資源描述：
《基于小波灰度共生矩陣的植物分類》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、２０１２年１２月計算機工程與設計Ｄｅｃ．２０１２第３３卷第１２期ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮＶｏｌ．３３Ｎｏ．１２基于小波灰度共生矩陣的植物分類研究張航，顏永豐（西北農(nóng)林科技大學信息工程學院，陜西咸陽７１２１００）摘要：為了解決塔式小波分解中丟失高頻信息的問題，提出了將塔式小波分解和灰度共生矩陣融合的方法，生成小波灰度共生矩陣特征來描述植物葉子紋理，結合具有尺度、平移和旋轉不變性的形狀特征，生
2、成一組有效的分類特征向量來對植物種類進行分類預測。用支持向量機（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）等分類器對兩組實驗數(shù)據(jù)進行分類測試，分類準確率分別達到了９７．２４２６％和９６．７９７２％。實驗結果表明，小波灰度共生矩陣特征能夠有效地描述植物葉子紋理特征，具有很強的分類能力。關鍵詞：植物分類；小波分解；灰度共生矩陣；形狀特征；支持向量機中圖法分類號：ＴＰ３９１．４文獻標識號：Ａ文章編號：１０００－７０２４（２０１２）１２－４７７４－０５Ｒｅｓｅａｒｃｈｏｎｐｌａｎｔｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉ
3、ｏｎｕｓｉｎｇｗａｖｅｌｅｔｇｒａｙ－ｌｅｖｅｌｃｏ－ｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｘｆｅａｔｕｒｅｓＺＨＡＮＧＨａｎｇ，ＹＡＮＹｏｎｇ－ｆｅｎｇ（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔＡｇｒｉｃｕｌｔｕｒａｌａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｎｙａｎｇ７１２１００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｈｉｇｈ－ｆｒｅｑｕｅｎｃｙｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｉｎｔｏｗｅｒｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｓ，ａｎｅｗｍｅ
4、ｔｈｏｄｉｓｐｒｏｐｏｓｅｄｔｏｇｅｎｅｒａｔｅａｎｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｖｅｃｔｏｒｔｈａｔｈａｓｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｎｔｅｇｒａｔｉｎｇｔｏｗｅｒｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈｇｒａｙ－ｌｅｖｅｌｃｏ－ｏｃｃｕｒ－ｒｅｎｃｅｍａｔｒｉｘａｎｄｓｈａｐｅｆｅａｔｕｒｅｓｏｆｓｃａｌｅ，ｔｒａｎｓｌａｔｉｏｎａｎｄｒｏｔａｔｉｏｎｉｎｖａｒｉａｎｃｅｃｏｍｂｉｎｅｄｔｏｃｌａｓｓｉｆｙｐｌａｎｔｌｅａｖｅｓ．Ｆｉｎａｌｌｙ，ｅｘｐｅｒｉ－ｍｅｎｔｓａｒｅｃｏｎｄｕｃｔｅｄｕｓｉｎ
5、ｇＳＶＭ（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ）ａｎｄｏｔｈｅｒｃｌａｓｓｉｆｉｅｒｓｔｏｃｌａｓｓｉｆｙｔｗｏｄａｔａｓｅｔｓ，ｗｈｉｃｈａｃｈｉｅｖｅａｃｃｕｒａｃｉｅｓｏｆ９７．２４２６％ａｎｄ９６．７９７２％ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅｉｎｄｅｓｃｒｉｂｉｎｇｔｈｅｐｌａｎｔｌｅａｆｔｅｘｔｕｒｅｓａｎｄｐｏｗｅｒｆｕｌｔｏｃｌａｓｓｉｆｙｐｌａｎｔｓｐｅｃｉｅｓ．Ｋｅｙｗｏｒｄｓ：ｐｌａｎｔｓｐｅｃ
6、ｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ；ＧＬＭＣ；ｓｈａｐｅｆｅａｔｕｒｅｓ；ＳＶＭ前在諸多領域得到廣泛應用的小波理論為時頻多尺度分析０引言提供了精確統(tǒng)一的框架，解決了傳統(tǒng)紋理分析方法的瓶頸。植物的分類研究對于區(qū)分植物種類、探索植物間的親小波變換提供了一種在不同尺度上圖像紋理細節(jié)分析的工［１］，計算具，能夠更加準確地進行圖像紋理分類。但是由于傳統(tǒng)的緣關系、闡明植物系統(tǒng)的進化規(guī)律具有重要意義機輔助植物分類可以極大地提高植物分類與管理效率。塔式小波分解僅利用了圖像低頻子帶的信息，然而高
7、頻子在基于葉子特征的植物圖像分類識別領域，早期的研帶包含了圖像的邊緣，輪廓和部分紋理信息，這導致紋理［７］。究主要采用葉子的形狀特征作為分類特征集合，后來的研分類效果往往不夠理想究表明，由于紋理特征反映了圖像的灰度統(tǒng)計信息、空間為了克服小波變換的這一缺陷，增強算法的適應能力［２］，能夠更加有效地描述圖像分布信息以及結構信息和魯棒性，可以通過引入灰度共生矩陣的方法來解決這一的特征。問題，灰度共生矩陣利用了圖像中像素相對位置的空間信常見的紋理特征提取方法主要有灰度共生矩陣、小波息更加準確地描述圖像的紋理，具有較強的適應能力
8、和魯特征、Ｇａｂｏｒ濾波器特征、局部二值模式（ｌｏｃａｌｂｉｎａｒｙｐａｔ－［３］，可以用來統(tǒng)計各子帶小波系數(shù)的低頻和高頻信息。棒性［３－７］。傳統(tǒng)紋理分ｔｅｒｎ，ＬＢＰ）、隨機場模型、分形維數(shù)等等本研究將小波變換和灰度共生矩陣結合起來，在不同析方法主要問題在于不能從多尺度有效描述紋理特征，目尺度上分別對圖像高頻子帶和低頻子帶進行
