基于多特征融合的玉米前期图像的旱情识别
本文关键词: 图像处理 旱情识别 多特征融合 遗传算法 出处:《激光与光电子学进展》2017年08期 论文类型:期刊论文
【摘要】:为实现对玉米植株旱情的分析,针对目前农业干旱指标涉及领域较为广泛、获取困难的研究现状,提出了一种基于多特征融合的玉米前期图像旱情识别方法。以正常和特旱两种情况的玉米植株图像为样本,采用经典Kmeans算法对玉米植株图像提取感兴趣区域;进而提取分割后的玉米植株图像,包括颜色、奇异值分解(SVD)、纹理等共计20维特征;采用遗传算法对20维特征选择有效特征子集;最后针对有效特征子集建立了基于最小二乘支持向量机的判别模型,获取了玉米植株图像的旱情信息。将单个特征(颜色、SVD、纹理)直接融合之后的特征以及利用主成分分析法的特征选择作为对比实验,平均识别正确率分别为0.9503、0.9627、0.9771、0.9460、0.9745,而采用遗传算法进行特征选择后,最终寻到最优解为9维特征,平均识别正确率为0.9903。结果表明,运用图像处理技术可以对旱情进行识别,取得了较好的效果,为农业旱情的识别提供了新思路。
[Abstract]:In order to realize the drought analysis of maize plant, the current research status of agricultural drought index is more extensive and difficult to obtain. In this paper, a multi-feature fusion based drought recognition method for pre-maize images is proposed. The maize plant images in both normal and special drought conditions are taken as samples. The classical Kmeans algorithm is used to extract the region of interest from maize plant image. Then the segmented corn plant images were extracted, including color, singular value decomposition (SVD), texture and so on. Genetic algorithm is used to select an effective feature subset for 20 dimensional features. Finally, a discriminant model based on least squares support vector machine (LS-SVM) is established for the effective feature subset, and the drought information of maize plant image is obtained. Texture) after direct fusion and the feature selection of principal component analysis as a comparison experiment, the average recognition accuracy was 0.9503 / 0.9627 / 0.9771, respectively. The result shows that the optimal solution is 9 dimensional feature, and the average recognition accuracy is 0.9903. The image processing technology can be used to identify the drought, and a better result is obtained, which provides a new way of thinking for the recognition of agricultural drought.
【作者单位】: 天津大学电气自动化与信息工程学院天津市过程检测与控制重点实验室;
【分类号】:TP391.41
【正文快照】: 1引言 目前环境问题迫在眉睫,其中频发的重大干旱灾难尤为突出[1]。干旱本身作为一种复杂的现象难以直接观测其发生时间、发展过程以及影响范围。国内外对旱情的监测手段,从旱情统计上报到测定土壤含水量,发展到如今的遥感图像技术,利用多时相、高光谱遥感数据反映大面积的图
【相似文献】
相关期刊论文 前10条
1 初红霞;王科俊;王希凤;郭庆昌;韩晶;;多特征融合的退火粒子滤波目标跟踪[J];计算机工程与应用;2011年06期
2 顾鑫;王海涛;汪凌峰;王颖;陈如冰;潘春洪;;基于不确定性度量的多特征融合跟踪[J];自动化学报;2011年05期
3 姚红革;杜亚勤;;基于多模式多特征融合粒子滤波视频目标跟踪[J];西安工业大学学报;2012年11期
4 王兰;;基于多特征融合的票据分类技术及应用[J];计算机光盘软件与应用;2013年13期
5 陈增照;何秀玲;杨扬;董才林;;基于多特征融合的票据分类技术及应用[J];计算机工程与应用;2006年09期
6 周斌;林喜荣;贾惠波;宋榕;;多特征融合的手背血管识别算法[J];清华大学学报(自然科学版);2007年02期
7 刘贵喜;范春宇;高恩克;;基于粒子滤波与多特征融合的视频目标跟踪[J];光电子.激光;2007年09期
8 胡全;邱兆文;王霓虹;;基于多特征融合的图像语义标注[J];东北林业大学学报;2008年10期
9 沈才梁;许雪贵;许方恒;龙丹;;多特征融合的人脸检测[J];计算机系统应用;2009年11期
10 刘红;王晔;雷长海;;基于多特征融合的中医舌像检索研究[J];计算机应用研究;2010年02期
相关会议论文 前3条
1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会(MCMI'2007)论文集(上册)[C];2007年
3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集(上)[C];2008年
相关博士学位论文 前6条
1 刘明华;复杂环境下基于多特征融合的目标跟踪关键技术研究[D];青岛科技大学;2016年
2 SAEED-UR-REHMAN;基于机器学习的排序优化及其在行人再识别中的应用研究[D];中国科学技术大学;2017年
3 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年
4 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年
5 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年
6 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年
相关硕士学位论文 前10条
1 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年
2 计明明;基于多特征融合的三维模型检索技术[D];浙江大学;2015年
3 王庆;基于多特征融合的人体动作识别方法研究[D];上海大学;2015年
4 刘婕;复杂场景多特征融合粒子滤波目标跟踪[D];重庆理工大学;2015年
5 崔剑;基于多特征融合的分级行人检测方法研究[D];电子科技大学;2015年
6 王建荣;基于多特征融合的无人机航拍图像识别研究[D];成都理工大学;2015年
7 高爽;基于多特征融合的粒子滤波跟踪算法研究[D];西安电子科技大学;2014年
8 坎启娇;基于多特征融合的多目标跟踪算法[D];河北工业大学;2015年
9 张小琴;基于多特征融合的车辆品牌识别方法研究[D];东南大学;2015年
10 谢振哲;图像通用隐写检测中的多特征融合方法[D];福州大学;2013年
,本文编号:1444045
本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/1444045.html