论文部分内容阅读
在尽量短的时间内实现叶片图像识别对研究、保护植物具有重要的实践意义；然而人工分析和处理爆炸性增长的叶片图像数据几乎是不可能完成的。因而,使用计算机进行辅助的植物识别来提高植物叶片图像识别效率、减少人工成本是现在的研究热点。传统的叶片识别由于提取的特征不够充分或者是分类器模型复杂度不够,导致叶片种类增加到一定数量后识别率不够高。针对这个问题,本文提出使用多特征融合的特征向量和深度信念网络分类器进行叶片识别。本文的主要研究内容和结论如下：1、本文使用典型的Flavia叶片数据库和ICL数据库进行实验。首先我们对叶片图像进行预处理,包括滤波、旋转、剪裁等,去除图像拍摄问题对识别的干扰。然后计算了傅里叶描述子、Gabor滤波特征、局部二值模式、Hu不变量、灰度共生矩阵特征构成叶片特征向量。2、我们使用能够建立复杂的分类构架的深度信念网络作为分类器。在分类器训练过程中,使用"dropout"算法减少其过拟合现象的产生。这个算法对Flavia数据库中的32种叶片和ICL数据库中的220种叶片的识别率分别为99.37%、91.2%,并与其他研究者的结果进行了比较。我们还通过实验分析训练样本数量、隐含层单元数、批训练大小等因素对深度信念网络识别效果的影响,为设计良好的网络结构提供依据。3、由于预训练过程对深度信念网络的影响很大,所以本文提出了2种改进的预训练算法以进一步提高识别率。第1种称为Mean-DBNs算法,采用参数取其训练平均值作为预训练步骤的结果,在ICL数据库中对220种叶片的识别率为93.1%。第2种是在参数调节的过程中增加了积分环节和微分环节,称作PID-DBNs算法。实验显示这种改进算法对220种叶片的识别率可以达到94.1%,并且比原来的网络所需要的训练时间更短、稳定性更强。