資源描述：
《基于小波灰度共生矩陣的植物分類》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、２０１２年１２月計(jì)算機(jī)工程與設(shè)計(jì)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(xué)信息工程學(xué)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(jié)合具有尺度、平移和旋轉(zhuǎn)不變性的形狀特征，生
2、成一組有效的分類特征向量來對(duì)植物種類進(jìn)行分類預(yù)測。用支持向量機(jī)（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）等分類器對(duì)兩組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類測試，分類準(zhǔn)確率分別達(dá)到了９７．２４２６％和９６．７９７２％。實(shí)驗(yàn)結(jié)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(qiáng)的分類能力。關(guān)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(jī)中圖法分類號(hào)：ＴＰ３９１．４文獻(xiàn)標(biāo)識(shí)號(hào)：Ａ文章編號(hào)：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(lǐng)域得到廣泛應(yīng)用的小波理論為時(shí)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(duì)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(xì)節(jié)分析的工［１］，計(jì)算具，能夠更加準(zhǔn)確地進(jìn)行圖像紋理分類。但是由于傳統(tǒng)的緣關(guān)系、闡明植物系統(tǒng)的進(jìn)化規(guī)律具有重要意義機(jī)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(shí)別領(lǐng)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(dǎo)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(jì)信息、空間為了克服小波變換的這一缺陷，增強(qiáng)算法的適應(yīng)能力［２］，能夠更加有效地描述圖像分布信息以及結(jié)構(gòu)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?yán)昧藞D像中像素相對(duì)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(zhǔn)確地描述圖像的紋理，具有較強(qiáng)的適應(yīng)能力
8、和魯特征、Ｇａｂｏｒ?yàn)V波器特征、局部二值模式（ｌｏｃａｌｂｉｎａｒｙｐａｔ－［３］，可以用來統(tǒng)計(jì)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(jī)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(jié)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(duì)圖像高頻子帶和低頻子帶進(jìn)行
