CN102819748B - 害虫稀疏表征分类识别方法与分类识别装置 - Google Patents
害虫稀疏表征分类识别方法与分类识别装置 Download PDFInfo
- Publication number
- CN102819748B CN102819748B CN201210251566.2A CN201210251566A CN102819748B CN 102819748 B CN102819748 B CN 102819748B CN 201210251566 A CN201210251566 A CN 201210251566A CN 102819748 B CN102819748 B CN 102819748B
- Authority
- CN
- China
- Prior art keywords
- noise
- vector
- insect
- class pest
- rank
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种害虫稀疏表征分类识别方法与分类识别装置,包括对k类害虫进行编号;对包含k类害虫的所有图片进行图像预处理;对预处理后的所有图片进行特征提取:满足约束等距性条件的特征字典的构造;对预处理后的任一待识别图片进行特征提取;求解分类模型;对害虫进行识别。由于本发明的特征字典符合RIP条件,所以本发明所提出的识别方法准确度高、可靠性与稳定性强,性能优于现有技术。
Description
技术领域
本发明属于图像处理技术领域,涉及害虫稀疏表征分类和害虫稀疏表征分类字典的构建方法。
背景技术
储粮害虫对粮食储藏的危害十分巨大,据有关报道,全世界每年至少有5%的粮食被害虫糟蹋,如果人力、物力和技术跟不上,损失可能达到20%-30%,而中国的粮库粮食损失率约为0.2%,但中国基数大,0.2%数量任然很多,因此开展针对害虫的检测研究是一件很有必要且有意义的研究课题”。而害虫的图像识别法由于可操作性强且易于实现,受到了国内外众多科学家的重视。
压缩感知理论是应用数学与信号处理领域中一个非常新的研究方向,自从2006年起有正式论文发表之后,迅速引起国内外相关领域研究者的高度重视。该理论表明当信号具有稀疏性或可压缩性时,即原始信号经过变换后仅有小部分大系数,其他变换域系数都为0或接近于0,通过采集少量的信号投影值就可实现信号准确或近似重构。压缩感知研究主要集中在信号的稀疏分解、传感矩阵、重构算法三个方面。对于稀疏方面,主要包括傅里叶变换、离散小波变换、多尺度分析、小波包“冗余字典”等。关于传感矩阵的研究,主要包括高斯矩阵、贝努利矩阵,傅里叶矩阵、哈达玛矩阵等。此外还包括确定性矩阵的构造。在信号重构方面,主要包括有三类算法:凸优化,贪婪算法,组合算法。在硬件实现上,Rice大学的Baraniuk教授等研制出单像素相机和A/I转换器,经过近六年的发展,压缩传感在理论方面已经取得了许多重要的成果,在许多实际应用方面,各国科学家也开始投身其中,压缩感知的应用包括:医学图像,语音信号处理,机器学习等等诸多方面。
目前,针对害虫的图像识别的主要研究集中在特征提取和分类器的设计上,传统的特征提取主要提取害虫的形态、纹理等特征,分类器的选择主要包括:神经网络、物元可拓法、支持向量机等分类器。尽管大量关于害虫的研究已经取得了一些效果,但仍然存在很多问题。首先,已有的害虫分类都是在害虫种类较少的情况下实现的分类,而当害虫种类增多时,识别率下降严重;其次,部分分类器对害虫进行分类时,需要对算法的参数进行优化选择,当害虫种类增加时,上述步骤需要从新设置,这就大大增加了系统的复杂性。2006年Donoho等人提出压缩感知后,在人脸识别领域引起了巨大的反响,并且在2008年,由Wright J等人提出一种系数表征人脸识别算法,它主要是建立在压缩感知及Serre提出的人类视觉系统具有对图像稀疏表示特性的基础上。该算法采用降采样的特征提取方法提取特征,运用提取到的特征构建欠定方程,再通过优化方法对欠定方程进行求解,最后通过残差计算公式计算出残差最小的项作为分类判别的标准,最终实现分类目的。稀疏表征分类器相比已有的分类器,它在害虫种类较多时,能取得更好的分类效果,同时由于不用对分类器的参数进行相关的优化设计,因此在后期对分类矩阵进行改进时,具有更大的优势。国内已有部分科学工作者将该方法运用到农业生产的分类中,例如蔡骋等人已尝试将此方法应用于杂草种子的分类中,韩安太等人尝试将此方法应用于害虫的分类中。
现有技术仅将稀疏表征分类直接的应用,重构过程缺乏理论性,无法保证解的唯一性,因此分类结果缺乏可靠性及稳定性。
