本文選題：植物葉片識(shí)別 + 圖像分割　； 參考：《河南理工大學(xué)》2016年碩士論文

【摘要】：植物識(shí)別在維護(hù)植物物種多樣性、植物資源開發(fā)與利用等領(lǐng)域均有著舉足輕重的作用。傳統(tǒng)的植物識(shí)別方法要求操作者擁有扎實(shí)的專業(yè)知識(shí),并且往往存在著工作量大、工作效率低等問題。利用數(shù)字圖像處理技術(shù)進(jìn)行植物物種的自動(dòng)識(shí)別成為植物識(shí)別領(lǐng)域的研究熱點(diǎn)。植物葉片作為植物的重要器官,它具有二維結(jié)構(gòu)且易于進(jìn)行數(shù)字圖像采集。因此,在植物自動(dòng)識(shí)別方法的研究之中,葉片常常被作為首選的參考器官。論文從葉片圖像預(yù)處理、特征提取和分類器設(shè)計(jì)三個(gè)方面對(duì)基于葉片圖像的植物識(shí)別方法進(jìn)行了研究與改進(jìn)。在葉片圖像預(yù)處理階段,詳細(xì)介紹了植物葉片圖像的灰度化處理、植物葉片圖像的分割、植物葉片圖像的形態(tài)學(xué)處理、植物葉片的邊界提取及位置歸一化方法。為解決具有復(fù)雜背景的植物葉片圖像分割,本文采用了一種半自動(dòng)交互式的圖像分割方法。相較于傳統(tǒng)的閾值分割方法,半自動(dòng)交互式圖像分割方法對(duì)具有復(fù)雜背景的植物葉片圖像能夠取得理想的分割效果。在植物葉片特征提取階段,利用植物葉片的幾何特征與紋理特征相組合的方法對(duì)植物葉片進(jìn)行特征提取操作。其中植物葉片的區(qū)域幾何特征由不變矩特征和若干個(gè)葉片幾何描述參數(shù)共同構(gòu)成,紋理特征則利用灰度共生矩陣進(jìn)行提取。在分類器設(shè)計(jì)階段,將集成學(xué)習(xí)算法應(yīng)用于植物葉片分類器的訓(xùn)練。針對(duì)植物葉片識(shí)別這個(gè)多類別分類問題,提出了一種新型的神經(jīng)網(wǎng)絡(luò)集成分類器算法。在Flavia葉片數(shù)據(jù)庫中選取20類葉片圖像,每類30張,共計(jì)600張圖片進(jìn)行實(shí)驗(yàn)。基于神經(jīng)網(wǎng)絡(luò)集成的植物葉片識(shí)別方法的平均識(shí)別精度為91%。與其它分類器算法相比,試驗(yàn)結(jié)果表明集成學(xué)習(xí)算法可以提高植物葉片識(shí)別的精度。在論文的最后,設(shè)計(jì)了一種基于隨機(jī)森林算法的植物葉片識(shí)別軟件,且在校園采集的9類植物葉片樣本上進(jìn)行了試驗(yàn),取得了良好的識(shí)別效果。
[Abstract]:Plant identification plays an important role in the maintenance of plant species diversity and the development and utilization of plant resources. Traditional plant recognition methods require operators to have solid professional knowledge, and there are often problems such as heavy workload and low work efficiency. Automatic recognition of plant species using digital image processing technology has become a hotspot in the field of plant recognition. As an important organ of plants, plant leaves have two-dimensional structure and are easy to collect digital images. Therefore, in the research of plant automatic recognition, leaf is often used as the preferred reference organ. In this paper, the plant recognition method based on leaf image is studied and improved from three aspects: leaf image preprocessing, feature extraction and classifier design. In the stage of leaf image preprocessing, the grayscale processing of plant leaf image, the segmentation of plant leaf image, the morphological processing of plant leaf image, the edge extraction of plant leaf and the normalization of position are introduced in detail. In order to solve the problem of plant leaf image segmentation with complex background, a semi-automatic interactive image segmentation method is proposed in this paper. Compared with the traditional threshold segmentation method, semi-automatic interactive image segmentation method can achieve an ideal segmentation effect for plant leaf images with complex background. In the stage of plant leaf feature extraction, the feature extraction operation of plant leaf is carried out by combining the geometric feature and texture feature of plant leaf. The regional geometric features of plant leaves are composed of invariant moment features and several geometric description parameters of leaves, while texture features are extracted by gray level co-occurrence matrix. In the stage of classifier design, the integrated learning algorithm is applied to the training of plant leaf classifier. A new neural network ensemble classifier algorithm is proposed to deal with the multi-class classification problem of plant leaf recognition. In the Flavia leaf database, 20 kinds of leaf images were selected, 30 images per category, a total of 600 images were tested. The average recognition accuracy of the plant leaf recognition method based on neural network integration is 91. Compared with other classifier algorithms, the experimental results show that the integrated learning algorithm can improve the accuracy of plant leaf recognition. At the end of the paper, a plant leaf recognition software based on stochastic forest algorithm is designed, and the experiments are carried out on 9 kinds of plant leaf samples collected on campus, and good recognition results are obtained.
【學(xué)位授予單位】：河南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：Q94;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 施水才;俞鴻魁;呂學(xué)強(qiáng);李渝勤;;基于大規(guī)模語料的新詞語識(shí)別方法[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2006年03期

