【摘要】：作為現(xiàn)代農(nóng)業(yè)的重要組成部分,植物鑒別在植物分類學(xué)、精細(xì)農(nóng)業(yè)和園藝學(xué)、中醫(yī)藥研究等人們生產(chǎn)生活密切相關(guān)的各個(gè)領(lǐng)域具有重要的應(yīng)用價(jià)值。葉片作為一種扁平的二維結(jié)構(gòu)植物器官,葉片外形、葉緣和紋理等特征具有明顯的形態(tài)差異,是植物物種鑒別和形態(tài)區(qū)分的重要指標(biāo),而準(zhǔn)確高效的圖像特征提取方法和分類識(shí)別算法是解決植物葉片分類問(wèn)題的關(guān)鍵所在。近年來(lái),有關(guān)植物葉片的特征選擇及分類識(shí)別算法無(wú)論從理論上還是應(yīng)用研究方面都取得了一定的進(jìn)展,然而相關(guān)算法中對(duì)識(shí)別特征高度相似的葉片圖像研究不多,而隨著圖像獲取技術(shù)的不斷提升,捕獲的植物葉子圖像分辨率更高、維度更多,高維葉片圖像的特征提取以及分類識(shí)別器的設(shè)計(jì)逐漸成為葉片圖像分類識(shí)別中的亟待解決的新難題。本文以葉片圖像特征提取和分類器的設(shè)計(jì)為突破口,圍繞高維圖像的降維算法、模糊半監(jiān)督聚類算法設(shè)計(jì)、葉片分類識(shí)別應(yīng)用等關(guān)鍵問(wèn)題,研究新的數(shù)據(jù)降維算法、聚類算法的參數(shù)優(yōu)化算法以及特征加權(quán)的半監(jiān)督聚類算法,在此基礎(chǔ)上構(gòu)建出植物葉片圖像的識(shí)別框架,并用UCI數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)集進(jìn)行試驗(yàn)。論文主要研究工作和結(jié)論如下:(1)提出一種改進(jìn)型的PCA降維算法L-PCA,有效降低了特征維度,提高了分類識(shí)別率。借鑒經(jīng)典凸技術(shù)聚類算法中的全局線性降維算法PCA(Principal Component Analysis)與LDA(Linear Discriminant Analysis)聚類算法思想,提出一種改進(jìn)型的PCA降維算法L-PCA,該算法在保證原有樣本協(xié)方差結(jié)構(gòu)不變的前提下,獲取變換矩陣中最重要的主分量進(jìn)行賦權(quán),通過(guò)調(diào)節(jié)類內(nèi)與類間離散矩陣,使得類內(nèi)距離最小化、類間聚類最大化,來(lái)搜索一個(gè)合適的映射子空間來(lái)實(shí)現(xiàn)不同類別數(shù)據(jù)之間的劃分。人工數(shù)據(jù)集和自測(cè)數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果表明,L-PCA算法的一階最近近鄰分類器平均泛化誤差為11.94%,其平均降維準(zhǔn)確性為94.50%,目標(biāo)數(shù)據(jù)表達(dá)連續(xù)性能達(dá)到0.97。(2)改進(jìn)了傳統(tǒng)FCM算法,提出一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD。對(duì)傳統(tǒng)的FCM算法進(jìn)行了改造,提出了一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD,在模糊劃分指數(shù)和分離指數(shù)兩種模糊評(píng)價(jià)函數(shù)的基礎(chǔ)上構(gòu)造出模糊分離度,并通過(guò)觀測(cè)實(shí)際樣本數(shù)據(jù)和人造樣本數(shù)據(jù)下的模糊分離度曲線拐點(diǎn)進(jìn)行最優(yōu)加權(quán)指數(shù)的選取,并通過(guò)目標(biāo)函數(shù)的拐點(diǎn)法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。實(shí)驗(yàn)也證明了EOSD優(yōu)選算法能夠有效進(jìn)行最優(yōu)加權(quán)指數(shù)的選取,m的取值介于1.8-2.2之間,而FCM族算法最優(yōu)值為2。(3)為了設(shè)計(jì)一種合理的分類器算法,提出一種新型模糊半監(jiān)督加權(quán)聚類算法。本文引入成對(duì)約束,采用聚類和特征加權(quán)同步進(jìn)行的思想,將特征加權(quán)融合到聚類過(guò)程中,進(jìn)一步提高了聚類算法的類識(shí)別能力,通過(guò)對(duì)用戶提供的模式特征邊信息進(jìn)行選擇和鑒別,并經(jīng)過(guò)一套有效的特征加權(quán)流程獲取整個(gè)輸入模式的特征權(quán)值集合,同時(shí)使用該特征權(quán)值對(duì)目標(biāo)函數(shù)進(jìn)行修正,并通過(guò)準(zhǔn)確率和NMI評(píng)價(jià)方法對(duì)SFFD算法進(jìn)行全面評(píng)價(jià)。8種UCI數(shù)據(jù)集下的聚類結(jié)果表明,特征加權(quán)的模糊半監(jiān)督聚類算法SFFD能夠有效的解決常見(jiàn)的聚類問(wèn)題,在8個(gè)數(shù)據(jù)集上的性能均優(yōu)于其余算法的平均值約7.74%,其權(quán)值能夠提高算法的2.00%至7.00%的分類準(zhǔn)確率。(4)為了有效解決聚類算法中最佳聚類數(shù)的確定問(wèn)題,分析權(quán)值因子在聚類劃分過(guò)程中的作用,使用不同評(píng)價(jià)算法評(píng)估了SFFD算法的有效性,并對(duì)其聚類過(guò)程中劃分矩陣的權(quán)值變化曲線進(jìn)行監(jiān)控。本文在SFFD聚類算法的基礎(chǔ)上,首先采用PC、CE、SC、XB等4種聚類結(jié)果評(píng)價(jià)算法對(duì)相應(yīng)的聚類結(jié)果展開(kāi)評(píng)價(jià),最終通過(guò)不同聚類評(píng)價(jià)結(jié)果的對(duì)比分析獲取不同數(shù)據(jù)集下的最佳聚類數(shù);其次,采用標(biāo)簽數(shù)據(jù)和先驗(yàn)知識(shí)等已知信息生成成對(duì)約束信息指導(dǎo)半監(jiān)督聚類過(guò)程,使用UCI數(shù)據(jù)集和Leaf自測(cè)集作為樣本信息進(jìn)行聚類分析,通過(guò)獲取聚類過(guò)程中輸入特征向量的權(quán)值v的變化曲線分析特征權(quán)值對(duì)聚類性能和分割結(jié)果的影響。選擇合適的聚類評(píng)價(jià)算法能夠?qū)⒄`差控制在2以內(nèi),從而有效的解決最佳聚類數(shù)的預(yù)設(shè)問(wèn)題,而特征權(quán)值在20個(gè)聚類周期內(nèi)將劃分矩陣的權(quán)值進(jìn)行明確劃分,因此,有效提升聚類算法各項(xiàng)性能的最簡(jiǎn)單快捷的方法便是特征賦權(quán)。(5)采用特征加權(quán)模糊半監(jiān)督聚類算法SFFD算法作為分類識(shí)別器,構(gòu)建植物葉片圖像識(shí)別框架。通過(guò)實(shí)地采集相似度較高的葉片數(shù)字圖像并提取多種識(shí)別特征作為輸入數(shù)據(jù)集,使用SFFD分類器的特征加權(quán)過(guò)程極大的提高了聚類速度并有效的增強(qiáng)了算法的分類質(zhì)量,10類植物葉片的識(shí)別實(shí)驗(yàn)結(jié)果表明,該算法省略了樣本訓(xùn)練環(huán)節(jié),每種識(shí)別特征在30%的監(jiān)督信息指導(dǎo)下即可獲得72.40%至86.46%的識(shí)別準(zhǔn)確率,其單一特征平均識(shí)別率為82.92%。另外,在相同的預(yù)處理算法及相同的標(biāo)簽數(shù)據(jù)數(shù)量下,葉緣特征和復(fù)合特征是葉片圖像分類過(guò)程中的最佳分類特征,其次是形狀特征。綜上所述,為了解決實(shí)際中葉片圖像的分類問(wèn)題,融合了降維思想、參數(shù)優(yōu)化方法、半監(jiān)督聚類算法、聚類評(píng)價(jià)及應(yīng)用分析等研究?jī)?nèi)容,提出了解決問(wèn)題的幾種關(guān)鍵算法。這些新算法均取得了較好的應(yīng)用效果。通過(guò)實(shí)驗(yàn)分析得出:葉片分類識(shí)別算法的成功與否主要取決于分類識(shí)別器和特征提取算法,其中,恰當(dāng)?shù)陌氡O(jiān)督信息能夠有效的提高識(shí)別準(zhǔn)確率和分類性能,而合理的降維算法可以大大降低特征提取的計(jì)算復(fù)雜度。
[Abstract]:......
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：S126;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 丁幼春;王書茂;;基于RHT的多圓檢測(cè)改進(jìn)算法[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2008年04期

