CN106845512A - 基于分形参数的兽类形体识别方法及系统 - Google Patents

基于分形参数的兽类形体识别方法及系统 Download PDF

Info

Publication number
CN106845512A
CN106845512A CN201611077889.9A CN201611077889A CN106845512A CN 106845512 A CN106845512 A CN 106845512A CN 201611077889 A CN201611077889 A CN 201611077889A CN 106845512 A CN106845512 A CN 106845512A
Authority
CN
China
Prior art keywords
fractal
function
formula
submatrix
parameter
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.)
Pending
Application number
CN201611077889.9A
Other languages
English (en)
Inventor
丁德红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Arts and Science
Original Assignee
Hunan University of Arts and Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Arts and Science filed Critical Hunan University of Arts and Science
Priority to CN201611077889.9A priority Critical patent/CN106845512A/zh
Publication of CN106845512A publication Critical patent/CN106845512A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于分形参数的兽类形体识别方法，具体包括以下步骤：S1.对目标图像采用多重分形方法进行特征提取和纹理分析，得到多重分形参数；S3.根据所述多重分形参数，采用神经网络学习方法对目标动物形体进行分类识别。本发明有益效果：通过对目标图像采用多重分形方法进行特征提取和纹理分析得到多重分形参数，再用神经网络学习方法进行训练学习，识别出目标图像中的动物种类，准确率高，减少了人工工作量，有利于科学研究和物种保护。

Description

基于分形参数的兽类形体识别方法及系统
技术领域
本发明涉及兽类形体自动识别技术领域，特别涉及一种基于分形参数的兽类形体识别方法及系统。
背景技术
生物识别技术在近20年内应用十分广泛，已渗入到人类生活的方方面面，利用人脸、指纹、虹膜和声音特征等方法对生物特征融合，对生物进行识别。在保护区对野生动物种类研究方面，采用红外设备拍摄动物图像，但属于近红外微光拍摄，安防级别，作用距离在百米级，不能远程控制，也不能实时识别，需要人工进行大量的后期工作。
分形和多重分形的概念正在越来越多地被应用到科学的各个领域中，它们在本质上描述了对象的复杂性和自相似性。分形和多重分形是不依赖于尺度的自相似的一个自然结果。单一的分形维数不能完全刻画信号的特征，己有例子表明许多视觉差别很大的图像却具有十分相似的分维。实际上通过计算分形维数无法区分单一分形集和多重分形集。在直观上可将多重分形形象地看作是由大量维数不同的单一分形交错叠加而成的。从几何测度性质的角度，可将多重分形描述为一类具有如下性质的测度μ(或质量分布):对于足够小的正数r，成立幂律特性:μ(Br(x))∝rα，并且不同的集对应于不同的α,其中Br(x)，表示某度量空间内以x为中心，半径为r的球)，在此意义上，多重分形又称为多重分形测度，它揭示了一类形态的复杂性和某种奇异性。表征多重分形的主要方法是使用多重分形谱f(α)或广义维数Dq。多重分形谱f(a)在对多重分形进行精确的数学刻画的同时，通过f(a)相对a的曲线为多重分形提供了自然而形象的直观描述，其中a 确定了奇异性的强度，而f(a)则描述了分布的稠密程度。
质量分布μ可能会以某种方式分布在一个区域上，使得质量的几种程度非常不规则。确实，有这样的点集，其上的局部质量分布服从一种指数为α的幂定律。即，对充分小的r，关系式成立，
μ(B(x,r))∝rα
而对于不同的α值，可以确定不同的分形，于是，由单个测度可以生成各种各样的分形，这就可以据此研究这些分形的结构以及他们的内部联系。我们成一个具有如此丰富结构的测度为多重分形测度或者就简单成为多重分形。
多重分形是许多个单一分形在空间上的相互缠结(intertwined)、镶嵌，是单一分形的推广，单一分形可以看作是多重分形的一种特例。多重分形与单一分形一样，也是自相似的，与尺度无关。多重分形通常所描述的是定义在某一面积(二维)或体积(三维)中的一种度量(u)。通过这种度量值或数值的奇异性可将所定义的区域分解成一系列空间上镶嵌的子区域，每一个子区域均构成单个分形.这样形成的分形除具有分形维数外，还具有各自度量的奇异性(singularity)。一系列的分形维数和奇异性将构成所谓的维数谱函数f(α)--multifractal spectrum,如图1所示。Gu and Zhou基于DMA(detrended movingaverage algorithm)提出了多分形去趋势滑动平均(MFDMA)算法，根据窗口位置参数θ取值的不同分别将其划分为向前滑动平均(θ＝1)、中心滑动平均(θ＝0.5)和向后滑动平均(θ＝0)共三种类型，并用多重分形测度[145]评测了MFDFA和以上三种类型的效果，得到θ＝0时的MFDMA性能最佳，他利用以上研究结果证实金融数据具有多重分形的特性。
发明内容
有鉴于此，本发明要解决的技术问题之一在于提供一种基于分形参数的兽类形体识别方法，采用多重分形方法对动物图像进行分析，识别动物种类，减少人工工作量，有利于动物研究和物种保护。
本发明通过以下技术手段解决上述技术问题：
本发明提供了一种基于分形参数的兽类形体识别方法，具体包括以下步骤：S1.对目标图像采用多重分形方法进行特征提取和纹理分析，得到多重分形参数；
S3.根据所述多重分形参数，采用神经网络学习方法对目标动物形体进行分类识别。
进一步，在S1之后S3之前还包括S2，对多重分形参数采用主成分分析法进行降维处理步骤。
