基於內容多樣性學習技術的植物圖像檢索方法研究

《基於內容多樣性學習技術的植物圖像檢索方法研究》是依託華僑大學，由杜吉祥擔任項目負責人的面上項目。

基本介紹

• 中文名：基於內容多樣性學習技術的植物圖像檢索方法研究
• 項目類別：面上項目
• 項目負責人：杜吉祥
• 依託單位：華僑大學

項目摘要

基於內容多樣性學習的植物圖像檢索技術是植物數位化研究和數字農業領域中一個新興的重要研究方向。本項目將根據植物圖像特點與用戶潛在需求，著重從特徵提取層與分類器層展開研究。首先，基於植物圖像分割目標形狀、紋理與顏色的近似對稱性先驗信息，構建一種對稱度量驅動型水平集分割方案以提高分割效率；然後，分析LLE算法局部重構權與噪聲數據的關係，設計快速高效的流形噪聲數據檢測方法；接下來，充分利用多子流形學習算法能夠最大化子流形間差異的優勢，在各子類局部約束基礎上，針對正類設定局域結構增強與分布差異擴大雙約束來進行半監督特徵提取；並設計新型的最大散度多樣性靜態評價函式來指導流形算法參數選擇；進一步嘗試採用植物多樣性類比表征指標設計評價標準；最後，針對樣本非均衡分布問題，研究徑向基機率神經網路結構最佳化方法以提高檢索多樣性。本項目的開展將有利於圖像處理與檢索技術的發展，同時也能夠促進信息技術在農業領域的套用。

結題摘要

本項目基本按照研究計畫順利進行，提出了面向植物圖像識別與檢索的內容多樣化學習技術。工作主要包括以下四個方面：植物圖像資料庫建設；植物圖像分割方法；植物圖像檢索方法；植物圖像集合分類方法。 本項目在水平集分割模型的基礎上，引入圖像中的形狀和顏色信息作為先驗信息來指導分割曲線的演化，針對圖像邊界模糊、有遮擋、與背景灰度相似的目標等複雜背景的圖像，實現了快速、準確的目標分割。進一步從植物圖像目標的近似對稱性這一先驗信息出發，重點設計目標自身對稱性檢測指標，並將其作為約束項融合到能量函式中，從而構建了一種新穎的、有效的對稱度量驅動的水平集圖像分割方法。 本項目提出了由彩色植物葉片圖像到手繪掃描的二值葉片圖像的檢索構想，依據植物葉片圖像和手繪掃描葉片圖像的不同性質，深入討論了兩類圖像形狀和紋理特徵的提取方法，通過實驗比較，選擇切實可行的特徵描述符實現了檢索系統的原型。本文提出的檢索方案為植物分類檢索研究提供了有力嘗試，該方案對推進植物圖像檢索的實用化有一定意義。 本項目對植物圖像特徵提取，聚類多樣性檢索、面向分類的多子流形學習等內容進行了較為全面的研究。首先提出了基於最大散度評估的植物圖像聚類多樣化檢索技術，該方法使用重排技術和SVM相關反饋的檢索機制，再使用AP聚類算法，使檢索結果同時具有相關性和多樣性的特點。接下來重點研究了基於多子流形學習特徵提取的多樣性檢索技術，該方法使得投影到低維空間後，每個子流形間的距離儘量增大，避免一個子流形中的圖像都被檢索，從而達到多樣性檢索的目的。這樣不僅提高檢索結果的多樣性，也提高了檢索的相似性，此外該算法不需要相關反饋機制便可以達到較好的檢索效果，提高了檢索效率。 由於每類圖像集包含了該類植物的多種變化模式，因此能夠更有效的表示一類植物個體。與傳統的基於單樣本的植物圖像識別算法相比，基於植物圖像集的識別算法具有更好的魯棒性與性能。本項目把植物圖像集建模成非線性的流形，並在流形間距離的計算框架下，提出一種基於流形間距離的植物圖像集分類算法。然後本項目又提出了一種基於自適應多凸包的圖像集分類算法。解決了單凸包對於非凸數據的不合理建模，以及分類時只使用了少量的邊界信息，容易受到噪聲圖像干擾等缺點。