本文關(guān)鍵詞： 葉片識(shí)別 多特征降維 主成分分析 線性評(píng)判分析 支持向量機(jī)　出處：《農(nóng)業(yè)機(jī)械學(xué)報(bào)》2017年03期 　論文類型：期刊論文

【摘要】：植物種類識(shí)別方法主要是根據(jù)葉片低維特征進(jìn)行自動(dòng)化鑒定。針對(duì)低維特征不能全面描述葉片信息,識(shí)別準(zhǔn)確率低的問題,提出一種基于多特征降維的植物葉片識(shí)別方法。首先通過數(shù)字圖像處理技術(shù)對(duì)植物葉片彩色樣本圖像進(jìn)行預(yù)處理,獲得去除顏色、蟲洞、葉柄和背景的葉片二值圖像、灰度圖像和紋理圖像。然后對(duì)二值圖像提取幾何特征和結(jié)構(gòu)特征,對(duì)灰度圖像提取Hu不變矩特征、灰度共生矩陣特征、局部二值模式特征和Gabor特征,對(duì)紋理圖像提取分形維數(shù),共得到2 183維特征參數(shù)。再采用主成分分析與線性評(píng)判分析相結(jié)合的方法對(duì)葉片多特征進(jìn)行特征降維,將葉片高維特征數(shù)據(jù)降到低維空間。降維后的訓(xùn)練樣本特征數(shù)據(jù)使用支持向量機(jī)分類器進(jìn)行訓(xùn)練。試驗(yàn)結(jié)果表明:使用訓(xùn)練后的支持向量機(jī)分類器對(duì)Flavia數(shù)據(jù)庫(kù)和ICL數(shù)據(jù)庫(kù)的測(cè)試葉片樣本進(jìn)行分類識(shí)別,平均正確識(shí)別率分別為92.52%、89.97%,有效提高了植物葉片識(shí)別的正確率。
[Abstract]:The method of plant species recognition is mainly based on the low-dimensional characteristics of leaves for automatic identification, aiming at the low-dimensional features can not fully describe the leaf information, the recognition accuracy is low. A method of plant leaf recognition based on multi-feature dimensionality reduction is proposed. Firstly, the color of plant leaves is preprocessed by digital image processing technology to get the removal of color and wormhole. The binary image of leaf blade, gray image and texture image of petiole and background. Then, the geometric and structural features of binary image, Hu invariant moment feature and co-occurrence matrix feature of gray image are extracted. Local binary pattern feature and Gabor feature are used to extract fractal dimension from texture image. Then the principal component analysis (PCA) combined with linear evaluation analysis was used to reduce the dimension of multi-feature of blade. The high dimensional feature data of blade is reduced to low dimensional space. The training sample feature data after dimensionality reduction is trained by support vector machine classifier. The experimental results show that:. The trained SVM classifier is used to classify and identify the test blade samples from Flavia database and ICL database. The average correct recognition rate was 92.52 and 89.97 respectively, which effectively improved the correct rate of plant leaf recognition.
【作者單位】： 北京林業(yè)大學(xué)工學(xué)院;中國(guó)科學(xué)院電工研究所;
【基金】：中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(2015ZCQ-GX-04) 北京市科技計(jì)劃項(xiàng)目(Z161100000916012)
【分類號(hào)】：Q949;TP391.41
【正文快照】： 引言植物的種類識(shí)別是植物學(xué)研究和農(nóng)業(yè)生產(chǎn)的基礎(chǔ)性工作,傳統(tǒng)方法主要是根據(jù)植物形態(tài)進(jìn)行人工鑒定,識(shí)別結(jié)果存在主觀性且效率較低。植物葉片含有大量種屬信息,且大部分葉片外形為扁平狀,因此可對(duì)植物葉片進(jìn)行圖像采集和處理,實(shí)現(xiàn)植物種屬快速識(shí)別。目前,大多數(shù)研究采用少量特

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 伍建軍;康耀紅;;文本分類中特征降維方式的研究[J];海南大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

相關(guān)會(huì)議論文 前1條

1 伍建軍;康耀紅;;關(guān)于文本分類中特征降維方式的研究[A];第三屆學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2006年

相關(guān)博士學(xué)位論文 前2條

1 曹蘇群;基于模糊Fisher準(zhǔn)則的聚類與特征降維研究[D];江南大學(xué);2009年

2 孫偉;基于遷移學(xué)習(xí)的文本分類算法研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 宋堅(jiān);量子化張量列分解及其在特征降維上的應(yīng)用[D];華東師范大學(xué);2016年

2 李泰輝;IG-NMF特征降維方法在入侵檢測(cè)中的應(yīng)用研究[D];吉林大學(xué);2016年

3 陳媛;基于相似度區(qū)分的聯(lián)機(jī)手寫梵音藏文特征降維方法研究[D];西北民族大學(xué);2016年

4 王家俊;基于半監(jiān)督學(xué)習(xí)的特征降維方法研究[D];西安電子科技大學(xué);2015年

5 王飛;基于局部信息保持的特征降維方法研究[D];西安電子科技大學(xué);2014年

6 胡濤;基于依存關(guān)系的文本特征降維研究[D];西安電子科技大學(xué);2012年

7 閆曉波;基于統(tǒng)計(jì)量的特征降維的研究與應(yīng)用[D];江南大學(xué);2013年

8 任珂;模式分類中特征降維方法的研究[D];江南大學(xué);2009年

9 黃章益;基于語(yǔ)義的中文文本特征降維方法研究[D];西安電子科技大學(xué);2012年

10 付賽男;基于特征降維的場(chǎng)景分類方法研究[D];上海交通大學(xué);2013年

，

本文編號(hào)：1465596