2 彭紅星;鄒湘軍;陳麗娟;熊俊濤;陳科尹;林桂潮;;基于雙次Otsu算法的野外荔枝多類色彩目標(biāo)快速識(shí)別[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年04期

3 趙雪;陳龍飛;;基于MapReduce的ROCK聚類算法[J];河北科技師范學(xué)院學(xué)報(bào);2014年01期

相關(guān)會(huì)議論文 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強(qiáng)算法[A];四川省通信學(xué)會(huì)一九九二年學(xué)術(shù)年會(huì)論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計(jì)算機(jī)輔助增強(qiáng)、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價(jià)值[A];中華醫(yī)學(xué)會(huì)第十次全國(guó)超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進(jìn)[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實(shí)現(xiàn)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標(biāo)TBD算法[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機(jī)器人設(shè)計(jì)[A];2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對(duì)稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測(cè)算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵(lì)金祥;;基于棱邊方向檢測(cè)的運(yùn)動(dòng)自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相關(guān)重要報(bào)紙文章 前1條

1 國(guó)泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍?zhǔn)?[N];上海證券報(bào);2010年

相關(guān)博士學(xué)位論文 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計(jì)算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識(shí)別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時(shí)間表問(wèn)題的啟發(fā)式進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測(cè)與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 周旭;復(fù)雜網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法研究[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計(jì)中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進(jìn);面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動(dòng)分割算法[D];華南理工大學(xué);2015年

4 陳堅(jiān);基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺(tái)的去霧算法研究及實(shí)現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺(tái)的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進(jìn)與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號(hào)：2434212