论文部分内容阅读
如今,随着人工智能的迅速发展,机器学习方法结合图像处理技术已广泛应用到日常生活的各个方面。本文采用了机器学习相关技术来进行花卉图像识别的研究与应用,主要是使用基于超像素的方法来实现花卉图像的分割,使用基于传统特征融合和基于卷积神经网络两种方法来实现花卉图像的分类。基于超像素的分割方法能够分割出较为均匀、紧凑的超像素,分割效果较好;传统特征融合方式比较简单,容易实现;卷积神经网络提取的特征能很好地描述花卉图像的内在信息,具有较优秀的分类性能。本文结合分割与分类算法,构建了一个完整的花卉识别算法,并在花卉数据集上进行实验,获得了良好的识别准确率。本文主要研究内容包括:(1)研究了基于超像素的SLIC花卉图像分割算法,并对算法进行了改进和优化。改进了算法的输入参数,使得分割前不需要人为的设置预分割的超像素个数,简化了算法步骤;优化了颜色的转化过程,避免了RGB与Lab色彩空间相互转化带来的复杂浮点型计算,加速了算法的计算过程;优化了距离度量标准,将浮点型计算转变成整型计算,完全避免了开方和浮点运算带来的庞大计算量。(2)研究了基于特征融合与基于卷积神经网络两种方式实现对花卉图像的分类。基于特征融合方式着重研究LLC特征编码算法,然后以LLC、HOG和LBP为基本特征,采用多核学习方法对不同特征进行融合,最后经过SVM分类后比较结果;基于卷积神经网络方式利用AlexNet在大型数据库ImageNet上训练好的网络模型,采用迁移学习方式提取花卉图像特征进行分类。在此基础上,加入花卉数据库继续迭代训练进行网络微调,得到新的适用于花卉图像的特征提取模型,随后利用此模型提取花卉特征,用SVM分类并分析结果。(3)设计和实现了花卉识别系统客户端和服务端框架,将基于超像素的SLIC分割算法与特征融合算法联合实现了花卉识别系统的客户端,对客户端框架设计和实现流程进行了详细阐述,并实现了客户端与服务器之间的数据通信;将SLIC与基于卷积神经网络方法结合实现花卉识别系统服务端,对服务端网路模型训练和在线识别过程进行了详细阐述。最后在自建数据库上对系统进行了测试与分析,在实时性和准确性方面均满足实际应用的需求。