学位论文 > 优秀研究生学位论文题录展示

基于图像的植物叶片分类方法研究

作　者: 董红霞
导　师: 郭斯羽
学　校: 湖南大学
专　业: 仪器科学与技术
关键词: 植物叶片分类骨架化形状特征纹理特征 BP神经网络
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 45次
引　用: 0次
阅　读: 论文下载

内容摘要

植物叶片分类识别对于准确高效的植物物种鉴定、良种识别、鉴定植物叶片病害、研究植物间的亲缘关系以及阐明植物系统的进化规律等方面具有重要意义,而且根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。近年来,国内外在基于植物叶片图像的植物分类等方面的研究不断取得进展,包括叶片图像的特征选取、算法性能和分类器设计等,并取得了一定的研究成果。但总体而言,为了在实用中进一步提高工作效率、降低人员的劳动强度等,基于图像的植物叶片自动识别的准确率仍有提升空间。本文针对植物叶片的分类识别展开研究。首先对植物机器识别及基于植物叶片的分类识别方法进行了综述,介绍了植物叶片分类的含义与若干已有方法；详细说明了与植物叶片分类识别有关的基本图像处理方法；较为简练地介绍了本文的植物叶片分类方法中所使用的预处理和分割步骤。为了从植物叶片图像中提取出有助于分类的叶片长度及分叉数等形状特征,提出了一种植物叶片的骨架提取方法。该方法在已有的骨架化算法基础上,引入了面积显著性指标和突出部分骨架长度显著性指标,利用这两个指标对骨架上的各条分支加以筛选,去除其中由于区域边缘处小的凸起或凹陷所形成的冗余骨架分支,从而在一定程度上克服现有的骨架化方法对于区域边缘噪声敏感、所得骨架的分支过多且不能高效体现区域主体形状的问题。实验表明该骨架提取方法能够有效去除冗余骨架分支,从而给出更能体现叶片区域特征的骨架,为进一步提取包括叶片长度、叶片平均宽度和分叉数在内的叶片形状特征打下了良好基础。本文最后提出了一种基于形状与纹理特征的分类算法,通过提取包括几何特征、Hu不变矩、纹理描绘子和分形维数在内的形状和纹理特征来构成特征矢量,并利用BP前馈神经网络来完成分类,在实验图像集上达到了较已有方法更高的正确分类率。此外,对不同的BP网络结构设置进行了实验,并对实验结果进行了一定地分析。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-14
  1.1 植物机器识别的意义  10-11
  1.2 叶片分类识别的国内外研究现状  11-13
    1.2.1 国外研究概况  11-12
    1.2.2 国内研究概况  12-13
  1.3 本文研究内容  13-14
第2章相关图像处理技术简介  14-28
  2.1 图像灰度化  14-15
  2.2 图像滤波  15-18
  2.3 图像阈值分割  18-20
    2.3.1 直方图阈值法  19
    2.3.2 迭代法阈值分割  19
    2.3.3 大津法阈值分割  19-20
  2.4 叶片图像边缘检测  20-25
    2.4.1 Roberts边缘检测算子  21
    2.4.2 Prewitt边缘检测算子  21-22
    2.4.3 Sobel边缘检测算子  22
    2.4.4 LoG边缘检测算子  22-23
    2.4.5 Canny边缘检测算子  23-25
  2.5 形态学处理  25-28
第3章叶片图像的预处理与分割  28-32
  3.1 植物叶片图像获取  28
  3.2 叶片灰度图像获取  28-29
  3.3 滤波图像获取  29
  3.4 二值图像获取  29-30
  3.5 形态学处理图像获取  30
  3.6 叶片轮廓的获取  30-32
第4章叶片图像骨架提取  32-39
  4.1 骨架的基本概念  32
  4.2 骨架及熄火函数的获取  32-33
  4.3 骨架分枝的确定  33
  4.4 区域重构与骨架的显著性指标  33-35
  4.5 叶片区域骨架去毛刺方法  35-36
  4.6 提取骨架  36-39
第5章特征提取  39-48
  5.1 叶片几何特征提取  39-43
  5.2 叶片图像不变矩的提取  43-45
  5.3 纹理描绘子  45-46
  5.4 分形维数  46-47
  5.5 特征归一化处理  47-48
第6章基于BP神经网络的叶片分类  48-60
  6.1 神经网络的概述  48
  6.2 人工神经网络之构成与分类  48-49
  6.3 BP神经网络简介  49-50
  6.4 BP神经网络的结构和算法  50-53
  6.5 BP网络设计  53-55
    6.5.1 输入层和输出层的设计  53-54
    6.5.2 隐含层的设计  54
    6.5.3 隐含层神经元数目的选取  54-55
    6.5.4 学习率的确定  55
    6.5.5 动量因子的选择  55
  6.6 创建BP神经网络  55-56
  6.7 实验结果及分析  56-60
总结和展望  60-62
  总结  60
  展望  60-62
参考文献  62-66
致谢  66-67
附录A 攻读硕士学位期间所发表的学术论文  67

基于图像的植物叶片分类方法研究

内容摘要

全文目录

相似论文