77	0.77	0.76
KNN K=5, Euclidean	76.61%	0.76	0.76	0.75

Divisão treino/teste: 70% / 30% estratificado · 1334 treino · 573 teste

---

Resultados por Espécie — KNN (76.61%)

Espécie	Precision	Recall	F1-Score	Suporte
1. Bamboo (Phyllostachys)	0.45	0.28	0.34	18
2. Horse Chestnut (Aesculus)	0.75	0.79	0.77	19
3. Redbud (Cercis)	0.96	1.00	0.98	22
4. Indigo (Indigofera)	1.00	1.00	1.00	22
5. Japanese Maple (Acer)	1.00	1.00	1.00	17
6. Nanmu (Phoebe)	0.70	1.00	0.83	19
7. Castor Aralia (Kalopanax)	0.82	0.88	0.85	16
8. Goldenrain (Koelreuteria)	0.88	0.78	0.82	18
9. Chinese Cinnamon	0.62	0.50	0.55	16
10. Anhui Barberry (Berberis)	0.74	0.89	0.81	19
11. Holly (Ilex)	0.80	0.80	0.80	15
12. Cheesewood (Pittosporum)	0.78	0.74	0.76	19
13. Wintersweet (Chimonanthus)	0.67	0.62	0.65	16
14. Camphortree (Cinnamomum)	0.56	0.53	0.54	19
15. Arrowwood (Viburnum)	0.58	0.61	0.59	18
16. Sweet Osmanthus	0.31	0.24	0.27 ⚠️	17
17. Deodar Cedar (Cedrus)	0.96	1.00	0.98	23
18. Ginkgo (Ginkgo biloba)	0.72	0.68	0.70	19
19. Crape Myrtle (Lagerstroemia)	0.75	1.00	0.86	18
20. Oleander (Nerium)	0.78	0.90	0.84	20
21. Yew Plum Pine (Podocarpus)	0.71	0.83	0.77	18
22. Cherry (Prunus serrulata)	0.65	0.69	0.67	16
23. Glossy Privet (Ligustrum)	0.65	0.69	0.67	16
24. Chinese Toon (Tonna)	1.00	0.80	0.89	20
25. Peach (Prunus persica)	0.67	0.75	0.71	16
26. Woodlotus (Manglietia)	0.89	0.50	0.64	16
27. Trident Maple (Acer)	0.88	0.94	0.91	16
28. Beales Barberry (Mahonia)	0.67	0.62	0.65	16
29. Southern Magnolia	0.79	0.88	0.83	17
30. Canadian Poplar	0.73	0.84	0.78	19
31. Tulip Tree (Liriodendron)	0.90	0.56	0.69	16
32. Tangerine (Citrus)	0.94	0.88	0.91	17

---

Resultados por Espécie — SVM RBF (79.23%) ✅ Melhor Modelo

Espécie	Precision	Recall	F1-Score	Suporte
1. Bamboo (Phyllostachys)	0.67	0.44	0.53	18
2. Horse Chestnut (Aesculus)	0.65	0.79	0.71	19
3. Redbud (Cercis)	1.00	1.00	1.00	22
4. Indigo (Indigofera)	1.00	1.00	1.00	22
5. Japanese Maple (Acer)	1.00	1.00	1.00	17
6. Nanmu (Phoebe)	0.76	1.00	0.86	19
7. Castor Aralia (Kalopanax)	0.88	0.88	0.88	16
8. Goldenrain (Koelreuteria)	0.84	0.89	0.86	18
9. Chinese Cinnamon	0.60	0.19	0.29 ⚠️	16
10. Anhui Barberry (Berberis)	0.70	1.00	0.83	19
11. Holly (Ilex)	0.87	0.87	0.87	15
12. Cheesewood (Pittosporum)	0.88	0.79	0.83	19
13. Wintersweet (Chimonanthus)	0.53	0.56	0.55	16
14. Camphortree (Cinnamomum)	0.53	0.42	0.47	19
15. Arrowwood (Viburnum)	0.76	0.72	0.74	18
16. Sweet Osmanthus	0.50	0.47	0.48	17
17. Deodar Cedar (Cedrus)	1.00	1.00	1.00	23
18. Ginkgo (Ginkgo biloba)	0.53	0.47	0.50	19
19. Crape Myrtle (Lagerstroemia)	0.75	1.00	0.86	18
20. Oleander (Nerium)	0.82	0.90	0.86	20
21. Yew Plum Pine (Podocarpus)	0.65	0.83	0.73	18
22. Cherry (Prunus serrulata)	0.75	0.75	0.75	16
23. Glossy Privet (Ligustrum)	0.69	0.69	0.69	16
24. Chinese Toon (Tonna)	1.00	0.85	0.92	20
25. Peach (Prunus persica)	0.71	0.75	0.73	16
26. Woodlotus (Manglietia)	0.88	0.88	0.88	16
27. Trident Maple (Acer)	0.88	0.94	0.91	16
28. Beales Barberry (Mahonia)	0.77	0.62	0.69	16
29. Southern Magnolia	0.87	0.76	0.81	17
30. Canadian Poplar	0.82	0.95	0.88	19
31. Tulip Tree (Liriodendron)	1.00	0.75	0.86	16
32. Tangerine (Citrus)	0.89	0.94	0.91	17

