论文部分内容阅读
农业是人类赖以生存的基础条件,提高农作物产量需要了解不同作物的生长特征和生理生化参数。准确识别与分类作物是监测其长势的首要前提。相比作物植株,叶片存活时间长,容易采集,且包含丰富的营养及长势信息。因此,可通过识别叶片的特征信息来区分植物类别。近年来,流形学习算法被引入到叶片识别研究中。该方法的核心思想是利用流形学习算法对提取到的叶片特征进行维数约简,实现叶片图像特征信息的聚类。现有的基于流形学习算法的叶片图像识别方法虽然在实拍的植物叶片图像数据库上取得了不错的分类率,但这些方法本身存在着不足,例如提取的特征问题、流形学习的有监督问题和有效地分类器识别问题等。针对目前叶片识别方法存在的一些不足,本文分别对植物叶片识别中的特征提取、流形降维以及分类器进行研究,提出新的叶片识别方法。首先,提取原始叶片图像的高维特征,利用流形学习算法对高维特征进行维数约简,得到这些高维特征的低维嵌入；然后,在低维空间利用分类器识别植物叶片的类别；最后,基于实拍的叶片图像数据库,进行仿真实验并对实验结果进行分析。主要研究内容和结果如下：(1)提出一种基于WLLE和SVM的植物叶片图像识别方法。该方法利用加权局部线性嵌入算法(WLLE)对由叶片图像所有像素值构成的高维颜色特征进行降维,然后利用支持向量机(SVM)在低维空间识别叶片图像的类别。该方法解决了低维空间最近邻分类器不能有效识别植物叶片类别问题。由实验结果表明,该方法提高了叶片图像识别率。(2)提出一种基于差异性值监督局部线性嵌入(D-LLE)算法的多特征植物叶片图像识别方法。该方法提取叶片的颜色、形状和纹理作为叶片多特征,然后在加权局部线性嵌入(WLLE)算法中引入样本的差异性值构成差异性值监督LLE算法(D-LLE)对叶片多特征进行降维,最后在低维空间采用最近邻分类器实现叶片的识别。该方法解决了传统叶片识别方法不能充分提取叶片图像特征,同时已有的流形学习算法不能充分挖掘样本类别信息的问题。基于实拍的叶片图像数据库实验结果表明,该方法有效的提高了叶片的识别精度。