一种基于稀疏表示的植物叶片数据识别方法
【专利摘要】本发明具体涉及一种基于稀疏表示的植物叶片数据识别方法。其技术方案是：本发明基于同类数据分布在同一流形上，不同数据分布于不同流形上的假设，一方面利用植物叶片数据类别信息定义流形间距离，另一方面对于流形局部邻域进行稀疏表示，通过在局部近邻图中建立一种稀疏表示关系来获取线性表示系数，建立目标函数寻找最佳投影低维空间，实现在该子空间内，流形间距离最大，而多流形的稀疏性能够较好地保持，最后采用最近邻分类方法在子空间内对植物叶片的稀疏特征进行分类和识别，提高了植物叶片数据的识别效果。
【专利说明】 ー种基于稀疏表示的植物叶片数据识别方法
【技术领域】
[0001]本发明属于植物叶片数据识别【技术领域】。具体涉及ー种基于稀疏表示的植物叶片数据识别方法。
【背景技术】
[0002]植物是地球上物种数量最多、分布最广泛的生命形式之一。植物是人类生存与发展的重要遗传资源，是人类的重要食物来源，也是人类生产和生活必需的资源。同时，植物在水土保持、抑制荒漠和改善气候等方面起着至关重要的作用。近年来随着人类生产活动的日益増加，生态环境不断遭到破坏。据调查统计，世界上大约有3.4万种植物物种已处于灭绝的边缘，占世界上已知的25万种植物的13%。对植物进行保护已经是势在必行。
[0003]目前的植物分类有很多种方法，如植物细胞分类学、植物化学分类学、植物血清分类学以及植物遗产学，但对于非专业人员，这些分类方法很难掌握或不实用。因此，有必要研究借助数字图像处理、模式识别、人工智能等信息技术进行计算机辅助的植物分类性状自动提取，实现植物物种的自动分类、机器识别，以及研究这些数字分类性状在植物物种生态分类中的意义。
[0004]从目前的研究结果来看，应用在植物物种识别中比较广泛和成功的方法是结合植物叶片形状特征的神经网络方法，而此方法的成功在于神经网络的构造和植物图像特征矢量化，即如何从植物图像中提取特征。特征提取和选择对于机器学习方法来说是至关重要的，所抽取和选择的特征决定了分类器的性能和整个算法的結果。目前，绝大多数应用到植物物种识别中的机器学习方法的不同之处在于植物图像特征矢量化方法的不同，由此可见特征提取和选择在植物识别中的重要性。
[0005]目前最常用的特征抽取技术就是主成分分析方法。在植物物种识别中，主成分分析也是ー种常用的特征维数约简方法。主成分分析对具有线性结构的数据处理效果很好，它通过寻找数据的ニ阶统计性质来发现数据的线性结构，但对于高度非线性分布的数据并不能找到真正的分布结构。基于非线形分布数据本征维数分析的流形学习方法提供了ー种新的解决途径。流形学习g在发现高维流形分布数据的内在规律性，其本质是要从采样数据学习低维流形的内在几何结构.这就意味着流形学习方法比传统的维数约简方法更能体现事物的本质，更利于对数据的理解和进ー步处理。因此，针对植物物种的多类别、高维分类数据，流形学习更有助于发现这些数据的内在分布规律和几何结构，这为植物分类学提供ー种新型有效的分类性状分析工具。目前流形学习方法已经初步地应用到植物叶片数据特征提取和分类中，但是在流形学习中，需要大量的训练样本来学习流形的局部结构信息，而植物叶片训练数据还比较少。
【发明内容】
[0006]本发明g在克服现有技术缺陷，目的是提出一种能提高识别效果的基于稀疏表示的植物叶片数据识别方法。[0007]为实现上述目的，本发明采用的技术方案的具体步骤如下:
[0008]I)植物叶片数据的预处理
[0009]先对原始采集的植物叶片图像进行去噪处理和平滑处理，然后进行植物叶片的图像分割，再将分割后的彩色图像转换为灰度图像，最后将灰度图像进行归一化和向量化处理，得到任一副植物叶片图像处理后的向量数据Xi和所有植物叶片图像预处理后的矩阵数据X。
[0010]2)计算任一副植物叶片图像预处理后的向量数据Xi投影后的向量数据Yi
[0011]A、建立流形之间差异度矩阵Jd
[0012]根据所有植物叶片图像预处理后的矩阵数据X和类别信息矩阵H，建立流形之间差异度矩阵Jd
【权利要求】
1.ー种基于稀疏表示的植物叶片数据识别方法，其特征在于所述稀疏特征提取和识别方法的具体步骤如下: 1)植物叶片数据的预处理 先对原始采集的植物叶片图像进行去噪处理和平滑处理，然后进行植物叶片的图像分害I]，再将分割后的彩色图像转换为灰度图像，最后将灰度图像进行归ー化和向量化处理，得到任一副植物叶片图像预处理后的向量数据Xi和所有植物叶片图像预处理后的矩阵数据X ； 2)计算任一副植物叶片图像预处理后的向量数据Xi投影后的向量数据Yi A、建立流形之间差异度矩阵Jd 根据所有植物叶片图像预处理后的矩阵数据X和类别信息矩阵H，建立流形之间差异度矩阵Jd
2.根据权利要求1所述的所述的基于稀疏表示的植物叶片数据识别方法，其特征在于所述最近邻法是:在低维空间进行分类时，采用K近邻分类器，K为I。
【文档编号】G06K9/66GK103530658SQ201310481334
【公开日】2014年1月22日 申请日期:2013年10月15日 优先权日:2013年10月15日
【发明者】李波, 田贝贝, 黄德双 申请人:武汉科技大学