进一步，神经网络学习方法为概率神经网络法或广义回归神经网络法。
进一步，神经网络学习方法为极限学习机器法。
进一步，S1中的采用多重分形方法的步骤包括：
S11.用二维数组X(i1,i2)表示目标图像，其中i1＝1,2,…N1,i2＝1,2,…N2，N1、N2为正整数，在滑动窗口中计算累计灰度值Y(i1,i2)，滑动窗口尺寸为n1*n2,其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2]，θ1、θ2为位置参数，θ1、θ2的取值范围为[0,1]，从矩阵X(i1,i2)中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中i1-n1+1≤u1≤i1，i2-n2+1≤u2≤i2,第一子矩阵Z(u1,u2)的累计和为：
式(1)中，Z(j1,j2)指目标图像中滑动窗口每个像素的灰度，Y(i1,i2)指第一子矩阵累计灰度值；
S12.确定滑动平均函数其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2],首先从矩阵X(i1,i2)提取第二子矩阵W(k1,k2)，第二子矩阵大小为a*b,其中，k1-[(a-1)(1-θ1)]≤k1≤k1+[(a-1)θ1]，k2-[(b-1)(1-θ2)]≤k2≤k2+[(b-1)θ2],然后，计算W(k1,k2)的累计和
式(2)中，m1、m2分别代表滑动函数参数d1，d2的边界值，1≤m1≤a，1≤m2≤b，滑动平均函数计算公式如下，
式(3)中，为滑动平均函数，a*b为第二子矩阵大小，为W(k1,k2)的累计和；
S13.通过移动滑动平均函数对第一子矩阵的累计和Y(i1,i2)进行去趋势运算后，得残差矩阵ε(i1,i2)如下，
式(4)中，ε(i1,i2)为残差矩阵，Y(i1,i2)为第一子矩阵的累计和，为滑动平均函数，n1≤i1≤N1-[(n1-1)θ1]，n2≤i2≤N2-[(n2-1)θ2]；
S14.将残差矩阵ε(i1,i2)划成滑动窗口大小为n1*n2的Nn1*Nn2块，其中Nn1＝[N1-n1(1+θ1)/n1],Nn2＝[N2-n2(1+θ1)/n2]，每一小块用εv1,v2表示，εv1,v2(i1,i2)＝ε(l1+i1,l2+i2)，其中1≤i1≤n1,1≤i2≤n2,l1＝(v1-1)n1,l2＝(v2-1)n2，块εv1,v2(i1,i2)的去趋势波动函数Fv1,v2(n1,n2)的计算公式如下:
S15.计算全局波动函数的q阶矩Fq(n)
式(6)中，q为残差矩阵的阶数，q能取除0以外的任何实数，当q＝0时，根据规则有
S16.改变滑动窗口尺寸n1与n2的大小，得到波动函数Fq(n)与不同尺度n之间的幂定律关系，
Fq(n)～nh(q) (8)，
式(8)中，Fq(n)为波动函数，h(q)为多重分形指数，
根据标准的分形范式，质量指数谱函数τ(q)能刻画自然的多重分形特征，
τ(q)＝qh(q)-Df (9)
式(9)中，τ(q)为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，h(q)为多重分形指数，由于红外热图像是采用二维数组表示，则Df＝2，质量指数谱函数τ(q)表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数α(q)和多重分形谱f(α)，
令n＝n1＝n2,θ＝θ1＝θ2＝0,代入方程(9)和(10)，分别计算出多重分形的质量指数谱τ(q)、奇异指数函数α(q)和多重分形谱f(α)。
本发明还提供一种基于分形参数的兽类形体识别系统，包括图像分形装置，对目标图像采用多重分形方法计算，得到多重分形参数；目标图像判断装置，采用神经网络学习法对多重分形参数学习后判断出动物的种类。
进一步，包括图像处理装置，所述图像处理装置包括图像降维处理模块，所述图像降维处理模块通过主成分分析法对多重分形参数进行处理。
进一步，神经网络学习方法为概率网络学习法或广义回归概率网络学习法。
进一步，神经网络学习方法为极限学习机器算法。
进一步，所述多重分形方法的具体步骤包括：第1步、用二维数组X(i1,i2)表示目标图像，其中i1＝1,2,…N1,i2＝1,2,…N2，N1、N2为正整数，在滑动窗口中计算累计灰度值Y(i1,i2)，滑动窗口尺寸为n1*n2,其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2]，θ1、θ2为位置参数，θ1、θ2的取值范围为[0,1]，从矩阵X(i1,i2)中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中i1-n1+1≤u1≤i1，i2-n2+1≤u2≤i2,第一子矩阵Z(u1,u2)的累计和为：
式(1)中，Z(j1,j2)指目标图像中滑动窗口每个像素的灰度，Y(i1,i2)指第一子矩阵累计灰度值；
第2步 确定滑动平均函数其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2],首先从矩阵X(i1,i2)提取第二子矩阵W(k1,k2)，第二子矩阵大小为a*b,其中，k1-[(a-1)(1-θ1)]≤k1≤k1+[(a-1)θ1]，k2-[(b-1)(1-θ2)]≤k2≤k2+[(b-1)θ2],然后，计算W(k1,k2)的累计和
式(2)中，m1、m2分别代表滑动函数参数d1，d2的边界值，1≤m1≤a，1≤m2≤b，滑动平均函数计算公式如下，
式(3)中，为滑动平均函数，a*b为第二子矩阵大小，为W(k1,k2)的累计和；
第3步 通过移动滑动平均函数对第一子矩阵的累计和Y(i1,i2)进行去趋势运算后，得残差矩阵ε(i1,i2)如下，
式(4)中，ε(i1,i2)为残差矩阵，Y(i1,i2)为第一子矩阵的累计和，为滑动平均函数，n1≤i1≤N1-[(n1-1)θ1]，n2≤i2≤N2-[(n2-1)θ2]；
第4步 将残差矩阵ε(i1,i2)划成滑动窗口大小为n1*n2的Nn1*Nn2块，其中Nn1＝[N1-n1(1+θ1)/n1],Nn2＝[N2-n2(1+θ1)/n2]，每一小块用εv1,v2表示，εv1,v2(i1,i2)＝ε(l1+i1,l2+i2)，其中1≤i1≤n1,1≤i2≤n2,l1＝(v1-1)n1,l2＝(v2-1)n2，块εv1,v2(i1,i2)的去趋势波动函数Fv1,v2(n1,n2)的计算公式如下:
第5步 计算全局波动函数的q阶矩Fq(n)