发明内容
本发明的目的是提供一种害虫稀疏表征分类识别方法及分类识别装置,用于解决现有分类识别方法准确性低,稳定性、可靠性差的问题。
名词解释。约束等距性条件:即“RIP条件”,Restricted Isometry Property。训练集:模式识别中数据分为训练集和测试集,本文中的训练集指的是构造样本矩阵的包含k类害虫的所有图片。字典:指的是冗余字典(overcompletedictionary),即本文提到的由害虫特征构成的训练样本矩阵(A和)。“稀疏性或可压缩性”指的是原始信号经过变换后仅有小部分大系数,其他变换域系数都为0或接近于0。
为实现上述目的,本发明的方法方案是:一种害虫稀疏表征分类识别方法,步骤如下:
a)对k类害虫进行编号,每类害虫序号为t,t=1,2,…,k;
b)对包含k类害虫的所有图片进行图像预处理;
c)对预处理后的所有图片进行特征提取:提取得到样本矩阵A∈Rm×n,m<n,A=[A1,A2…,Ak],A1,A2…,Ak分别与1,2,…,k类害虫对应;
d)构造一个满足i,j=1,2...,m的高斯矩阵Φ∈Rm×m,其中φij为Φ中的元素,高斯矩阵Φ左乘样本矩阵A得到满足约束等距性条件的特征字典
e)对预处理后的任一待识别图片进行特征提取,得到待识别样本向量b,高斯矩阵Φ左乘待识别样本向量b得到求解分类模型中的x0,noise是一个服从高斯分布的随机噪声,由于实际中存在误差,通过算法重构的系数向量x0用表示;
f)对害虫进行识别:运用残差函数对进行残差求解,得到残差值向量t=1,2,…,k,如果最终残差值向量中值最小项为项zt,则待识别的害虫图像为第t类害虫。
步骤b)中,图像预处理包括:对图片采用中值滤波的方法进行去噪;采用最大类间方差求解自适应阈值,对图像进行分割。
步骤c)中, 表示第t(1≤t≤k)类害虫的特征,其中nt为t类害虫样本个数,vtp,p=1,…,nt为第t类害虫的训练样本,它由15个分类特征构成:面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1阶不变矩,2阶不变矩,3阶不变矩,4阶不变矩,5阶不变矩,6阶不变矩,7阶不变矩;得到样本矩阵A后,利用归一化函数t=1,2...,k,q=1,2...,m对15个特征进行归一化,式中αtq表示第t类害虫第q个特征,minq和maxq分别表示害虫第q个特征的最小值和最大值。
步骤e)中,分类模型通过如下步骤获得:
Φb=ΦAx
xnoise为向量元素值很小的噪声向量,其中是一个线性表述的系数向量,仅有第t类的系数不为零,其他系数都为零;
对于分类模型中的线性表述系数向量x0的求解,通过线性规划中的内点法求解优化方程(7)得到;
其中为通过内点法求解方程(7)得到的线性表述的系数向量,ε为噪声noise的能量。
步骤f)中,所述的残差函数为
残差函数(8)中t=1,2,…,k,δt(x)函数表示:向量x经过函数δt(x)映射后,仅有第t类害虫所对应的系数保持不变,其他系数全部为0;t=1,2,…,k为残差值向量。
本发明的装置方案是:一种害虫稀疏表征分类识别装置,包括:
a)对k类害虫进行编号的模块,该模块将每类害虫分配序号t,t=1,2,…,k;
b)对包含k类害虫的所有图片进行图像预处理的模块;
c)对预处理后的所有图片进行特征提取的模块:该模块提取图片特征,得到样本矩阵A∈Rm×n,m<n,A=[A1,A2…,Ak],A1,A2…,Ak分别与1,2,…,k类害虫对应;
d)特征字典构造模块,该模块构造一个满足i,j=1,2...,m的高斯矩阵Φ∈Rm×m,其中φij为Φ中的元素,高斯矩阵Φ左乘样本矩阵A得到满足约束等距性条件的特征字典
e)求解模块,该模块对预处理后的任一待识别图片进行特征提取,得到待识别样本向量b,高斯矩阵Φ左乘待识别样本向量b得到求解分类模型中的x0,noise是一个服从高斯分布的随机噪声,由于实际中存在误差,通过算法重构的系数向量x0用表示;
f)对步骤e)所述任一待识别图片进行害虫识别的模块,该模块运用残差函数对进行残差求解,得到残差值向量t=1,2,…,k,如果最终残差值向量中值最小项为项zt,则待识别的害虫图像为第t类害虫。
模块b)中,图像预处理包括:对图片采用中值滤波的方法进行去噪;采用最大类间方差求解自适应阈值,对图像进行分割。
