论文部分内容阅读
我国每年水果产量庞大,生产加工需求量也较高。而水果分类是其产后加工的一个重要环节,目前在我国主要依靠人力完成。水果人工分类速度慢且容易受主观因素影响,从而导致分类准确率低。采用计算机视觉技术进行水果自动分类,可有效解决人力资源逐渐匮乏问题,也能有效提升水果产后加工的效率。由于水果种类繁多,且形状、颜色、纹理等特征复杂,造成水果自动精确分类的难度增加。如何提取出某类水果的有效特征和准确地对水果分类,是当前水果分类研究主要关注的问题之一。因此,本文提出了基于BOF(Bag of Feature)改进特征提取算法提取水果特征,并结合Libsvm分类器对水果图像进行分类研究。首先,对BOF算法中的特征提取进行改进。传统的BOF算法中因提取的特征维度数高,计算量大,从而影响提取算法的效率。为提升效率,采取改进的SURF(Speed Up Robust Feature)算法,使特征维度数下降到26维。且改进SURF算法对光照,尺度等变换具有很强的鲁棒性。在特征描述方面,结合改进SURF算法,采用K-means方法对提取的特征点进行聚类。通过聚类算法计算出特征视觉字典,计算每个单一图像的特征点在特征字典中直方值的频度。为了不丢失图像的空间信息,引入空间金字塔方法,构建图像层次特征信息,提高分类的准确性。其次,文章采用SVM(Support Vector Machine)中的多分类方法对分类器进行设计,由于本文研究对象种类较多,并没有采用SVM中“一对多”的构造分类方法,而是采用基于“一对一”法构造的Libsvm工具箱对提取的特征进行分类,Libsvm分类器简单而且高效。能够对已提取的特征向量进行精确的分类。最后,进行多次水果分类实验。本文共采集15类水果图像,每类水果图像共40张,共计600张。其中30张用作训练,10张用作测试,创建了研究的数据集,进行多次实验,实验结果表明:基于改进SURF-BOF与Libsvm分类器设计方法无论在实时性还是准确率上均优于SIFT-BOF算法,此算法下的水果分类试验中准确率可达到96.53%。