式(6)中，q为残差矩阵的阶数，q能取除0以外的任何实数，当q＝0时，根据规则有
第6步 改变滑动窗口尺寸n1与n2的大小，得到波动函数Fq(n)与不同尺度n之间的幂定律关系，
Fq(n)～nh(q) (8)，
式(8)中，Fq(n)为波动函数，h(q)为多重分形指数，
根据标准的分形范式，质量指数谱函数τ(q)能刻画自然的多重分形特征，
τ(q)＝qh(q)-Df (9)
式(9)中，τ(q)为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，h(q)为多重分形指数，由于红外热图像是采用二维数组表示，则Df＝2，质量指数谱函数τ(q)表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数α(q)和多重分形谱f(α)，
令n＝n1＝n2,θ＝θ1＝θ2＝0,代入方程(9)和(10)，分别计算出多重分形的质量指数谱τ(q)、奇异指数函数α(q)和多重分形谱f(α)。
本发明的有益效果：
本发明的基于分形参数的兽类形体识别方法，通过对目标图像采用多重分形方法进行特征提取和纹理分析得到多重分形参数，再用神经网络学习方法进行训练学习，识别出目标图像中的动物种类，准确率高，减少了人工工作量，有利于科学研究和物种保护。
采用极限学习机器方法对多重分形参数分类建模，提高目标图像识别效率，识别准确率高，对多重分形数用主成分分析法进行降维处理，提高极限学习机器算法的处理速度。
基于分形参数的兽类形体识别系统，通过图像采集装置采集目标图像，图像分形装置装置对目标图像进行多重分形处理，得到多重分形参数，目标图像判断装置通过神经网络方法对多重分形参数进行训练学习，识别出目标图像中的动物种类，准确率高，减少人工工作量，利于科学研究。图像降维处理装置利用主成分分析法对多重分形参数进行降维，提高了极限学习机器方法的处理速度。
附图说明
下面结合附图和实施例对本发明作进一步描述。
图1为本发明实施例1的工作流程图。
图2为本发明中标本图样。
图3为本发明A2.bmp标本图样的分形参数曲线图。
图4为本发明A20.bmp标本图样的分形参数曲线图。
图5为本发明A40.bmp标本图样的分形参数曲线图。
图6为本发明的ELM算法流程图。
图7为本发明的根据动物原始分形数据分类效果对比图。
图8为本发明根据PCA法处理后的分形数据分类效果对比图。
图9为本发明实施例2的原理框图。
具体实施方式
以下将结合附图对本发明进行详细说明，如图1所示：
本发明的基于分形参数的兽类形体识别方法，具体包括以下步骤，采用图像设备采集动物红外热图像；采用多重分形参数方法对红外热图像进行特征提取和纹理分析，得到多重分形参数；对多重分形参数进行降维处理；对降维后的多重分形参数采用神经网络法进行学习训练，识别出动物种类。
将标本动物关在铁笼子里用红外相机拍摄，得到动物的红外热图像。采用多重分形方法得到动物的原始多重分形参数，作为神经网络法的训练集。
采用二维MFDMA算法对动物红外热图像进行多重分形。动物红外热图像用二维数组X(i1,i2)表示，其中i1＝1,2,…,N1,i2＝1,2,…N2，算法包括以下步骤：
第1步 在滑动窗口中计算累计灰度值Y(i1,i2)，滑动窗口尺寸为n1*n2,其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2]，θ1、θ2为位置参数，θ1、θ2的取值范围为[0,1]，当θ1＝θ2＝0时，MFDMA后向滑动平均性能最好。从矩阵X(i1,i2)中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中i1-n1+1≤u1≤i1，i2-n2+1≤u2≤i2,第一子矩阵Z(u1,u2)的累计和为：
式(1)中，Z(j1,j2)指目标图像中滑动窗口每个像素的灰度，Y(i1,i2)指第一子矩阵累计灰度值；
第2步 确定滑动平均函数其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2],首先从矩阵X(i1,i2)提取第二子矩阵W(k1,k2)，第二子矩阵大小为a*b,其中，k1-[(a-1)(1-θ1)]≤k1≤k1+[(a-1)θ1]，k2-[(b-1)(1-θ2)]≤k2≤k2+[(b-1)θ2],然后，计算W(k1,k2)的累计和
式(2)中，m1、m2分别代表滑动函数参数d1，d2的边界值，1≤m1≤a，1≤m2≤b，滑动平均函数计算公式如下，
式(3)中，为滑动平均函数，a*b为第二子矩阵大小，为W(k1,k2)的累计和；
第3步 通过移动滑动平均函数对第一子矩阵的累计和Y(i1,i2)进行去趋势运算后，得残差矩阵ε(i1,i2)如下，
式(4)中，ε(i1,i2)为残差矩阵，Y(i1,i2)为第一子矩阵的累计和，为滑动平均函数，n1≤i1≤N1-[(n1-1)θ1]，n2≤i2≤N2-[(n2-1)θ2]；
第4步
将残差矩阵ε(i1,i2)划成滑动窗口大小为n1*n2的Nn1*Nn2块，其中Nn1＝[N1-n1(1+θ1)/n1],Nn2＝[N2-n2(1+θ1)/n2]，每一小块用εv1,v2表示，εv1,v2(i1,i2)＝ε(l1+i1,l2+i2)，其中1≤i1≤n1,1≤i2≤n2,l1＝(v1-1)n1,l2＝(v2-1)n2，块εv1,v2(i1,i2)的去趋势波动函数Fv1,v2(n1,n2)的计算公式如下:
式(5)中，Fv1,v2(n1,n2)为εv1,v2(i1,i2)的去趋势波动函数，
第5步 计算全局波动函数的q阶矩Fq(n)
式(6)中，q为残差矩阵的阶数，q能取除0以外的任何实数，当q＝0时，根据规则有
第6步 改变滑动窗口尺寸n1与n2的大小，得到波动函数Fq(n)与不同尺度n之间的幂定律关系，
Fq(n)～nh(q) (8)，
其中，Fq(n)为波动函数，h(q)为多重分形指数，
根据标准的分形范式，质量指数谱函数τ(q)能刻画自然的多重分形特征，
τ(q)＝qh(q)-Df (9)
其中，τ(q)为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，h(q)为多重分形指数，由于红外热图像是采用二维数组表示，则Df＝2，质量指数谱函数τ(q)表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数α(q)和多重分形谱f(α)，
(10)
为了实现二维MFDMA算法时，方便计算和各向同性，令n＝n1＝n2,θ＝θ1＝θ2＝0,代入方程(9)和(10)，分别计算出多重分形的质量指数谱τ(q)、奇异指数函数α(q)和多重分形谱f(α)。
