2026《植物图像分类相关研究工作综述》5000字.docxVIP

植物图像分类相关研究工作综述

目录

TOC\o1-3\h\u14051植物图像分类相关研究工作综述 1

5781.1传统图像特征提取算法 1

326121.1.1图像特征提取法 1

258411.1.2传统植物图像分类方法 7

279981.1.3keras介绍 14

309811.2深度学习介绍 15

140091.3选用的植物图像数据库 15

116031.3.1Oxford17flowers数据集 15

13641.3.2AppleLeaf数据集 17

1.1传统图像特征提取算法

机器学习中传统的图像特征提取算法主要是基于图像特征提取的传统算法，早期的图像特征提取方式主要是使用基于人工特征方法的图像分类算法，研究重点一般为图像的局部特征[22]。首先，从图像中提取该图像的某些局部特征，然后利用相关的机器学习算法对该图像进行相应的特征编码，得到图像的特征。下面针对常见的基于机器学习的传统图像特征提取算法进行简单介绍[23]。

1.1.1图像特征提取法

1.1.1.1HOG特征提取

方向梯度直方图（HOG）是一种特征描绘子，经过计算图像局部特征和统计直方图的方式来提取图像特征。其主要目的是使用边缘方向密度或者梯度的方向，对图像的局部的形状、表象等进行较好的描述。本质来说是为了更好地统计图像的梯度信息，对图片的局部特征进行提取。

使用HOG特征提取算法提取图片特征的流程大致如下：

1.标准化输入图像：首先将输入的RGB图像进行灰度化处理，利用Gamma校正法对输入图像进行标准化，校正公式见公式（1.1）：

（1.1）

1.计算输入图像梯度：是图像横、纵坐标方向的梯度,是每个像素位置的梯度值，是每个像素位置的梯度方向值：

（1.2）

（1.3）

3.单元细胞直方图：将图像划分为若干细胞单元(cell),采用9bin直方图统计每个cell的10×10像素对应的梯度信息，对cell内像素进行加权投影，得到该cell的梯度直方图。

4.得到块（block）内梯度直方图并归一化：对所有cell的特征向量串联，得到该block特征，对每个block的特征值并归一化，将归一化后的块描述符称为HOG描述符：

（1.4）

本文的选用的HOG模型的blocksize是20×20，cellsize为10×10，直方图通道为9bin，此时，每张图像的特征向量维数是36维。

单个图片的HOG特征提取算法提取特征实际运行结果如下图2-1所示：

图2-1单个图片的HOG特征提取实际结果

Fig.2-1TheactualresultsofHOGfeatureextractionfromindividualimage

1.1.1.2SIFT特征提取

尺度不变特征变换（SIFT），是一种基于尺度不变的局部特征，无论对图像进行旋转、尺度缩放、或者亮度等变化时，它的局部特征都能保持不变，即使在针对海量特征库时也能快速且准确的进行匹配。

下面对SIFT特征提取算法提取图片特征的流程进行简单介绍：

1.DoG尺度空间极值检测。尺度空间[24]简单来说就是试图模拟人眼对图像或者物体进行观察的理念和方式。所谓构建图像的尺度空间即在对图像进行无关项去除时，尽量保留图像足够多的细节特征。通过将输入图像进行降阶采样，加入高斯滤波，进行高斯模糊处理，构建差分高斯金字塔。

1.定位关键点。对上一步得到的极值点进行精确定位，先对图像删除与真正极值点相差过多的极值点，若，则保留该极值点，否则将其删除，再对DoG函数的边缘响应进行消除。

3.确定像素点方向。极值点的方向为周围像素极值点的梯度，周围像素点的梯度为下述公式(1.5)：

（1.5）

此时，梯度幅度为，对应的像素点的梯度的方向如公式（1.6）所示：

（1.6）

通过对关键点的方向、尺度和位置进行变换的方式，以此确定像素点的主方向。最终，生成特征点的描述子，并对该描述子归一化处理。

SIFT特征提取算法提取特征实际运行结果如下图2-2所示：

原始图像2原始图像1

原始图像2

原始图像1

进行SIFT运算

进行SIFT运算

图2-2SIFT图像特征提取实际结果

Fig.2-2TheactualresultsofSIFTimagefeatureextraction

1.1.1.3LBP特征提取

局部二值模式（LBP）主要用来描述图像的局部纹理特征。首先在1994年由T.