基于小波灰度共生矩阵的植物分类

《基于小波灰度共生矩阵的植物分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、２０１２年１２月计算机工程与设计Ｄｅｃ．２０１２第３３卷第１２期ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮＶｏｌ．３３Ｎｏ．１２基于小波灰度共生矩阵的植物分类研究张航，颜永丰（西北农林科技大学信息工程学院，陕西咸阳７１２１００）摘要：为了解决塔式小波分解中丢失高频信息的问题，提出了将塔式小波分解和灰度共生矩阵融合的方法，生成小波灰度共生矩阵特征来描述植物叶子纹理，结合具有尺度、平移和旋转不变性的形状特征，生

2、成一组有效的分类特征向量来对植物种类进行分类预测。用支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）等分类器对两组实验数据进行分类测试，分类准确率分别达到了９７．２４２６％和９６．７９７２％。实验结果表明，小波灰度共生矩阵特征能够有效地描述植物叶子纹理特征，具有很强的分类能力。关键词：植物分类；小波分解；灰度共生矩阵；形状特征；支持向量机中图法分类号：ＴＰ３９１．４文献标识号：Ａ文章编号：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前在诸多领域得到广泛应用的小波理论为时频多尺度分析０引言提供了精确统一的框架，解决了传统纹理分析方法的瓶颈。植物的分类研究对于区分植物种类、探索植物间的亲小波变换提供了一种在不同尺度上图像纹理细节分析的工［１］，计算具，能够更加准确地进行图像纹理分类。但是由于传统的缘关系、阐明植物系统的进化规律具有重要意义机辅助植物分类可以极大地提高植物分类与管理效率。塔式小波分解仅利用了图像低频子带的信息，然而高

7、频子在基于叶子特征的植物图像分类识别领域，早期的研带包含了图像的边缘，轮廓和部分纹理信息，这导致纹理［７］。究主要采用叶子的形状特征作为分类特征集合，后来的研分类效果往往不够理想究表明，由于纹理特征反映了图像的灰度统计信息、空间为了克服小波变换的这一缺陷，增强算法的适应能力［２］，能够更加有效地描述图像分布信息以及结构信息和鲁棒性，可以通过引入灰度共生矩阵的方法来解决这一的特征。问题，灰度共生矩阵利用了图像中像素相对位置的空间信常见的纹理特征提取方法主要有灰度共生矩阵、小波息更加准确地描述图像的纹理，具有较强的适应能力

8、和鲁特征、Ｇａｂｏｒ滤波器特征、局部二值模式（ｌｏｃａｌｂｉｎａｒｙｐａｔ－［３］，可以用来统计各子带小波系数的低频和高频信息。棒性［３－７］。传统纹理分ｔｅｒｎ，ＬＢＰ）、随机场模型、分形维数等等本研究将小波变换和灰度共生矩阵结合起来，在不同析方法主要问题在于不能从多尺度有效描述纹理特征，目尺度上分别对图像高频子带和低频子带进行