基于ＢＰＳＯ和ＳＶＭ的烤烟烟叶图像特征选择方法研究（行业资料）.docVIP

基于ＢＰＳＯ和ＳＶＭ的烤烟烟叶图像特征选择方法研究（行业资料） 文档信息 ： 文档作为关于“行业资料”中“自然科学资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文6831字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：基于ＢＰＳＯ和ＳＶＭ的烤烟烟叶图像特征选择方法研究 1 文2：基于MATLAB图像处理的火焰特征识别方法研究 8 1 研究背景 8 2 主要理论概况 8 3 图像的预处理 8 4 火焰目标的特征识别方法 10 5 小结 11 参考文摘引言： 12 原创性声明（模板） 13 文章致谢（模板） 13 正文 基于ＢＰＳＯ和ＳＶＭ的烤烟烟叶图像特征选择方法研究（行业资料） 文1：基于ＢＰＳＯ和ＳＶＭ的烤烟烟叶图像特征选择方法研究 DOI:/-.050 目前，我国烟叶分级主要还是依靠人工进行分级，这种方法存在着主观性强、效率低等缺点，因此近年来研究人员在烟叶智能分级方面进行了研究。烟叶的智能识别方法主要有利用烟叶的化学特征、光谱特征和图像特征。其中，利用图像特征对烟叶进行分级有着对烟叶无损、设备简单、效率较高等优点，能够解决人工检测方法的各种缺点，因此有着广阔的应用前景，研究人员在这一领域进行了大量的研究［１－３］。在图像特征的基础上，人们使用了多种分类器对烟叶进行分级，包括支持向量机［４，５］、神经网络［６－８］、主成分分析［９］、模糊识别［１０］、粗糙集［１１］等方法。但是在之前的研究中通常采用获得的所有图像特征进行训练和分类，而一些特征如长、宽、长宽比、面积、周长等之间存在着很大的相关性，同时由于特征数目多使得分级模型复杂、计算量大，不仅造成训练模型所需时间长，而且分级时所需要的时间也长，这对于收购烟叶的实时要求是非常不利的。另外，特征数目多、模型复杂，建立训练模型时所需要寻找的参数多，参数之间又互相影响，这可能影响到最佳参数的选择，因而影响到分级模型的正确分级率。因此对特征进行有效筛选，减少特征数目对于烟叶自动分级是必要而有意义的［１２，13］。本研究提出一种与结果直接相关的特征选择方法，在去除那些相关性较大的特征改善烟叶图像识别效果的同时，还可以减短分类器训练和分级时间而加快分级速度。 粒子群算法（ＰＳＯ）属于进化算法的一种，这种算法以其实现容易、精度高、收敛快等特点引起了学术界的重视，并且在解决实际问题中展示了其优越性，其中二进制粒子群（ＢＰＳＯ）是将ＰＳＯ算法离散化的一种改进算法。支持向量机（ＳＶＭ）是一种经典的模式识别方法，其在解决小样本、非线性及高维模式识别中表现出许多特有的优势，也曾被应用于烟叶的分类中。本研究使用ＢＰＳＯ并联合ＳＶＭ算法对烟叶的图像特征进行选择，并分别使用ＳＶＭ、ＲＢＦ和Ａｄａｂｏｏｓｔ算法进行了验证。 １ 烤烟烟叶特征提取 烟叶分级主要是对烟叶的部位、颜色、等级进行分类，其中部位为Ｂ（上部）、Ｃ（中部）、Ｘ（下部）３种，等级根据不同品质可能有３种或者4种，颜色分为Ｆ（柠檬黄）、Ｌ（橘黄）、Ｒ（红棕色）３种。在这３个部分的基础上，我国最新发布的烟叶分级标准将烤烟烟叶分为了４２个等级。 本研究采用的烤烟烟叶图片为使用ＣＣＤ摄像头在暗箱中拍摄获取的烟叶透射图像（图１），因为相比反射图片，透射图片能更好的体现厚度等特征。在对烟叶图像进行背景分割、降噪等一系列预处理后在对其进行特征提取，本研究提取８个外形特征：长、宽、长宽比、面积、周长、破损率、圆形度、矩形度；１２个颜色特征：Ｒ、Ｇ、Ｂ和Ｈ、Ｓ、Ｉ的均值和方差；４个纹理特征：能量、惯性、相关性、熵。 ２ 基于ＢＰＳＯ和ＳＶＭ的特征筛选 ２．１ PSO算法 粒子群算法是１９９５年由Ｅｂｅｒｈａｒｔ和Kｅｎｎｅｄｙ 提出的一种进化算法，来源于对鸟群捕食的行为研究。ＰＳＯ初始化即为一个觅食的鸟群，其中每只鸟为一个随机粒子（随机解），每个初始粒子的位置都是随机的。由一个速度参数来决定它们位置变化的快慢，而每个粒子的位置优劣都由一个适应度值（Ｆｉｔｎｅｓｓ ｖａｌｕｅ）来评价。在每一代中，整个族群找到的最优解被称为全局极值（ｇbｅｓｔ），每个粒子本身所找到的最优解被称为这个粒子的个体极值（ｐbｅｓｔ）。在每一代进化中，每个粒子通过跟踪ｇbｅｓｔ和ｐbｅｓｔ两个极值来不断更新自己和自己的速度，然后通过迭代找到最优解。 在得到全局极值和个体极值的情况下，粒子群算法通过以下公式来更新每个粒子的位置和速度： ｖ＝ｗｖ＋ｃ１ｒａｎｄ（）（ｐｂｅｓｔ－ｐｒｅｓｅｎｔ）＋ｃ２ｒａｎｄ（ （ｇｂｅｓｔ－ｐｒｅｓｅｎｔ） （１） ｐｒｅｓｅｎｔ＝ｐｅｒｓｅｎｔ＋ｖ （２） 式中，ｖ是