基于深度神经网络的多尺度特征提取方法

发布时间：2019-09-18 10:09

【摘要】：针对传统特征提取方法不能很好地表示左右不对称和弯曲叶片图像信息的问题,提出一种基于深度神经网络的多尺度特征提取方法。首先借鉴空间金字塔匹配模型思想,提取各个空间子区域的高阶Zernike矩特征,使用滑动圆形窗口提取对象域的极坐标傅里叶变换描述子;其次将Zernike矩和傅里叶特征作为深度神经网络的输入向量获取深度抽象特征。实验结果表明,与多种特征提取方法相比,该方法具有较好的特征表示性能。
【图文】：

，x12］，y=［y11，y12，…，y112，y21，y22，…，y212，…，y41，y42，…，y412］，z=［z11，z12，…，z112，z21，z22，…，z212，…，z161，z162，…，z1612］。其中，yi=［yi1，yi2，…，yi12］，i=1，2，3，4，表示L1层第i个空间域的12个Zernike矩特征，zj=［zj1，zj2，…，zj12］(j=1，2，…，16)表示L2层第j个空间域的12个Zernike矩特征。图1SPM示意图Fig．1Thediagramofspatialpyramidmatching任选Flavia数据集中3类相似植物种类，如图2所示。图3描述了经PCA降维后的L2层55个特征值，贡献率设置为95%。根据图3可知，图2中相似植物种类在多个等特征下具有明显区分度。图2相似植物种类Fig．2Thesimilarplantspecies图3相似种类z特征Fig．3Thezvalueofthesimilarspecies2.2.2PFTD特征文中利用自适应阈值分割算法［18］获取对象域，将叶片长轴ll作为横坐标轴，短轴，ls作为纵坐标轴，对象被分割成4个域，再利用滑动圆形窗口在各个区域提取PFTD特征，半径r=ls/4。据Kadir［10］实验结果可知:Ｒfmax=4，Tfmax=6时取得最佳分类效果，文中也设置相同参数。在Flavia数据集上共提取400个PFTD特征。为了简化计算，经PCA降维后维度变为31个。图4为相似种类的PFTD特征值，根据图4可知相似种类在PFTD特征下区分度不明显，恰与Zernike矩特征互补。2.2.3深度网络抽象特征为了训练对象本质特征，采用包含瓶颈层的DNN［19］进行特征优化，瓶颈层包含节点数最少，因此，将该层节点值作为输入向量的低维表示。图5?

…，y41，y42，…，y412］，z=［z11，z12，…，z112，z21，z22，…，z212，…，，z161，z162，…，z1612］。其中，yi=［yi1，yi2，…，yi12］，i=1，2，3，4，表示L1层第i个空间域的12个Zernike矩特征，zj=［zj1，zj2，…，zj12］(j=1，2，…，16)表示L2层第j个空间域的12个Zernike矩特征。图1SPM示意图Fig．1Thediagramofspatialpyramidmatching任选Flavia数据集中3类相似植物种类，如图2所示。图3描述了经PCA降维后的L2层55个特征值，贡献率设置为95%。根据图3可知，图2中相似植物种类在多个等特征下具有明显区分度。图2相似植物种类Fig．2Thesimilarplantspecies图3相似种类z特征Fig．3Thezvalueofthesimilarspecies2.2.2PFTD特征文中利用自适应阈值分割算法［18］获取对象域，将叶片长轴ll作为横坐标轴，短轴，ls作为纵坐标轴，对象被分割成4个域，再利用滑动圆形窗口在各个区域提取PFTD特征，半径r=ls/4。据Kadir［10］实验结果可知:Ｒfmax=4，Tfmax=6时取得最佳分类效果，文中也设置相同参数。在Flavia数据集上共提取400个PFTD特征。为了简化计算，经PCA降维后维度变为31个。图4为相似种类的PFTD特征值，根据图4可知相似种类在PFTD特征下区分度不明显，恰与Zernike矩特征互补。2.2.3深度网络抽象特征为了训练对象本质特征，采用包含瓶颈层的DNN［19］进行特征优化，瓶颈层包含节点数最少，因此，将该层节点值作为输入向量的低维表示。图5为深度神经网络架构。文中将每幅图像多尺度下的Zernike矩和PFTD特征排列成列向量xi，所有输?
【作者单位】： 西北大学信息科学与技术学院;北京师范大学信息科学与技术学院;
【基金】：国家自然科学基金资助项目(61373117) 高等学校博士学科点专项科研基金资助项目(20136101110019) 研究生自主创新基金资助项目(YZZ15098)
【分类号】：TP18