---

Resultados por Espécie — SVM Linear (77.66%)

Espécie	Precision	Recall	F1-Score	Suporte
1. Bamboo (Phyllostachys)	0.50	0.28	0.36	18
2. Horse Chestnut (Aesculus)	0.64	0.74	0.68	19
3. Redbud (Cercis)	0.95	0.95	0.95	22
4. Indigo (Indigofera)	1.00	1.00	1.00	22
5. Japanese Maple (Acer)	1.00	1.00	1.00	17
6. Nanmu (Phoebe)	0.86	1.00	0.93	19
7. Castor Aralia (Kalopanax)	0.93	0.88	0.90	16
8. Goldenrain (Koelreuteria)	0.83	0.83	0.83	18
9. Chinese Cinnamon	0.75	0.38	0.50	16
10. Anhui Barberry (Berberis)	0.70	1.00	0.83	19
11. Holly (Ilex)	0.87	0.87	0.87	15
12. Cheesewood (Pittosporum)	0.87	0.68	0.76	19
13. Wintersweet (Chimonanthus)	0.67	0.50	0.57	16
14. Camphortree (Cinnamomum)	0.58	0.58	0.58	19
15. Arrowwood (Viburnum)	0.72	0.72	0.72	18
16. Sweet Osmanthus	0.69	0.53	0.60	17
17. Deodar Cedar (Cedrus)	1.00	1.00	1.00	23
18. Ginkgo (Ginkgo biloba)	0.43	0.47	0.45	19
19. Crape Myrtle (Lagerstroemia)	0.75	1.00	0.86	18
20. Oleander (Nerium)	0.70	0.80	0.74	20
21. Yew Plum Pine (Podocarpus)	0.67	0.89	0.76	18
22. Cherry (Prunus serrulata)	0.65	0.69	0.67	16
23. Glossy Privet (Ligustrum)	0.65	0.69	0.67	16
24. Chinese Toon (Tonna)	0.89	0.85	0.87	20
25. Peach (Prunus persica)	0.75	0.75	0.75	16
26. Woodlotus (Manglietia)	0.67	0.62	0.65	16
27. Trident Maple (Acer)	0.83	0.94	0.88	16
28. Beales Barberry (Mahonia)	0.80	0.75	0.77	16
29. Southern Magnolia	0.88	0.82	0.85	17
30. Canadian Poplar	0.77	0.89	0.83	19
31. Tulip Tree (Liriodendron)	0.92	0.69	0.79	16
32. Tangerine (Citrus)	0.88	0.82	0.85	17

---

Análise PCA

Componente	Variância	Acumulada	Principais Contribuintes
PC1	51.33%	51.33%	HOG Norm, HOG Mean, HOG Var, Perimeter
PC2	19.68%	71.01%	Circularity, Solidity, Area
PC3	14.28%	85.29%	Eccentricity, Aspect Ratio
PC4	7.77%	93.06%	Num Corners