模块c)中, 表示第t(1≤t≤k)类害虫的特征,其中nt为t类害虫样本个数,vtp,p=1,…,nt为第t类害虫的训练样本,它由15个分类特征构成:面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1阶不变矩,2阶不变矩,3阶不变矩,4阶不变矩,5阶不变矩,6阶不变矩,7阶不变矩;得到样本矩阵A后,利用归一化函数t=1,2...,k,q=1,2...,m对15个特征进行归一化,式中αtq表示第t类害虫第q个特征,minq和maxq分别表示害虫第q个特征的最小值和最大值。
模块e)中,分类模型通过如下步骤获得:
Φb=ΦAx
xnoise为向量元素值很小的噪声向量,其中是一个线性表述的系数向量,仅有第t类的系数不为零,其他系数都为零;
对于分类模型中的线性表述系数向量x0的求解,通过线性规划中的内点法求解优化方程(7)得到;
其中为通过内点法求解方程(7)得到的线性表述的系数向量,ε为噪声noise的能量。
模块f)中,所述的残差函数为
残差函数(8)中t=1,2,…,k,δt(x)函数表示:向量x经过函数δt(x)映射后,仅有第t类害虫所对应的系数保持不变,其他系数全部为0; 为残差值向量。
对于k类害虫分类识别,本发明特征字典和分类数学模型的构建及证明如下:
1.字典构建
构造传统的k类害虫的样本矩阵A,其中第t类害虫vt,p(p=1,2,…,nt)由第t类害虫的归一化面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1阶不变矩,2阶不变矩,3阶不变矩,4阶不变矩,5阶不变矩,6阶不变矩,7阶不变矩,共15个特征组成;
其中n=n1+n2+…+nk,且矩阵A∈Rm×n(m<n)。害虫的线性表述的系数可通过求解方程(3)求得
b=Ax (3),
为了使(3)式中的样本矩阵A满足约束等距性条件,构造高斯矩阵Φ∈Rm×n且每个元素的随机变量,将3式的等式两边分别左乘一个高斯矩阵Φ,则:
Φb=ΦAx (4),
即
由于在实际中存在噪声及模型误差,(5)式的数学模型不符合实际情况,在此基础上构造了形如(6)的数学模型:
其中x0=[0,0,…,αi1,αi2,…,αin,0,…,0]T∈Rn是一个系数向量,即仅有第i类的系数不为零,其他系数都为零;noise是一个服从高斯分布的随机噪声。
2.理论证明
设矩阵A是Rm×n样本矩阵,矩阵Φ∈Rm×m高斯矩阵,其中的独立高斯随机变量
对于中的任一个元素,由于则
根据概率理论,有限个相互独立的正态随机变量的线性组合仍然服从正态分布,即中的每个元素由于矩阵中的每个元素服从高斯分布,根据压缩感知相关定理可知,新特征字典以的概率满足约束等距性条件。
3.带噪声的分类数学模型推导:
由于模型及噪声误差,在实际中的线性表征很难出现形如(5)式的数学模型,考虑到实际应用问题,我们现在推导(6)式的数学模型。假设x0是除了第i类外系数都为0的向量,xnoise∈Rn是系数值很小的向量。
在前面我们已经证明了一个高斯矩阵乘以一个向量仍然服从高斯分布,因此上式可以变为
式(7)是经典的压缩感知数学模型。
x0,x,为3个不同模型的变量,其中x为b=Ax模型的线性表征系数向量,x0为模型中的线性表征系数向量,为运用算法重构后的线性表征系数向量,由于重构算法重构x0时存在误差,因此为了与x0区别,新添加了一个变量
由于本发明的特征字典符合RIP条件,所以本发明所提出的识别方法准确度高、可靠性与稳定性强,性能优于现有技术。
附图说明
图1是满足约束等距性特征字典构建方法图;
图2是害虫分类流程图;
图3是分类成功率及分类时间比较图表。
具体实施方式
下面结合附图对本发明做进一步说明。由于识别装置与识别方法本质相同、模块与步骤相一致,下面主要介绍识别方法。
识别方法的主要步骤在于:首先对待提取特征的害虫图片进行去噪、分割等预处理,对训练集中的所有害虫图像进行特征提取,得到样本矩阵A∈Rm×n,m<n,构造一个满足的高斯矩阵Φ∈Rm×m,高斯矩阵Φ左乘样本矩阵A得到对任一副图片(图2中待分类害虫图片,也是下文待识别样本),提取待识别害虫图像特征,得到待识别样本向量b,高斯矩阵Φ左乘待识别样本向量b得到 可以由中与同类害虫的训练样本线性表述,可以得到新的害虫分类数学模型其中n(即上文中noise)是高斯噪声,由于m<n,且满足约束等距性,因此运用l1最小化的方法求解出系数向量x(即用(7)求解),将重构出的系数向量进行残差计算;残差最小的作为待识别样本的识别结果。
识别方法的主要步骤如图2所示,下面进行具体解释。
图像预处理
由于图片在采集过程中由于背景环境等因素影响会引入噪声,因此首先采用中值滤波的方法对噪声进行抑制。然后为了方便特征提取,采用最大类间方差求解自适应阈值,对图像进行分割,将分割后的图像用作后期的特征提取。
满足约束等距性字典的构建
