基于多特征融合与极限学习机的植物叶片分类方法

对植物的分类多通过对植物叶片的分类来实现,为提高植物叶片分类的准确率提出了一种基于多特征融合与极限学习机的植物叶片分类方法.首先对植物叶片彩色图像进行预处理,得到去除叶片颜色与背景的二值图像和灰度图像;然后从二值图像中提取植物叶片的形状特征和不变矩特征,利用灰度图像提取灰度共生矩阵参数作为叶片图像的纹理特征,共得到28维的特征向量,最后采用极限学习机分类策略对特征向量进行训练和测试.在公开的植物叶片数据集Flavia上进行实验,训练分类准确率达到99％ 以上,测试准确率达到98％ 以上.实验结果表明,本文方法可以有效提高植物叶片分类的准确率.     

融合重检测机制的上下文感知目标跟踪算法

为了解决目标跟踪中常见的遮挡、旋转和背景杂乱等问题,提出了一种融合重检测机制的上下文感知目标跟踪算法.首先在相关滤波算法的基础上引入上下文信息供滤波器学习以丰富样本信息,构造上下文感知相关滤波器,提高滤波器的学习能力;然后引入重检测机制判断检测结果的可靠性,解决遮挡情况下模型被污染的问题.最后在公开数据集上对算法的性能进行了测试,并与DSST、Staple、SRDCF、TLD和BACF这5种算法进行对比.实验结果表明,算法在遮挡、旋转和背景杂乱等复杂场景下具有较好的跟踪鲁棒性,跟踪精度和成功率分别达到了 0.748和0.836,均优于其余5种跟踪算法.     

一种联合雾线和凸优化的单幅图像去雾算法

为解决传统去雾算法容易在天空区域出现光晕效应和复原后的图像颜色过饱和等问题,提出了一种联合雾线和凸优化的单幅图像去雾算法。该算法使用雾线先验来估计大气光值,并通过离散小波变换构建了一个降维的子带雾图模型,进一步将双线性耦合项和大气光传输分布作为线性优化变量进行凸优化求解来得到透射率,最后通过大气散射模型恢复出无雾图像。实验结果表明该算法在大多数情况下恢复的图像清晰自然,与其他几种常用的图像去雾算法的客观对比,也证实了该算法的可行性和有效性。