基于监督流形学习的植物叶片图像可视化与分类方法研究

基于叶片图像的植物分类是植物分类学的一项重要的应用基础研究。本课题针对植物叶片图像复杂多变的特点，利用监督流形学习，研究新型的植物叶片图像可视化、特征提取与选择以及分类方法。归纳为四个方面：(1)研究基于监督等距特征映射(Isomap)的植物叶片图像的最佳可视化方法，从大量无序的混合叶片图像集中发现叶片的有序流形结构，由此分析不同植物间的亲缘关系；(2)研究二维监督正交判别投影(2D-SODP)算法，由此提取叶片图像鲁棒的分类特征，并定义特征分类贡献的判别函数，以此对特征进行选择；(3)建立非负局部线性重构系数矩阵，由此对邻域关系图进行剪枝，以简化局部尺度参数选择的难题。在此基础上，构建一种有效的基于测地距离的最近邻分类器；(4)构造植物叶片图像分类系统，并在大规模叶片图像数据库上测试该系统的有效性。本课题研究对于鉴别植物种类、阐明植物的进化规律以及保护植物物种的多样性等具有重要意义。

植物叶片是区分物种的最有用和最直接的手段。基于叶片图像的植物分类是植物分类学的一个重要研究方向。项目组针对叶片图像的复杂、多变和非线性等特点，系统地研究了以下四个问题：1)植物叶片图像分割；2)监督流形学习及其在叶片图像维数约简中的应用；3)基于流形学习的叶片图像的最佳可视化；4)植物叶片图像数据库建设和植物叶片图像分类系统构建，并在扩展的叶片图像数据库上测试该系统的有效性。. 取得了以下成果：1)将一级小型植物叶片图像数据库扩展为二级数据库，扩展后的数据库中有362类植物4万多张叶片图像，包括独立完整的、独立残缺的、独立模糊的、重叠的以及具有复杂背景的等不同类型的叶片图像。建好的植物叶片图像数据库1.0版本已经公开发布在http://www.intelengine.cn/dataset/index.html，国内外多个实验室和很多学者已经访问并利用此数据库验证各种植物分类算法；2) 项目组提出了一种叶片分割方法和四种流形学习算法；3) 在研究实践中，我们还拓展了研究范围,提出了一种有效的基于多尺度分块重叠LBP叶片图像识别方法和引进了一种新的叶片图像分类特征描述方法，采用代表轮廓的有序序列进行叶片识别。利用瑞典的叶片数据集和本实验室建立的叶片图像数据集，对所提出的植物分类算法进行了大量分类实验，实验结果表明了所提出算法的有效性和可行性；4) 申请了实用新型专利“基于水平集和局部敏感判别映射的植物物种计算机辅助分类系统”ZL 2010 2 0204409.2)。组织了2011智能计算国际学术会议。. 上面的研究成果以及很多扩展的研究成果已发表在国际SCI检索期刊、国内EI检索和重要国际会议。. 课题组按照制定的年度计划较好地完成了课题预期目标，其研究成果对于鉴定和区分植物种类、探索植物间的亲缘关系、保护植物物种和环境等都具有重要意义，部分研究成果将能够推动、植物机器分类系统和植物分类学的发展。本研究所提出的一些维数约简和特征提取与分类方法可以扩展到模式识别的其他应用领域。

内容获取失败，请点击重试