基于 PCA 和 SVM 的植物叶片分类方法研究

为了提高植物叶片识别与分类的正确率,提出了一种基于 PCA 和 SVM 的植物叶片识别方法,在对叶片图像进行分割、边缘检测后,提取10个具有旋转、比例、平移不变性的无量纲叶片特征参数,对叶片特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。实验结果表明,本算法女贞、木瓜、五角枫、三角枫等4种植物叶片的识别正确率达97．22％,优于直接用特征参数作为模型输入的识别正确率,且算法具有良好的实时性。     

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。     

正交全局-局部判别映射应用于植物叶片分类

提出了一种正交全局-局部判别映射的维数约简方法,并应用于植物叶片分类中。对于给定点的邻域点集,首先建立能够描述数据点之间关系的权重矩阵;然后,充分利用数据的类别信息和局部信息来构建类间散度矩阵和局部结构矩阵,使得映射后类内数据点之间的距离减小,而类间数据点之间的距离增大,这一性质有利于数据分类;最后,构造正交优化目标函数,通过Lagrange数乘法求解该目标函数。植物叶片图像分类的试验结果表明,该方法是有效、可行的。     

基于自适应概率PCA的植物叶片彩色图像修复

植物叶片图像的采集过程中,由于自然环境或成像条件的影响,特别是夜间,采集到的图像大多带有椒盐噪声,造成图像质量下降。很多植物叶片含有丰富的叶脉,被噪声污染不利于后续的表型分析、图像分割等。椒盐噪声密度较小时,中值滤波降噪效果较好,但在噪声污染严重时滤波方法也无法有效去噪。针对这一问题,提出了基于概率PCA的图像修复模型。一幅光滑的不含噪图像通常可认为服从高斯分布,概率PCA能有效地提取描述这幅图像中的主要信息,通过估计模型参数重构因噪声引起的数据缺失,从而达到图像修复的目的。但是当噪声的缺失像素点聚集在叶脉上时,直接用概率PCA修复会出现明显的边界效应,因此本文先基于树的叶脉进行追踪,再对叶脉进行概率PCA修复,然后再基于整幅图像利用概率PCA模型修复,迭代次数根据修复后图像的PSNR值自适应地选择。为了验证所提出的模型的修复性能,进行了与常用滤波方法的对比试验。试验结果表明：去噪后的图像PSNR值比使用均值滤波高出6dB左右,比使用维纳滤波高出9dB左右,比使用高斯滤波高出7dB左右,比使用中值滤波高出1dB左右,并且在结构相似性上采用本文算法去噪后的图像与原始图像的相似度最高。因此,将概率PCA模型应用于植物叶片彩色图像修复是可行的、有效的,为其后续的图像处理提供了技术支持。     

基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

基于图像处理和SVM的植物叶片分类研究

为了提高植物叶片识别与分类的正确率,提出了基于SVM的识别模型和方法;对叶片图像预处理后,提取并优选10个叶片形状特征参数,用SVM法进行训练建模并识别.实验结果表明,用线性核函数的SVM对木瓜、女贞、三角枫和五角枫4种植物叶片识别的平均准确率在95.8％以上,优于神经网络和Fisher判别法,为鉴定植物种类提供了一种快速有效的方法.     

基于Laplace边缘检测算法虚拟植物系统的研究与实现

将计算机信息技术引入农业生产研究是目前农业生产研究的新发展方向,并伴随产生了农业信息化这样的新领域。植物叶片几何形状的识别是农业信息化结合数字图像处理技术的一个方面。为此,通过理论分析和仿真计算对研究植物叶片形状的传统图像边缘检测技术进行了分析比较,并创造性地提出了利用Laplace边缘检测算子来改进植物叶片几何形状的识别与检测系统。Laplace边缘检测算子的二维几何形态的建模具有数据的表达与复制的功能,通过生成的图像处理数据更加准确地识别与检测不同种类植物叶片的形态,为农业生产研究者提供更加有效、更加准确的研究数据。     

基于Gabor滤波器和SVM结合的中华蜂图像识别方法

为了减少由于光照强度不一、对比度不同的干扰因素对中华蜂图像识别过程带来的困难,提出一种基于Gabor滤波、PCA降维与SVM相结合的蜜蜂图像识别方法。将人工采集的中华蜂图像进行灰度化、归一化处理,并采用Gabor滤波技术对处理后的图片进行图像特征的提取,进一步通过PCA将高维特征向量进行线性降维,最后将图片特征值矩阵分别经过不同核函数的SVM进行分类识别。通过不同核函数的SVM进行对比建模,测试并分析其对于特征提取后中华蜂图像的建模时长、识别准确率及识别图像时长。试验表明,中华蜂的图像经过Gabor特征提取、PCA降维得到的特征矩阵,经过核函数为Sigmoid的SVM时,其识别特性最好。      

基于图像处理方法的根系分形维数估计

应用图像处理方法,给出了根系分形维数估计的网格计数法,得到了相应的算法,即先用数字图像采集设备取得根系的图像,再用网格计数法对处理后的图像进行计盒维数估计,并用Java语言进行实现,为根系研究提供了一种新的思路和手段。在此基础之上,计算了黑麦草(LoliumperenneL.)根系的分形维数,与实测数据基本吻合。此方法不仅解决了对根系研究直接测量难度大、工作量大的问题,而且可用于多种植物根系的分形维数计算。     

基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。     

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

基于分形维数的玉米和杂草图像识

提出了利用分形维数来识别玉米和杂草的方法.将田间采集到的原始图像转化到HSI空间,利用H分量的不变特性进行图像变换,以消除光照的影响,有利于图像的分割处理.为了识别出玉米和杂草,比较了3种分形维数的计算公式和计算方法,利用Matlab编写的分形软件得到了玉米和杂草的平均分形维数,试验结果表明:Bouligand-Minkowski方法最佳,其中玉米和杂草的平均分形维数分别为1.204和1.079.利用SVM方法进行识别,正确率可以达到80%.     

