多尺度纹理和轮廓特征融合的叶片分类方法研究

论文摘要

植物的品种分类可以促进建立植物表型和性状的对应关系数据库,逐步实现利用信息化技术控制作物育种过程,从而推动分子育种的实现。现有的植物分类方法大多以叶片为研究对象进行不同物种的植物分类,且取得了显著研究成果,但是缺少对同一物种下的不同品种的细粒度叶片分类的研究。细粒度叶片分类是在物种分类的基础上进行的更加精细的二次分类,叶片之间极高的类间相似性给分类带来了巨大挑战,因此,如何更加细致地描述叶片图像中包含的细节信息,提取出具有显著区分性的特征是细粒度叶片分类的关键问题。针对该问题,本文提出多尺度纹理和轮廓特征融合的分类方法,以大豆品种叶片为研究对象,旨在探究细粒度叶片分类问题,实现植物品种分类,主要研究工作如下:（1）建立了大豆品种叶片数据集,为细粒度叶片分类研究提供数据支撑。大豆是我国的主要经济作物,种植广泛,方便采集,因此基于大豆叶片建立了三个不同的数据集,分别是大豆多部位叶片数据集（Multi-Parts Leaves,MPL）、大豆单部位叶片数据集（Single-Part Leaves,SPL）和大豆多生长期叶片数据集（Multi-Growth-Stage Leaves,MGSL）。其中本文使用了MPL和SPL数据集,MGSL用于课题组的其他研究。（2）不同品种的叶片具有极高的类间形状相似性,叶片特征需要增强表达局部细节信息的能力,因此本文提出了多尺度直线局部二值模式（Multi-scale Line-based Local Binary Pattern,MLLBP）纹理描述子用于提取叶片中包含的细节信息。首先利用轮廓下采样点连线切割叶片轮廓,基于切割后长度不等的轮廓曲线段定义不同尺度,形成多尺度框架。曲线较长的尺度提取叶片的全局特征,表达叶片整体信息,曲线较短的尺度提取叶片的局部特征,表达叶片细节信息。然后,获取切割叶片的直线上的像素点进行LBP编码,提出了直线局部二值模式（Line-based Local Binary Pattern,LLBP）,改进LBP计算量较大、对背景噪声不鲁棒的问题,之后结合多个尺度获取叶片的多尺度纹理特征,即MLLBP特征,实现从全局到局部地描述叶片的纹理信息。同时,根据轮廓点空间分布特性提取多尺度轮廓特征描述叶片形状。最后,对特征的缩放、平移、旋转以及镜像等不变性进行了详细的分析和证明。（3）为实现纹理特征和轮廓特征的融合,采用特征权重学习算法调节纹理特征和轮廓特征在叶片分类中的权重,结合SVM分类器完成分类。首先分别对纹理特征和轮廓特征构建SVM分类器,然后根据训练样本集自动学习各个特征的权重,最后利用特征权重将基于两种特征的分类器组合成为一个复杂的分类器。实验结果表明,与单独使用纹理特征和轮廓特征以及直接拼接两种特征相比,该方法具有更高的叶片分类准确率,能够有效提高叶片分类效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
•   1.1 研究背景和意义
•   1.2 国内外研究现状
•     1.2.1 基于形状特征的描述方法
•     1.2.2 基于纹理特征的描述方法
•     1.2.3 基于纹理和轮廓特征相结合的描述方法
•   1.3 主要研究内容和组织结构
•     1.3.1 论文主要研究内容
•     1.3.2 论文组织结构
• 第2章 大豆品种叶片数据集的建立
•   2.1 常用植物物种叶片数据集
•   2.2 建立大豆品种叶片数据集
•     2.2.1 图像采集过程
•     2.2.2 SPL数据集
•     2.2.3 MPL数据集
•     2.2.4 MGSL数据集
•   2.3 本章小结
• 第3章 多尺度纹理和轮廓特征融合的分类方法
•   3.1 多尺度框架
•   3.2 多尺度纹理特征
•     3.2.1 基本的LBP描述子
•     3.2.2 多尺度直线局部二值模式
•   3.3 多尺度轮廓特征
•     3.3.1 轮廓点的分布特性
•     3.3.2 形状的不平衡性
•     3.3.3 曲线的弯曲程度
•   3.4 不变性分析
•     3.4.1 缩放不变性
•     3.4.2 平移不变性
•     3.4.3 旋转不变性
•     3.4.4 镜像不变性
•   3.5 特征权重学习算法
•   3.6 叶片分类算法
•   3.7 本章小结
• 第4章 实验结果与分析
•   4.1 实验设置
•     4.1.1 实验环境配置
•     4.1.2 实验评价标准
•     4.1.3 训练集和测试集划分
•   4.2 MTCFF的分类实验
•     4.2.1 在品种叶片数据集上的对比实验
•     4.2.2 在物种叶片数据集上的对比实验
•   4.3 多尺度特征与单一尺度特征的对比实验
•   4.4 MLLBP与 LBP的对比实验
•     4.4.1 LBP不同子区域划分的对比实验
•     4.4.2 MLLBP和 LBP的对比实验
•   4.5 融合特征与单一特征的对比实验
•   4.6 融合特征与直接拼接特征的对比实验
•   4.7 本章小结
• 第5章 总结与展望
•   5.1 总结
•   5.2 展望
• 致谢
• 参考文献
• 附录A 攻读硕士学位期间的研究成果

文章来源

类型: 硕士论文

作者: 郭季姗

导师: 熊盛武

关键词: 品种叶片数据集,多尺度纹理特征,多尺度轮廓特征,特征融合,叶片分类

来源: 武汉理工大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,计算机软件及计算机应用,自动化技术

单位: 武汉理工大学

基金: 国家重点研发计划《主要经济作物分子设计育种》(No.2016YFD0101903)

分类号: Q949;TP391.41;TP181

DOI: 10.27381/d.cnki.gwlgu.2019.001065

总页数: 74

文件大小: 3060K

下载量: 17