[发明专利]改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法

说明书

本发明公开了一种改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法，首先对图像进行预处理，然后对Gabor算法中的Gabor滤波器进行改进，再利用改进后的Gabor算法和HOG算法对预处理后的图像分别进行特征提取，得到Gabor和HOG特征向量，并将两个特征向量自适应加权融合后进行降维处理，再使用SVM的组合核函数进行分类训练，输出识别结果。该发明可以广泛应用于机器视觉领域中复杂环境下的植物叶片识别，弥补了对植物叶片信息描述的不足，从而达到植物叶片识别的准确性的目的，有非常广阔的应用场景。

技术领域

本发明涉及一种基于改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法，属于机器视觉领域。

背景技术

植物作为人类必需的一种独一无二的营养、医疗和工业原料，在生态环境保护、食品药品开发、日用品生产等方面发挥着不可替代的作用，因此，研究植物分类对于人类经济社会发展是非常必要的。随着计算机传感器技术、机器视觉及机器学习技术的飞速发展，使得通过图像捕获设备快速获取植物生理特征并综合利用图像处理和模式识别算法进行植物快速分类成为可能。

由于植物叶片非刚性特点所导致的叶片外形结构特征复杂多变，即使是同一种植物叶片图像，在生长阶段、生长位置、所处季节和受到光照等不同因素影响下，也会导致其分类特征的巨大差别，从而限制了现有叶片图像特征提取算法与技术的分类识别率。所以准确高效的图像特征提取方法和分类识别算法是解决植物叶片分类问题的关键所在。

发明内容

为了克服现有技术的不足，本发明提出了基于改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法，对传统的Gabor滤波器进行改进，使其在保持原来良好的方向特性和尺度特性的基础上对弯曲部分有更好的特征提取能力，弥补了对植物叶片信息描述的不足，从而达到植物叶片识别的准确性的目的。首先对图像进行预处理，然后对Gabor算法中的Gabor滤波器进行改进，再利用改进后的Gabor算法和HOG算法对预处理后的图像分别进行特征提取，得到Gabor和HOG特征向量，并将两个特征向量自适应加权融合后进行降维处理，再使用SVM的组合核函数进行分类训练，输出识别结果。

为了解决上述技术问题，本发明采用的技术方案是：

本发明提出的基于改进Gabor与HOG的自适应加权多特征融合的植物叶片识别，所述方法基于改进的Gabor特征提取算法，HOG特征提取算法，改进Gabor与HOG的自适应加权多特征融合并进行降维处理，SVM的分类训练，具体过程如下：

步骤1，对于采集到的植物叶片图像进行预处理，去除噪声；

步骤2，Gabor特征算法对物体纹理信息有很好的描述能力，对Gabor特征算法中的Gabor滤波器进行改进，使其对弯曲部分有更好的特征提取能力。

步骤3，利用改进后的Gabor算法和HOG算法对预处理后的图像分别进行特征提取，得到Gabor和HOG特征向量，并将两个特征向量自适应加权融合；

步骤4，采用核主成分分析(KPCA)对融合后的特征向量进行降维；

步骤5，对径向基核函数和多项式核函数进行线性组合，使用组合核函数作为SVM的核函数，对降维后的特征向量进行分类训练。

有益效果：本发明提出的基于改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法，对传统的Gabor滤波器进行改进，使其在保持原来良好的方向特性和尺度特性的基础上对弯曲部分有更好的特征提取能力。本发明可以广泛应用于机器视觉领域中复杂环境下的植物叶片识别，弥补了对植物叶片信息描述的不足，从而达到植物叶片识别的准确性的目的，有非常广阔的应用场景。

附图说明

图1为一个实施例中改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法的流程图；