Gabor与PCA融合算法的人脸识别技术

本课题利用了Gabor的良好鲁棒性和PCA降维方面的优势,提出了Gabor与PCA融合算法的人脸识别方法。Gabor小波变换适用于局部特征提取,该算法的鲁棒性优良,但需要多维度、多频率分解图像,增加了计算量,降低了识别率。PCA是一种降维算法,识别率高,融合Gabor与PCA算法能很好地提高人脸识别系统性能。本课题提出一种基于二者融合算法的人脸识别系统,并对该算法进行实验设计和实现。     

基于高光谱成像的甘蔗叶片早期轮斑病与锈病识别技术

针对甘蔗叶片早期轮斑病与锈病发病症状相似,难以区分,导致在实际生产中不便对症施药的问题,以甘蔗早期轮斑病和锈病叶片为研究对象,探究利用高光谱成像技术来识别甘蔗叶片早期轮斑病与锈病的可行性。首先,利用高光谱成像系统在406～1 014 nm光谱范围内采集甘蔗健康叶片、早期轮斑病叶片和锈病叶片的高光谱图像,提取图像的感兴趣区域(Region of interest, ROI)并计算其平均光谱作为原始光谱数据,采用一阶导数(First derivative, FD)、Savitzky-Golay卷积平滑(Savitzky-Golay convolutional smoothing, SG)和标准正态变换(Standard normal variate, SNV)分别对原始光谱数据进行预处理。然后,在预处理的基础上采用主成分分析(Principal component analysis, PCA)算法、蚁群优化(Ant colony optimization, ACO)算法进行特征降维,并将降维后的特征作为后期建模的输入变量。最后,结合降维和不降维2种方式使用支持向量机(SVM)和随机森林(R...     

基于粒子群优化SVM和多特征融合的鱼类分类方法研究

针对鱼类识别面临着光照强度、各背景栖息地的变化和不同物种在视觉上具有相似性等方面的问题,提出一种新的基于多特征相结合及粒子群优化SVM的鱼类分类方法。该方法采用在原始图像中提取颜色、方向梯度直方图(HOG)和灰度共生矩阵(GLCM)特征构成特征向量,并提出选择设置最佳权重比的方法进行特征融合,采用PCA技术对提取的特征向量进行降维,以消除冗余数据。结果表明,该方法在实际采集的数据集上的准确率达94.7%,同属类鱼识别最高准确率93.75%,该方法可以应用于实际的鱼类图像数据集,实现对鱼类生物多样性的有效监测。     

基于模型的植物叶片适时三维重建方法研究

提出了一种基于叶片特征的植物叶片三维重建的方法。该方法利用植物叶片的特点,建立了植物叶片模型,并用于植物叶片的识别和适时三维重建过程中,解决了遮挡和景深问题,实现了从现实植物叶片到三维数字模型的适时转换,同时获得了较为满意的叶片三维模型。运用该方法得到的植物叶片的三维模型不仅在整体和细节上与实际情况较为接近,而且输出了相关的参数,为机械手确定工作路径和实体接触提供了前提条件。     

大豆叶片的特征提取方法研究

综合考虑了叶片的轮廓和叶脉信息,给出了一种新的确定叶片中轴的方法,并依此方法重新定义了描述叶片的各个重要特征。通过实例分析表明,新特征使得大豆叶片的识别准确高效,也证实了新的叶片中轴的确定方法是行之有效的。这一方法的提出为图像识别技术在植物叶片识别诊断中的进一步应用提供了借鉴。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

基于各向异性核扩散法的杨树叶特征降维

对缺水与正常杨树苗叶片进行特征分析与降维处理。首先对样本进行光照补偿并去除奇异性;然后对样本数据空间进行归一化处理,提出采用基于各向异性核扩散法对缺水与正常样本数据空间进行降维,核参数采用最大类间距离法自适应调整;最后根据最大信噪比原则选择降维子空间维数,获得识别特征。分别对各向异性核扩散法、LE、LTSA以及PCA进行分析比较,对于叶脉较粗的杨树叶片,采用各向异性核扩散法效果较好,能保持空间的几何关系。采用SVM分类法对不同算法提取的特征进行分类,结果表明本文提出的算法提取的杨树叶特征分类效果较好。     

基于二维直方图的杂草图像分割算法

通过引入像素灰度级和邻域灰度级构成的二维直方图,提出了一种杂草彩色图像分割算法。试验结果表明,基于二维直方图的分割算法由于增加了各个像素点相邻区域的信息,从而减少了自然条件下镜面反射和叶片小面积污损的影响。由于分割结果更好地保留了叶片的连通性,新的分割算法能在自然条件下更好地区分单子叶植物和双子叶植物及识别作物和杂草,从而有助于杂草识别率的提高。