【参考文献】

相关期刊论文 前4条

1 崔瑞莲;宋彦;蒋兵;戴礼荣;;基于深度神经网络的语种识别[J];模式识别与人工智能;2015年12期

2 王丽君;淮永建;彭月橙;;基于叶片图像多特征融合的观叶植物种类识别[J];北京林业大学学报;2015年01期

3 李帅;许悦雷;马时平;倪嘉成;史鹤欢;;一种深度神经网络SAR遮挡目标识别方法[J];西安电子科技大学学报;2015年03期

4 董红霞;郭斯羽;;一种结合形状与纹理特征的植物叶片分类方法[J];计算机工程与应用;2014年23期

【共引文献】

相关期刊论文 前10条

1 顾亚风;叶学义;夏经文;夏胡云;;基于卷积神经网络的古玩图片分类方法[J];软件导刊;2017年05期

2 任荣荣;周明全;耿国华;刘晓宁;王恒;;基于深度神经网络的多尺度特征提取方法[J];西北大学学报(自然科学版);2017年02期

3 高良;闫民;赵方;;基于多特征融合的植物叶片识别研究[J];浙江农业学报;2017年04期

4 吴笑鑫;高良;闫民;赵方;;基于多特征融合的花卉种类识别研究[J];北京林业大学学报;2017年04期

5 杨森;冯全;王书志;张芮;;基于改进可变形部件模型与判别模型的葡萄叶片检测与跟踪[J];农业工程学报;2017年06期

6 陈明健;陈志泊;杨猛;莫琴;;叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法[J];北京林业大学学报;2017年02期

7 刘骥;曹凤莲;甘林昊;;基于叶片形状特征的植物识别方法[J];计算机应用;2016年S2期

8 李萍;张波;张善文;;基于叶片图像处理和稀疏表示的植物识别方法[J];江苏农业科学;2016年09期

9 张凯兵;章爱群;李春生;;基于HSV空间颜色直方图的油菜叶片缺素诊断[J];农业工程学报;2016年19期

10 张帅;淮永建;;基于分层卷积深度学习系统的植物叶片识别研究[J];北京林业大学学报;2016年09期

【二级参考文献】

相关期刊论文 前10条

1 张宁;刘文萍;;基于克隆选择算法和K近邻的植物叶片识别方法[J];计算机应用;2013年07期

2 孙志军;薛磊;许阳明;;基于深度学习的边际Fisher分析特征提取算法[J];电子与信息学报;2013年04期

3 张娟;黄心渊;;基于图像分析的梅花品种识别研究[J];北京林业大学学报;2012年01期

4 陈宁宁;;几种图像阈值分割算法的实现与比较[J];电脑知识与技术;2011年13期

5 杨辉军;陈立伟;;基于分形特征的植物识别[J];计算机工程与设计;2010年24期

6 杨福增;杨亮亮;田艳娜;杨青;;基于颜色和形状特征的茶叶嫩芽识别方法[J];农业机械学报;2009年S1期

7 侯铜;姚立红;阚江明;;基于叶片外形特征的植物识别研究[J];湖南农业科学;2009年04期

8 黄林;贺鹏;王经民;;基于概率神经网络和分形的植物叶片机器识别研究[J];西北农林科技大学学报(自然科学版);2008年09期

9 宦若虹;杨汝良;岳晋;;一种合成孔径雷达图像特征提取与目标识别的新方法[J];电子与信息学报;2008年03期

10 胡利平;刘宏伟;吴顺君;;一种新的SAR图像目标识别预处理方法[J];西安电子科技大学学报;2007年05期

【相似文献】

相关期刊论文 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

相关会议论文 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

相关重要报纸文章 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

相关博士学位论文 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

相关硕士学位论文 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

本文编号：2537447