图2为拍摄的标本图样，根据上述的多重分形参数的计算方法计算出标本动物的分形参数，见表1。在表1中，Max(alpha)为αmax，Min(alpha)为αmin，Delta(alpha)为Δα，Max(f)为fmax，Min(f)为fmin，Delta(f)为Δf。
图片编号 Max(alpha) Min(alpha) Delta(alpha) f31-f1 Max(f) Min(f) Delta(f)
A01.bmp 2.67084385 1.61286657 1.057977273 1.436124 2.07768 -0.24708 2.324764152
A02.bmp 2.80108146 1.5869746 1.214106861 1.550963 2.07768 -0.327 2.404683352
A03.bmp 2.82410843 1.61418411 1.209924315 1.301522 2.07768 -0.11564 2.193320052
A04.bmp 2.93638223 1.6072825 1.329099726 1.456969 2.07768 -0.33365 2.411329657
A06.bmp 2.8718163 1.59588091 1.27593539 1.248985 2.07768 -0.14639 2.224072537
A07.bmp 2.67587538 1.61473966 1.061135712 1.290338 2.07768 -0.10088 2.178556477
A08.bmp 2.70551745 1.64213558 1.063381864 1.254887 2.07768 -0.06577 2.143451439
A09.bmp 2.64845969 1.62337201 1.025087684 1.17483 2.07768 0.027062 2.050618101
A10.bmp 2.69300856 1.59181869 1.101189871 1.117432 2.07768 -0.01503 2.09271438
A11.bmp 3.24881606 1.62460226 1.624213801 1.366948 2.07768 -0.20699 2.284666524
A12.bmp 3.01936649 1.6521603 1.367206189 1.262532 2.07768 -0.07422 2.151900036
A13.bmp 2.79597206 1.61629939 1.179672664 1.273569 2.07768 -0.05931 2.136994307
A14.bmp 3.03347302 1.64254148 1.39093154 1.256224 2.07768 -0.04256 2.120244078
A15.bmp 2.86076187 1.67663116 1.184130702 1.439025 2.07768 -0.13183 2.209508124
A16.bmp 2.91350302 1.69910834 1.214394685 1.384886 2.07768 -0.09071 2.168388371
A17.bmp 2.95257062 1.63602953 1.316541088 1.208586 2.07768 0.004819 2.072861363
A18.bmp 2.85874026 1.60202352 1.256716741 1.165643 2.07768 -0.09757 2.17525397
A19.bmp 2.87640452 1.6313878 1.245016722 1.332415 2.07768 -0.12392 2.201600773
A20.bmp 2.72578776 1.64284294 1.082944819 1.023703 2.07768 0.169683 1.907996641
A21.bmp 2.72356431 1.65995886 1.063605447 1.26031 2.07768 -0.12222 2.199901758
A22.bmp 2.69026602 1.65475856 1.035507459 1.268245 2.07768 -0.0546 2.132280132
A23.bmp 2.99385608 1.67822916 1.31562692 1.341578 2.07768 -0.08352 2.161200614
A24.bmp 2.57740279 1.6958145 0.881588292 0.854475 2.07768 0.384821 1.692858807
A25.bmp 2.88445298 1.68772954 1.196723435 1.012516 2.07768 0.135111 1.942569323
A26.bmp 2.50336091 1.66002832 0.843332592 1.029637 2.07768 0.161705 1.915974893
A27.bmp 2.63158159 1.70820265 0.923378941 1.28461 2.07768 -0.05613 2.133812985
A28.bmp 2.4935344 1.66634228 0.827192122 1.225388 2.07768 0.001268 2.07641204
A29.bmp 2.5100992 1.66950835 0.840590844 0.935775 2.07768 0.26987 1.807809664
A30.bmp 2.65917122 1.59431567 1.064855543 1.230038 2.07768 -0.09986 2.1775358
A31.bmp 2.4003368 1.67788312 0.722453684 0.826962 2.07768 0.437276 1.640404399
A32.bmp 2.55340946 1.65754042 0.895869046 1.157199 2.07768 0.02952 2.048160304
A33.bmp 2.44573499 1.62526903 0.820465956 1.059913 2.07768 0.170787 1.906892531
A34.bmp 2.45807121 1.65728227 0.800788933 0.986143 2.07768 0.242036 1.835643697
