亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于典型相關(guān)分析全局和局部特征融合的植物識(shí)別方法

        2019-09-23 06:10:53張善文邵彧李萍
        江蘇農(nóng)業(yè)科學(xué) 2019年14期

        張善文 邵彧 李萍

        摘要:同類葉片圖像的復(fù)雜多樣性增加了植物識(shí)別研究的難度,導(dǎo)致利用葉片圖像進(jìn)行植物識(shí)別的識(shí)別率不高,因此提出一種基于典型相關(guān)分析(CCA)全局和局部特征融合的植物識(shí)別方法。首先,采用有較好的光照及旋轉(zhuǎn)不變性的梯度直方圖(HOG)和邊緣輪廓Fourier描述子作為植物識(shí)別的特征;然后利用CCA在特征層將HOG和Fourier描述子相融合,構(gòu)成更具分類鑒別力的一個(gè)特征向量;最后利用K-最近鄰分類器進(jìn)行植物識(shí)別。在ICL葉片圖像數(shù)據(jù)庫(kù)上的試驗(yàn)結(jié)果表明了該方法的有效性。

        關(guān)鍵詞:梯度直方圖;Fourier描述子;典型相關(guān)性分析;植物識(shí)別

        中圖分類號(hào): TN911.73;TP391.41 ?文獻(xiàn)標(biāo)志碼: A ?文章編號(hào):1002-1302(2019)14-0255-04

        植物影響著人類賴以生存的生態(tài)系統(tǒng),對(duì)生態(tài)平衡和環(huán)境保護(hù)起著重要作用。開展植物物種的機(jī)器識(shí)別研究具有重要的現(xiàn)實(shí)意義,是計(jì)算機(jī)視角、圖像處理和植保等領(lǐng)域的一個(gè)主要的研究方向[1-2]。張娟研究了梅花葉片圖像的分割、特征提取、分類器分類等方面的問(wèn)題,提出了一種針對(duì)自然背景下基于紋理和顏色特征的梅花圖像分割方法[3]。為了提高植物葉片識(shí)別與分類的正確率,張昭等提出了一種基于主成分分析(PCA)和支持向量機(jī)(SVM)的植物葉片識(shí)別方法。該方法從分割、邊緣檢測(cè)的葉片圖像中提取了10個(gè)具有旋轉(zhuǎn)、比例、平移不變性的無(wú)量綱葉片特征參數(shù),然后進(jìn)行主成分分析,將前3個(gè)主成分作為支持向量機(jī)的輸入進(jìn)行植物識(shí)別,取得了97.22%的識(shí)別率[4]。Du等提出了一種基于輪廓分形維數(shù)和葉脈分形維數(shù)描述植物葉片特征的新方法,首先利用多閾值邊緣檢測(cè)方法對(duì)葉脈和葉柄進(jìn)行分割,得到多條葉脈;然后計(jì)算葉片邊緣圖像和多脈圖像的二維分形維數(shù),再提取小波分形特征進(jìn)行植物識(shí)別。試驗(yàn)結(jié)果證明了分形維數(shù)特征方法的有效性[5]。Mallah等建立了一個(gè)具有100多種植物且每種植物有16幅葉片圖像的數(shù)據(jù)集,并提出了一種基于葉片形狀、紋理和邊緣特征的后驗(yàn)概率相結(jié)合的植物葉片分類方法[6]。Chaki等提出了一種基于紋理特征和形狀特征相融合的植物葉片分類方法,該方法對(duì)葉片圖像的形狀、大小和方位具有一定的魯棒性[7]。Munisami等構(gòu)建了一套植物識(shí)別系統(tǒng),用戶可以將拍攝的葉片圖像上傳到該系統(tǒng)的服務(wù)器,服務(wù)器對(duì)葉片圖像進(jìn)行預(yù)處理、特征提取和匹配。其中,提取的不同特征有葉片圖像的長(zhǎng)和寬、面積、周長(zhǎng)、顏色直方圖和質(zhì)心-輪廓徑向距離等[8]。丁嬌等提出了一種基于差異性值監(jiān)督局部線性嵌入(D-LLE)算法的多特征植物葉片圖像識(shí)別方法,該方法提取葉片的顏色、形狀和紋理作為葉片多特征,利用D-LLE對(duì)葉片高維特征進(jìn)行降維,在低維空間利用K-最近鄰分類器進(jìn)行植物葉片識(shí)別[9]。王麗君等綜合提取觀葉植物葉片圖像的顏色、形狀和紋理特征,利用SVM進(jìn)行識(shí)別,取得了91.41%的識(shí)別效果[10]。劉驥等針對(duì)葉緣葉裂明顯的植物葉片識(shí)別問(wèn)題,提出一種基于葉片形狀特征的識(shí)別方法,該方法提取了葉片圖像的8種形狀特征,經(jīng)過(guò)對(duì)8種特征的皮爾森相關(guān)系數(shù)分析與主成分分析,確定對(duì)分類貢獻(xiàn)最大的5個(gè)主成分,最后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行植物識(shí)別[11]。Wang等提出了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的植物識(shí)別方法,與現(xiàn)有方法相比,該方法具有較好的識(shí)別效果[12]。李洋等針對(duì)傳統(tǒng)植物識(shí)別方法工作任務(wù)量大、效率低下以及難以保證數(shù)據(jù)客觀性的問(wèn)題,提出了一種基于形狀特征的植物葉片識(shí)別算法,并開發(fā)了一款C/S模式的植物葉片在線識(shí)別Android應(yīng)用[13]。高良等針對(duì)當(dāng)前葉片特征描述存在的局限和葉片識(shí)別準(zhǔn)確率較低的問(wèn)題,設(shè)計(jì)描述葉片輪廓的距離矩陣和角點(diǎn)矩陣,通過(guò)計(jì)算基于幾何特征、紋理特征和角點(diǎn)距離矩陣的綜合相似度對(duì)葉片進(jìn)行精確識(shí)別,在Flavia數(shù)據(jù)集上的識(shí)別率高達(dá)97.5%以上[14]。單治磊等提出了一種基于植物多特征提取與局部嵌入融合的植物識(shí)別方法,該方法利用分塊的局部二值模式(LBP)算法提取植物葉片的紋理特征,使用局部線性嵌入(LLE)算法,對(duì)高維的LBP特征進(jìn)行降維,減少了分類識(shí)別時(shí)間,同時(shí)能夠達(dá)到更好的聚類效果[15]。Jeon等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的植物識(shí)別方法,取得了較高的識(shí)別率,但該方法需要大量訓(xùn)練樣本進(jìn)行長(zhǎng)時(shí)間訓(xùn)練[16]。

