基于形状与纹理特征的鱼类摄食状态检测方法

在水产养殖中,检测鱼类的摄食状态对于投喂控制具有重要意义。以镜鲤为实验对象,提出了一种基于鱼群图像的形状及纹理特征和BP神经网络的鱼群摄食行为检测方法。首先,对采集到的图片进行背景减、灰度化、二值化等处理,得到图像形状与纹理信息,然后计算鱼群图像的形状参数和图像熵,最后利用BP神经网络建模,对鱼群的摄食状态进行检测识别。结果显示,本方法的正确识别率达到98.0%。与单一的基于纹理的检测方法相比,不仅可以把因水面抖动、水花等不利因素的干扰作为纹理的特有属性进行分析,而且考虑了图像的形状信息,提高了检测的准确性,可以用于指导水产养殖中的精准投喂控制。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于字典学习的马铃薯叶片病害图像识别算法

为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。     

基于区域生长和SVM 结合的黄金大蚊快速检测算法

结合传统图像处理方法与支持向量机(SupportVectorMachine,SVM)技术,设计了一种黄金大蚊图像快速检测算法,对现场采集的黄金大蚊图像进行快速检测。该方法实现了在分割过程中完成对害虫种类的标记,简化了图像处理步骤。同时,利用SVM支持小样本数据,解决了训练中样本数量的问题。从现实环境中拍摄得到100张黄金大蚊图片为素材进行分类器的训练与检测,得到识别率较高的分类器,利用所得到的分类器结合传统图像处理方法设计与实现了本检测算法。通过对80幅现场试验照片检测分析显示,对黄金大蚊的正确识别率可达到92%以上。对于目标较为明显的图片,算法运行时间在0.2s以内。算法达到较快运行速度和较高精度,对田间害虫快速监测提供了技术支撑,具有较好的应用前景。     

基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

基于Spark的支持向量机在小麦病害图像识别中的应用

为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03%、81.18%、77.82%,对白粉病的分类精度依次是83.27%、85.91%、83.14%,比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率。     

基于图像识别的无人机精准喷雾控制系统的研究

【目的】针对传统的植保无人机喷雾作业时化肥农药浪费大,利用率低,造成环境污染的问题,研制一种基于图像识别的无人机精准喷雾控制系统。【方法】利用中值滤波算法对田间航拍图像进行去噪,采用分层K_means硬聚类算法实现对农田航拍图像的分割,提取非作物区域的颜色、纹理特征空间的22个特征参数,设计支持向量机分类器进行分类识别。根据优选的17个特征参数,利用以径向基函数作为核函数的支持向量机对非作物区域图像进行识别,并根据识别结果控制喷头,实现精准喷雾。【结果】测试样本的识别率可达为76.56%,在无干扰风场情况下,当P_阀为10%时,减施率可达32.7%。【结论】本系统为农业航空精准喷雾控制技术的应用提供了参考方向和决策支持。     

基于纹理特征的玉米苗期田间杂草识别

对玉米常见杂草进行灰度化、图像滤波等图像预处理,对多个图像纹理特征进行筛选。以支持向量机进行分类识别,分别进行基于灰度矩阵、统计矩的识别以及二者结合的识别。结果表明,综合了灰度矩阵与统计矩的纹理特征识别精度最高,可满足田间杂草识别要求。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

基于专家系统的穴盘苗品种识别算法设计与试验

为提高穴盘苗品种识别准确率,确保全自动穴盘苗移栽的实施,设计基于专家系统的识别算法。首先对采集穴盘苗图像进行K均值聚类算法图像分割、二值化和形态图像处理,获得0.6L-0.4(R+B+G)/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4个颜色特征值向量和长宽比、椭圆扁率、矩形度、傅里叶描述子等4个形状特征向量。然后对图像特征进行语义转换,构建穴盘苗知识模型,并设计苗的知识库及推理机,推理采用了不确定推理算法及学习算法。系统采集了120盘10个品种的穴盘苗,采用专家系统识别试验,成功率达到了98.3%,而相同样本采用支持向量机(support vector machine,简称SVM)的识别率是84.0%,采用粒子群优化支持向量机(particle-swarm optimization SVM,简称PSOSVM)的识别率是86.3%,采用反向传递(back propagation,简称BP)神经网络的识别率是62.0%,证明基于专家系统的识别方法可以满足自动移栽作业要求。     

基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95%的识别率.平均每张人脸图像识别时间为0.14s,表明该算法能符合实际应用的要求.     

