[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

本發明涉及一種基于改進支持向量機核函數的植物葉片分類方法及系統，該方法包括：1、獲取葉片形狀的時間序列數據集，并分為訓練數據集、訓練標簽集、待分類數據集；2、將訓練數據集中的樣本與空間基數據兩兩計算樣本之間的時間序列互相關距離，構建新特征空間中的訓練樣本數據；3、將待分類數據集中的樣本與空間基數據兩兩計算樣本之間的時間序列互相關距離，構建新特征空間中的待分類樣本數據；4、計算改進的線性核函數，然后用其與訓練標簽集構建SVM分類模型；5、將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。該方法及系統有利于快速、準確地對植物葉片進行分類，進而對植物物種進行識別。

技術領域

本發明屬于葉片分類技術領域，具體涉及一種基于改進支持向量機核函數的植物葉片分類方法及系統。

背景技術

葉片分類是植物自動檢索中的一項關鍵技術，它根據葉片的形狀、紋理、顏色等特征進行植物生物物種的自動標注。與顏色和紋理相比，植物葉片的形狀更具有代表性，且容易轉化為數學模型進行計算。

近年來，在基于植物葉片圖像的植物分類等方面的研究不斷取得進展，包括葉片圖像的特征選取、算法性能和分類器設計等。很多學者對葉片分類課題進行了研究，例如，付波等人為解決由于植物葉片特征的相似性以及葉片旋轉導致植物識別率較低的問題，提出一種基于降維局部二值模式(LBP)與葉片形狀特征相結合的植物葉片識別方法。馬娜等人首先對葉片圖像預處理，提取6個特征值，然后再使用基于布谷鳥算法改進的支持向量機算法建立分類模型對植物葉片分類，從而識別植物物種。董紅霞等人提出了一種基于形狀與紋理特征的分類算法。在進行了去噪等預處理后，通過閾值分割和數學形態學方法獲取葉片區域；在分割得到的二值區域圖像上提取了形狀特征，在灰度圖像上提取了紋理特征；在所得特征的基礎上，利用BP網絡對葉片進行分類。

在葉片分類算法中，一般情況下將葉片圖像進行預處理，然后對圖形進行邊緣檢測，獲得二值化圖像并轉化為一條n維的時間序列數據，最后根據時間序列數據建立相應的分類模型。支持向量機(SVM)是Vapnik等人提出了一種建立在統計學習理論的基礎上的數據挖掘方法。在眾多的機器學習算法中，支持向量機作為一種分類效果和穩定性較好的機器學習算法得到了廣泛應用。許多學者將SVM算法運用時間序列數據的分類工作中，張坤華等人針對多變量時間序列定義了每個屬性的局部密度和判別距離，根據決策圖的分布來篩選屬性，最終通過SVM對數據進行分類。張振國等人以子序列為單位，構建時序數據間的相似性向量，快速篩選出具有高分類能力的Shapelets集合，并使用SVM算法進行分類。傳統的SVM算法一般應用于時間序列數據分類的最后階段，即對降維或者轉化操作后的時間序列數據進行分類。

發明內容

本發明的目的在于提供一種基于改進支持向量機核函數的植物葉片分類方法及系統，該方法及系統有利于快速、準確地對植物葉片進行分類，進而對植物物種進行識別。

為實現上述目的，本發明采用的技術方案是：一種基于改進支持向量機核函數的植物葉片分類方法，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；