害虫稀疏表征分类系统中满足约束等距性条件的字典构造方法模型如图1所示。构造传统的构建k类害虫的样本矩阵A,其中第t类害虫vi,pp=1,2,…,nt由第t类害虫的归一化面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1-7阶不变矩特征组成;
其中n=n1+n2+…+nk,且矩阵A∈Rm×n(m<n)。害虫的线性表述的系数可通过求解方程(3)求得
b=Ax (3),
为了使(3)式中的特征字典满足约束等距性条件,构造高斯矩阵Φ∈Rm×m且每个元素的随机变量,将(8)式的等式两边分别左乘一个高斯矩阵Φ,则:
Φb=ΦAx (4),即
由于在实际中存在噪声及模型误差,(5)式的数学模型不符合实际情况,在此基础上构造了形如(6)的数学模型:
其中 是一个系数向量,即仅有第t类的系数不为零,其他系数都为零;noise是一个服从高斯分布的随机噪声。
害虫识别
首先求解公式(6),公式(6)可以求解如下约束:
(7)式可以通过线性规划中的内点法求解出结果,求出的为线性表述的系数向量;为了进行分类,通过式(8)求解残差:
其中t=1,2,…,k,其中函数δt(·)表示一个向量x通过函数δt(·)映射后,除第t类害虫所对应的系数不变外,其他类害虫系数都变为0。求出残差后,残差最小的项即为害虫所属的类,从而达到了分类识别的目的。
下面通过一个仿真实例具体说明。
仿真实例
系统仿真参数设置如下:采用9种粮仓中常见的害虫作为实验仿真数据,9种害虫包括:大谷盗、谷蠹、黑菌虫、锯谷盗、扁谷盗、绿豆象、米象、长头谷盗和拟谷盗;选取135副图像构成特征字典(每种害虫的15幅图像),45个样本(每种害虫5幅图像)作为待识别样本。由于高斯矩阵具有随机性,因此在本实验中对每个分类进行100次仿真求其平均值。本发明考虑采用识别率及时间开销对各个方法进行仿真并分析。
一、图像预处理
采集各类害虫的图片,运用photoshop(或其他图像处理软件)对图片进行处理,做成大小为640×480的图片,其中每类害虫20张图片;
对各类害虫图片采用中值滤波的方法进行去噪;
采用最大类间方差求解自适应阈值,对图像进行分割。
二、特征提取
对预处理后的图像进行特征提取,害虫的面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1-7阶不变矩特征,为了保证分类时各特征的量级相同采用归一化函数对特征进行归一化:
得到归一化特征,将归一化特征组成样本矩阵A=[A1,A2,…,A9];
三、构造满足约束等距性条件的特征字典
构造高斯矩阵Φ∈Rm×m且每个元素的随机变量,对步骤1中的样本矩阵A左乘高斯矩阵得则即为满足约束等距性条件的字典。
四、重构系数向量及害虫分类
提取待识别害虫图像的特征,构成待识别样本b,待识别样本b左乘高斯矩阵得由于待识别的害虫样本能够被同类的害虫的训练样本线性表述,因此,求解优化方程:
运用线性规划中的内点法对上式进行求解,得到线性表示系数x0,直接运用x0进行分类比较麻烦,采用残差函数:
计算残差,残差最小项即为所属类。
图3给出采用本发明方法的分类识别方法效果比较。从仿真的结果来看,由于本发明的特征字典符合RIP条件,因此不论从识别的成功率还是时间的消耗都要优于现有技术的特征字典,因此实际的仿真结果证明了本文特征字典的有效性。
Claims (6)
1.一种害虫稀疏表征分类识别方法,其特征在于,步骤如下:
a)对k类害虫进行编号,每类害虫序号为t,t=1,2,…,k;
b)对包含k类害虫的所有图片进行图像预处理,图像预处理包括:对图片采用中值滤波的方法进行去噪;采用最大类间方差求解自适应阈值,对图像进行分割;
c)对预处理后的所有图片进行特征提取:提取得到样本矩阵A∈Rm×n,m<n,A=[A1,A2…,Ak],A1,A2…,Ak分别与1,2,…,k类害虫对应, 表示第t(1≤t≤k)类害虫的特征,其中nt为t类害虫样本个数,vtp(p=1,…,nt)为第t类害虫的训练样本,它由15个分类特征构成:面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1阶不变矩,2阶不变矩,3阶不变矩,4阶不变矩,5阶不变矩,6阶不变矩,7阶不变矩;得到样本矩阵A后,利用归一化函数(t=1,…k;q=1,…m)对15个特征进行归一化,式中αtq表示第t类害虫第q个特征,minq和maxq分别表示害虫第q个特征的最小值和最大值;
d)构造一个满足(i=1,2,…m,j=1,2,…,m)的高斯矩阵Φ∈Rm×m,其中φij为Φ中的元素,高斯矩阵Φ左乘样本矩阵A得到满足约束等距性条件的特征字典
