植物物種機(jī)器識(shí)別技術(shù)的研究.pdf

1、植物是地球上物種數(shù)量最多、分布最廣泛的生命形式，影響著人類賴以生存的生態(tài)系統(tǒng)。植物也是人類生存與發(fā)展的重要的資源，是人類生產(chǎn)和生活必需的資源。同時(shí)，植物與農(nóng)業(yè)有著密切的聯(lián)系，而農(nóng)業(yè)作為國(guó)民經(jīng)濟(jì)的命脈，是一個(gè)國(guó)家賴以生存的基礎(chǔ)。因此，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。植物物種分類性狀的自動(dòng)提取將推動(dòng)植物分類學(xué)的發(fā)展，植物物種的自動(dòng)識(shí)別有助于提高人們對(duì)植物的認(rèn)識(shí)，有利于植物資源的保護(hù)和利用。而計(jì)算機(jī)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用多數(shù)涉及到

2、作物的特征提取、分類與識(shí)別，所以植物物種的機(jī)器識(shí)別研究將有利地推動(dòng)信息技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用。本文的工作正是圍繞著植物物種的機(jī)器識(shí)別的研究，從植物圖像的特征提取方法和圖像特征的分類來(lái)分別進(jìn)行的。全文的主要工作體現(xiàn)在以下幾個(gè)方面： 1).植物圖像的預(yù)處理。植物圖像預(yù)處理的難點(diǎn)和重點(diǎn)是植物葉片圖像的分割。實(shí)際采集的植物圖像通常帶有背景，必須通過(guò)圖像分割提取目標(biāo)后才能進(jìn)行特征提取等后期工作。對(duì)于簡(jiǎn)單背景下的單葉、多葉片圖像，通過(guò)圖像的灰

3、度統(tǒng)計(jì)分析和實(shí)驗(yàn)比較發(fā)現(xiàn)，使用全局閾值法、局部自適應(yīng)閾值法、多閾值分割法等的方法可以達(dá)到滿意的分割效果。對(duì)于有復(fù)雜背景的葉片圖像，嘗試使用交互式的主動(dòng)輪廓模型法和分水嶺算法進(jìn)行圖像分割，實(shí)驗(yàn)結(jié)果表明這兩種圖像分割算法是可行的和卓有成效的。 2).葉片圖像的形狀特征提取。分割后葉片圖像的特征提取是實(shí)現(xiàn)植物物種機(jī)器識(shí)別的一個(gè)重要環(huán)節(jié)。無(wú)論是對(duì)于植物形態(tài)學(xué)還是進(jìn)行機(jī)器識(shí)別，葉片的形狀特征都是進(jìn)行植物分類的重要依據(jù)。通過(guò)對(duì)葉片形狀的分析

4、，總結(jié)出用于植物物種機(jī)器識(shí)別和植物數(shù)值分類學(xué)的8個(gè)區(qū)域描述幾何特征。為提高識(shí)別精度，還使用了葉片的不變矩特征。實(shí)驗(yàn)結(jié)果表明，葉片的區(qū)域描述幾何特征是進(jìn)行植物物種識(shí)別的顯著特征和高效分類特征。另外，葉片的葉緣、葉脈、骨架、裂深等葉片結(jié)構(gòu)特征是植物數(shù)值分類學(xué)的主要分類性狀，也是植物形態(tài)學(xué)分類的依據(jù)，通過(guò)數(shù)字圖像處理技術(shù)實(shí)現(xiàn)這些性狀的自動(dòng)提取，是計(jì)算機(jī)輔助植物物種識(shí)別的重要內(nèi)容和必然環(huán)節(jié)，所以對(duì)這些葉片結(jié)構(gòu)特征的自動(dòng)提取方法也進(jìn)行了研究。

5、 3).植物圖像的紋理特征提取。紋理信息都是描述與識(shí)別植物圖像的一項(xiàng)重要指標(biāo)，對(duì)于樹皮圖像更是唯一有效的分類特征。通過(guò)兩種圖像的識(shí)別實(shí)驗(yàn)比較發(fā)現(xiàn)：基于象素灰度值統(tǒng)計(jì)的共生矩陣方法、自相關(guān)函數(shù)方法、游程方法以及直方圖方法的識(shí)別率普遍比較低；多尺度性Gabor濾波方法和小波分解方法可以獲得較高的識(shí)別精度；局域二值模式方法的識(shí)別效率最好，可以以較少的特征描述獲得較高的識(shí)別率。而我們提出的Gabor分塊局域二值模式方法可以獲得最高的識(shí)別精度

6、，但需要較大的計(jì)算量。 4).提出了一種啟發(fā)式徑向基概率神經(jīng)網(wǎng)絡(luò)全結(jié)構(gòu)優(yōu)化方法。為在實(shí)際應(yīng)用中加速優(yōu)化速度，降低優(yōu)化計(jì)算復(fù)雜度，首先提出了最小體積覆蓋超球和移動(dòng)平均中心覆蓋超球兩種算法，用于啟發(fā)式的從訓(xùn)練樣本中快速的初選出徑向基概率神經(jīng)網(wǎng)絡(luò)的隱中心矢量，然后將粒子群優(yōu)化算法和ROLSA結(jié)合進(jìn)一步優(yōu)選隱中心矢量，同時(shí)優(yōu)化核函數(shù)控制參數(shù)，實(shí)現(xiàn)徑向基概率神經(jīng)網(wǎng)絡(luò)的全結(jié)構(gòu)優(yōu)化。 5).在對(duì)徑向基概率神經(jīng)網(wǎng)絡(luò)隱中心和控制參數(shù)的幾何

7、意義分析的基礎(chǔ)上，提出了一種橢球基概率神經(jīng)網(wǎng)絡(luò)模型，它可以看作徑向基概率神經(jīng)網(wǎng)絡(luò)的自然拓展，在網(wǎng)絡(luò)結(jié)構(gòu)中以全協(xié)方差矩陣取代原來(lái)的對(duì)角協(xié)方差矩陣，使之在不同的輸入方向上的函數(shù)寬度也不同，能夠在不增加基函數(shù)數(shù)目的情況下更好地表征樣本數(shù)據(jù)復(fù)雜的分布，并針對(duì)橢球基概率神經(jīng)網(wǎng)絡(luò)提出一種基于高維空間幾何分析算法的超橢球神經(jīng)元初始化方法。為提高橢球基概率神經(jīng)網(wǎng)絡(luò)的性能，提出了一種把粒子群優(yōu)化算法和梯度下降算法相結(jié)合的混合結(jié)構(gòu)優(yōu)化算法用于橢球基神經(jīng)元的

8、優(yōu)選和控制參數(shù)的優(yōu)化。 6).提出一種基于D-S融合理論的橢球基概率神經(jīng)網(wǎng)絡(luò)多分類器融合系統(tǒng)，避免了單一橢球基概率神經(jīng)網(wǎng)絡(luò)的分類局限性，減少了尋求單一分類單元結(jié)構(gòu)最優(yōu)化時(shí)的計(jì)算復(fù)雜度，大大提高了對(duì)復(fù)雜模式識(shí)別問(wèn)題的分類精度，并將其應(yīng)用于基于Gabor分塊局域二值模式單特征的植物物種識(shí)別和基于多特征的植物物種識(shí)別。 7).針對(duì)實(shí)際中大量存在的變形植物葉片，提出了基于形狀匹配的殘缺與重疊葉片圖像識(shí)別方法。首先介紹了葉片形狀的