基于典型相关分析全局和局部特征融合 的植物识别方法

同类叶片图像的复杂多样性增加了植物识别研究的难度,导致利用叶片图像进行植物识别的识别率不高,因此提出一种基于典型相关分析(CCA)全局和局部特征融合的植物识别方法。首先,采用有较好的光照及旋转不变性的梯度直方图(HOG)和边缘轮廓Fourier描述子作为植物识别的特征;然后利用CCA在特征层将HOG和Fourier描述子相融合,构成更具分类鉴别力的一个特征向量;最后利用K-最近邻分类器进行植物识别。在ICL叶片图像数据库上的试验结果表明了该方法的有效性。     

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。      

基于傅里叶描述子和Hu不变矩的油茶果识别

青色油茶果及其背景色差不大,形状特征差别明显,可用于特征识别。本文提出一种基于归一化傅里叶描述子、Hu不变矩形状特征和BP神经网络识别油茶果的方法。首先将油茶果从RGB颜色空间转换到HSV颜色空间,提取H分量后进行二值化;其次通过形态学算法去除二值化图像中的噪声;然后提取其前8阶归一化傅里叶描述子作为BP神经网络特征向量进行识别。结果显示,油茶果识别率为85%。为了进一步提高识别率,提取油茶果的7个Hu不变矩特征,利用BP神经网络识别,识别率可达100%。     

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。     

多特征与局部线性嵌入融合算法在植物识别中的应用研究

针对植物识别过程中叶片旋转状态下的识别需求,采用植物多特征提取与局部嵌入融合算法,应用支持向量机(SVM)建立分类器对植物叶片进行分类辨识。结果表明:基于分块的局部二值模式(LBP)算法可以提取植物叶片的纹理特征;使用局部线性嵌入(LLE)算法,对高维的LBP特征进行降维,减少了分类识别时间,同时能够达到更好的聚类效果,有效地提高识别率;所提出的植物叶片识别方法对旋转状态下的叶片具有良好的实用性。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于自适应学习局部二值模式的苹果叶部病斑分割与检测

为了准确、快速地检测作物叶部病害,提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern,简称ALLBP)的苹果叶部病斑分割与检测方法。首先利用ALLBP获取正常叶片图像和病害叶片图像的特征差异,并确定病斑判断阈值,然后将待识别的叶片图像分割为大小相同的子块,再提取同样的特征与阈值进行比较,以判定各子块中是否有病斑。结果表明,该方法能够有效检测苹果病斑的分布特性,与局部二值模式(local binary pattern,简称LBP)和中心对称局部二值模式(center-symmetric local binary pattern,简称CS-LBP)相比,该方法具有更少的特征维数和更高的正确识别率。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。     

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PCA和AdaBoost.M1的植物叶片图像识别方法

为了提高植物叶片的识别准确率,提出一种基于PCA和AdaBoost.M1的植物叶片图像识别方法。首先对植物叶片图像进行图像灰度化、二值化以及边缘提取等预处理,然后提取出13个具有比例、旋转、平移不变性的植物叶片特征参数,再利用PCA对这些特征参数进行降维,最后采用AdaBoost.M1分类器对降维处理后的特征参数进行训练和识别。结果表明,该方法可以有效地提高植物叶片图像的识别率。     

基于特征融合的奶牛个体识别

为快速精准对奶牛个体进行自动化识别,提出一种基于改进方向梯度直方图与局部二值模式(HOG-LBP)特征融合的特征提取算法,结合主成分分析对奶牛个体进行分类。首先依据奶牛头部鼻镜和额部位差异明显的特点,利用方向梯度直方图(HOG)特征检测算法进行边缘特征提取,得到奶牛头部的轮廓特征,然后与改进的局部二值模式(LBP)纹理特征提取进行特征融合,结合主成分分析方法进行奶牛个体识别,对20 000张奶牛图像进行试验。结果表明,该方法识别正确率超过99%,可成功应用到奶牛识别领域。     