e)对预处理后的任一待识别图片进行特征提取,得到待识别样本向量b,高斯矩阵Φ左乘待识别样本向量b得到求解分类模型中的x0,noise是一个服从高斯分布的随机噪声,由于实际中存在误差,通过算法重构的系数向量x0用表示;
f)对害虫进行识别:运用残差函数对进行残差求解,得到残差值向量(t=1,2,…,k),如果最终残差值向量中值最小项为项zt,则待识别的害虫图像为第t类害虫,由于特征字典符合RIP条件,所以对害虫的识别方法准确度高、可靠性与稳定性强。
2.根据权利要求1所述的一种害虫稀疏表征分类识别方法,其特征在于,步骤e)中,分类模型通过如下步骤获得:
Φb=ΦAx
xnoise为向量元素值很小的噪声向量,其中 是一个线性表述的系数向量,仅有第t类的系数不为零,其他系数都为零;
对于分类模型中的线性表述系数向量x0的求解,通过线性规划中的内点法求解优化方程(7)得到;
其中为通过内点法求解方程(7)得到的线性表述的系数向量,ε为噪声noise的能量。
3.根据权利要求2所述的一种害虫稀疏表征分类识别方法,其特征在于,步骤f)中,所述的残差函数为
残差函数(8)中t=1,2,…,k,δt(x)函数表示:向量x经过函数δt(x)映射后,仅有第t类害虫所对应的系数保持不变,其他系数全部为0; (t=1,2,…,k)为残差值向量。
4.一种害虫稀疏表征分类识别装置,其特征在于,包括:
a)对k类害虫进行编号的模块,该模块将每类害虫分配序号t,t=1,2,…,k;
b)对包含k类害虫的所有图片进行图像预处理的模块,图像预处理包括:对图片采用中值滤波的方法进行去噪;采用最大类间方差求解自适应阈值,对图像进行分割;
c)对预处理后的所有图片进行特征提取的模块:该模块提取图片特征,得到样本矩阵A∈Rm×n,m<n,A=[A1,A2…,Ak],A1,A2…,Ak分别与1,2,…,k类害虫对应, 表示第t(1≤t≤k)类害虫的特征,其中nt为t类害虫样本个数,vtp(p=1,…,nt)为第t类害虫的训练样本,它由15个分类特征构成:面积、周长、延伸率、标准积、复杂度、占空比、等效半径、偏心率、1阶不变矩,2阶不变矩,3阶不变矩,4阶不变矩,5阶不变矩,6阶不变矩,7阶不变矩;得到样本矩阵A后,利用归一化函数(t=1,…k;q=1,…m)对15个特征进行归一化,式中αtq表示第t类害虫第q个特征,minq和maxq分别表示害虫第q个特征的最小值和最大值;
d)特征字典构造模块,该模块构造一个满足(i=1,2,…m,j=1,2,…,m)的高斯矩阵Φ∈Rm×m,其中φij为Φ中的元素,高斯矩阵Φ左乘样本矩阵A得到满足约束等距性条件的特征字典
e)求解模块,该模块对预处理后的任一待识别图片进行特征提取,得到待识别样本向量b,高斯矩阵Φ左乘待识别样本向量b得到求解分类模型中的x0,noise是一个服从高斯分布的随机噪声,由于实际中存在误差,通过算法重构的系数向量x0用表示;
f)对步骤e)所述任一待识别图片进行害虫识别的模块,该模块运用残差函数对进行残差求解,得到残差值向量(t=1,2,…,k),如果最终残差值向量中值最小项为项zt,则待识别的害虫图像为第t类害虫,由于特征字典符合RIP条件,所以对害虫的识别方法准确度高、可靠性与稳定性强。
5.根据权利要求4所述的一种害虫稀疏表征分类识别装置,其特征在于,模块e)中,分类模型通过如下步骤获得:
Φb=ΦAx
xnoise为向量元素值很小的噪声向量,其中 是一个线性表述的系数向量,仅有第t类的系数不为零,其他系数都为零;
对于分类模型中的线性表述系数向量x0的求解,通过线性规划中的内点法求解优化方程(7)得到;
其中为通过内点法求解方程(7)得到的线性表述的系数向量,ε为噪声noise的能量。
6.根据权利要求5所述的一种害虫稀疏表征分类识别装置,其特征在于,模块f)中,所述的残差函数为
残差函数(8)中t=1,2,…,k,δt(x)函数表示:向量x经过函数δt(x)映射后,仅有第t类害虫所对应的系数保持不变,其他系数全部为0; (t=1,2,…,k)为残差值向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210251566.2A CN102819748B (zh) | 2012-07-19 | 2012-07-19 | 害虫稀疏表征分类识别方法与分类识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210251566.2A CN102819748B (zh) | 2012-07-19 | 2012-07-19 | 害虫稀疏表征分类识别方法与分类识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102819748A CN102819748A (zh) | 2012-12-12 |
