matlab叶子图像的分类,基于图像处理和SVM的植物叶片分类研究

摘要：

植物分类和识别是植物保护及研究的基础和前提,它对于划分植物种类及探索植物的演化和亲缘关系具有深远意义.利用植物叶片的形状特征来进行植物的分类和识别是最简单有效的方法,针对传统人工识别方法效率低,随机性大等缺点,本文通过提取木瓜,三角枫,五角枫,女贞等4种植物叶片各120张共480张照片的5种形状特征和5种纹理特征参数,利用支持向量机(SVM)建模,并结合MATLAB中的GUI工具箱建立了植物叶片识别系统. 论文的主要工作和结论如下: (1)论述了供试图像的采集和预处理方法.选择典型,形状完整的叶片,用数码相机采集图像,随后对叶片图像预处理方法进行分析,主要包括灰度处理,去噪,边缘处理,形态学滤波处理以及背景分割等,确定了有效的图像预处理方法. (2)研究了叶片特征提取和有效特征的优选方法.通过对二值图像进行连通区域标记获取叶片面积和周长参数,在此基础上提取了矩形度,伸长度,圆形度,致密度,不变矩这5个形状特征;熵,能量,同质性,对比度,相关性这5个纹理特征参数.这些特征参数具有对平移,缩放,镜像和旋转不变性,具有分类实际意义. (3)研究并提出粒子群算法和SVM相结合的叶片识别模型和方法.利用植物叶片的形状特征,纹理特征参数结合粒子群算法参数寻优算法来构建支持向量机(SVM)植物叶片分类模型,最终实现叶片的准确分类,结果表明平均识别率为98.86%,而BP神经网络的平均识别率为86.9%,Fisher判别法的平均识别率为85.75%.对比实验结果表明,本文提出方法的识别率高于BP网络及Fisher判别法近10个百分点. (4)根据本文提出的支持向量机(SVM)叶片识别算法,用MATLAB的GUI工具箱开发和设计了植物叶片识别系统,为植物叶片的自动识别提供了一种商业可行的途径和方法.

展开