植物叶片特征提取与识别技术研究(源码)
摘要：人类需要很长时间的学习和积累才能识别地球上的各种植物，因此人类在植物识别上具有很大的局限性，开发出实用的植物识别技术与识别系统具有重大意义。本文首先对叶片图片进行了预处理，然后在Visual Studio 2013环境下使用OpenCV函数库提取了叶片的7个形状特征。接着介绍了构建KNN分类模型的方法，并在OpenCV机器学习库的支持下建立了BP神经网络模型与支持向量机模型。最后根据本文实现的叶片识别系统得出的实验数据对这三个分类模型进行分析与对比，得出各模型的优点与缺点。
目录
摘要 １
关键词 １
Abstract １
引言
1 选题背景 １
1.1 问题的提出 １
1.2 国内外研究状况 ２
1.2.1 国外研究状况 ２
1.2.2 国内研究状况 ２
1.3 研究目的和内容 ２
1.3.1研究目的 ２
1.3.2研究内容 ３
2 叶片图像处理与特征提取 ３
2.1 图像预处理 ３
2.1.1 图像灰度化 ３
2.1.2 图像平滑 ３
2.1.3 图像分割 ４
2.1.4 图像形态学处理 ４
2.1.5 图像轮廓提取 ５
2.2 特征提取 ５
3 植物叶片分类器 ６
3.1 BP神经网络 ６
3.2 K最近邻 ９
3.3 支持向量机 ９
3.4 特征库与训练过程的存储 １１
4 实验测试与分析 １１
5 总结 １２
致谢 １２
参考文献 １３
植物叶片特征提取与识别技术研究
Plant Leaves Feature Extraction and Recognition Technology Research
Student majoring in computer science and technology YANG Peijun
Tutor WU
*好棒文|www.hbsrm.com +Q: ￥351916072￥
Yanlian
Abstract: Humans need a long time learning and accumulation to identify a variety of plants on the earth, so humans have great limitations in plant identification and developing practical plant identification technology and recognition system is of great significance. Firstly, the leaf image preprocessing is achieved and seven shape characteristics of the blade are extracted in Visual Studio 2013 environment with using OpenCV function library. Then this paper introduces the method to construct the model of KNN (KNearest Neighbor) classification and BP neural network model and support vector machine (SVM) model are established with the support of OpenCV machine learning repository. Finally, according to the experimental data from the blade identification system which is realized in this paper, the article analyzes and contrasts these three kinds of model to conclude advantages and disadvantages of each model.
Key words: ?feature extraction; KNearest Neighbor; back propagation neural networks; support vector machine
地球上植物种类多种多样，纷繁复杂，但我们却处处离不开植物。植物是我们人类赖以生存的基础，它为我们提供人体所必须的氧气，为我们提供食物来源，有些植物具有极高的药用价值，可以说我们的衣食住行都离不开植物。植物如此重要，我们需要对世界上的植物进行分类，区分它们的差异与特点，建立起完善植物数据库。研究发现通过树叶辨别植物是一个有效的方法，使用计算机分析的树叶照片数据并加以辨别是一种有效、快捷准确的手段，能有效解决相似叶片的识别难题与识别速度慢的问题，这对农业信息化与社会发展具有非常重要的意义。
1 选题背景
1.1 问题的提出
近年来人类的各种生产活动,一味地追求利益,忽视了对地球生态的保护，对自然界造成了巨大的破坏，各种植物资源迅速减少。很多颇有医疗价值的植物濒临毁灭，很多植物对整个生态环境具有极其重要的意义，他们是生态系统的基础，对我们人类有益而无害，因而对于植物保护我们刻不容缓。我们对植物展开各种研究和认识是有利于人类社会发展的，更是必要的，植物分类学是展开植物各种研究活动的基础性工作，建立完善植物分类体系，便于我们的研究与对植物的保护。但是植物体系十分庞大，错综复杂，这个问题仍然十分艰巨，完全依靠人类肉眼去识别大量植物不仅效率低下，耗费时间，并且很难有较高的准确率。然而我们凭借着计算机强大的计算能力与善于处理数据的优势，可弥补人类识别植物的局限性。植物叶片易于获取，用叶片来对植物进行分类是可行的也是方便的。把植物叶片储存为数字图像数据通过计算机去提取植物图片的有效数据，然后经过一系列可行算法让计算机对这些提取的有效数据也即植物特征数据进行分析，建立起分类模型，进而快速准确的辨别植物。利用计算机辨别植物，大致经过两大主要步骤，一是提取植物叶片照片中具有代表性和标志性有用的特征。如何在具有复杂背景和其他噪声影响的图片中得到我们想要的目标区域和特征是其中的难题之一。第二个步骤是利用模式识别领域中的一系列合适分类的算法去处理得到的植物特征，从而解答出植物的类别。在不同的需求和不同情况下我们要选取合适的算法，以及如何改进算法以提高识别的准确率也是极其重要的问题。
