基于叶片图像处理和稀疏表示的植物识别方法

基于植物叶片图像的植物识别方法研究在保护生态环境方面具有十分重要的意义。针对植物叶片的复杂、多样性而导致很多基于特征提取的植物识别方法识别率不高的问题,提出了一种基于改进稀疏表示的植物识别方法。该方法利用最近邻准则实现稀疏表示,通过稀疏表示系数实现植物识别。该方法的创新点是将叶片图像识别问题转化为求解待识别样本关于训练样本的稀疏表示问题,是直接对原始叶片图像进行操作,而不需要进行特征提取和选择过程,由此提高了算法的识别效率。在6种叶片图像数据集上的试验结果显示,该方法对叶片图像识别是可行的,识别率高达94%以上。该方法为非线性、复杂叶片图像识别提供了一种途径。     

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。     

基于字典学习的马铃薯叶片病害图像识别算法

为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。     

基于稀疏表示的森林火灾火焰识别研究

为了实现森林火灾的智能识别,提出一种基于稀疏表示的林火火焰自动识别方法.以林火火焰和5类干扰物体为研究对象,每类对象从视频图像中随机选取50帧作为训练样本,150帧作为测试样本.对每幅图像提取疑似火焰区域,求取面积变化率、颜色、纹理和形状特征参数.所有训练样本的特征向量构建训练样本特征字典,对每个测试样本利用l1最小化范数计算其在训练字典上的投影系数,根据最小重构残差进行分类识别.结果表明,稀疏表示方法的识别率可达到93.56％,为林火火焰识别提供了一个有效的解决方案.     

基于参数设计字典的稀疏表示方法

稀疏化是压缩感知理论的关键,对信号恰当的稀疏表示能提高恢复的精度.本文提出一种基于参数字典的 稀疏表示方法,把参数字典设计作为一个优化问题来分析,通过交替迭代的方式求得参数方程的可行解,进而生成 参数字典.本文的参数字典设计方法较其他方法而言能获得较优的近似解,且该方法产生的优化字典更符合紧框 架特性.     

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。      

基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

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.     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

植物叶图像特征分析和分类检索

研究基于植物叶特征的植物属种自动图像分类检索技术。为了解决植物属种众多引起的分类困难,综合应用了图像分类和图像检索的一些概念模型和方法,如根据图像检索概念,构建以叶形和叶缘特征变化为依据的阔叶类植物(单叶)分类语义字典;根据图像分类原理,设计字典各层分支结点的描述符;根据相似概率索引方法,推求字典叶节点成员属于特定植物种的概率,进而实现对植物属种做图像分类索引的功能。以适量样本所做的分类实验表明:面积凹凸比、长宽比、右边界非线性拟合二次项系数、上边界非线性拟合二次项系数、最宽处位置指数等描述符对于阔叶植物分类有效。通过这些描述符可以将31类阔叶植物划分到8个叶节点,并检索其具体属种;全局分类精度平均为94.19%。并初步证明了如下结论:"分类语义字典组织的分层分类+叶节点成员相似性检索"的技术框架,可以有效扩大植物属种辨识数量、提高辨识精度,是植物数字搜索引擎合理有效的概念模型。     

嵌入式植物自动识别系统的设计与实现

采用嵌入式技术和图像处理技术,通过提取叶片相对稳定的形状特征实现对植物种类的识别分类。系统基于Ubuntu 10.04,采用Qt Creator1.3.1在北京博创公司的UP-NETARM2410-S开发板上进行了实现。功能包括植物叶片的采集和图像拍摄、图像预处理（图片灰度处理及轮廓提取）、图像特征提取（包括叶片的圆形度、偏心率等特征）、图像识别这4个步骤。实验结果表明:该系统可以比较准确地实现对银杏Ginkgo biloba,樟树Cinnamomum camphora,无患子Sapindus saponaria等9种植物叶片的识别分类。图6表1参13     

