基于LSP与GLCM融合的禾本科牧草种子特征提取算法

针对禾本科牧草种子相似性较高、识别困难的问题,采用局部相似模式(LSP)和灰度共生矩阵(GLCM)的方法,对禾本科牧草种子的分类识别进行研究。结果表明:1)局部相似模式与灰度共生矩阵融合的方法可以有效的提取禾本科牧草种子的纹理特征,能够识别颜色、形状、大小等特征都十分相似的牧草种子,且其识别率优于传统的LSP特征算子和GLCM特征算子。2)与传统LSP算法相比,结合灰度共生矩阵算法后,得到的特征受到相似种类种子图像的影响较小,具有更广泛的适应性。因此,基于LSP和GLCM的融合算法可以有效地提取相似禾本科种子图像的纹理统计特征,采用线性判别分析分类器(LDA)进行分类,识别率最高达到98.64%。     

基于图像纹理特征的土鸡蛋微裂纹无损检测

为了提高土鸡蛋表面微裂纹检测的准确度和效率,提出一种基于图像纹理特征的土鸡蛋微小裂纹无损检测方法.利用工业相机对150枚土鸡蛋采集数字图像,采用高斯滤波、灰度变换等方法对土鸡蛋图像进行预处理;利用灰度共生矩阵进一步提取图像纹理特征,将纹理特征参数作为不同分类器包括簇类独立软模式法、线性判别分析(linear discriminant analysis,LDA)和偏最小二乘支持向量机输入,进行土鸡蛋有无裂纹判别.结果表明,采用图像纹理特征参数建立的土鸡蛋有无裂纹LDA模型判别准确度最高,达到96.0%.     

Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging

Healthy wheat kernels and wheat kernels damaged by the feeding of the insects: rice weevil (Sitophilus oryzae), lesser grain borer (Rhyzopertha dominica), rusty grain beetle (Cryptolestes ferrugineus), and red flour beetle (Tribolium castaneum) were scanned using a near-infrared (NIR) hyperspecrtal imaging system (700-1100 nm wavelength range) and a colour imaging system. Dimensionality of hyperspectral data was reduced and statistical and histogram features were extracted from NIR images of significant wavelengths and given as input to three statistical discriminant classifiers (linear, quadratic, and Mahalanobis) and a back propagation neural network (BPNN) classifier. A total of 230 features (colour, textural, and morphological) were extracted from the colour images and the most contributing features were selected and used as input to the statistical and BPNN classifiers. The quadratic discriminant analysis (QDA) classifier gave the highest accuracy and correctly identified 96.4% healthy and 91.0-100.0% insect-damaged wheat kernels using the top 10 features from 230 colour image features combined with hyperspectral image features.     

基于透射光和反射光图像同位分割的小麦品种识别方法研究

为提高基于机器视觉的小麦品种识别准确性,本文通过透射光和反射光同位图像分割对种子颜色特征参数进行了优化提取.采用透射光图像辅助反射光图像分割的方式从种子图像中分割出胚部区域,并分别提取小麦整粒、种胚、胚乳区域的颜色特征参数.以济麦22、济麦44、京麦9、京麦11共4个品种种子作为研究对象,利用HALCON机器视觉软件获...     

Comparison of illuminations to identify wheat classes using monochrome images

Wheat class identification using machine vision is an objective method which can be used for online testing to automate handling, binning and shipping operations in grain industry. The efficiencies of a monochrome camera-based vision system with three different illuminations (incandescent light (IL), fluorescent ring light (FRL), fluorescent tube light (FTL)) were determined to identify eight western Canadian wheat classes at four moisture levels (11%, 14%, 17% and 20%). The monochrome images of the bulk wheat samples were acquired at each moisture level (3 illuminations × 8 classes × 4 moisture contents × 100 replications = 9600 images). A linear discriminant function was used for the classification of wheat samples using 32 gray level textural features extracted from the monochrome images. The mean gray values of the wheat classes were in the ranges of 75–103, 73–115, and 107–143 for IL, FRL and FTL, respectively. The mean gray values of wheat classes were significantly different within each illumination and between different illuminations (α = 0.05). Mean gray value was the highest for FTL and the lowest for IL illumination. The moisture content of the wheat samples had significant effect on the mean gray values. The overall classification accuracies were 90%, 81% and 96% for IL, FRL and FTL, respectively, when all the wheat classes were at the same moisture levels. It was 66%, 53% and 85% for IL, FRL and FTL, respectively, when the wheat classes were at different moisture levels. The classification accuracies of a 2-stage classification system for the classes with different moisture levels were 68%, 56% and 90% for IL, FRL and FTL, respectively.     

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。      

基于分块LBP的树种识别研究

本文基于获取便捷的木材体视图进行木材树种自动识别研究。首先对木材图像进行标准化预处理,然后采用分块LBP提取特征,分别使用欧式、卡方、衰减3种不同的距离进行分类,最后采用最近邻进行识别。讨论了木材图像特征分块方式对识别结果的影响,并比较了在不同距离下的识别效果。结果表明：采取不同的分块方式对最终的分类影响较大,其中沿着...     

