本書圍繞植物葉片圖像識別技術(shù)，對植物識別過程中涉及的諸多關(guān)鍵技術(shù)進(jìn)行了探討。全書分為6章。第1章介紹了植物葉片的外觀、葉片識別系統(tǒng)的框架及葉片圖像獲取與預(yù)處理方法。第2章介紹了復(fù)雜背景圖像中分割提取葉片圖像的方法，主要介紹了隨機(jī)漫步模型，以及基于該模型的圖像分割技術(shù)。第3章梳理了可用的葉片特征和特征分類器，并對目前學(xué)術(shù)界常用的葉片圖像數(shù)據(jù)庫進(jìn)行了介紹。第4章介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型及其研究進(jìn)展，并對基于PCNN的葉片圖像識別方法進(jìn)行了闡述。第5章介紹了BOW或BOF與脈沖耦合神經(jīng)網(wǎng)絡(luò)、Jaccard距離、Laws紋理能量等相結(jié)合進(jìn)行植物識別的方法。第6章介紹了基于兩級分類的植物葉片識別的方法。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章葉片形態(tài)與圖像獲取1
1.1葉片外觀1
1.1.1葉形1
1.1.2葉脈2
1.1.3葉片顏色3
1.2葉片識別系統(tǒng)3
1.3葉片圖像獲取5
1.3.1圖像獲取5
1.3.2姿態(tài)校正6
1.3.3去除葉柄10
參考文獻(xiàn)16
第2章具有復(fù)雜背景的葉片圖像分割方法17
2.1隨機(jī)漫步模型.17
2.1.1隨機(jī)漫步模型的由來17
2.1.2隨機(jī)漫步標(biāo)準(zhǔn)模型19
2.1.3隨機(jī)漫步改進(jìn)模型23
2.2基于隨機(jī)漫步模型的圖像分割31
2.2.1算法描述31
2.2.2圖像分割實(shí)驗(yàn)結(jié)果41
參考文獻(xiàn)46
第3章葉片特征提取與分類48
3.1葉片特征提取.48
3.1.1形狀特征49
3.1.2紋理特征59
3.1.3顏色特征69
3.1.4特征性能評估70
3.2葉片特征分類.72
3.2.1常用分類器74
3.2.2分類器性能評估76
3.3常用數(shù)據(jù)庫79
參考文獻(xiàn)81
第4章基于PCNN的識別方法87
4.1PCNN87
4.1.1概述87
4.1.2PCNN模型88
4.1.3在圖像處理領(lǐng)域的應(yīng)用95
4.1.4在非圖像處理領(lǐng)域的應(yīng)用100
4.1.5硬件實(shí)現(xiàn)100
4.2基于PCNN的植物識別方法.101
4.2.1熵序列的改進(jìn)101
4.2.2對比實(shí)驗(yàn)結(jié)果105
4.3基于ICM的植物識別方法.115
參考文獻(xiàn)116
第5章基于BOW和BOF的識別方法126
5.1BOW與BOF126
5.1.1BOW126
5.1.2BOF127
5.1.3編碼方法對比132
5.1.4弱監(jiān)督字典學(xué)習(xí)134
5.2基于BOW與DPCNN的方法137
5.2.1形狀上下文特征137
5.2.2算法結(jié)構(gòu)137
5.2.3實(shí)驗(yàn)結(jié)果138
5.3基于BOF與DPCNN的方法143
5.3.1算法結(jié)構(gòu)143
5.3.2實(shí)驗(yàn)結(jié)果146
5.4基于VLAD的方法150
5.4.1算法結(jié)構(gòu)150
5.4.2實(shí)驗(yàn)結(jié)果151
5.5基于BOW的組合特征方法.156
5.5.1Jaccard距離與Laws紋理能量測量156
5.5.2算法結(jié)構(gòu)158
5.5.3實(shí)驗(yàn)結(jié)果161
參考文獻(xiàn)168
第6章基于兩級分類的植物葉片識別方法173
6.1基于區(qū)域面積占比的形狀特征.173
6.1.1特征描述173
6.1.2特征有效性分析176
6.2基于輪廓角點(diǎn)的形狀特征179
6.2.1角點(diǎn)檢測179
6.2.2特征描述181
6.2.3特征有效性分析182
6.3葉脈特征186
6.3.1葉脈提取186
6.3.2葉脈特征描述188
6.4基于形狀的兩級分類算法189
6.4.1兩級分類策略189
6.4.2基于形狀的第一級分類的實(shí)驗(yàn)分析191
6.4.3基于組合特征的第二級分類的實(shí)驗(yàn)分析.195
6.4.4植物識別系統(tǒng)的總體評價(jià)197
參考文獻(xiàn)199
書單推薦