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

基于形状及纹理特征的淡水鱼种类自动识别方法

[目的]本文利用自行搭建的淡水鱼图像采集装置在淡水鱼捕捞现场采集鱼体图像,在图像数据集上提出一种实用的淡水鱼自动识别分类方法。[方法]对14类淡水鱼图像进行预处理、自模板匹配操作,分割出完整的鱼体前景图像;提取鱼体全身、去尾鱼体及鱼尾的16维形状特征,利用灰度-梯度共生矩阵(GLGCM)、局部二值模式(LBP)及Gabor变换提取鱼体纹理特征,采用主成分分析法(PCA)分别筛选GLGCM纹理+形状、LBP纹理+形状和Gabor纹理+形状特征累积贡献率超过85%的特征组合。将降维前后特征集的70%和30%分别作为训练集和验证集,利用朴素贝叶斯、K近邻(KNN)、线性回归、决策树、随机森林、支持向量机(SVM)、梯度提升决策树(GBDT)7种机器学习方法训练淡水鱼品种分类器,并利用验证集数据分析对比各分类器的性能。[结果]鱼体前景图像分割算法测试结果表明,本文提出的自模板匹配方法可在不建立大规模模板库的前提下,以99.79%的正确率分割鱼体图像。分类器性能验证及对比结果表明,基于GLGCM纹理+形状特征的随机森林分类器的淡水鱼识别精度最高,降维获得的5维GLGCM纹理+形状特征向量识别14种淡水鱼的正确率达到99.52%。[结论]提出的自模板匹配方法可以在不构建庞大模板库的前提下实现鱼体前景区域的分割,基于筛选得到的GLGCM纹理+形状特征的随机森林分类器可用于自动识别淡水鱼品种。     

基于iOS系统的观赏植物识别

为了解决公众识别校园内观赏植物的问题,基于iOS操作系统设计了一款利用叶片识别观赏植物的应用程序(APP)。建立了本地SQLite数据库,存储叶片的特征数据及与校园文化相关的植物属性信息。系统运行流程:通过iPhone拍照获取植物的叶片图像,转化为灰度图后,运用OTSU法分割出叶片区域,再提取叶片的颜色、形状、纹理等10种特征,运用支持向量机(SVM)分类器识别叶片并在iPhone上展示相应的图片和文字信息。结果显示:所选8种实验观赏植物叶片的平均识别率为92%,平均用时2.6 s。该系统简单便捷,为校园观赏植物基于叶片的手机自动识别提供了实现方法,有助于发挥观赏植物在大学校园的科学价值和独特人文价值。     

基于计算机视觉的葡萄叶部病害识别研究

利用数字图像处理和支持向量机技术实现对植物叶部常见病害的自动识别,以葡萄叶部常见的白粉病、黑腐病、霜霉病为研究对象,对采集的图像进行预处理后,提取病斑区域形状、颜色和纹理的共15个特征,利用支持向量机分类器对葡萄叶部常见病害进行分类识别。结果表明,与其他核函数相比,径向基核函数对葡萄叶部病害测试样本的识别率最高,正确率达95.00%,说明利用计算机视觉技术实现对葡萄叶部常见病害的自动识别是可行的;通过多次试验可以得出,利用多特征组合进行识别可以有效地提高葡萄叶部常见病害的识别准确率。     

基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于LSP与GLCM融合的禾本科牧草种子特征提取算法

针对禾本科牧草种子相似性较高、识别困难的问题,采用局部相似模式(LSP)和灰度共生矩阵(GLCM)的方法,对禾本科牧草种子的分类识别进行研究。结果表明:1)局部相似模式与灰度共生矩阵融合的方法可以有效的提取禾本科牧草种子的纹理特征,能够识别颜色、形状、大小等特征都十分相似的牧草种子,且其识别率优于传统的LSP特征算子和GLCM特征算子。2)与传统LSP算法相比,结合灰度共生矩阵算法后,得到的特征受到相似种类种子图像的影响较小,具有更广泛的适应性。因此,基于LSP和GLCM的融合算法可以有效地提取相似禾本科种子图像的纹理统计特征,采用线性判别分析分类器(LDA)进行分类,识别率最高达到98.64%。     

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。