CN102819748B true CN102819748B (zh) | 2015-03-11 |
Family
ID=47303856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210251566.2A Expired - Fee Related CN102819748B (zh) | 2012-07-19 | 2012-07-19 | 害虫稀疏表征分类识别方法与分类识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102819748B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310229B (zh) * | 2013-06-15 | 2016-09-07 | 浙江大学 | 一种用于图像分类的多任务机器学习方法及其装置 |
CN103345634B (zh) * | 2013-07-29 | 2016-12-28 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
CN104102922B (zh) * | 2014-07-15 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于上下文感知字典学习的害虫图像分类方法 |
CN105160354A (zh) * | 2015-08-19 | 2015-12-16 | 师韵 | 基于稀疏表示的苹果病害识别方法 |
CN105489228A (zh) * | 2015-12-08 | 2016-04-13 | 杭州百世伽信息科技有限公司 | 一种基于频域图处理的干罗音识别方法 |
CN105574540B (zh) * | 2015-12-10 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种基于非监督学习技术的害虫图像特征学习与自动分类方法 |
CN106815819B (zh) * | 2017-01-24 | 2019-08-13 | 河南工业大学 | 多策略粮虫视觉检测方法 |
CN109409170B (zh) * | 2017-08-18 | 2020-09-25 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
CN107730451B (zh) * | 2017-09-20 | 2020-06-05 | 中国科学院计算技术研究所 | 一种基于深度残差网络的压缩感知重建方法和系统 |
CN110135399A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨工业大学 | 基于稀疏表示的遥感图像特征提取与场景分类方法 |
CN113298143B (zh) * | 2021-05-24 | 2023-11-10 | 浙江科技学院 | 一种地基云鲁棒分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916369A (zh) * | 2010-08-20 | 2010-12-15 | 西安电子科技大学 | 基于核最近子空间的人脸识别方法 |
CN102262736A (zh) * | 2011-07-21 | 2011-11-30 | 西北工业大学 | 空间目标图像分类与识别方法 |
CN102332087A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于稀疏表示的人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826300B2 (en) * | 2001-05-31 | 2004-11-30 | George Mason University | Feature based classification |
-
2012
- 2012-07-19 CN CN201210251566.2A patent/CN102819748B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916369A (zh) * | 2010-08-20 | 2010-12-15 | 西安电子科技大学 | 基于核最近子空间的人脸识别方法 |
