2026《基于深度学习的植物图像特征提取方法国内外研究现状文献综述》2200字.docxVIP

基于深度学习的植物图像特征提取方法国内外研究现状文献综述

植物图像分类属于精细分类，以本实验选取的花卉数据集为例，不同种类的花卉相互之间可能在颜色、形态方面都存在着极大地相似性，很多时候，经验丰富的专家可能都无法识别；而且，即使是同一种花卉，在不同光照、不同生长周期、不同时刻下，都存在着差异性。因此植物图像分类面临着极大地困难。现如今针对植物图像的识别与分类主要使用如下两种方法：

1.1针对传统图像特征提取的方法

该方法首先对图像进行分割，获取原始图像中识别区域，将经由传统人工设计的特征提取算提取的特征子与SVM等传统机器学习算法相结合，最终达到图像的分类的目的。传统的图像特征提取方法主要包含纹理、颜色、HOG（方向梯度直方图）、SIFT（尺度不变性）、LBP（局部二值法）等。

FengQiu[6]采用病灶分割方法，结合聚类和监督分类方法对苜蓿叶病图片进行分割，提取特征，建立最优SVM模型建立苜蓿叶病识别的半监督模型，较好的实现了对苜蓿四种叶片病害的图像识别，为植物图像识别与分类提供了一种可行的解决方案；padolB[7]等利用K-means聚类方法分割出葡萄叶片患病区域，提取颜色和纹理特征，结合SVM对葡萄病害类型进行预测，最终准确率达到88.89%；WakeelAhmad等首次提出来将DLQP使用在植物病叶检测上，在番茄植株、马铃薯植株和苹果植株上都取得了较好的结果，并将