[發明專利]基于改進支持向量機核函數的植物葉片分類方法及系統

在審

• 申請號: 202011383828.1
• 申請日: 2020-11-30
• 公開（公告）號: CN112381051A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 李翔宇;曾燕清;李瑞興;王華;尹小俊;周原
• 申請（專利權）人: 閩江師范高等專科學校
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 丘鴻超;蔡學俊

1.一種基于改進支持向量機核函數的植物葉片分類方法，其特征在于，包括以下步驟：

步驟1：對多個植物葉片圖片進行處理，獲取葉片形狀的時間序列數據集，然后將獲得的時間序列數據集分為訓練數據集D_tr(m×v)、訓練標簽集L_tr(m×1)、待分類數據集D_te(n×v)，其中m為訓練集中樣本個數，n為待分類數據集中樣本個數，v為數據的維數；

步驟2：將訓練數據集D_tr中的樣本與空間基數據D_tr兩兩計算樣本之間的時間序列互相關距離，構建m×m的新特征空間中的訓練樣本數據Dist(D_tr,D_tr)；

步驟3：將待分類數據集D_te中的樣本與空間基數據D_tr兩兩計算樣本之間的時間序列互相關距離，構建n×m的新特征空間中的待分類樣本數據；

步驟4：利用新的特征空間數據Dist(D_tr,D_tr)計算改進的線性核函數，然后使用改進的線性核函數與訓練標簽集L_tr構建SVM分類模型；

步驟5：將n×m的新特征空間中的待分類樣本數據輸入到構建的SVM分類模型中進行分類，獲得數據分類結果。

2.根據權利要求1所述的基于改進支持向量機核函數的植物葉片分類方法，其特征在于，所述步驟1中，獲取葉片形狀的時間序列數據集的具體方法為：

對植物葉片圖片進行圖像預處理，即對圖像進行灰度化、去噪、二值化和邊緣提取，然后通過求取葉片形狀的中心位置，獲得葉片形狀邊緣到達中心位置的距離，按照一定的時間間隔Δt采集葉片形狀邊緣到中心點之間的距離數據，最終獲得一條維度為v的時間序列數據，所述時間序列數據是一個有序的信息集合，表示為X＝{x₁,x₂,…,x_v}，其中，時間序列數據的采樣間隔為Δt＝t(x_i)-t(x_i-1)；

對多個植物葉片圖片進行處理，相應得到多條時間序列數據，進而得到葉片形狀的時間序列數據集。

3.根據權利要求1所述的基于改進支持向量機核函數的植物葉片分類方法，其特征在于，所述步驟2中，計算樣本之間的時間序列互相關距離的具體方法為：

讓一個時間序列保持靜止，另一個序列在靜止序列上滑動，通過平移找到互相關的最大值，即為兩個時間序列的相似性；對于時間序列數據x＝(x₁,x₂,…,x_m)與時間序列數據y＝(y₁,y₂,…,y_m)，序列x位移w個位置后與靜止序列y的互相關函數如公式(1)所示：

其中，w∈{-m,-m+1,…,0,…,m-1,m}，w≥0時，表示x序列向右移動w個位置，w＜0時，表示x序列向左移動w個位置，移動后空余的位置由0替代；

找到一個最優的位移w，使得C(x,y,w)的值最大，也就找到了x相對于y最好的位移；

時間序列互相關距離，即時間序列x與序列y的互相關距離如公式(2)所示：

兩個時間序列之間的互相關數值范圍限定到[0,2]之間，數值越大，越不相似，數值越小，越相似。

4.根據權利要求3所述的基于改進支持向量機核函數的植物葉片分類方法，其特征在于，利用公式(2)計算訓練數據集D_tr與空間基數據D_tr中兩兩樣本之間的時間序列互相關距離dist(x_i,y_j)，構建得到m×m的新特征空間中的訓練樣本數據，即新的特征空間數據Dist(D_tr,D_tr)如下：