樹葉分類——數(shù)字圖像處理在樹葉識別中的應(yīng)用-文庫吧資料
2025-07-02 16:02本頁面
【正文】 的程序執(zhí)行速度快。數(shù)據(jù)庫中只包含了一個數(shù)據(jù)表leaf，其字段除包含樹葉特征信息外，還包含樹葉標(biāo)識（Name）、樹葉類型（type）和識別結(jié)果（result）。利用MFC的DAO類，用戶可以編寫?yīng)毩⒂贒BMS的應(yīng)用程序。Access數(shù)據(jù)庫[9]：是樹葉特征的存放倉庫。三、軟件系統(tǒng)開發(fā)本識別系統(tǒng)由三個模塊組成：主控模塊、Access數(shù)據(jù)庫和Matlab引擎。由過程（3）中所采用的權(quán)向量調(diào)整策略可以看出．當(dāng)被選中的輸出神經(jīng)元 對應(yīng)的類別和輸入向量X所對應(yīng)的類別一致時，將調(diào)整權(quán)向量使其向輸入向量的方向靠攏．反之，調(diào)整權(quán)向量使其偏離輸入向量。如果(即輸出神經(jīng)元k所代表的類別與輸入模式不一致)，表示錯誤的隱競爭層神經(jīng)元競爭獲勝，則移動該神經(jīng)元的權(quán)值遠(yuǎn)離X，修改隱競爭層權(quán)值向量：(4) 訓(xùn)練集中選取另外一個輸入向量提供給LVQ網(wǎng)絡(luò)．返回步驟（2）直到所有的向量都提供了一遍為止。LVQ 網(wǎng)絡(luò)的訓(xùn)練過程如下[2]：(1) 初始化權(quán)向量Wj，對于任意j∈Ω，設(shè)置初始學(xué)習(xí)率(2) 從訓(xùn)練集中選取一輸入向量X，找出與X具有最小Euclidean距離的權(quán)向量Wk，(3) 按如下規(guī)則調(diào)整神經(jīng)元k的權(quán)向量： Cj為輸出神經(jīng)元j所代表的類別，不同的輸出神經(jīng)元可以代表一個類別。216。LVQ網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則LVQ算法對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)如下：216。隱含層的神經(jīng)元數(shù)量依賴于輸入一輸出間關(guān)系的復(fù)雜度并且它的數(shù)量對分類效果的影響比較大。這里用Euclidean距離矩陣來選擇和輸入向量最近的權(quán)值向量。LVQ是通過直接計算距離的方法模擬LVQ網(wǎng)絡(luò)。隱競爭層神經(jīng)元和輸出神經(jīng)元都具有二進制輸出值。輸入層和隱競爭層間的連接權(quán)值建立參考矢量的分量（對每個隱競爭層神經(jīng)元指定一個參考矢量）。圖1 LVQ網(wǎng)絡(luò)結(jié)構(gòu)該網(wǎng)絡(luò)在輸入層與隱競爭層之間為完全連接，而在隱競爭層與輸出層之間為部分連接，每個輸出神經(jīng)元與隱競爭層神經(jīng)元的不同組相連接。LVQ網(wǎng)絡(luò)結(jié)構(gòu)LVQ網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。隨著學(xué)習(xí)的不斷進行，學(xué)習(xí)速率α將不斷減小，領(lǐng)域N也將不斷縮小。Kohonen學(xué)習(xí)規(guī)則Kohonen網(wǎng)絡(luò)特征自動識別的聚類功能主要是通過以下兩個簡單的規(guī)則實現(xiàn)的[2]：記所有輸出神經(jīng)元C組成的集合為Φ。因此，LVQ算法實際上是SOM算法基本思想在監(jiān)督學(xué)習(xí)領(lǐng)域中的一種應(yīng)用。LVQ算法是對SOM算法的一種擴展，它的基本思想源于SOM算法，它對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)與SOM很相似，但并不像SOM網(wǎng)絡(luò)那樣存在某種特定的拓?fù)浣Y(jié)構(gòu)。LVQ算法是在有教師狀態(tài)下對競爭層進行訓(xùn)練的一種學(xué)習(xí)方法，它是從Kohonen競爭算法演化而來的。本論文嘗試?yán)肔VQ網(wǎng)絡(luò)來實現(xiàn)模式識別，LVQ網(wǎng)絡(luò)的優(yōu)點是不需要將輸入向量進行歸一化、正交化，只需要直接計算輸入向量與競爭層之間的距離，從而實現(xiàn)樹葉圖像的模式識別。BP網(wǎng)絡(luò)是一種應(yīng)用最為普遍的網(wǎng)絡(luò)，其缺點在于采用了基于的梯度下降的非線性優(yōu)化策略，有可能陷于局部最小問題，不能保證求出全局最小值。經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)點定了在模式識別領(lǐng)域不可或缺的位置。（5） ratio_Hm_Nside： 最大高度/周長考慮到圖像最大高度受葉柄的直、曲影響很大，其值很不穩(wěn)定，因而會降低樹葉識別效果，不再提取其實際值，直接賦值為常量零。（3） Ninflexion： 拐點數(shù)理論上應(yīng)為樹葉周邊凸包個數(shù)的兩倍，實際由于最小特征尺度的選取和邊界毛刺誤差，具體提取的拐點數(shù)會有一定的隨機性。所提取得圖像特征如下：（1） roundness：歸1化圓形度 評價樹葉整體外形與圓形的近似程度，用于提取圖像的“胖瘦”特性。也就是說，如果圖像特征不穩(wěn)定，則增加特征個數(shù)對于識別效果是不利的，反之則有利。另外，特征尺度主要與樹葉周長直接相關(guān)，取其為最大高的固定百分比也是不合適的，應(yīng)該直接與樹葉周長相關(guān)，而不是最大高度，因為圖像周長特性比最大高度要穩(wěn)定的多，比如葉柄的直、曲對樹葉周長影響很小，而對樹葉最大高度影響較大。對于本課題，圖像尺度最初取樹葉最大高度對應(yīng)300像素，認(rèn)為圖像可識別的特征長度是最大高度的1/100，即3個像素，則像邊界點采樣頻率為每3像素取1個。Otsu法求取圖像最佳閥值的公式如下：式中：： 灰度值為的頻率；：目標(biāo)部分比例；：背景部分比例；：目標(biāo)均值；：背景均值；： 總均值。最大類間方差閾值分割法的基本思路是將圖像的直方圖以某一灰度為閾值將圖像分成兩組并計算兩組的方差，當(dāng)被分成的兩組之間的方差最大時，就以這個灰度值為閾值分割圖像。（3）O
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1