基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于多特征相融合和支持向量机的森林火场识别技术的研究

针对森林火场采用了新的颜色特征提取方法,融合图像的颜色和纹理特征作为图像的特征向量,并用支持向量机作为学习工具,充分利用已有森林火场的数据进行学习,提高森林火场的自动识别的准确率.结果表明,新的颜色特征提取方法适用于森林火场的识别,采用支持向量机融合多特征可成功用于森林火场的自动识别.     

基于冠层颜色特征的大豆缺素症状识别研究

【目的】针对寒地大豆发生缺素症状时冠层颜色变化复杂性,建立基于冠层图像颜色特征的大豆缺素症状识别新方法。【方法】采用无土盆栽试验,以垦农18为供试大豆品种,设计缺氮、缺磷、缺钾3种营养状况,采集大豆缺素症状的冠层图像样本,利用图像灰度直方图结合主成分分析方法,提取大豆冠层图像的红光值R、绿光值G、蓝光值B,计算最佳颜色特征蓝光标准化值B/(R+G+B)和绿光标准化值G/(R+G+B),将其作为正则化模糊神经网络输入向量,并利用实数编码的遗传算法改进传统梯度下降学习算法,将其作为模糊神经网络的学习方法,同时应用传统梯度下降算法和改进梯度下降算法训练神经网络参数并比较。【结果】应用遗传计算改进的梯度下降学习算法计算时,迭代次数为277次,其各项计算指标均明显优于传统梯度下降算法,大豆缺素症状识别准确率达100%;而采用传统的多元线性回归方程和BP神经网络算法计算时,识别准确率分别为52.50%,68.33%。【结论】以大豆冠层图像颜色特征为基础,利用改进学习算法的神经网络模型,能够快速有效地挖掘出大豆缺素症状与颜色特征向量之间的模糊逻辑映射关系,为大豆缺素症状识别提供了一种快速且准确的方法。     

基于离散余弦变换和支持向量机的掌纹识别

提出一种利用离散余弦变换提取掌纹的特征,通过支持向量机进行掌纹分类识别的方法.在利用离散余弦变换进行特征提取时,将变换系数矩阵左上角的部分元素作为掌纹图像的特征;在利用支持向量机进行掌纹分类识别时,采用"一对多"的分类方案.实验结果表明该方法的有效性.     

基于双编码遗传算法的支持向量机作物病害图像识别方法

为了实现作物病害的计算机识别,采用基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法,对病害图像增强处理,彩色病斑分割,特征参数提取,构建双编码遗传算法优化特征子集,并赋予权重的一对一投票策略支持向量机来分类识别作物病害进行研究.结果表明:在同等条件下,该方法与没有采用遗传算法的支持向量机相比,特征向量减少了38％,正确率提高了6.29％.     

基于粒子群优化的支持向量机算法识别人类基因启动子

人类基因启动子识别是医学研究的基本需要。提取DNA序列碱基的PZ曲线特征、二核苷酸空间结构特征、保守信号似然得分,以及K联体似然得分,结合GC含量变化和非均匀指数,构建基于粒子群优化的支持向量机算法来识别人类基因启动子。利用粒子群优化支持向量机参数进行优化避免了人为选择的随机性,并且在分类问题中表现出较好的稳健性。对测试集的10-折交叉检验结果为:敏感性为92%,特异性为91%,马修斯关联系数为0.83。该结果表明,基于粒子群优化的支持向量机算法能有效识别启动子序列。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

基于纹理特征和支持向量机的玉米病害的识别

针对玉米病害叶片彩色纹理图像的特点，提出一种将支持向量机和色度矩分析应用于玉米病害识别的方法。首先利用色度矩提取玉米病害叶片纹理图像的特征向量，然后将支持向量机分类方法应用于病害的识别。玉米病害纹理图像识别实验结果表明：支持向量机分类方法对于病害分类训练样本较少时，具有良好的分类能力和泛化能力，适合于玉米病害的分类。不同分类核函数的相互比较分析表明，径向基核函数最适合于玉米病害的分类识别。