基于稀疏表示字典学习的植物分类方法技术

本发明专利技术涉及一种基于稀疏表示字典学习的植物分类方法，其技术特点是：初始化参数，包括设置每种植物类别字典的大小、稀疏限定因子和误差容忍参数；针对每类植物叶片图像的训练样本，利用K-SVD算法得到每类叶片图像的超完备字典；将训练后每类叶片图像的超完备字典拼接成一个冗余字典，并对冗余字典的各列进行归一化处理；通过求解最小化范数得到稀疏系数；计算残差并选择差值最小的对应的样本类别为待识别样本最终的识别结果。本发明专利技术利用面向类别的字典学习求得超完备字典来计算待识别图像的稀疏表示，减少了算法的计算时间，满足了实时性要求，并且取得了较高的识别率，平均识别率高达95％以上。

【技术实现步骤摘要】

本专利技术涉及计算机图像处理
，特别是一种基于稀疏表示字典学习的植物分类方法。
技术介绍
要保护人类的生存环境，就要保护植物；要保护植物，首先要认识植物。对于植物分类来说，植物的叶、花、果、茎和皮甚至树根等都是植物分类的依据。这些特征都有各自的分类价值。与植物其他的器官相比，由于叶片的颜色、纹理和形状相对稳定，而且对温度、季节的变化不是很敏感，更重要的是植物叶片的存活时间较长，在一年的大部分时间内都可较为方便地采集到，所以常作为植物的识别特征和认识植物的主要参照器官，因此，通过叶片来进行植物分类是一种最直接有效且最简单的方法。近年来，基于计算机的植物自动识别研究引起了广大学者的普遍关注，出现了很多植物识别的方法和系统。其中，大多数是从叶片图像中提取叶片的颜色、形状和纹理等分类特征，然后选择一些对分类贡献很大的特征，再利用合适的分类器识别植物。由于叶片图像的复杂多样性，使得很多基于特征提取的植物分类识别方法在提取哪些特征、选择哪些特征以及选择什么样的分类器时存在一些盲本文档来自技高网...

【技术保护点】
一种基于稀疏表示字典学习的植物分类方法，其特征在于包括以下步骤：步骤1、初始化参数，包括设置每种植物类别字典的大小K、稀疏限定因子δ和误差容忍参数ε；步骤2、针对每类植物叶片图像的训练样本，利用K‑SVD算法得到每类叶片图像的超完备字典；步骤3、将训练后每类叶片图像的超完备字典拼接成一个冗余字典，并对冗余字典的各列进行归一化处理；步骤4、通过求解最小化范数得到稀疏系数；步骤5、计算残差并选择差值最小的对应的样本类别为待识别样本最终的识别结果。

【技术特征摘要】
1.一种基于稀疏表示字典学习的植物分类方法，其特征在于包括以下步骤：
步骤1、初始化参数，包括设置每种植物类别字典的大小K、稀疏限定因子δ和误差容忍
参数ε；
步骤2、针对每类植物叶片图像的训练样本，利用K-SVD算法得到每类叶片图像的超完
备字典；
步骤3、将训练后每类叶片图像的超完备字典拼接成一个冗余字典，并对冗余字典的各
列进行归一化处理；
步骤4、通过求解最小化范数得到稀疏系数；
步骤5、计算残差并选择差值最小的对应的样本类别为待识别样本最终的识别结果。
2.根据权利要求1所述的基于稀疏表示字典学习的植物分类方法，其特征在于：所述步
骤2是采用基于类的字典学习方法，对同一类的训练样本通过K-SVD算法得到该类别的超完
备字典，并进一步压缩该字典，具体方法为：
针对K个不同的植物类别，...

【专利技术属性】
技术研发人员：张传雷，张善文，杨巨成，陈亚瑞，赵希，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津;12