        在實(shí)際植物識(shí)別過(guò)程中,在復(fù)雜環(huán)境下拍攝的同一種植物的葉片圖像間差異較大,而且對(duì)于葉片圖像的顏色、形狀和紋理特征而言,由于同種葉片之間可能存在著較大差異,因而很多基于葉片的顏色、紋理和形狀特征的植物識(shí)別方法的識(shí)別率不高。不同方法得到的葉片圖像的全局特征和局部特征所描述的內(nèi)容和作用各不相同,如一些基于葉片的全局特征的方法缺乏對(duì)葉片光照、拍攝角度和大小等變化的魯棒性;而單純基于葉片的局部特征的方法又忽略了局部特征之間的聯(lián)系,從而損失了部分全局特征。對(duì)于復(fù)雜背景下的植物識(shí)別問(wèn)題,單純依靠某一種特征很難得到高的識(shí)別率。典型相關(guān)分析(canonical correlation analysis,CCA)通過(guò)最大化2組特征之間的相關(guān)性[17],找出2個(gè)線性變換的投影矩陣,由此得到1個(gè)融合特征向量,使變換后的2組數(shù)據(jù)相關(guān)性最大化[18]。為了提高植物識(shí)別率,提出一種基于CCA融合全局和局部特征的植物識(shí)別算法,并利用ICL葉片圖像數(shù)據(jù)集驗(yàn)證其有效性。

        1 材料與方法

        1.1 試驗(yàn)材料

        試驗(yàn)采用中國(guó)科學(xué)院合肥智能機(jī)械研究所智能計(jì)算實(shí)驗(yàn)室的ICL植物葉片圖像數(shù)據(jù)庫(kù)(http://www.intelengine.cn/dataset/index.html),其中包括220種植物16 851幅葉片圖像,每種植物包含的葉片圖像的數(shù)目不一,紫穗槐有1 078幅葉片圖像,而五葉地錦僅有26幅葉片圖像。這些葉片圖像都是在不同的時(shí)間、光照和角度等條件下采集,然后再利用葉片圖像采集儀進(jìn)行拍攝得到。圖1為葉片圖像示例。