A35.bmp 2.55045081 1.66882251 0.881628295 1.318872 2.07768 -0.05863 2.13630716
A36.bmp 2.70452388 1.62123165 1.083292228 1.194985 2.07768 0.061518 2.016161748
A37.bmp 2.79572981 1.67641011 1.1193197 1.426349 2.07768 -0.21422 2.291898945
A38.bmp 3.10551947 1.60684242 1.498677043 1.360342 2.07768 -0.32931 2.406991474
A39.bmp 2.57338069 1.64006322 0.933317476 1.215113 2.07768 0.05707 2.020610381
A40.bmp 2.70772855 1.64023421 1.067494336 1.306078 2.07768 -0.04881 2.126494174
A41.bmp 2.79255995 1.65511403 1.137445925 1.223599 2.07768 -0.08368 2.161363504
A42.bmp 2.73070334 1.57405121 1.15665213 1.152386 2.07768 -0.12907 2.206746713
A43.bmp 2.779506 1.6956161 1.083889906 1.368461 2.07768 -0.09314 2.170824512
A44.bmp 2.82703334 1.57362394 1.253409399 1.086073 2.07768 -0.0598 2.137482724
A45.bmp 2.80565589 1.67286372 1.132792168 1.27379 2.07768 0.053665 2.024015378
A46.bmp 2.78118939 1.70258751 1.078601879 1.403309 2.07768 -0.10348 2.181156763
A47.bmp 2.37610682 1.73825063 0.637856187 0.996977 2.07768 0.347403 1.730276602
A48.bmp 2.38523843 1.60734877 0.777889664 0.832954 2.07768 0.315782 1.761898026
A49.bmp 2.38110359 1.6644647 0.716638884 0.814809 2.07768 0.35235 1.725329614
...
表1标本动物的分形参数
选取A2.bmp、A20.bmp、A40.bmp为例，用性能最好的后向滑动平均MFDMA(θ＝0)算法进行分析得到图3、图4和图5。从图3、图4和图5中的tao-q图可以看出τ(q)是个向上凸的函数，即q和τ(q)之间存在着非线性关系，这表明此幅红外热图像具备多重分形特性，线性的τ(q)曲线对应于单分形，曲线中变化的曲率表明多重分形结构的复杂性，揭示了分形程度的强弱；从子图f-alpha可以看出，曲线呈左钩状也说明了符合多重分开特征，如果均匀测度分布则为直线。αmin、f(αmin)表征的是测度最小子集的性质，αmax、f(αmax)表征的是测度最大子集的性质，f(α)max和相应的α0反映的则是最或然子集的性质，q＝-4时，f(α)达到最大值。多重分形奇异谱的宽度△α＝(αmax-αmin)反映了测度分布范围的大小，大的△α与强的多重分形相联系，△α越大，测度分布越不均匀，相应的f(α))曲线的开口就越宽；小的△α代表弱的多重分形，△α越小，测度分布越均匀，并趋于单分形。f(α))奇异谱的对称性也反应了一些性质，右钩状的奇异谱表示了相对强的高值奇异性，测度粗糙程度高，而左钩状的奇异谱则表示测度相对光滑。从这几幅红外热图像的质量函数谱图像可以得出结论，动物的红外热图像都符合多重分形的特性，用多重分形(MFDMA)的方法进行特征提取和纹理分析取得很好的效果。
ELM(极限学习机器)算法，先设置隐含层神经元的个数即可，再无需预设其它参数，在训练过程中随机产生神经元的阈值和连接权值，且无需调整，训练结束后就能获得全局唯一最优解。仿真结果该算法表现出泛化能力强、操作简单、速度快等良好的性能。ELM用计算机语言来实现，具体的工作流程见图6：1、确定隐含层神经元数；2、随机设定输入层与隐含层连接权值和神经元的偏置；3、选择一个无限可微的函数作为隐含层神经元的激活函数；4、计算隐含层输出矩阵，计算输出层权值。一般采用Matlab软件来仿真。在Matlab环境下开发了两个ELM函数，训练函数elmtrain，[IW,B,LW,TF,TYPE]＝elmtrain(P,T,N,TF,TYPE)和预测函数elmpredict Y＝elmpredict(P,IW,B,LW,TF,TYPE)，其中，IW为input层与hidden层间的连接权值；B为hidden层神经元的阈值；LW为hidden层与output层的连接权值；TF为hidden层神经元的激活函数，其取值为‘sig’(默认)、‘sin’、‘hardlim’；TYPE为ELM的应用类型，其取值为1(默认，表示分类)和0(表示回归、拟合)；P为训练集的input矩阵；T为训练集的output矩阵；N为hidden层神经元的个数(默认为训练集的样本数)。训练函数的输出做为预测函数的输入，Y为测试集对应的输出预测。
用ELM对动物进行分类建模，具体方法包括以下步骤：产生训练集、创建ELM、ELM仿真测试。上述表1的数据作为训练集，根据多重分形方法计算出目标图像的多重分形参数作为测试集，进行多次训练，仿真测试识别出目标图像。分别采用ELM、PNN(概率神经网络)、GRNN(广义回归神经网络)对原始分形参数进行预测，原始分形参数输入变量有7个，具体参数为表1中的参数，在没有先验比重的情况，并不知道变量对分类的贡献率，故按变量的全组合作为输入模型，7个变量时有28个输入模型。3种方法预测结果对比图见图7。用原始分形数据时，ELM的预测的正确率分别是：84％、62.5％、33.3％；表明ELM在动物分形数据的分类及模式识别效果比PNN和GRNN效果更好。