CN102332087A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于稀疏表示的人脸识别方法 |
CN102262736A (zh) * | 2011-07-21 | 2011-11-30 | 西北工业大学 | 空间目标图像分类与识别方法 |
Non-Patent Citations (2)
Title |
---|
基于遗传算法和支持向量机的储粮害虫图像识别;张建华 等;《安徽农业科学》;20100610;8833-8834 * |
廉飞宇 等.基于小波变换压缩和支持向量机组的储粮害虫图像识别.《河南工业大学学报(自然科学版)》.2006,第27卷(第1期),21-24,28. * |
Also Published As
Publication number | Publication date |
---|---|
CN102819748A (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819748B (zh) | 害虫稀疏表征分类识别方法与分类识别装置 | |
He et al. | Texture classification of PolSAR data based on sparse coding of wavelet polarization textons | |
CN104331707A (zh) | 基于深度pca网络和svm的极化sar图像分类方法 | |
CN104281855B (zh) | 基于多任务低秩的高光谱图像分类方法 | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN109376804A (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
CN105631480A (zh) | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 | |
CN104408478A (zh) | 一种基于分层稀疏判别特征学习的高光谱图像分类方法 | |
CN105160623B (zh) | 基于组块低秩张量模型的无监督高光谱数据降维方法 | |
CN107563442A (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN104239897A (zh) | 一种基于自编码器词袋的视觉特征表示方法 | |
CN104517284A (zh) | 基于深度置信网的极化sar图像分割 | |
CN104778482A (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN106529484A (zh) | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 | |
CN108764357A (zh) | 基于压缩-激发的聚合残差网络高光谱图像分类方法 | |
CN104700116A (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
CN105469117A (zh) | 一种基于鲁棒特征提取的图像识别方法与装置 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN104680182B (zh) | 基于nsct和判别字典学习的极化sar分类方法 | |
CN116843975A (zh) | 结合空间金字塔注意力机制的高光谱图像分类方法 | |
CN107273919A (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
CN104751173A (zh) | 基于协同表示和深度学习的极化sar图像分类方法 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
Feng et al. | Bi-iterative algorithm for extracting independent components from array signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150311 Termination date: 20160719 |