基于小波分析的红虫识别

提出了一种能量特征与支持向量机(Support Vector Machine,SVM)相结合的红虫与水中浮游生物图像识别方法.把小波能量特征加入到原始图像中,再用Fisher线性判别法进行特征提取,同时提取图像的三层小波分解后系数的数学特征和图像颜色调和熵构造特征向量,然后采用SVM进行识别.通过对红虫及浮游生物的分类进行实验,验证了该方法的有效性,获得较高的识别率.     

基于小波分析及改进KNN的红虫识别研究

1淡水浮游生物特征提取 1．1颜色特征提取由于红虫、剑水蚤、猛水蚤图像在颜色上有明显区别，所以先提取图像颜色信息，将其作为分类的一项重要特征。颜色直方图以及其组成的空间可以作为图像识别的训练集（数据库）中颜色特征的表示。利用信息论的方法扩展基于颜色信息的图像属性特征。根据颜色直方图的定义可以推出该图像的概率密度函数如公式（1）所示：     

基于复频域纹理特征的植物叶片识别算法

针对空间域特征不能全面准确地描述叶片的问题,提出了一种基于复频域纹理特征(Complex frequency domain texture features,CFDTF)的叶片识别算法。首先,对叶片图像进行预处理。其次,对预处理后的图像进行分块,并对每一个图像块进行双树复小波变换(Dual-tree complex wavelet transform,DTCWT),分别计算复频域局部二值模式(Local binary pattern,LBP)和局部相位量化(Local phase quantization,LPQ)特征,得到图像块的特征。接着,串联所有图像块的特征得到整个图像的特征。最后,在Flavia数据库上通过KNN分类器分类识别。结果表明,与传统的颜色、形状、纹理等特征相比,该算法平均识别精度明显提高,达到95.75%。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

基于多特征融合和LightGBM的金线莲品系识别

金线莲是中国珍稀中草药,不同品系的金线莲具有细微的形态差异和显著的药效差异.针对金线莲的单一特征贡献能力不足以及传统分类器泛化能力不佳的问题,提出使用形状、颜色和纹理特征对金线莲叶片图像进行特征提取与融合,再使用表现性能更优的LightGBM(轻量级梯度提升机)构建分类器,以提高金线莲识别正确率.LightGBM具有精确高效等优点,将提取得到的高层次特征导入LightGBM进行训练预测,可以有效提高分类准确性.对金线莲数据集中的6个品系共368幅叶片图像进行试验,结果表明,相比于传统的分类方法,基于多特征融合和LightGBM的模型识别效果最好,10次随机试验的平均识别率比传统方法KNN、SVM和GBDT高,并且在分类评价指标精确率、召回率、综合评价指标上有较优表现,该研究结果可为中药材品系识别提供参考.     

融合频谱变换的板材纹理缺陷分类

为了实现板材表面纹理和缺陷的自动分类识别,提出一种融合小波、曲波和双树复小波3种频谱变换的板材表面纹理和缺陷的快速协同分类方法。分别提取小波变换的14个特征、曲波变换的16个特征和双树复小波变换的38个特征;融合三者特征以及整幅图像的标准差和熵,采用粒子群算法优选出24个关键特征;运用BP神经网络作为分类器,针对乱纹、抛物纹、直纹、活结和死结5种类别的300幅图像进行仿真实验,基于小波变换、曲波变换、双树复小波变换与特征融合方法的平均分类正确率分别为80.0%、81.1%、84.2%、88.0%,分类平均时间分别为0.018、0.503、0.021、0.325 s。实验结果表明,特征融合方法实现了对小波特征、曲波特征和双树复小波特征的有效选择,提高了分类的速度和精度。     

基于小波变换和改进KPCA的奶牛个体识别研究

为加快畜牧业现代化程度,克服传统方法中奶牛个体识别正确率低的缺陷,针对奶牛个体纹理特征,对传统KPCA(核主成分分析)方法从降低协方差矩阵维数和引入类别信息两个角度进行改进,并与小波变换进行结合,应用于奶牛个体识别领域。首先对归一化后的奶牛图像进行一层小波分解得到4个分量子图,然后对各子图利用改进的KPCA进行特征提取并引入加权策略融合,最后构造出多类SVM分类器进行学习分类。将预先采集的20头奶牛个体的视频数据转化成图片序列并选取20 000张组成实验数据集,通过多组对比实验对小波融合系数、融合向量组数、特征维数三个重要参数进行设定,然后利用不同算法进行奶牛个体识别实验。结果表明,提出方法在识别正确率达到96.31%时,仅用了4.20 s,较其他算法具有明显优势,可以有效地应用到奶牛个体识别领域,兼具高性能、低成本的优势。     