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。     

卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。     

基于改进SVM算法的植物叶片分类研究

[目的]为了有效的对植物物种进行识别,[方法]本文提出了基于布谷鸟(CS)算法改进的支持向量机(SVM)方法对植物叶片分类从而识别植物物种。本文用两种数据集验证改进的CS-SVM算法对植物叶片的分类效果:UCI公开数据集和自主采集叶片图像。在自主采集的叶片图像数据集中,首先对叶片图像预处理,提取6个特征值,然后再使用CS-SVM算法建立分类模型。[结果]结果表明,在UCI公开数据集每种叶片样本量较少的情况下,CS-SVM算法对叶片分类的准确率可以达到87%以上;在采集的叶片图像数据集上以鹅耳草榆属、槭属等8种植物叶片和红柳、杨属等15种植物叶片样本分别试验,前者叶片分类准确率达95%,后者则大于84%。最后,将CS-SVM算法与PSO-SVM算法对植物叶片的分类效果进行对比,结果表明两种方法在叶片分类准确率上无显著差异,但CS-SVM方法在速度上领先10 s以上。[结论]改进的CS-SVM算法在样本量少或者样本特征属性少的情况下,对植物叶片的分类具有良好的效果。     

基于叶片图像的植物鉴别技术研究进展(综述)

基于叶片的计算机图像处理与识别技术,实现了植物分类的自动化和快捷化.从叶片分类和检索两个方面回顾了近年来基于叶片图像的植物分类领域的研究进展,围绕叶片图像的特征选取、分类器设计、相似性度量和算法性能等方面对多种方案的技术特点做了介绍,并指出了目前这些技术需要改进的方面.     

基于密度的稀疏表示及其对烟叶分级研究

稀疏表示(SRC)中字典的构建对分级的效率和准确率至关重要,提出一种基于密度的SRC字典构建方法,并利用建立好的DSRC(基于密度的SRC)对烟叶进行分级。该方法将减法聚类算法中基于密度选择中心的思想应用于稀疏算法中进行字典构建,通过确定合适的聚类半径kia、kib以及约束条件来确定字典原子,不仅可减少字典原子数目,而且选择的字典具有更好的代表性。基于该方法选择的字典对2013年(13个等级)、2014年(6个等级)和2015年(42个等级)的烟叶进行分级,试验结果表明,该方法不仅可以提高烟叶分级的准确率,而且还可以有效地提高烟叶分级速度。     

基于双线性映射的植物叶片校正算法的研究

针对在应用数码相机采集大田作物叶片图像时出现的植物叶片图像倾斜和几何失真等问题,提出了基于双线性映射的植物叶片校正算法.测量有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响.实验验证该方法校正叶片图像,精度可达99%以上,是进一步提取植物叶面特征的基础.     

基于全卷积神经网络的植物叶片分割算法

目的植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。方法本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。结果本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。结论与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。      

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于面向对象特征提取的植物叶片面积测量方法

【目的】提出一种基于面向对象图像特征提取的植物叶面积测量方法,为快速、高精度地测量野外采集植物的叶片面积提供支持。【方法】以扫描图像为基础,借鉴遥感影像的面向对象图像特征提取的思想,获得扫描对象的矢量轮廓,以此计算其面积,并采用AutoCAD绘制的7种多边形进行重复试验,以验证该方法的精确性;然后进一步对青蒿(Artemisia carvifolia)、臭蒿(Artemisia hedinii)、苜蓿(Medicago sativa)3种植物叶片进行重复试验,并与矢量化方法、监督分类方法进行对比,分析该方法在实际叶片测量中的稳定性和计算效率。【结果】利用基于面向对象图像特征提取的植物叶面积测量方法,在进行标准几何图形的面积测量时,该方法的相对误差皆小于1.86%;与矢量化方法、监督分类方法相比,该方法在测量真实植物叶片面积时具有更高的稳定性,而且耗时都小于20s,用时最短;该方法采用IDL模块设计,可实现叶片面积的自动批量处理。【结论】基于面向对象特征提取的植物叶片面积测量方法,是叶片面积高精度及批量自动化测量的一种新途径。