Loadings (contribuição de cada descritor):

Descritor	PC1	PC2	PC3	PC4
Circularity	-0.025	+0.667	-0.219	+0.123
Eccentricity	-0.248	-0.084	+0.623	-0.053
Solidity	-0.164	+0.493	+0.418	-0.205
Perimeter	+0.354	-0.238	+0.300	+0.019
Area	+0.294	+0.488	+0.055	+0.044
Num Corners	+0.314	-0.009	-0.067	+0.732
Aspect Ratio	+0.277	-0.044	-0.431	-0.583
HOG Norm	+0.415	+0.062	+0.195	-0.168
HOG Mean	+0.424	-0.039	+0.166	+0.029
HOG Var	+0.414	+0.058	+0.204	-0.180

---

Dataset

~1907 imagens de 32 espécies do dataset Flavia / Chinese Leaf:

#	Espécie	Nome Comum	Imagens
1	Phyllostachys edulis	Bambu	59
2	Aesculus chinensis	Castanha-da-índia	63
3	Cercis chinensis	Olho-de-boi	72
4	Indigofera tinctoria	Índigo	73
5	Acer palmatum	Bordo-japonês	56
6	Phoebe nanmu	Nanmu	62
7	Kalopanax septemlobus	Arália	52
8	Koelreuteria paniculata	Chuva-de-ouro	59
9	Cinnamomum japonicum	Canela-japonesa	55
10	Berberis anhweiensis	Berberis	65
11	Ilex macrocarpa	Azevinho	50
12	Pittosporum tobira	Pittosporum	63
13	Chimonanthus praecox	Chimonanto	52
14	Cinnamomum camphora	Cânfora	65
15	Viburnum awabuki	Viburno	60
16	Osmanthus fragrans	Osmanthus	56
17	Cedrus deodara	Cedro	77
18	Ginkgo biloba	Ginkgo	62
19	Lagerstroemia indica	Resedá	61
20	Nerium oleander	Oleandro	66
21	Podocarpus macrophyllus	Podocarpus	60
22	Prunus serrulata	Cerejeira	55
23	Ligustrum lucidum	Ligustro	55
24	Toona sinensis	Toon chinês	65
25	Prunus persica	Pessegueiro	54
26	Manglietia fordiana	Magnólia-da-china	52
27	Acer buergerianum	Bordo-tridente	53
28	Mahonia bealei	Mahônia	55
29	Magnolia grandiflora	Magnólia	57
30	Populus canadensis	Álamo canadense	64
31	Liriodendron chinense	Tulipeiro	53
32	Citrus reticulata	Tangerina	56

---

Descritores de Forma e Textura

Descritores de Forma (regionprops + Harris)

Descritor	Fórmula / Definição
Circularity	4π·Area / Perimeter² — 1.0 = círculo perfeito
Eccentricity	Excentricidade da elipse equivalente (0 = círculo, 1 = linha)
Solidity	Area / Area_convexa — mede reentrâncias e recortes
Perimeter	Comprimento do contorno da região segmentada
Area	Número de pixels na região segmentada
Aspect Ratio	height / width da bounding box
Num Corners	Cantos detectados por Harris (min_distance=20, threshold_rel=0.02)

Descritores HOG (Histogram of Oriented Gradients)

Configuração: orientations=9, pixels_per_cell=(8,8), cells_per_block=(2,2), transform_sqrt=True

Descritor	Definição
HOG Norm	‖hog_features‖ — quantidade total de gradientes orientados
HOG Mean	Força média dos gradientes na imagem
HOG Var	Variância dos gradientes — irregularidade da textura

---

Dependências

pip install numpy matplotlib scikit-image scikit-learn pandas seaborn scipy

---

Como Executar

O projeto roda no Google Colab com imagens armazenadas no Google Drive.

# Ajuste o caminho conforme sua estrutura no Drive
path_images = '/content/drive/MyDrive/VC/Leaves'

1. Abra classificacao_folhas.py no Colab ou IDE local
2. Monte o Google Drive quando solicitado
3. Certifique-se que as imagens estão no caminho acima
4. Execute o script