论文部分内容阅读
植物分类学是一门对植物物种进行准确描述,命名,分群归类,探求各类群之间的亲缘关系,以及演化过程的基础科学。随着模式识别技术在植物图像分类任务中的广泛应用,对植物分类学的发展具有促进作用,而且给农业的科学研究带来了非常大的帮助。相比于传统的基于单个或少量图像的植物图像分类识别算法,基于图像集的植物图像分类算法的关键是如何为图像集进行建模,以及如何度量对图像集建模后模型之间的相似度。为了更好地对植物图像进行分类识别,有必要对以植物叶片图像集为研究对象的分类技术进行研究。本文以植物叶片图像为研究目标,对非线性重构模型、SPCANet模型、KmeansNet模型和利用深度模型对植物图像进行粒度分类等内容进行详细的介绍。本文的主要工作内容为:(1)提出一种基于非线性重构模型的植物叶片图像集的分类识别方法。该方法使用高斯受限玻尔兹曼机(GRBMs)通过非监督预训练来初始化模型的权值,然后为每一个植物叶片图像集用初始化的模型训练得到一个特定的模型。最后根据测试样本的最小重构误差和测试样本集的最多投票策略来判定测试样本集的类别。并采用基于k-means的特征提取方法来提取植物叶片图像特征。(2)提出了一种浅层PCANet(SPCANet)模型的植物图像集的分类识别方法。该方法首先用SPCANet模型来提取植物图像的特征,然后用线性SVM分类,最后根据投票策略判定测试集的类别。该模型是基于卷积神经网的结构设计的。该模型由卷积滤波层、非线性层和特征提取层三部分组成,其中卷积层的卷积核不同于传统的深度学习网络,而是通过PCA算法得到,这大大的减少了网络的训练时间和参数的设置。(3)提出一种KmeansNet模型的植物图像集的分类识别方法。该方法是SPCANet模型的变体,不同之处在于卷积层的卷积核是通过Kmeans算法得到。(4)利用深度学习Caffe框架对大规模植物图像进行粒度分类。引入粒度分类的思想为大规模植物图像的分类提供了一个新的思路。在大数据的背景下,利用Caffenet模型强大规模分类能力,通过微调Caffenet网络以实现对植物图像分别按门、纲、目、科、属进行粒度分类。