        1.2 試驗(yàn)方法

        基于葉片的植物分類方法由葉片的輪廓全局特征和內(nèi)部局部細(xì)節(jié)來(lái)識(shí)別,這些特征反映了葉片結(jié)構(gòu)的形狀和紋理特征,一般不包含顏色特征。筆者利用方向梯度直方圖(histogram of oriented gradient,HOG)特征描述子提取葉片圖像的內(nèi)部細(xì)節(jié)特征,然后利用Canny邊緣檢測(cè)算法和Fourier描述子提取葉片圖像的輪廓特征,再利用CCA將2組特征向量融合為1個(gè)特征向量,最后利用K-最近鄰分類器進(jìn)行植物分類。

        1.2.1 方向梯度直方圖 HOG是在計(jì)算機(jī)視覺(jué)和圖像處理中廣泛使用的一種圖像局部特征提取方法,是通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征,其步驟如下:(1)葉片圖像灰度化和歸一化。采用Gamma校正法對(duì)葉片圖像進(jìn)行RGB顏色空間數(shù)據(jù)歸一化處理,降低圖像局部的陰影和光照變化對(duì)特征提取的影響,而且可以抑制噪聲干擾。

        2 試驗(yàn)結(jié)果與分析

        采用2-折交叉驗(yàn)證法在ICL植物葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行試驗(yàn),并與紋理和形狀相結(jié)合的方法(TS)[7]、基于葉片形狀特征的方法(SH)[11]和多特征融合的方法(MFF)[14]3種植物識(shí)別方法以及直接將HOG特征和Fourier描述子串聯(lián)構(gòu)成的特征向量識(shí)別方法的識(shí)別結(jié)果進(jìn)行比較。由于數(shù)據(jù)庫(kù)中葉片圖像均為彩色圖像,圖像大小不一,在提取HOG和Fourier特征前須要對(duì)每幅圖像進(jìn)行預(yù)處理,將每幅圖像歸一化到 32×32,再轉(zhuǎn)換為灰度圖像(圖2)。

        首先,通過(guò)PCA對(duì)提取的HOG直方圖特征向量和Fourier描述子特征向量進(jìn)行維數(shù)約簡(jiǎn);然后,利用CCA進(jìn)行融合,得到1個(gè)特征向量(經(jīng)驗(yàn)選取維數(shù)d為50);最后,利用1-最近鄰分類器進(jìn)行分類。表1為5種植物識(shí)別方法經(jīng)過(guò)50次2-折交叉驗(yàn)證得到的葉片圖像的平均分類率和方差。

        由表1可知,本研究方法的植物識(shí)別率最高。其主要原因是利用CCA將HOG特征和Fourier描述子相融合,而CCA能夠?qū)?組不同的特征向量有機(jī)融合,最大化2組向量之間的相關(guān)性,得到具有葉片圖像的HOG和Fourier描述子特征優(yōu)點(diǎn)的融合特征向量,得到了有利于分類的旋轉(zhuǎn)、尺度和光照

        不變性全局和局部形狀和紋理特征,而TS方法和 HOG+Fourier方法沒(méi)有考慮2組特征之間的相關(guān)關(guān)系,SH方法提取的形狀沒(méi)有充分描述葉片圖像,MFF方法只是簡(jiǎn)單地提取圖像的多個(gè)特征,該特征不足以表示葉片形狀,所以4種比較方法的識(shí)別率不高。

        3 結(jié)論

        CCA是一種經(jīng)典的特征融合和維數(shù)約簡(jiǎn)算法,利用CCA能夠?qū)?組異構(gòu)的特征向量進(jìn)行融合,得到相關(guān)性很高的低維融合特征向量。本研究方法首先提取葉片圖像的全局和局部特征向量,然后利用CCA進(jìn)行特征融合,最后利用K-最近鄰分類器進(jìn)行植物分類。在ICL葉片圖像數(shù)據(jù)庫(kù)上的試驗(yàn)結(jié)果表明,該方法是可行的。下一步繼續(xù)研究魯棒、監(jiān)督的特征提取和融合算法,并討論算法的復(fù)雜度。

        參考文獻(xiàn):

        [1]陶行科. 基于紋理特征的葉片識(shí)別系統(tǒng)研究[D]. 北京:北京林業(yè)大學(xué),2015.

        [2]Ehsanirad A. Plant classification based on leaf recognition[J]. International Journal of Computer Science&Information Security,2010,8(4):100-109.

        [3]張 娟. 基于圖像分析的梅花種類識(shí)別關(guān)鍵技術(shù)研究[D]. 北京:北京林業(yè)大學(xué),2011.