基于神经网络的水果自动分类系统设计

深加工是目前我国水果产业发展的主方向。设计了基于神经网络的自动水果分类系统，包括系统的硬件构成和分类程序。其中图像的特征提取是水果分类程序的前提。提取了水果图像的形状、颜色、纹理3种主要特征，将3种特征向量输入到神经网络分类器进行分类识别。仿真结果表明，该方法实时性好，分类准确率高，可满足水果深加工生产的实用需要。     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95%的识别率.平均每张人脸图像识别时间为0.14s,表明该算法能符合实际应用的要求.     

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标，为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法，预处理实验所需的苹果图像；使用K-means聚类算法、OTSU最大类间方差法，将苹果灰度图转换为二值图；利用二值图与苹果原图的异或运算，提取苹果轮廓；采用苹果的二值图计算苹果的果实区域大小；使用颜色空间转换RGB-HSV中H通道划分果实红色区域；通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积；构建最小外接矩形计算苹果的果径及果形；利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法，在优于传统图像阈值分割效果的基础上，特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于无人机可见光影像和面向对象的树种分类研究

针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝（red-green-blue,RGB）可见光影像,进行数字表面模型（digital surface model,DSM）特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。     

基于红外热成像技术的玉米种子活力等级分类方法研究

针对传统玉米种子活力等级分类方法耗时长、环境要求严格、对种子产生损伤等问题,利用红外热成像技术结合SVM算法,建立了快速、无损、高效的玉米种子活力等级分类方法。首先采用人工老化的方法将1 200粒玉米种子分组分别老化0 h,72 h,144 h。利用不同老化时间玉米种子具有不同的生理特性,通过红外热成像仪采集温度胁迫后自然冷却的玉米种子红外热像图,提取温度值作为特征。随后对玉米种子进行标准萌发实验,根据实验结果,将玉米种子分为高活力,中活力和低活力3个活力等级。将温度值作为特征,活力等级作为标签分别建立K最近邻(KNN)和支持向量机(SVM)模型并进行训练,以模型分类准确率和训练时间作为评价指标,确定较佳模型,最终通过网格搜索对选择的模型参数进行优化。结果表明基于红外热成像技术结合支持向量机(SVM)建立的模型,训练集准确率达到了92.4%,测试集准确率为91%,训练用时0.12s。该模型经过优化后训练集准确率达到了97.1%,测试集准确率达到了96.5%。     

图像颜色特征提取及其分类研究

在图像分类和检索中,如何对图像进行特征提取及提取图像的哪些特征信息,影响着图像分类的准确性。提出了一种基于颜色的特征提取算法,同时利用最新的多层的深度学习算法对图像进行分类。结果表明,该研究提出的图像分类方法比传统图像分类算法准确度有较大的提高。     

基于多特征融合与机器学习的鱼类摄食行为的检测

针对目前检测方法特征单一、样本数量少和鲁棒性低等问题,提出了一种基于多特征融合与机器学习的鱼类摄食行为的检测方法:利用图像处理技术提取鱼群摄食图像的颜色、形状和纹理特征,并对其进行归一化和特征融合处理,通过构建3层的BP神经网络对鱼群摄食行为进行检测。与SVM和KNN检测效果进行对比,BP神经网络的效果最好,精度可达97.1%。与传统的基于单一纹理特征方法相比,在保证时效性和增强鲁棒性的同时,准确率提高了4.1%。     

基于Gabor滤波与Tamura纹理特征的板材分类研究

板材表面的纹理特征是木质板材表面最为直观的特性,同时也是建筑装潢质量和木制品品质的重要评价指标。以中国东北部常见的红松、落叶松、白桦、水曲柳和柞木等5种树种的弦切、径切图像作为研究对象,提出一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行纹理特征参数提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类试验,最佳特征参数体系的识别率达97.8%。     

基于ETM~+的遥感影像信息提取研究

以沈阳市苏家屯区为试验区,对ETM+图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的.利用光谱信息提取水体、植被;采用基于灰度共生矩阵的纹理量的分类法,通过TM5波段提取灰度共生矩阵和灰度联合矩阵,计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离,得到最终的分类结果.结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度.