国内外研究状况
目录
摘要 １
关键词 １
Abstract １
引言
1 选题背景 １
1.1 问题的提出 １
1.2 国内外研究状况 ２
1.2.1 国外研究状况 ２
1.2.2 国内研究状况 ２
1.3 研究目的和内容 ２
1.3.1研究目的 ２
1.3.2研究内容 ３
2 叶片图像处理与特征提取 ３
2.1 图像预处理 ３
2.1.1 图像灰度化 ３
2.1.2 图像平滑 ３
2.1.3 图像分割 ４
2.1.4 图像形态学处理 ４
2.1.5 图像轮廓提取 ５
2.2 特征提取 ５
3 植物叶片分类器 ６
3.1 BP神经网络 ６
3.2 K最近邻 ９
3.3 支持向量机 ９
3.4 特征库与训练过程的存储 １１
4 实验测试与分析 １１
5 总结 １２
致谢 １２
参考文献 １３
植物叶片特征提取与识别技术研究
Plant Leaves Feature Extraction and Recognition Technology Research
Student majoring in computer science and technology YANG Peijun
Tutor WU
*好棒文|www.hbsrm.com +Q: ￥351916072￥
Yanlian
Abstract: Humans need a long time learning and accumulation to identify a variety of plants on the earth, so humans have great limitations in plant identification and developing practical plant identification technology and recognition system is of great significance. Firstly, the leaf image preprocessing is achieved and seven shape characteristics of the blade are extracted in Visual Studio 2013 environment with using OpenCV function library. Then this paper introduces the method to construct the model of KNN (KNearest Neighbor) classification and BP neural network model and support vector machine (SVM) model are established with the support of OpenCV machine learning repository. Finally, according to the experimental data from the blade identification system which is realized in this paper, the article analyzes and contrasts these three kinds of model to conclude advantages and disadvantages of each model.
Key words: ?feature extraction; KNearest Neighbor; back propagation neural networks; support vector machine
地球上植物种类多种多样，纷繁复杂，但我们却处处离不开植物。植物是我们人类赖以生存的基础，它为我们提供人体所必须的氧气，为我们提供食物来源，有些植物具有极高的药用价值，可以说我们的衣食住行都离不开植物。植物如此重要，我们需要对世界上的植物进行分类，区分它们的差异与特点，建立起完善植物数据库。研究发现通过树叶辨别植物是一个有效的方法，使用计算机分析的树叶照片数据并加以辨别是一种有效、快捷准确的手段，能有效解决相似叶片的识别难题与识别速度慢的问题，这对农业信息化与社会发展具有非常重要的意义。
1 选题背景
1.1 问题的提出
近年来人类的各种生产活动,一味地追求利益,忽视了对地球生态的保护，对自然界造成了巨大的破坏，各种植物资源迅速减少。很多颇有医疗价值的植物濒临毁灭，很多植物对整个生态环境具有极其重要的意义，他们是生态系统的基础，对我们人类有益而无害，因而对于植物保护我们刻不容缓。我们对植物展开各种研究和认识是有利于人类社会发展的，更是必要的，植物分类学是展开植物各种研究活动的基础性工作，建立完善植物分类体系，便于我们的研究与对植物的保护。但是植物体系十分庞大，错综复杂，这个问题仍然十分艰巨，完全依靠人类肉眼去识别大量植物不仅效率低下，耗费时间，并且很难有较高的准确率。然而我们凭借着计算机强大的计算能力与善于处理数据的优势，可弥补人类识别植物的局限性。植物叶片易于获取，用叶片来对植物进行分类是可行的也是方便的。把植物叶片储存为数字图像数据通过计算机去提取植物图片的有效数据，然后经过一系列可行算法让计算机对这些提取的有效数据也即植物特征数据进行分析，建立起分类模型，进而快速准确的辨别植物。利用计算机辨别植物，大致经过两大主要步骤，一是提取植物叶片照片中具有代表性和标志性有用的特征。如何在具有复杂背景和其他噪声影响的图片中得到我们想要的目标区域和特征是其中的难题之一。第二个步骤是利用模式识别领域中的一系列合适分类的算法去处理得到的植物特征，从而解答出植物的类别。在不同的需求和不同情况下我们要选取合适的算法，以及如何改进算法以提高识别的准确率也是极其重要的问题。
国内外研究状况
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2190.html
