植物物種機器識別技術(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，植物與農(nóng)業(yè)有著密切的聯(lián)系，而農(nóng)業(yè)作為國民經(jīng)濟的命脈，是一個國家賴以生存的基礎(chǔ)。因此，開展植物物種的機器識別研究具有重要的現(xiàn)實意義。植物物種分類性狀的自動提取將推動植物分類學(xué)的發(fā)展，植物物種的自動識別有助于提高人們對植物的認識，有利于植物資源的保護和利用。而計算機技術(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、分類與識別，所以植物物種的機器識別研究將有利地推動信息技術(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器識別的研究，從植物圖像的特征提取方法和圖像特征的分類來分別進行的。全文的主要工作體現(xiàn)在以下幾個方面： 1).植物圖像的預(yù)處理。植物圖像預(yù)處理的難點和重點是植物葉片圖像的分割。實際采集的植物圖像通常帶有背景，必須通過圖像分割提取目標(biāo)后才能進行特征提取等后期工作。對于簡單背景下的單葉、多葉片圖像，通過圖像的灰

3、度統(tǒng)計分析和實驗比較發(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到滿意的分割效果。對于有復(fù)雜背景的葉片圖像，嘗試使用交互式的主動輪廓模型法和分水嶺算法進行圖像分割，實驗結(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現(xiàn)植物物種機器識別的一個重要環(huán)節(jié)。無論是對于植物形態(tài)學(xué)還是進行機器識別，葉片的形狀特征都是進行植物分類的重要依據(jù)。通過對葉片形狀的分析

4、，總結(jié)出用于植物物種機器識別和植物數(shù)值分類學(xué)的8個區(qū)域描述幾何特征。為提高識別精度，還使用了葉片的不變矩特征。實驗結(jié)果表明，葉片的區(qū)域描述幾何特征是進行植物物種識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)，通過數(shù)字圖像處理技術(shù)實現(xiàn)這些性狀的自動提取，是計算機輔助植物物種識別的重要內(nèi)容和必然環(huán)節(jié)，所以對這些葉片結(jié)構(gòu)特征的自動提取方法也進行了研究。

5、 3).植物圖像的紋理特征提取。紋理信息都是描述與識別植物圖像的一項重要指標(biāo)，對于樹皮圖像更是唯一有效的分類特征。通過兩種圖像的識別實驗比較發(fā)現(xiàn)：基于象素灰度值統(tǒng)計的共生矩陣方法、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別精度；局域二值模式方法的識別效率最好，可以以較少的特征描述獲得較高的識別率。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別精度

6、，但需要較大的計算量。 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。為在實際應(yīng)用中加速優(yōu)化速度，降低優(yōu)化計算復(fù)雜度，首先提出了最小體積覆蓋超球和移動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)合進一步優(yōu)選隱中心矢量，同時優(yōu)化核函數(shù)控制參數(shù)，實現(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)方差矩陣取代原來的對角協(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)化時的計算復(fù)雜度，大大提高了對復(fù)雜模式識別問題的分類精度，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別和基于多特征的植物物種識別。 7).針對實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別方法。首先介紹了葉片形狀的