【摘要】：作為現(xiàn)代農(nóng)業(yè)的重要組成部分,植物鑒別在植物分類學(xué)、精細(xì)農(nóng)業(yè)和園藝學(xué)、中醫(yī)藥研究等人們生產(chǎn)生活密切相關(guān)的各個領(lǐng)域具有重要的應(yīng)用價值。葉片作為一種扁平的二維結(jié)構(gòu)植物器官,葉片外形、葉緣和紋理等特征具有明顯的形態(tài)差異,是植物物種鑒別和形態(tài)區(qū)分的重要指標(biāo),而準(zhǔn)確高效的圖像特征提取方法和分類識別算法是解決植物葉片分類問題的關(guān)鍵所在。近年來,有關(guān)植物葉片的特征選擇及分類識別算法無論從理論上還是應(yīng)用研究方面都取得了一定的進(jìn)展,然而相關(guān)算法中對識別特征高度相似的葉片圖像研究不多,而隨著圖像獲取技術(shù)的不斷提升,捕獲的植物葉子圖像分辨率更高、維度更多,高維葉片圖像的特征提取以及分類識別器的設(shè)計逐漸成為葉片圖像分類識別中的亟待解決的新難題。本文以葉片圖像特征提取和分類器的設(shè)計為突破口,圍繞高維圖像的降維算法、模糊半監(jiān)督聚類算法設(shè)計、葉片分類識別應(yīng)用等關(guān)鍵問題,研究新的數(shù)據(jù)降維算法、聚類算法的參數(shù)優(yōu)化算法以及特征加權(quán)的半監(jiān)督聚類算法,在此基礎(chǔ)上構(gòu)建出植物葉片圖像的識別框架,并用UCI數(shù)據(jù)集和實測數(shù)據(jù)集進(jìn)行試驗。論文主要研究工作和結(jié)論如下:(1)提出一種改進(jìn)型的PCA降維算法L-PCA,有效降低了特征維度,提高了分類識別率。借鑒經(jīng)典凸技術(shù)聚類算法中的全局線性降維算法PCA(Principal Component Analysis)與LDA(Linear Discriminant Analysis)聚類算法思想,提出一種改進(jìn)型的PCA降維算法L-PCA,該算法在保證原有樣本協(xié)方差結(jié)構(gòu)不變的前提下,獲取變換矩陣中最重要的主分量進(jìn)行賦權(quán),通過調(diào)節(jié)類內(nèi)與類間離散矩陣,使得類內(nèi)距離最小化、類間聚類最大化,來搜索一個合適的映射子空間來實現(xiàn)不同類別數(shù)據(jù)之間的劃分。人工數(shù)據(jù)集和自測數(shù)據(jù)集下實驗結(jié)果表明,L-PCA算法的一階最近近鄰分類器平均泛化誤差為11.94%,其平均降維準(zhǔn)確性為94.50%,目標(biāo)數(shù)據(jù)表達(dá)連續(xù)性能達(dá)到0.97。(2)改進(jìn)了傳統(tǒng)FCM算法,提出一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD。對傳統(tǒng)的FCM算法進(jìn)行了改造,提出了一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD,在模糊劃分指數(shù)和分離指數(shù)兩種模糊評價函數(shù)的基礎(chǔ)上構(gòu)造出模糊分離度,并通過觀測實際樣本數(shù)據(jù)和人造樣本數(shù)據(jù)下的模糊分離度曲線拐點進(jìn)行最優(yōu)加權(quán)指數(shù)的選取,并通過目標(biāo)函數(shù)的拐點法對實驗結(jié)果進(jìn)行驗證。實驗也證明了EOSD優(yōu)選算法能夠有效進(jìn)行最優(yōu)加權(quán)指數(shù)的選取,m的取值介于1.8-2.2之間,而FCM族算法最優(yōu)值為2。(3)為了設(shè)計一種合理的分類器算法,提出一種新型模糊半監(jiān)督加權(quán)聚類算法。本文引入成對約束,采用聚類和特征加權(quán)同步進(jìn)行的思想,將特征加權(quán)融合到聚類過程中,進(jìn)一步提高了聚類算法的類識別能力,通過對用戶提供的模式特征邊信息進(jìn)行選擇和鑒別,并經(jīng)過一套有效的特征加權(quán)流程獲取整個輸入模式的特征權(quán)值集合,同時使用該特征權(quán)值對目標(biāo)函數(shù)進(jìn)行修正,并通過準(zhǔn)確率和NMI評價方法對SFFD算法進(jìn)行全面評價。8種UCI數(shù)據(jù)集下的聚類結(jié)果表明,特征加權(quán)的模糊半監(jiān)督聚類算法SFFD能夠有效的解決常見的聚類問題,在8個數(shù)據(jù)集上的性能均優(yōu)于其余算法的平均值約7.74%,其權(quán)值能夠提高算法的2.00%至7.00%的分類準(zhǔn)確率。(4)為了有效解決聚類算法中最佳聚類數(shù)的確定問題,分析權(quán)值因子在聚類劃分過程中的作用,使用不同評價算法評估了SFFD算法的有效性,并對其聚類過程中劃分矩陣的權(quán)值變化曲線進(jìn)行監(jiān)控。本文在SFFD聚類算法的基礎(chǔ)上,首先采用PC、CE、SC、XB等4種聚類結(jié)果評價算法對相應(yīng)的聚類結(jié)果展開評價,最終通過不同聚類評價結(jié)果的對比分析獲取不同數(shù)據(jù)集下的最佳聚類數(shù);其次,采用標(biāo)簽數(shù)據(jù)和先驗知識等已知信息生成成對約束信息指導(dǎo)半監(jiān)督聚類過程,使用UCI數(shù)據(jù)集和Leaf自測集作為樣本信息進(jìn)行聚類分析,通過獲取聚類過程中輸入特征向量的權(quán)值v的變化曲線分析特征權(quán)值對聚類性能和分割結(jié)果的影響。