樹葉分類——數(shù)字圖像處理在樹葉識別中的應(yīng)用-在線瀏覽
2024-08-06 16:02本頁面
【正文】 ert 邊緣算子是一種局部差分算子，采用兩個2 2 的掩模模板對圖像的邊緣進(jìn)行檢測。101101101Gx111000111GyGaussLaplace算子：Laplace算子是二階微分算子，具有各項同性，只需要一個卷積核進(jìn)行計算即可。正因為如此，本文首選該算子預(yù)處理圖像。24442408044824844080424442GaussLaplace算子（2）圖像平滑在對圖像進(jìn)行邊緣檢測以及后續(xù)的處理時，由于噪聲的影響會使得處理結(jié)果不夠準(zhǔn)確。圖像平滑一般采用的方法有均值濾波和中值濾波兩種。中值濾波: 對模板內(nèi)的像素點的灰度值排序，取中間值作為返回值。相較來說，中值濾波對圖像的細(xì)節(jié)保存更好一些。綜合圖像的特點，邊緣檢測選用GaussLaplace算子作，圖像平滑選用55平滑模板，中值濾波選用88模板。它從一維灰度直方圖角度出發(fā)，利用類別方差作為判據(jù)，選取使類間方差最大的灰度值作為最佳閾值。Otsu最大類間方差法計算簡單，速度快，穩(wěn)定有效，我們采用此法對樹葉圖像進(jìn)行閾值分割。2 圖像特征提取[34]圖像特征提取是影響圖像識別效果的關(guān)鍵環(huán)節(jié)，需要充分考慮圖像的尺度及特征的種類、穩(wěn)定性和個數(shù)的選取。但通過試算得知，一般模版尺度也基本是3個像素，這樣在前處理中的平滑運算會消除圖像的一些邊界特征，并且在圖像縮放中，在圖像邊界局部也會產(chǎn)生2到3個像素級別的誤差，即誤差的級別與特征長度較近，容易引起特征提取錯誤，把局部誤差毛刺提取成邊界特征。正因為最大高度不穩(wěn)定，最后取消了第五個特征（最大高度/周長）對于識別的貢獻(xiàn)，對于所有樹葉該值均取為常數(shù)零。通過不斷調(diào)試，圖像總體尺度取樹葉周長對應(yīng)2000個像素，可識別的特征長度取為10，即總尺度的1/200。（2） ratio_anl_Nside：拐點平均間距與周長比描述樹葉周邊凹凸性的尺度，此值越小則表示樹葉周邊凹凸越尖銳。（4） ave_sideEnergy： 平均邊界能量取為邊界上各采樣點處轉(zhuǎn)角平方和的平均，以能量的形式反映邊界的復(fù)雜程度。3 圖像識別——LVQ神經(jīng)網(wǎng)絡(luò)[68]神經(jīng)網(wǎng)絡(luò)通過尋找輸入/輸出數(shù)據(jù)之間的關(guān)系，來實現(xiàn)特征提取和統(tǒng)計分來等模式識別任務(wù)。在模式識別的應(yīng)用中，單層感知器是能一致逼近線性連續(xù)函數(shù)空間的最簡單的神經(jīng)網(wǎng)絡(luò)，但是它具有其固有的局限性，即對非線性樣本空間不可分。其他一些優(yōu)化策略如遺傳算法、模擬退火算法等，雖然可以求得全局最小，但是計算量很大，有時會出現(xiàn)效率問題。LVQ網(wǎng)絡(luò)簡介學(xué)習(xí)矢量量化的英文全稱是Learning Vector Quantization，簡稱為LVQ。LVQ神經(jīng)網(wǎng)絡(luò)在模式識別和優(yōu)化領(lǐng)域有這廣泛的應(yīng)用。LVQ算法是一種監(jiān)督類型的聚類方法，該算法與SOM算法最大的區(qū)別在于提供給LVQ網(wǎng)絡(luò)的每個訓(xùn)練例都有一個“標(biāo)記”（label），該“標(biāo)記”用于知名每個訓(xùn)練例所屬的類別，在網(wǎng)絡(luò)的訓(xùn)練過程中起到一定的監(jiān)督作用。學(xué)習(xí)矢量量化(LVQ)神經(jīng)網(wǎng)絡(luò)是在監(jiān)督狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，允許對輸入被分到哪一類進(jìn)行指定，競爭層將自動學(xué)習(xí)對輸入向量分類，同時LVQ算法建立的決策區(qū)是近似最優(yōu)的，另外由于LVQ 網(wǎng)絡(luò)結(jié)構(gòu)的特殊性，使得能夠通過訓(xùn)練來識別由幾個不連接區(qū)域構(gòu)成的類，同時能以較小的計算量處理大量輸入數(shù)據(jù)。神經(jīng)元C與輸入層神經(jīng)元之問的連接權(quán)向量為W(1) 對于提供給網(wǎng)絡(luò)的任一個輸入向量ξ，確定相應(yīng)的輸出層獲勝神經(jīng)元s，其中(2) 確定獲勝神經(jīng)元s的一個領(lǐng)域N，按照如下公式調(diào)整N，范圍內(nèi)神經(jīng)元的權(quán)向量：，該調(diào)整過程使得N內(nèi)神經(jīng)元的權(quán)向量朝著輸入向量ξ的方向靠攏。所有權(quán)向量將在輸入向量空間相互分離，各自代表輸入空間的一類模式，這就是Kohonen網(wǎng)絡(luò)特征自動識別的聚類功能。一個學(xué)習(xí)矢量量化（LVQ）網(wǎng)絡(luò)由三層神經(jīng)元組成，即輸入層、隱競爭層和輸出層。隱競爭層和輸出神經(jīng)元之間的連接權(quán)值固定為1。在網(wǎng)絡(luò)訓(xùn)練的過程中，這些權(quán)值被修改。與競爭網(wǎng)絡(luò)一樣，LVQ網(wǎng)絡(luò)隱競爭層的每個神經(jīng)元通過學(xué)習(xí)原型向量對輸入空間的區(qū)域分類。直接計算距離的優(yōu)點是向量不必規(guī)格化。在隱競爭層中，權(quán)值向量與輸入向量最接近的神經(jīng)元輸出為1，而其他神經(jīng)元的輸出為0，競爭獲勝的神經(jīng)元表示一個子類而非一個類，這是它和競爭網(wǎng)絡(luò)的區(qū)別；輸出層將子類組合成一個類，一個類可
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1