基于多特征融合的花卉种类识别研究

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。      

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

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。      

基于数学形态学的植物叶片图像预处理

植物叶片图像的预处理是进行叶形特征提取和识别的重要前提,获得高质量的预处理叶片图像对计算机辅助植物识别十分重要.本文提出了基于数学形态学的植物叶片图像的预处理方法,运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞.该方法保持了原图像的基本形状特征并能获得清晰的边缘,为叶片特征提取创造了良好的前提.     

基于多特征融合的图像语义标注

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,用支持向量机实现图像语义信息的标注.实验结果表明,多特征图像检索要比单一特征检索效果好,在颜色特征的基础上引入纹理特征和形状特征后可有效提高检索效率,而且采用支持向量机融合多特征可成功用于图像语义的标注.     

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。      

基于叶片图像特征数字化信息识别7种柳属植物1）

通过对7种柳属植物的350枚叶片进行实验处理,测量所需的数字化植物特征,在单一指标判别分析中,仅有“长宽比”作为识别这7种植物的最有效的单一指标;在双重指标的判别分析中,“最宽处”ד叶脉值”、“最宽处”ד短弧距”、“最宽处”ד长弧距”、“周长比”ד膜周长比”、“短弧距”ד上外距”、“长弧距”ד上外距”这6组双重指标对7种植物的识别正确率均达到100％,同为最优双重指标。试验结果表明,上述6组最优双重指标可以完全识别出这7种植物。因此,基于数字化的叶片图像特征的信息识别物种是可行的,为今后植物物种识别研究奠定了基础。     

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。     

基于图像特征融合的麦冬叶部病害识别

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,对比分析了双峰法、Otsu阈值分割法以及K-means聚类分割算法对麦冬病斑图像的分割效果.结果表明,K-means聚类算法结合数学形态学方法能满足病斑分割要求;提取病斑图像颜色、形状、纹理信息融合成病斑特征向量;运用方差分析与主成分分析法剔除了病害表征能力较差...     

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.     

基于改进C-V模型的棉花叶片目标提取方法

为解决自然条件下棉花叶片因其轮廓几何边缘长势不均匀所导致的叶片目标提取不精准问题,提出一种基于改进C-V模型的棉花病害叶部目标提取方法。在传统C-V模型的基础上,将长度惩罚项和符号距离函数的约束能量项引入能量模型中,以达到对演化曲线长度变化的约束目的,从而完成对整幅图像目标特征的提取。本研究算法先对待分割的图像设置初始曲线,并利用高斯滤波算子对待分割图像进行平滑滤波处理,然后根据图像全局灰度信息和局部二值匹配信息建立能量方程,根据其离散化形式,对水平集函数进行演化,并从中提取演化曲线,最后根据水平集函数演化过程所满足的终止条件,输出图像分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:本研究算法对于晴天、阴天和雨天图像中目标(棉花叶片)轮廓提取准确率分别达到82.23%、82.73%和84.60%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像目标特征轮廓实现准确提取。     

观叶植物水培研究

观叶植物水培具有观赏价值高、清洁无污染、简便经济等优点。通过对目前绿化装饰中常用的室内观叶植物的水培研究,找出了其生长规律,为规模化生产提供依据。     

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。     

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.     

根外施肥在水稻上的应用效果

选择喷施宝、穗粒宝和磷酸二氢钾对早稻进行叶面喷施试验,结果表明：施用喷施宝、穗粒宝和磷酸二氢钾的水稻结实率分别比对照增加2．7％、1．4％和0．7％,每667m。增产稻谷64．70kg、48．03kg和25．02kg,增产率分别为13．52％、10．04％和5．23％。     

结合航空影像纹理和光谱特征的单木冠幅提取

随着航空摄影测量技术的不断发展与进步,为提高森林资源调查的工作效率,航空影像已经成功应用到林业资源监测中,但在单木冠幅提取上,研究多考虑影像光谱信息,使得分类结果存在偏差。本文提出同时结合航空影像的纹理及光谱特征,利用面向对象的影像分割方法,通过多次实验对比结果确定最优分割尺度,同时在结合正态分布法确定各光谱及纹理特征信息范围的基础上,提取单木冠幅信息。以2012年鹫峰国家森林公园航空像片为数据源,以ENVI5.0为数据处理平台,对影像进行面向对象的分割,提取试验区域内32株树木的冠幅,并结合传统外业实测数据以及立体像对观测数据进行精度分析。试验结果表明:文章所提出的方法试验精度达到90.05%,与传统立体像对量测方法精度相近,但数据获取速度快,满足林业调查基本需求。