主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。对7个变量做PCA后可以精简为4个变量，以4个变量为例，则有如表2所示10种输入模型。其中，■表示对应的输入属性参与模型的建立。采用PCA算法降维，精简输入变量，明显提高运行速度。采用3种方法利用PCA处理后的分形参数分类效果对比图见图8。分形数据PCA处理后，ELM、PNN、GRNN的预测的正确率分别是：79％、62.5％、33.3％；表明多重分析参数经过PCA处理后，ELM的在动物分形数据的分类及模式识别效果依然优于PNN和GRNN，从程序的运行时间图来看，运算速度上ELM相比GRNN和PNN更快。
表2四变量的输入模型
实施例2
如图9所示，基于分形参数的兽类识别系统，包括图像采集装置，用于采集目标动物的图像；图像分形装置，对目标图像采用多重分形方法计算，得到多重分形参数；目标图像判断装置，采用神经网络学习法对多重分形参数学习后判断出动物的种类。图像采集装置可采用红外照相机拍摄，得到目标动物的红外热图，图像分形装置对目标动物的红外热图采用多重分形方法进行分析，得到多重分形参数。目标图像判断装置对多重分形参数采用神经网络学习方法进行分类建模，得到预测结果，判断出动物的种类。利用多重分形方法进行特征提取和纹理效果好，有利于神经网络学习方法的学习判断。
基于分形参数的兽类形体识别系统还包括图像处理装置，图像处理装置包括图像降维处理模块，图像降维处理模块采用主成分分析法对原始分形数据进行处理，精简输入变量，明显提高运行速度。
图像分形装置采用多重分形算法计算目标图像的红外热图，多重分形算法的具体步骤：动物红外热图像用二维数组X(i1,i2)表示，其中i1＝1,2,…,N1,i2＝1,2,…N2，算法包括以下步骤：
第1步在滑动窗口中计算累计灰度值Y(i1,i2)，滑动窗口尺寸为n1*n2,其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2]，θ1、θ2为位置参数，θ1、θ2的取值范围为[0,1]，当θ1＝θ2＝0时，MFDMA后向滑动平均性能最好。从矩阵X(i1,i2)中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中i1-n1+1≤u1≤i1，i2-n2+1≤u2≤i2,第一子矩阵Z(u1,u2)的累计和为：
式(1)中，Z(j1,j2)指目标图像中滑动窗口每个像素的灰度，Y(i1,i2)指第一子矩阵累计灰度值；
第2步确定滑动平均函数其中n1≤i1≤N1-[(n1-1)θ1],n2≤i2≤N2-[(n2-1)θ2],首先从矩阵X(i1,i2)提取第二子矩阵W(k1,k2)，第二子矩阵大小为a*b,其中，k1-[(a-1)(1-θ1)]≤k1≤k1+[(a-1)θ1]，k2-[(b-1)(1-θ2)]≤k2≤k2+[(b-1)θ2],然后，计算W(k1,k2)的累计和
式(2)中，m1、m2分别代表滑动函数参数d1，d2的边界值，1≤m1≤a，1≤m2≤b，滑动平均函数计算公式如下，
式(3)中，为滑动平均函数，a*b为第二子矩阵大小，为W(k1,k2)的累计和；
第3步 通过移动滑动平均函数对第一子矩阵的累计和Y(i1,i2)进行去趋势运算后，得残差矩阵ε(i1,i2)如下，
式(4)中，ε(i1,i2)为残差矩阵，Y(i1,i2)为第一子矩阵的累计和，为滑动平均函数，n1≤i1≤N1-[(n1-1)θ1]，n2≤i2≤N2-[(n2-1)θ2]；
第4步 将残差矩阵ε(i1,i2)划成滑动窗口大小为n1*n2的Nn1*Nn2块，其中Nn1＝[N1-n1(1+θ1)/n1],Nn2＝[N2-n2(1+θ1)/n2]，每一小块用εv1,v2表示，εv1,v2(i1,i2)＝ε(l1+i1,l2+i2)，其中1≤i1≤n1,1≤i2≤n2,l1＝(v1-1)n1,l2＝(v2-1)n2，块εv1,v2(i1,i2)的去趋势波动函数Fv1,v2(n1,n2)的计算公式如下:
式(5)中，Fv1,v2(n1,n2)为εv1,v2(i1,i2)的去趋势波动函数，
第5步 计算全局波动函数的q阶矩Fq(n)
式(6)中，q为残差矩阵的阶数，q能取除0以外的任何实数，当q＝0时，根据规则有
第6步 改变滑动窗口尺寸n1与n2的大小，得到波动函数Fq(n)与不同尺度n之间的幂定律关系，
Fq(n)～nh(q) (8)，
其中，Fq(n)为波动函数，h(q)为多重分形指数，
根据标准的分形范式，质量指数谱函数τ(q)能刻画自然的多重分形特征，
τ(q)＝qh(q)-Df (9)
其中，τ(q)为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，h(q)为多重分形指数，由于红外热图像是采用二维数组表示，则Df＝2，质量指数谱函数τ(q)表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数α(q)和多重分形谱f(α)，
为了实现二维MFDMA算法时，方便计算和各向同性，令n＝n1＝n2,θ＝θ1＝θ2＝0,代入方程(9)和(10)，分别计算出多重分形的质量指数谱τ(q)、奇异指数函数α(q)和多重分形谱f(α)。
目标图像判断装置通过神经网络方法对多重分形参数分类建模，神经网络方法为概率神经网络(PNN)方法或广义回归神经网络方法(GRNN)或极限学习机器算法(ELM)。本实施例中选择ELM分类建模。用ELM对动物进行分类建模，具体方法包括以下步骤：产生训练集、创建ELM、ELM仿真测试。上述表1的数据作为训练集，根据多重分形方法计算出目标图像的多重分形参数作为测试集，进行多次训练，仿真测试识别出目标图像。分别采用ELM、PNN(概率神经网络)、GRNN(广义回归神经网络)对原始分形参数进行预测，原始分形参数输入变量有7个，具体参数为表1中的参数，在没有先验比重的情况，并不知道变量对分类的贡献率，故按变量的全组合作为输入模型，7个变量时有28个输入模型。3种方法利用原始分形数据分类效果对比图见图4。用原始分形数据时，ELM的预测的正确率分别是：84％、62.5％、33.3％；表明ELM在动物分形数据的分类及模式识别效果比PNN和GRNN效果更好。
主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。对7个变量做PCA后可以精简为4个变量，以4个变量为例，则有如上述表2所示10种输入模型。其中，■表示对应的输入属性参与模型的建立。采用PCA算法降维，精简输入变量，明显提高运行速度。采用3种方法利用经过PCA处理后的分形数据分类效果对比图见图5。分形数据PCA后，ELM、PNN、GRNN的预测的正确率分别是：79％、62.5％、33.3％；表明多重分析参数经过PCA处理后，ELM的在动物分形数据的分类及模式识别效果依然优于PNN和GRNN，从程序的运行时间图来看，运算速度上ELM相比GRNN和PNN更快。