        [4]張 昭,楊民倉(cāng),何東健. 基于PCA和SVM的植物葉片分類方法研究[J]. 農(nóng)機(jī)化研究,2013(11):34-37,41.

        [5]Du J X,Zhai C M,Wang Q P. Recognition of plant leaf image based on fractal dimension features[J]. Neurocomputing,2013,116(10):150-156.

        [6]Mallah C,Cope J,Orwell J. Plant leaf classification using probabilistic integration of shape,texture and margin features[J]. Acta Press,2013,3842(4):107-111.

        [7]Chaki J,Parekh R,Bhattacharya S. Plant leaf recognition using texture and shape features with neural classifiers[J]. Pattern Recognition Letters,2015,58:61-68.

        [8]Munisami T,Ramsurn M,Kishnah S,et al. Plant leaf recognition using shape features and colour histogram with k-nearest neighbour classifiers[J]. Procedia Computer Science,2015,58:740-747.

        [9]丁 嬌,梁 棟,閻 慶. 基于D-LLE算法的多特征植物葉片圖像識(shí)別方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2015,51(9):158-163.

        [10]王麗君,淮永建,彭月橙. 基于葉片圖像多特征融合的觀葉植物種類識(shí)別[J]. 北京林業(yè)大學(xué)學(xué)報(bào),2015,37(1):55-61.

        [11]劉 驥,曹鳳蓮,甘林昊. 基于葉片形狀特征的植物識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用,2016,36(增刊2):200-202,226.

        [12]Wang Z B,Sun X G,Zhang Y N,et al. Leaf recognition based on PCNN[J]. Neural Computing & Applications,2016,27(4):899-908.

        [13]李 洋,李岳陽(yáng),羅海馳,等. 基于形狀特征的植物葉片在線識(shí)別方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2017,53(2):162-165,171.

        [14]高 良,閆 民,趙 方. 基于多特征融合的植物葉片識(shí)別研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào),2017,29(4):668-675.

        [15]單治磊,張王菲,趙熙臨,等. 多特征與局部線性嵌入融合算法在植物識(shí)別中的應(yīng)用研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,37(6):188-194.

        [16]Jeon W S,Rhee S Y. Plant leaf recognition using a convolution neural network[J]. International Journal of Fuzzy Logic&Intelligent Systems,2017,17(1):26-34.

        [17]Yuan Y H,Yang J L,Shen X B,et al. Discriminative scatter regularized CCA for multiview image feature learning and recognition[C]. Chinese Conference on Biometric Recognition,2015:694-701.

        [18]Yang X H,Liu W F,Tao D P,et al. Canonical correlation analysis networks for two-view image recognition[J]. Information Sciences,2017,385:338-352.

        [19]Neto J C,Meyer G E,Jones D D,et al. Plant species identification using Elliptic Fourier leaf shape analysis[J]. Computers and Electronics in Agriculture,2006,50(2):121-134.

        亚洲日本国产精品久久| 青草网在线观看| 搡老女人老妇女老熟妇69| 日本视频在线播放一区二区 | 日本丰满熟妇videossexhd| 99久久久无码国产精品试看| 亚洲欧美日韩国产精品网| 国产成av人在线观看| 丝袜人妻一区二区三区| 老熟妇乱子伦av| 精品国产一区二区三区亚洲人| 亚洲av毛片在线播放| 豆国产96在线 | 亚洲| 少妇脱了内裤让我添| 99久久综合国产精品免费| 国产一区二区资源在线观看| 国产播放隔着超薄丝袜进入| 亚洲av成人一区二区三区在线观看| 精品久久久久久99人妻| 国产高清视频在线不卡一区| 亚洲av日韩aⅴ无码色老头| 福利一区在线观看| 午夜国产小视频在线观看黄| 女同同性av观看免费| a级国产乱理伦片在线播放| 国产精品午夜波多野结衣性色| 亚洲中文乱码在线观看| 国产精品无码一区二区三区电影| 人妻无码人妻有码中文字幕| 人妻丰满熟妇av一区二区| 国产一区二区三区亚洲avv| 国产肥熟女视频一区二区三区 | 91亚洲国产成人精品一区.| 帮老师解开蕾丝奶罩吸乳网站| 国产日韩亚洲欧洲一区二区三区| 久久五月精品中文字幕| 欧美白人战黑吊| 国精产品一品二品国在线| 色琪琪一区二区三区亚洲区| 美女午夜福利视频网址| 曰批免费视频播放免费直播|