基于深度图的相邻花朵图像分割方法

前景与背景相似的情况是图像分割的一个难题。针对相邻花朵图像来提取分割花朵的边缘。基于三维空间信息有助于图像分割的思想,提出了利用恢复的花朵深度图像信息及前景与背景的连通性找到分割相邻花朵的边缘的方法。实验显示了本方法的有效性,准确率达96%。

基于深度卷积生成对抗网络的花朵图像增强与分类

为了提高花朵图像识别与分类的准确率,采用基于深度卷积生成对抗网络的算法来完成花朵图像的识别与分类。为了保证花朵图像在卷积过程中的特征完整性,将不同尺寸的真实花朵图像进行定量平均分块,忽略分块尺寸的大小,保证分块数量相等,然后对分块的图像进行深度卷积池化增强,增强方法为最大值增强,并对噪声进行最大值池化操作,然后将两者进行对抗判别,运用交叉熵误差对价值函数进行评估,求解花朵图像识别与分类的结果。文中分别对花朵图像增强、同类花朵图像识别和不同类花朵图像分类分别进行了实例仿真,实验结果表明,所提算法在花朵图像分类正确率方面的优势明显且稳定性好。

基于卷积神经网络的花朵图片分类算法

针对目前利用卷积神经网络进行花朵图像分类时,全连接层产生的参数冗余和破坏空间结构信息问题,提出一种有效的改进方法。首先用1×n和n×1卷积核替换n×n卷积核,然后在卷积层后连接空间金字塔池化进行降维提取特征,最后在Softmax分类器输出概率分布。实验表明本文的方法不仅提高了准确率,而且使训练时间下降了一半,大大提高了训练的速度。