论文部分内容阅读
葡萄品种的分类识别对葡萄优良品种的推广、原产地质量标识国际合约保护、葡萄遗传基因资源的保护及新杂交品种的鉴定具有重要的意义。与传统人工鉴定相比，通过计算机辅助手段快速准确地对葡萄品种分类可以带来直接和潜在的经济价值。葡萄种植中广泛存在着优良品种和劣质品种混杂的情况，严重制约了葡萄酒的品质提升，因而需要将劣质品种剔除出去，大力培养优良品种。然而由于其种类繁多，对人的葡萄相关专业知识要求过高，这种实际的需求没有得到很好的满足，基于叶子的葡萄品种识别研究的目的就是最终建立一个专门的葡萄品种识别平台，供葡萄种植者和葡萄酒生产者快速而准确地鉴定葡萄品种。研究的目标就是准确地对葡萄品种进行单个和批量的识别，围绕这一目标进行的主要研究内容和结论如下：（1）研究分析了两种形状特征（相对几何特征和归一化傅立叶描述子）的鲁棒性，在旋转、平移和尺度变换时，相对几何特征变化幅度非常小，鲁棒性好，而归一化傅立叶描述子对葡萄叶子图像的变化较为敏感，不适合用于葡萄品种分类。（2）首次将融合了小波分解和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)统计特征的小波灰度共生矩阵特征应用于葡萄品种分类，并引入Hu不变矩，Gabor小波特征，局部二值模式（Local Binary Pattern, LBP）特征对比分析。研究表明，在基于叶子图像的葡萄品种分类中，小波灰度共生矩阵特征具有良好的特征表达能力，识别率达到了79.90%，远远高于其他几种纹理特征的分类能力。（3）研究选取了主成分分析（Principal ComponentAnalysis, PCA）和多类线性判别式分析(Linear Discriminant Analysis, LDA)对特征集合进行筛选，PCA方法的识别率只有56.99%，而多类LDA的识别率为79.90%，表明多类线性判别式分析能够生成分类能力更强的最优特征子集。（4）采用支持向量机（Support Vector Machine, SVM）算法对于该特征子集进行分类实验，并在K-最近邻分类器（K-Nearest Neighbors, K-NN）、概率神经网络（ProbabilisticNeural Networks, PNN）分类器下进行对比验证。实验结果证明该特征子集能够很好地表达特征，具有较好的分类效果。（5）在Matlab2009a环境下设计了一个针对葡萄品种的分类识别系统，能够对葡萄品种进行适当的预处理以及多种形状纹理特征提取，最后利用提取的特征可以进行单个识别和批量分类工作，平均识别率为79.90%。