基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。

基于监督正交局部保持映射的植物叶片图像分类方法

针对传统的线性分类方法不能有效处理复杂、多变和非线性的植物叶片图像,在局部保持映射算法的基础上,提出了一种监督正交局部保持映射算法,并应用于基于植物叶片图像分类中。该算法首先利用Warshall算法计算样本的类别矩阵,在此基础上充分利用样本的局部信息和类别信息构造类间散度矩阵和类内散度矩阵,使得维数约简后,在低维子空间同类样本之间的距离变小,而不同类样本之间的距离增大,由此提高了该算法的分类能力。最后,利用K-最近邻分类器进行植物分类。与经典的监督子空间维数约简方法相比,该方法在构建类内和类间散度矩阵时不需要判别数据的类别信息,能够提高算法的分类性能。在公开植物叶片图像数据库上进行了一系列植物叶片分类试验,平均正确识别率高达95.92%。试验结果表明了该算法在植物分类中的可行性。

基于叶片图像和监督正交最大差异伸展的植物识别方法

无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的。基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向。植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据（杜吉祥,2005;纪寿文等,2002;王晓峰等,

基于二维局部敏感判别分析法的雷达目标识别

由于在不同的观察角度、位置以及光照等条件下雷达目标图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于飞机目标图像识别。基于二维局部敏感判别分析(2DLSDA),提出了一种雷达目标识别方法。首先构造类内和类间邻域关系图,计算两个邻域图上的权重矩阵;然后基于Schur分解求出两个正交变换矩阵,得到映射矩阵,对观察数据进行维数约简,由此有效地克服小样本问题。对飞机目标的分类实验结果表明,该方法是有效可行的。

基于监督Isomap的步态识别方法

由于步态图像的复杂性,使得很多维数约简方法不能有效地应用于步态识别中。等距特征映射(Iso-map)是一种很好的非线性维数约简算法,但在实际应用中该算法没有利用样本的类别信息,并存在泛化能力差的问题。在该算法的基础上,提出了一种新的监督Isomap算法,并应用于步态识别中。该方法不但具有Isomap算法的特性,而且能对新样本进行低维映射。在真实的三个步态图像数据库上的实验结果表明,该方法对步态识别是有效而可行的。