论文部分内容阅读
在生物医学领域,花粉图像的识别分类不但具有重要的研究意义,而且市场应用前景广阔。传统的花粉分类工作主要借助人工在显微镜下完成,不仅对操作者的相关知识经验具有一定要求,而且分类过程缓慢,分类准确性较低。考虑到花粉图像有着和普通图像类似的轮廓纹理特征,随着近几年图像处理技术理论的迅速发展,通过提取花粉特征,完成对花粉图像识别分类成为一种有效的解决方法。由于原始花粉图像在采集的过程中受到光照、噪声污染等外部因素干扰,花粉图像的质量受到了不同程度的影响,导致识别率较低,因此要求提取花粉的特征具有较强的鲁棒性,提取的过程具有一定的实时性,最终可以得到较为理想的识别效果。本文就花粉图像的多特征提取融合进行研究,并从特征描述子和分类识别算法两个方面着手,既增强了算法的分类识别的准确度,也提高了算法的运行效率和实时性。主要研究的内容包括:(1)针对传统的特征提取算法往往只利用了单个花粉图像特征,提取的识别特征普遍存在抗噪能力不强、不具有不变性等缺点,本文运用传统机器学习的相关图像识别理论,提出了一种融合Zernike矩与BoF-SURF特征融合的花粉图像分类识别算法。首先对花粉图像的Zernike矩特征进行提取,然后提取改进后的SURF特征描述子,再对SURF特征进行K-Means聚类,构建加速鲁棒性特征包BoF-SURF,最后对这两种特征进行融合,由支持向量机SVM完成识别分类。由于Zernike矩和SURF描述子都具有不变性,针对花粉的尺度和旋转变化具有良好的鲁棒性,正确识别率也较高。(2)针对传统的花粉图像分类算法在提取特征的过程中,如何选取最有效的提取特征具有一定的复杂性,本文运用深度机器学习图像识别框架,提出了一种基于卷积神经网络CNN的特征融合花粉图像分类识别算法。本算法首先对花粉图像进行标准化处理,作为第一个训练网络的输入层图像数据矩阵,然后再对花粉图像进行方向梯度直方图HOG特征化处理,作为第二个训练网络的输入层图像数据矩阵,处理层结构为双层卷积-池化层,并且对各训练网络层的卷积矩阵参数进行了优化改进,以针对不同的数据矩阵进行更有效的特征抽取,然后输入到本算法增加的特征融合层,再经过全连接层的处理整合,最后通过输出层的softmax和损失函数完成对模型的训练,最终用于对花粉图像的分类。