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。     

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.     

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。     

温室蔬菜病害智能识别图像预处理及其特征提取方法的研究

采用计算机图像处理技术对温室蔬菜病害进行了智能化识别,并以黄瓜霜霉病为例研究了温室蔬菜病害智能识别图像预处理和特征提取的方法。试验选择白色作为病害叶片的背景,利用中值滤波法有效地去除了噪声的干扰,利用双峰法从背景中分离出病害图像,再对图像进行边缘检测,准确地提取了病斑的几何特征。该方法能够实现对病害图像的预处理,并且能够准确地提取病害特征。     

基于视频的植物动画合成方法

植物动画合成是当今的一项研究热点,运动信息的提取与重构是在计算机上实现高效、逼真植物动画合成的基础和关键。以玉米为研究对象,采集真实的植物运动视频,将视频转换为图像序列并选取若干关键帧。研究数字图像处理算法,提取图像前景目标,并对目标细化和毛刺去除得到清晰、完整的二值植物骨架图像。基于植物骨架图像提出了植物动画特征点数据提取方法,并将特征点数据映射到三维植物模型,实现了数据驱动的植物动画。     

基于BPSO和SVM的烤烟烟叶图像特征选择方法研究

利用图像特征对烟叶进行分级时,提出了一种对烟叶图像特征进行有效选择的新方法——利用二进制粒子群算法联合SVM模型自适应地选择对烟叶分级影响较大的特征,剔除对分级影响较小或相互间有关联的某些特征,并利用Adaboost和RBF分类器进行验证。结果表明,用SVM分类器时,用被选特征比输入全部特征具有更好的分级正确率;对于相同的分类器,利用二进制粒子群和SVM算法自适应筛选后的特征比输入全部特征具有更好的分级吻合率。     

基于图像处理的作物营养诊断研究进展

近年来,随着农业化肥滥用问题的日益突出,图像处理技术在作物营养诊断上的应用研究越来越多。通过对作物营养诊断研究背景的阐述,指出图像处理技术在作物营养诊断上应用的重要意义,介绍作物图像营养诊断研究的总体情况和基本思路,论述作物图像采集、图像预处理、特征提取与优化、分类识别4个环节所用技术方法以及取得的成果,并分析作物图像营养诊断方面存在的问题。     

昆虫图像几何形状特征的提取技术研究

为进行昆虫图象的识别和分类,对昆虫图象几何形状特征的提取及测量进行了研究。提取了区域面积、边界周长、孔洞数、偏心率、形状参数、圆形性、似圆度、球状性和叶状性9个直观易测的特征。采用判别分析方法对这些特征进行筛选得到6个具有判别意义的特征,分别为区域面积、偏心率、形状参数、周长、似圆度、叶状性;剔除了与似圆度具有相关性的圆形性和球状性等特征。利用这6个特征对3种昆虫进行了识别,准确率均达到100％,表明本研究所提取的6个昆虫图象特征用于昆虫图象识别是有效的。     

基于机器视觉的黄瓜新鲜度检测方法研究

人工挑拣黄瓜费时费力,黄瓜自动挑拣可大大提高黄瓜的生产效率,目前还没有看到黄瓜自动挑拣过程中准确检测其果实新鲜度方面的有效方法。本研究提出一种基于机器视觉的黄瓜新鲜度检测方法,采用RGB图像分析法提取颜色特征,利用连通区域标记法计算瓜刺个数特征,借助灰度共生矩阵法提取纹理特征,利用支持向量机算法对黄瓜新鲜度进行了分类识别。在宁阳大刺黄瓜320个图像数据上的平均识别准确率达到98.43%,表明本研究提出的黄瓜新鲜度检测方法是有效的。