基于神经网络的植物叶片分类识别

论文摘要

植物分类是植物研究开发的基础性工作,植物的分类与识别对于保护植物、区分植物种类,探索植物间的亲缘关系具有重要意义。采用植物叶片的特征对植物进行分类识别是最直接有效和简单的方法。本文通过提取植物叶片的一些特征参数,采用神经网络训练来对植物分类识别。选用的特征参数有不变矩、傅里叶描绘子和分形维数,这些特征参数具有对平移、缩放、镜像和旋转都不敏感,提取叶片的不变矩、傅里叶描绘子和分形维数,作为网络的输入样本。为了提高叶片特征参数的准确性,对图像进行了以下的预处理:对原彩色图像进行灰度化处理;二值化处理;采用数学形态学膨胀和腐蚀运算对二值化的图像进行滤波处理和去把处理。采用BP神经网络对叶片图像进行分类识别。实验结果表明,用傅里叶描绘子训练的网络只能识别训练样本,几乎不能识别测试样本,即没有泛化能力;把不变矩和分形维数一起作为训练网络的样本,识别率可达到92%。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 选题的依据和意义
• 1.2 国内外研究现状
• 1.3 本文所做的工作
• 第二章 叶片图像的预处理
• 2.1 图像的灰度化
• 2.2 图像的二值化
• 2.3 图像滤波
• 2.3.1 均值滤波
• 2.3.2 中值滤波
• 2.3.3 形态学滤波
• 2.4 滤波处理
• 第三章 叶片图像的特征提取
• 3.1 叶片图像不变距的提取
• 3.1.1 不变距的基本理论
• 3.1.2 五类叶片图像的不变矩提取
• 3.2 傅里叶描绘子的提取
• 3.2.1 傅里叶变换
• 3.2.2 傅里叶描绘子
• 3.2.3 五类叶片图像傅里叶描绘子的提取
• 3.3 分形维数的提取
• 3.3.1 分形理论
• 3.3.2 五类叶片分形维数的提取
• 第四章 基于人工神经网络的分类
• 4.1 神经网络的基本概念
• 4.1.1 BP 神经网络概述
• 4.1.2 BP 神经网络的工作过程
• 4.1.3 BP 神经网络的特点
• 4.1.4 BP 神经网络的局限性
• 4.2 BP 神经网络在叶片分类中的应用
• 4.2.1 神经网络的结构与设计
• 4.2.2 神经网络的训练
• 4.2.3 叶片识别与结果分析
• 第五章 总结
• 参考文献
• 攻读学位期间本人出版或公开发表的论著、论文
• 致谢