基于分形参数的兽类形体识别系统，通过图像采集装置采集目标图像，图像分形装置对目标图像进行多重分形处理，得到多重分形参数，目标图像判断装置通过神经网络方法对多重分形参数进行训练学习，识别出目标图像中的动物种类，准确率高，减少人工工作量，利于科学研究。图像降维处理装置利用主成分分析法对多重分形参数进行降维，提高了极限学习机器方法的处理速度。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于分形参数的兽类形体识别方法，其特征在于：具体包括以下步骤：S1.对目标图像采用多重分形方法进行特征提取和纹理分析，得到多重分形参数；
S3.根据所述多重分形参数，采用神经网络学习方法对目标动物形体进行分类识别。
2.如权利要求1所述的基于分形参数的兽类形体识别方法，其特征在于：在所述S1之后S3之前还包括S2：对所述多重分形参数采用主成分分析法进行降维处理。
3.如权利要求1或2所述的基于分形参数的兽类形体识别方法，其特征在于：所述神经网络学习方法为概率神经网络法或广义回归神经网络法。
4.如权利要求1或2所述的基于分形参数的兽类形体识别方法，其特征在于：所述神经网络学习方法为极限学习机器法。
5.如权利要求1或2所述的基于分形参数的兽类形体识别方法，其特征在于：所述S1中的采用多重分形方法的步骤包括：S11.用二维数组表示目标图像，其中i1=1,2,…N1, i2=1,2,…N2，N1 、N2为正整数，在滑动窗口中计算累计灰度值，滑动窗口尺寸为n1*n2 ,其中,，为位置参数，的取值范围为[0,1]，从矩阵中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中，,第一子矩阵Z(u1,u2)的累计和为：
（1）
式（1）中， 指目标图像中滑动窗口每个像素的灰度，指第一子矩阵累计灰度值；
S12. 确定滑动平均函数，其中,,首先从矩阵提取第二子矩阵，第二子矩阵大小为a*b,其中，，,然后，计算的累计和，
（2）
式（2）中，、分别代表滑动函数参数，的边界值，，，
滑动平均函数计算公式如下，
（3）
式（3）中，为滑动平均函数，a*b为第二子矩阵大小，为的累计和；
S13. 通过移动滑动平均函数，对第一子矩阵的累计和进行去趋势运算后，得残差矩阵如下，
（4）
式（4）中，为残差矩阵，为第一子矩阵的累计和，为滑动平均函数，，；
S14.将残差矩阵划成滑动窗口大小为的Nn1*Nn2块，其中,，每一小块用表示，，其中, ，块的去趋势波动函数的计算公式如下:
(5);
S15.计算全局波动函数的q阶矩
（6），
式（6）中，,q为残差矩阵的阶数，q能取除0以外的任何实数，当q=0时，根据规则有
（7）；
S16. 改变滑动窗口尺寸n1与n2的大小，得到波动函数与不同尺度n之间的幂定律关系，
（8），
式（8）中，为波动函数，为多重分形指数，
根据标准的分形范式，质量指数谱函数能刻画自然的多重分形特征，
(9)
式（9）中，为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，为多重分形指数，由于红外热图像是采用二维数组表示，则，质量指数谱函数表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数和多重分形谱，
(10)
令,代入方程(9)和(10)，分别计算出多重分形的质量指数谱、奇异指数函数和多重分形谱。
6.基于分形参数的兽类形体识别系统，其特征在于：包括图像分形装置，对目标图像采用多重分形方法计算，得到多重分形参数；目标图像判断装置，采用神经网络学习法对多重分形参数学习后判断出动物的种类。
7.如权利要求6所述的基于分形参数的兽类形体识别系统，其特征在于：还包括图像处理装置，所述图像处理装置包括图像降维处理模块，所述图像降维处理模块通过主成分分析法对多重分形参数进行处理。
8.如权利要求6所述的基于分形参数的兽类形体识别系统，其特征在于：所述神经网络学习方法为概率网络学习法或广义回归概率网络学习法。
9.如权利要求6所述的基于分形参数的兽类形体识别系统，其特征在于：所述神经网络学习方法为极限学习机器算法。
10.如权利要求6所述的基于分形参数的兽类形体识别系统，其特征在于：所述多重分形方法的具体步骤包括：第1步、用二维数组表示目标图像，其中i1=1,2,… N1, i2=1,2,…N2，N1 、N2为正整数，在滑动窗口中计算累计灰度值，滑动窗口尺寸为n1*n2 ,其中,，为位置参数，的取值范围为[0,1]，从矩阵中提取第一子矩阵Z(u1,u2)，所述第一子矩阵大小为n1*n2,其中，,第一子矩阵Z(u1,u2)的累计和为：
（1）
式（1）中， 指目标图像中滑动窗口每个像素的灰度，指第一子矩阵累计灰度值；
第2步 确定滑动平均函数，其中,,首先从矩阵提取第二子矩阵，第二子矩阵大小为a*b,其中，，,然后，计算的累计和，
（2）
式（2）中，、分别代表滑动函数参数，的边界值，，，
滑动平均函数计算公式如下，
（3）
式（3）中，为滑动平均函数，a*b为第二子矩阵大小，为的累计和；
第3步 通过移动滑动平均函数，对第一子矩阵的累计和进行去趋势运算后，得残差矩阵如下，
（4）
式（4）中，为残差矩阵，为第一子矩阵的累计和，为滑动平均函数，，；
第4步 将残差矩阵划成滑动窗口大小为的Nn1*Nn2块，其中,，每一小块用表示，，其中,，块的去趋势波动函数的计算公式如下:
(5);
第5步 计算全局波动函数的q阶矩
（6），
式（6）中，,q为残差矩阵的阶数，q能取除0以外的任何实数，当q=0时，根据规则有
（7）；
第6步 改变滑动窗口尺寸n1与n2的大小，得到波动函数与不同尺度n之间的幂定律关系，
（8），
式（8）中，为波动函数，为多重分形指数，
根据标准的分形范式，质量指数谱函数能刻画自然的多重分形特征，
(9)
式（9）中，为质量指数谱函数，Df为多重分形测度的几何分形维数，q为残差矩阵阶数，为多重分形指数，由于红外热图像是采用二维数组表示，则，质量指数谱函数表现为线性，根据及勒让德变换，根据式(10)计算出奇异指数函数和多重分形谱，
(10)
令,代入方程(9)和(10)，分别计算出多重分形的质量指数谱、奇异指数函数和多重分形谱。
