數(shù)學建模基于形態(tài)特征葉子識別聚類論文(編輯修改稿)
2025-05-01 04:27 本頁面
【文章內(nèi)容簡介】 ： (2)傅立葉變換的高頻分量對應細節(jié)而低頻分量對應總體形狀，在圖像檢索和圖像識別中使用傅立葉描述子時，為了減少使用描述子進行圖像相似度判別時的計算量，可以只用一部分對應低頻分量的傅立葉系數(shù)來近似描述邊界形狀。邊緣模型仿真：同樣對樣品135和樣品153進行分析，表中的橫坐標表示邊緣的周長、面積、周長面積比、圓形度、方形度、對比度?？v坐標為前十個圖片的序號。其中(55)是樣品135對應的部分邊緣特征；(56)是樣品153對應的部分邊緣特征。 葉片的邊緣特征圖(55)(樣品135) 葉片的邊緣特征圖(56) (樣品153)：對于這一特征，我們將用顏色矩來表示。與顏色直方圖相比，該方法的另一個好處在于無需對特征進行向量化。因此，圖像的顏色矩一共只需要9個分量（3個顏色分量，每個分量上3個低階矩），僅采用顏色的一階矩，二階矩，和三階矩就足以表達圖像的顏色分布。一階中心矩，二階中心矩和三階中心矩分別表示圖像或子區(qū)域圖像的平均顏色，標準方差和三次根非對稱性。三個顏色矩的數(shù)學定義：(1)(2)(3)由于每個像素具有顏色空間的三個顏色通道，因此圖像的顏色矩由9個分量來描述：顏色模型仿真：對樣品135和樣品153通過模型求解得到了其對應的部分圖(57)、(58)。圖中的橫坐標表示圖像顏色矩的九個分量。葉片的顏色特征圖(57)(樣品135)葉片的顏色特征圖(58)(樣品153)通過特征提取得到有關葉子的形狀，邊緣，顏色的數(shù)據(jù)。以下我們就以樣品135的矩形度為例,通過矩形度生成分布圖可以發(fā)現(xiàn)葉子的形態(tài)學數(shù)據(jù)是服從正態(tài)分布的，因此我們可以計算出葉子的每個形態(tài)學數(shù)據(jù)樣本的均值和方差，即可得到樣本每一個形態(tài)學數(shù)據(jù)的高斯分布圖。葉子矩形度數(shù)據(jù)生成的分布圖(59)(樣品135)通過上面的圖可以看出，葉子形態(tài)學的數(shù)據(jù)成正太分布，正好符合貝葉斯分類的先決條件。因此，我們可以利用貝葉斯來進行葉子的分類。貝葉斯原理：? 貝葉斯公式： ? 代表類別，代表特征，我們做出預測肯定是利用當前的特征，來判斷輸出的類別。 ? 我們可以看到貝葉斯公式先驗與后驗概率之間的轉換，很明顯，在我們的定義里面是后驗概率，也是我們想要得到的東西。而我們已知先驗概率,以及條件概率。對于多類的分類來說，都是一樣，所以此項可以略去。那最終的結果就是計算這一項，是可以通過觀察來解決的,我們有三類種子可以通過觀察知道。上面對于此項的解釋是在類中，特征出現(xiàn)的概率，其實簡單來講，就是的概率密度。? 這樣通過先驗概率到后驗概率的轉換即可進行分類。 這里是針對葉子數(shù)據(jù)中的一個形態(tài)學數(shù)據(jù)進行的分析，當比較兩種葉子的同一個形態(tài)學數(shù)據(jù)的時候通過計算類條件概率曲線，可以分辨出該特征分類是否明顯。如下：是顏色矩形成的類條件概率。我們是通過對樣品135和樣品153進行實驗。如圖是樣品135和樣品153的顏色矩特征的分析 顏色特征類條件概率密度曲線(510)(樣品135和 樣品153)從上圖可以看出產(chǎn)生的有關顏色矩特征的概率密度曲線的閾值可以很容易的分開兩類葉子。因此，顏色特征是對樣品135和樣品153分類的重要依據(jù)。 通過計算形成顏色特征后驗概率密度曲線。 顏色特征類后驗概率曲線(511)(樣品135和 樣品153)通過后驗概率曲線圖也很容易看出兩類通過顏色分類很容易。實驗結果：選取一張類似135類中的葉子。通過比較可以說明利用顏色特征，并且利用貝葉斯分類器分類效果顯著。為了增加實驗的可靠性，我們有利用邊緣特征和形狀特征類進一步分析驗證。下圖是圖片樣品135和樣品153邊緣特征形成的類條件概率。邊緣特征類條件概
數(shù)學相關推薦
鄂ICP備17016276號-1