選擇合適的聚類評價算法能夠?qū)⒄`差控制在2以內(nèi),從而有效的解決最佳聚類數(shù)的預(yù)設(shè)問題,而特征權(quán)值在20個聚類周期內(nèi)將劃分矩陣的權(quán)值進(jìn)行明確劃分,因此,有效提升聚類算法各項性能的最簡單快捷的方法便是特征賦權(quán)。(5)采用特征加權(quán)模糊半監(jiān)督聚類算法SFFD算法作為分類識別器,構(gòu)建植物葉片圖像識別框架。通過實地采集相似度較高的葉片數(shù)字圖像并提取多種識別特征作為輸入數(shù)據(jù)集,使用SFFD分類器的特征加權(quán)過程極大的提高了聚類速度并有效的增強了算法的分類質(zhì)量,10類植物葉片的識別實驗結(jié)果表明,該算法省略了樣本訓(xùn)練環(huán)節(jié),每種識別特征在30%的監(jiān)督信息指導(dǎo)下即可獲得72.40%至86.46%的識別準(zhǔn)確率,其單一特征平均識別率為82.92%。另外,在相同的預(yù)處理算法及相同的標(biāo)簽數(shù)據(jù)數(shù)量下,葉緣特征和復(fù)合特征是葉片圖像分類過程中的最佳分類特征,其次是形狀特征。綜上所述,為了解決實際中葉片圖像的分類問題,融合了降維思想、參數(shù)優(yōu)化方法、半監(jiān)督聚類算法、聚類評價及應(yīng)用分析等研究內(nèi)容,提出了解決問題的幾種關(guān)鍵算法。這些新算法均取得了較好的應(yīng)用效果。通過實驗分析得出:葉片分類識別算法的成功與否主要取決于分類識別器和特征提取算法,其中,恰當(dāng)?shù)陌氡O(jiān)督信息能夠有效的提高識別準(zhǔn)確率和分類性能,而合理的降維算法可以大大降低特征提取的計算復(fù)雜度。
[Abstract]:......
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：S126;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 丁幼春;王書茂;;基于RHT的多圓檢測改進(jìn)算法[J];中國農(nóng)業(yè)大學(xué)學(xué)報;2008年04期

2 彭紅星;鄒湘軍;陳麗娟;熊俊濤;陳科尹;林桂潮;;基于雙次Otsu算法的野外荔枝多類色彩目標(biāo)快速識別[J];農(nóng)業(yè)機械學(xué)報;2014年04期

3 趙雪;陳龍飛;;基于MapReduce的ROCK聚類算法[J];河北科技師范學(xué)院學(xué)報;2014年01期

相關(guān)會議論文 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強算法[A];四川省通信學(xué)會一九九二年學(xué)術(shù)年會論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計算機輔助增強、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價值[A];中華醫(yī)學(xué)會第十次全國超聲醫(yī)學(xué)學(xué)術(shù)會議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進(jìn)[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實現(xiàn)[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標(biāo)TBD算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機器人設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測算法[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵金祥;;基于棱邊方向檢測的運動自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相關(guān)重要報紙文章 前1條

1 國泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍?zhǔn)?[N];上海證券報;2010年

相關(guān)博士學(xué)位論文 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時間表問題的啟發(fā)式進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 周旭;復(fù)雜網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法研究[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進(jìn);面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動分割算法[D];華南理工大學(xué);2015年

4 陳堅;基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺的去霧算法研究及實現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計與實現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進(jìn)與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號：2434212