基于计算机视觉的紫色土图像分类,可以帮助在田间地头劳作的农业生产人员科学地辨识土壤种类,对农业生产有积极的指导作用。论文以提高紫色土图像分类准确率为目的,对多特征融合的紫色土图像分类展开研究。论文的主要工作包含如下3个方面。(1)提取基于人工设计的颜色特征、纹理特征进行紫色土图像分类。为了减少光照、遮挡对图像颜色特征的影响,分析在RGB颜色空间和HSV颜色空间下有遮挡的紫色土图像的颜色信息,发现HSV颜色空间下的H分量颜色信息受光照、遮挡影响小,提取H分量直方图特征、H分量颜色矩,同时提取紫色土图像的GLCM特征、LBP特征、RGB直方图特征,分别利用SVM分类器进行紫色土图像分类,仿真实验结果表明利用H分量直方图特征进行分类的准确率最高,比其他4组特征更具区分性。(2)优化ResNet50模型进行紫色土图像分类。对比分析AlexNet、VGG16、Inception-v3和ResNet50模型进行紫色土图像分类的性能,仿真结果表明ResNet50的准确率最高、训练时间较少,证明了ResNet50进行紫色土图像分类的优势。针对紫色土图像数据集小而用ResNet50进行分类准确率不高的问题,引入迁移学习方法,同时在ResNet50的全局平均池化层后加入一层128维的全连接层,并引入Dropout技术,设计ReLU-Mish函数替换ReLU激活函数,仿真实验表明优化后的ResNet50的分类准确率有所提高,学到的特征区分性更强。(3)融合多特征进行紫色土图像分类,并加以应用。为了更充分地描述紫色土图像特征,将H分量直方图特征和优化ResNet50提取的深层特征进行组合,组合特征为156维。针对组合特征间可能存在冗余特征,且在小样本紫色土图像分类任务中,特征维数过大易过拟合的问题,利用ReliefF算法计算组合特征中各个特征的权重,权重大的特征对分类性能有积极作用,根据特征权重累积贡献率择优选出融合特征进行紫色土图像分类,仿真实验表明基于融合特征进行紫色土图像分类的准确率比H分量直方图特征、优化ResNet50提取的深层特征、组合特征的分类准确率都高,证明了多特征融合进行紫色土图像分类的有效性,并将多特征融合的紫色土图像分类模型加以应用,设计并实现了紫色土图像分类系统。