2 馬彬;洪宇;楊雪蓉;姚建民;朱巧明;;基于語義依存線索的事件關(guān)系識(shí)別方法研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

3 馬彬;洪宇;楊雪蓉;姚建民;朱巧明;;基于推理線索構(gòu)建的事件關(guān)系識(shí)別方法[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

4 科信;名貴中藥的幾種識(shí)別方法[J];內(nèi)江科技;2002年05期

5 鄧福根;;一種智能的人臉識(shí)別方法[J];今日科苑;2009年24期

6 王夢(mèng)菊;;復(fù)雜網(wǎng)絡(luò)中社區(qū)識(shí)別研究[J];硅谷;2012年11期

7 高強(qiáng);程方道;;重磁圖像信息計(jì)算機(jī)自動(dòng)提取及識(shí)別方法探討[J];物探化探計(jì)算技術(shù);1993年02期

8 ;哪些食物易摻毒?[J];科技致富向?qū)?2009年19期

9 郭慶勝;黃遠(yuǎn)林;章莉萍;;曲線的彎曲識(shí)別方法研究[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2008年06期

10 曾華;郭履容;王植恒;;廣義色譜識(shí)別方法思想之初探[J];云南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);1991年03期

相關(guān)會(huì)議論文 前10條

1 鄭凱;;建立多維數(shù)據(jù)異常點(diǎn)識(shí)別方法的嘗試[A];第八屆全國體育科學(xué)大會(huì)論文摘要匯編（一）[C];2007年

2 張朋柱;韓崇昭;萬百五;;智能決策支持系統(tǒng)中的問題識(shí)別方法與實(shí)現(xiàn)[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第2卷）[C];1993年

3 劉麗蘭;劉宏昭;;時(shí)間序列模型的識(shí)別方法[A];制造技術(shù)自動(dòng)化學(xué)術(shù)會(huì)議論文集[C];2004年

4 苗振偉;許勇;楊軍;;超聲波人臉識(shí)別方法研究[A];中國聲學(xué)學(xué)會(huì)2007年青年學(xué)術(shù)會(huì)議論文集（上）[C];2007年

5 羅智勇;宋柔;荀恩東;;一種基于可信度的人名識(shí)別方法[A];第二屆全國學(xué)生計(jì)算語言學(xué)研討會(huì)論文集[C];2004年

6 張茜;鄭崢;亢一瀾;王娟;仇巍;;基于海量實(shí)測數(shù)據(jù)的反演識(shí)別方法與盾構(gòu)裝備載荷的力學(xué)建模[A];中國力學(xué)大會(huì)——2013論文摘要集[C];2013年

7 趙銳;陳光發(fā);;軍事口令識(shí)別的Fuzzy方法探討[A];第二屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];1992年

8 駱玉榮;劉建麗;史曉濤;;一種自動(dòng)車窗識(shí)別方法的設(shè)計(jì)與實(shí)現(xiàn)[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 崔凱華;王國慶;方劍青;李紅軍;賈俊波;馬超;趙燁;張東輝;;基于聲模態(tài)分析的材料識(shí)別方法研究[A];現(xiàn)代振動(dòng)與噪聲技術(shù)（第九卷）[C];2011年