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.     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。      

基于树种分类的高分辨率遥感数据纹理特征分析

遥感图像尤其是高分辨率（1~4 m）遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19 19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为最佳纹理组合,能有效减少数据冗余。高分辨率遥感数据纹理信息的运用为树种分类识别时的特征选择提供了有利技术参考。图4表3参19     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

随机森林在板材表面缺陷分类中的应用1）

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB（袋外数据）误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95．67％。     

基于颜色和纹理特征的大麦主要病害识别研究

为提出一种在自然环境条件下基于采集图像的颜色一阶与二阶矩和纹理LBP算子改进模式综合特征参数的大麦病害识别方法,以甘肃河西地区发生的大麦白粉病、云纹病和条锈病为研究对象,采用颜色矩和LBP算子均匀模式综合特征参数来提取大麦病斑的颜色和纹理特征,并将该特征向量作为输入向量构建以径向基为核函数的支持向量机(SVM)分类器模型。利用SVM分类模型对采集到的355幅病害图像进行实例分析,结果表明当径向基参数时,大麦病害整体识别正确率达84.7458%。本研究为农田大麦病害诊断提供了有效的分析手段,验证分类模型在大麦病害研究中的可行性,并可为其他农作物病害诊断提供借鉴和参考。     

基于高光谱图像技术的油菜籽品种鉴别方法研究

提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400～1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用.     

基于Spark的支持向量机在小麦病害图像识别中的应用

为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03%、81.18%、77.82%,对白粉病的分类精度依次是83.27%、85.91%、83.14%,比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率。     

基于多元岭回归估计小麦种植密度

种植密度对小麦产量影响较大,合理的种植密度对提高小麦产量具有重要意义。因此,快速、准确的估计小麦种植密度显得尤为关键。提出一种基于多元岭回归估计小麦种植密度的方法。首先,将获取的彩色麦苗图像从RGB颜色空间转到 Lab颜色空间,利用改进的K-means聚类算法对麦苗进行分割。然后,选取已知种植密度的50幅麦苗图像作为训练样本进行标准化,获得标准化麦苗图像的面积特征、轮廓特征和LBP纹理特征,将这3个特征参数和已知的麦苗密度作为训练输入,利用多元岭回归得到麦苗密度与特征参数间的函数映射关系。最后,对要测试的麦苗图像,按照上述步骤进行处理,求出测试麦苗图像的3个特征参数作为输入,代入映射函数得到测试麦苗图像的密度值。结果表明,该方法在估计4个不同品种小麦种植密度时,田间麦苗单幅图像中小麦种植密度的估计平均精度达到93.99%,平均相对误差为6.01%,对比已有估计小麦种植密度的方法,该方法估计精度显著提高。     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

Effect of probability-distance based Markovian texture extraction on discrimination in biological imaging

The effect of probability-distance based re-weighting of image texture features on their discrimination ability was evaluated in this study. A quadratic surface smoothing function was developed from the Bhattacharyya probability distance between two classes of images. The function was used as a re-weighting function for standard grey level co-occurrence matrix (GLCM) textural features in two cases. Case 1 involved 42 images of health and smokers’ lungs. Case 2 involved 144 images of well watered; partially water stressed and dry Rhacomitrium canescens plants. Multilayer perception (MLP) neural networks (NN) classifiers based on standard weighted and probabilistic-distance based re-weighted GLCM textural features were developed for each case. The classifiers were trained and tested using the leave-one-out and the cross-validation evaluation strategies.Probability-distance based re-weighting of GLCM textural features resulted in 37% and 39.22% reduction in true classification error for cases 1 and 2, respectively. It was concluded that re-weighting image texture features based on the probability distance between the classes involved, makes the GLCM texture analysis technique more discriminative and adaptive. This modification will help to overcome the fixed nature of GLCM features which is an area of weakness open to further improvement. Although GLCM features were used in this study, the method can be extended to other co-occurrence-based methods.     

基于遥感图像光谱特征融合的高原土地覆盖类型分类模型

在使用土地覆盖类型分类模型分类高原土地覆盖类型的过程中,由于不同类别地物间光谱信息更相近,在没有多特征降噪的情况下,容易产生噪声偏差,导致土地覆盖类型错分,设计一种基于遥感图像光谱特征融合的高原土地覆盖类型分类模型。设计特征提取方法,提取遥感图像中几何特征的空间特征与属性特征,以展示遥感图像光谱更多的空间细节信息;将遥感图像按照一定模式规则进行处理和运算,构建三种多特征融合模式,使用SVM作为分类工具,计算其中参数,实现元素的线性可分。模型性能测试结果表明：设计的分类模型所得到的分类结果在生产精度、总体精度、Kappa系数这三个指标中的评分均达到了0.7以上,验证了设计模型在高原土地覆盖类型分类中的准确性。     

局部证据RBF人体行为高层特征自相似融合识别研究

针对传统人体动作识别算法,往往重点解决某一类行为识别,不具有通用性的问题,提出一种局部证据RBF人体行为高层特征自相似融合识别算法。首先,借用随时间变化的广义自相似性概念,利用时空兴趣点光流场局部特征提取方法,构建基于自相似矩阵的人体行为局部特征描述;其次,在使用SVM算法进行独立个体行为识别后,利用所提出的证据理论RBF（Radial Basis Function）高层特征融合,实现分类结构优化,从而提高分类准确度;仿真实验表明,所提方案能够明显提高人体行为识别算法效率和识别准确率。