基于LBP和稀疏表示的林火烟雾图像识别研究

为了实现森林火灾的智能识别,提出一种基于局部二值模式和稀疏表示的林火烟雾自动识别方法.选取森林火灾烟雾视频和干扰视频,经运动区域检测提取疑似林火烟雾图像样本.首先对疑似林火烟雾样本图像采用不同的LBP算子进行纹理特征提取,然后选取350幅林火烟雾样本构建林火烟雾特征字典,另外选取343幅林火烟雾图像样本和331幅干扰图像样本进行测试,对每个测试样本利用11最小化范数计算其在训练字典上的稀疏表示系数和重构误差,最后根据经验阈值进行分类识别.结果表明,LBP特征提取结合稀疏表示方法可以有效地实现林火烟雾的自动识别,识别率可达92.88％,为林火烟雾的模式识别提供了一种有效的解决方案.     

融合超像素分割算法与肢体特征的奶牛躯干精确分割方法

为了实现奶牛躯干的精确分割,以荷斯坦奶牛为研究对象,首先采用超像素分割算法(simple linear iterative cluster,简称SLIC)与显著性分析相结合的方法获得完整奶牛目标;然后通过设置傅里叶描述子以平滑Canny算子边缘检测的奶牛轮廓;最后采用基于奶牛肢体特征的分割点提取方法提取各分割点并依次连接生成奶牛躯干的分割线。为了验证本研究结果的有效性,使用试验图像库中随机抽取的20幅图像进行了测试,试验结果表明,本研究所提取的奶牛目标与手动提取目标的平均重叠率为96.83%,可以实现不同背景下奶牛目标的准确分割。本研究所提出的奶牛躯干分割方法的平均重叠率为99.86%,表明该方法在奶牛躯干精确分割中准确率较高且相对稳定,可以实现不同站立体态奶牛的高精度分割。     

半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法，以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换，再以任一像素点为中心，取适当的距离提取八个方向的像素相关值作为图像的特征向量，最后将提取的特征通过BP神经网络进行分类。实验结果表明，提出的算法适用于二值图像的特征提取，能够降低局部二值模式的特征维数，提高时间效率和空间利用率；相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

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。      

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于多特征融合的植物叶片识别研究

植物叶片识别作为植物自动分类识别的重要分支,有着很高的实际应用价值。针对当前叶片特征描述存在的局限和叶片识别准确率较低的实际,以叶片图像为研究对象,首先对图像进行预处理,在提取叶片几何特征和纹理特征的基础上,设计描述叶片轮廓的距离矩阵和角点矩阵,通过计算基于几何特征、纹理特征和角点距离矩阵的综合相似度对叶片进行精确识别。对Flavia数据集中的32类共计960幅叶片图像进行训练和测试,结果表明,基于叶片图像多特征融合的识别方法对叶片特征描述能力更强,识别准确率更高,对Flavia数据集的识别率可达97.50%,具有较好的识别效果。     

基于二分法与BP神经网络的牛乳体细胞识别

牛乳体细胞的分类计数是判断奶牛乳腺炎及牛奶质量的重要指标。为了提高牛乳体细胞的识别率,提出了基于二分法与BP神经网络结合的牛乳体细胞识别算法,对4类牛乳体细胞进行图像特征提取,选择了3类经过特征选择的几何特征和1类通过局部二进制模式(local binary pattern,LBP)描述的纹理特征,并将多级BP神经网络分类器结构应用到分类识别中。实验证明,树形结构的分类器预测效果理想,进行三次二分类后的识别率达到了95.76%。     

基于多特征提取和选择的木材分类与识别

木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。     

基于多阶局部二值模式的图像纹理提取技术探讨

人脸特征提取,是人脸识别技术过程中必不可缺、非常关键的步骤之一,目前常见的方法有基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取等多种方法,T.Ojala等人提出了局部二值模式(Local Binary Pattern,LBP)方法,利用它来进行图像的纹理特征提取。利用局部二值模式算子验证了二阶局部二值模式方法更有利于提高图像的识别效果,方法简单易行,计算量小,如能与其它的方法一起配合使用,则能大大提高图像的识别率。