【技术实现步骤摘要】
本专利技术涉及植物叶片图像集的自动分类识别系统,特别涉及一种k-means特征提取和基于深度学习的非线性重构模型的植物图像集的分类识别方法。
技术介绍
植物是地球上物种数量最多、分布最广泛的生命形式之一,并为人类的生存和发展提供必要的资源。然而随着人类生产活动的日益增加,生态环境不断地遭到破坏,从而导致众多的植物物种灭绝,对人类的生产和生活也产生了巨大的影响。因此对植物的分类识别具有非常重要的意义。然而单靠人工的操作是无法实现的,而且需要大量的人力和物力。近年来,随着计算机硬件性能的不断提高,数字图像采集设备的广泛使用,以及网络的普及应用,大量植物信息已经被数字化,而利用计算机处理数字植物信息可以避免传统研究过程中的工作效率低、工作量大且客观性难以保证等缺点。在植物图像集分类识别系统中,通常分为两个阶段,第一个阶段是特征的提取,第二个阶段是分类器的设计。在现有的植物图像集分类识别系统中学习或提取的特征一般是通过手动提取特征的方法如形状特征(傅里叶描述子、多尺度曲率空间、PHOG)、纹理特征(Gabor小波变换、局域二值模式、二值模式)、颜色特征(颜色矩、颜色直方图、颜色均值)等。尽管手动选择的特征在某些领域取得非常好的效果,但是当面对新的数据或者新的条件下,手动选择特征方法可能不一定能适合。对于图像集的分类方法主要分类两类:基于参数化模型的方法和基于非参数化模型的方法。基于参数化模型方法假设每个图像集服从某种概率分布,然后用K-L散度来度量两个概率分布之间的相似度,但这种方法当测试集和训练集没有强的统计相关性时,分类效果不佳。基于非参数化模型的方法通过用 ...
【技术保护点】
一种基于非线性重构模型的植物图像集的分类识别方法,其特点在于,包括:对图像进行预处理;基于K‑means聚类方法提取图像的特征向量;使用PCA方法对得到的特征向量进行降维;建立非线性重构模型并训练非线性重构模型的参数;根据测试样本的最小重构误差和测试样本集的最多投票策略来判定植物图像集的类别。
【技术特征摘要】
1.一种基于非线性重构模型的植物图像集的分类识别方法,其特点在于,包括:对图像进行预处理;基于K-means聚类方法提取图像的特征向量;使用PCA方法对得到的特征向量进行降维;建立非线性重构模型并训练非线性重构模型的参数;根据测试样本的最小重构误差和测试样本集的最多投票策略来判定植物图像集的类别。2.根据权利要求1所述的基于非线性重构模型的植物图像集的分类识别方法,其特征在于,所述对图像进行预处理具体包括:灰度化彩色图像;提取经过灰度化...
【专利技术属性】
技术研发人员:杜吉祥,刘孟南,王靖,范文涛,张洪博,
申请(专利权)人:华侨大学,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。