10 李洪東;梁逸曾;張志敏;;酵母蛋白組中原生肽識(shí)別方法的探索研究[A];中國化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場論文集[C];2008年

相關(guān)重要報(bào)紙文章 前9條

1 陳春道;甲魚優(yōu)劣及雌雄的識(shí)別方法[N];北京科技報(bào);2003年

2 龐席堂;假幣的識(shí)別方法[N];中華合作時(shí)報(bào);2003年

3 王修增;手機(jī)被盜號(hào)的6種識(shí)別方法[N];中國保險(xiǎn)報(bào);2003年

4 張侃;正品手機(jī)電池識(shí)別方法[N];通信產(chǎn)業(yè)報(bào);2000年

5 潘 治;德國開發(fā)出癌癥早期識(shí)別方法[N];中國中醫(yī)藥報(bào);2003年

6 新華社記者 段世文;產(chǎn)權(quán)證識(shí)別方法[N];新華每日電訊;2001年

7 金亮;機(jī)器人的情感[N];中國醫(yī)藥報(bào);2001年

8 黃璐;識(shí)別假火車票有絕招[N];山西經(jīng)濟(jì)日?qǐng)?bào);2004年

9 宗紹純;如何識(shí)別是純奶還是奶飲料？[N];國際商報(bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 趙國騰;跨座式單軌交通軌道梁表面裂紋識(shí)別方法研究[D];重慶大學(xué);2015年

2 徐訓(xùn);線性與非線性結(jié)構(gòu)動(dòng)力荷載識(shí)別方法及實(shí)驗(yàn)研究[D];哈爾濱工業(yè)大學(xué);2015年

3 黃仕建;視頻序列中人體行為的低秩表達(dá)與識(shí)別方法研究[D];重慶大學(xué);2015年

4 張航;基于高光譜成像技術(shù)的皮棉中地膜識(shí)別方法研究[D];中國農(nóng)業(yè)大學(xué);2016年

5 吳翔;基于機(jī)器視覺的害蟲識(shí)別方法研究[D];浙江大學(xué);2016年

6 張莉莉;競優(yōu)特征的群識(shí)別方法及其應(yīng)用[D];東北大學(xué);2010年

7 陳綿書;計(jì)算機(jī)人臉識(shí)別方法研究[D];吉林大學(xué);2004年

8 葉俊勇;人臉檢測與識(shí)別方法研究[D];重慶大學(xué);2002年

9 何光輝;四種人臉識(shí)別方法研究[D];重慶大學(xué);2010年

10 佟麗娜;基于力學(xué)量信息獲取系統(tǒng)的人體摔倒過程識(shí)別方法研究[D];中國科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 徐珂瓊;基于視頻的人臉識(shí)別方法研究[D];天津理工大學(xué);2015年

2 彭姣麗;針對(duì)多表情的人臉識(shí)別方法研究[D];昆明理工大學(xué);2015年

3 代秀麗;基于半監(jiān)督判別分析的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

4 易磊;基于兩階段的交通標(biāo)志識(shí)別方法研究[D];南京理工大學(xué);2015年

5 李彥;基于小波變換的人臉識(shí)別方法研究[D];電子科技大學(xué);2014年

6 田曉霞;運(yùn)動(dòng)想象EEG的識(shí)別方法及在上肢康復(fù)中的應(yīng)用[D];北京工業(yè)大學(xué);2015年

7 楊俊濤;基于分?jǐn)?shù)譜時(shí)頻特征的SAR目標(biāo)檢測與識(shí)別方法研究[D];電子科技大學(xué);2014年

8 宋洪偉;基于模糊集合的漢語主觀句識(shí)別方法研究與實(shí)現(xiàn)[D];黑龍江大學(xué);2015年

9 賈博軒;基于手機(jī)傳感器的人類復(fù)雜行為識(shí)別方法的研究[D];黑龍江大學(xué);2015年

10 范玲;Link-11數(shù)據(jù)鏈信號(hào)的識(shí)別方法研究[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：1911440