CN201611077889.9A 2016-11-30 2016-11-30 基于分形参数的兽类形体识别方法及系统 Pending CN106845512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611077889.9A CN106845512A (zh) 2016-11-30 2016-11-30 基于分形参数的兽类形体识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611077889.9A CN106845512A (zh) 2016-11-30 2016-11-30 基于分形参数的兽类形体识别方法及系统

Publications (1)

Publication Number Publication Date
CN106845512A true CN106845512A (zh) 2017-06-13

Family

ID=59146168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611077889.9A Pending CN106845512A (zh) 2016-11-30 2016-11-30 基于分形参数的兽类形体识别方法及系统

Country Status (1)

Country Link
CN (1) CN106845512A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164429A (zh) * 2018-10-17 2019-01-08 赣南师范大学 基于主成分分析的多重分形特征飞机目标分类方法
CN110473140A (zh) * 2019-07-18 2019-11-19 清华大学 一种基于图嵌入的极限学习机的图像降维方法
CN111462145A (zh) * 2020-04-01 2020-07-28 重庆大学 基于双权重符号压力函数的活动轮廓图像分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103220055A (zh) * 2013-05-10 2013-07-24 厦门大学 无线发射机信号的多重分形梯度特征指纹识别方法
CN105426832A (zh) * 2015-11-12 2016-03-23 上海电机学院 非稳定信噪比下的通信雷达辐射源识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103220055A (zh) * 2013-05-10 2013-07-24 厦门大学 无线发射机信号的多重分形梯度特征指纹识别方法
CN105426832A (zh) * 2015-11-12 2016-03-23 上海电机学院 非稳定信噪比下的通信雷达辐射源识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏乐等: "基于多重分形去趋势移动平均分析的油菜叶片氮素营养诊断建模", 《中国农学通报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164429A (zh) * 2018-10-17 2019-01-08 赣南师范大学 基于主成分分析的多重分形特征飞机目标分类方法
CN109164429B (zh) * 2018-10-17 2022-09-30 赣南师范大学 基于主成分分析的多重分形特征飞机目标分类方法
CN110473140A (zh) * 2019-07-18 2019-11-19 清华大学 一种基于图嵌入的极限学习机的图像降维方法
CN110473140B (zh) * 2019-07-18 2021-05-07 清华大学 一种基于图嵌入的极限学习机的图像降维方法
CN111462145A (zh) * 2020-04-01 2020-07-28 重庆大学 基于双权重符号压力函数的活动轮廓图像分割方法

Similar Documents

Publication Publication Date Title
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
Shen et al. Detection of stored-grain insects using deep learning
CN108416307B (zh) 一种航拍图像路面裂缝检测方法、装置及设备
CN106228185B (zh) 一种基于神经网络的通用图像分类识别系统及方法
Yuan et al. Factorization-based texture segmentation
Al Bashish et al. A framework for detection and classification of plant leaf and stem diseases
CN104217214B (zh) 基于可配置卷积神经网络的rgb‑d人物行为识别方法
Jhuria et al. Image processing for smart farming: Detection of disease and fruit grading
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN107239514A (zh) 一种基于卷积神经网络的植物识别方法及系统
CN107529650A (zh) 网络模型的构建和闭环检测方法、相应装置及计算机设备
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN109214366A (zh) 局部目标重识别方法、装置及系统
CN104680179B (zh) 基于邻域相似度的数据降维方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN105243139A (zh) 一种基于深度学习的三维模型检索方法及其检索装置
CN109657567B (zh) 一种基于3d指纹图像的弱监督的特征分析方法及系统
CN111368926B (zh) 图像筛选方法、装置和计算机可读存储介质
CN103886335B (zh) 基于模糊粒子群和散射熵的极化sar图像分类方法
CN109191434A (zh) 一种细胞分化中的图像检测系统及检测方法
CN106886793B (zh) 基于判别信息和流形信息的高光谱图像波段选择方法
CN106845512A (zh) 基于分形参数的兽类形体识别方法及系统
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication