阔叶树种叶片图像模式分类方法研究

发布时间：2020-07-23 12:46

【摘要】：阔叶叶片片纹理和轮廓的特征,可以用于树种的分类。因为树种的数量庞大,分类时需要具备大量树种类别相关的数据储备,一般非专业人员不具备这些技能,只能依靠计算机来存储大量的图像数据。高速互联网技术普及为计算机树种叶片识别提供了良好的研究和使用环境。首先,采集毛樱桃、金银忍冬、紫丁香、紫椴共四种东北常见阔叶叶片共计360片,清洗过后置于单一背景中进行图像采集,生成360张叶片图像。使用OpenCV图像处理开发程序包,应用C++语言编写程序,对采集的图像进行图像预处理,获得利于采集特征的图像,并且将图像分为测试和训练集。提取每一幅图像的叶片面积与外接圆面积比、轮廓长宽比、面积与轮廓周长比、面积与长比、面积与宽比、图像中像素的熵、叶片叶脉纹理熵、叶片边缘轮廓的熵共计8种特征值,并将这些特征数据存储到数据文件中。使用训练集特征数据在线性分类器中进行训练,将得到训练后的模型使用测试集数据测试,最后得到识别率为87%。为了提高识别率,使用卷积神经网络进行图像特征研究。卷积神经网络结构顺序为一层输入层、两层卷积层、一层池化层,最后全链接到了一层以ReLU函数组成的激励层实现分类。将训练数据集和测试数据集中的图像直接放入网络模型中,网络通过训练集图像训练调整权值得到最优状态,训练方法为随机梯度下降算法。使用卷积神经网络研究最后的结果是,平均识别率94%,其中最高一组的模型识别率为98%。实验结果表明使用卷积神经网络深度学习模型对于阔叶树叶片图像分类识别率高。使用卷积核提取的特征图谱,能够得到更多的图像细节,并且不需要特征值的设计和提取工作。缺点是需要大量的阔叶树叶片图像对于网络训练,但是随着计算机技术的发展以数据驱动的模型相对于以特征值分类的模型更具有发展意义。同时本实验训练后的模型对于树种的分类与研究提供了部分理论支撑。
【学位授予单位】：东北林业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S712
【图文】：

叶片特征,叶片,图像,原图

图２－１采集叶片图像原图逡逑２．２．２叶片特征值选取逡逑

问题,界面方程,向量,问题分类

为线性分类器的判决界面一般不会通过坐标系原点，所以加入一个增广元素实现判决界逡逑面，这样可以使用两个向量做内积形式来表达判决域，当进行两分类问题的处理时使用逡逑的方法如图２－２所示。逡逑．牛逡逑＼00逡逑＼Ｘ）邋0逡逑＼逡逑逦？逡逑图２－２两类问题逡逑图２－２中的横纵坐标分别代表两种特征。图像中两类问题的识别是使用判别阈界面逡逑方程如公式２－５所示。判别函数通过训练集数据训练后，得到最优的权值向量［１１］，利用逡逑测试集中的数据进行测试。逡逑ｎ逡逑Ｓｉ｛ｘ）邋＝邋Ｙ．ｗ＜ｘｘｉ＋ｄ邋７邋＝邋１，２，３，．．．，？逦（２－４）逡逑ｉ＝＼逡逑＜？，判决为本类逡逑＞０，判决为非本类逦（２－５）逡逑［＝０，拒绝判决逡逑经过上面研宄的两类问题分类方法，在两类问题的基础上进一步研究多类问题的解逡逑决方案。仿照两种类别的判决界面方程的得到方法，可以将多类问题分为属于本类和不逡逑属于本类的情况

问题,简单细胞,卷积

小于０时判为属于本类，大于０时判决为非本类。在类别数量较小的情况下，这种判决逡逑方法的识别率高和计算速度快。但当出现新的类别时可能会出现新的特征向量与每一个逡逑线性界面函数的结果都小于０或者同时满足多个类别条件，这样就会出现如图２－３所示逡逑的无法判决的区域。于适在线性判决域界面方程的基础上研究卷积神经网络。逡逑＋逦＝邋0逡逑—邋ｘＩｒＸ逦逦１—邋＿＝。逡逑ｉｒ逦—ｉｒ逦＋逡逑Ｘ逦＿Ｘｇ３（Ａ）邋＝邋0逡逑图２－３多分类问题逡逑２．３使用卷积神经网络叶片模式分类逡逑使用线性分类器模型进行叶片图像树种识别，事前需要编写大量特征值提取程序，逡逑并且识别使用的线性分类器模型会在特征空间中出现无法识别区域，因而在进一步的研逡逑究中选取了非线性的卷积yL经网络进行研宄。卷积神经网络是近年来快速发展的人工智逡逑能深度学习领域的人工神经网络分支［３５１，在人工yL经网络的的网络模型中加入了卷积层逡逑和池化层［３６１卷积层解决了使用线性分类器前，需要进行图像特征提取，特征值定义和逡逑提取的工作１３７］。逡逑２．３．１卷积神经网络逡逑卷积神经网络起源于１９５９年Ｈｕｂｅ丨和Ｗｉｅｓｅｌ通过生物学领域的经验在活体猫身上逡逑做的生物电试验。将不同形状的的图像展现在猫的眼前，检测猫在看到响应形状后的yL逡逑经反应［３８］。试验发现在猫的大脑神经中有两种细胞相互合作完成对图像的识别，两种细逡逑胞由处理任务的复杂度分别被命名为复杂细胞和简单细胞，其中简单细胞会对一些简单逡逑图形进行响应

【参考文献】