资源简介
植物分类是植物科学研究领域和农林业生产经营中重要的基础性工作,植物分类
学是一项具有长远意义的基础性研究,其主要的分类依据是植物的外观特征,包括叶、
花、枝干、树皮、果实等。因此,花卉分类是植物分类学的重要部分,利用计算机进
行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手,探索了基于花朵数字图像对花卉进行种类识别的方
法。在己有研究的基础上,针对花朵的生长特点定义了颜色、纹理、形状等方面的特
征,并使用分级SVM分类器对花卉图像进行了识别。论文提出了分区域特征提取以
及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征,对提高系统的识
别准确率具有重要意义,此外,所设计的分级SVM分类器有效降低了分类器对样本
种类数量的敏感性,克服了SVM分类器对大样本量识别准确率低的问题。本文构建
了基于数字图像的花卉种类识别系统,并用五十种花卉对系统进行了测试,达到了
95.72%的识别准确率。实验结果表明,本文所实现的花卉种类识别系统具有较高的识
别准确率和稳定性。
代码片段和文件信息
function varargout = flower(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name‘ mfilename ...
‘gui_Singleton‘ gui_Singleton ...
‘gui_OpeningFcn‘ @flower_OpeningFcn ...
‘gui_OutputFcn‘ @flower_OutputFcn ...
‘gui_LayoutFcn‘ [] ...
‘gui_Callback‘ []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State varargin{:});
else
gui_mainfcn(gui_State varargin{:});
end
function flower_OpeningFcn(hobject eventdata handles varargin)
handles.output = hobject;
guidata(hobject handles);
function varargout = flower_OutputFcn(hobject eventdata handles)
varargout{1} = handles.output;
function pushbutton1_Callback(hobject eventdata handles)
[filenamepathname]=uigetfile({‘*.jpg‘;...
‘*.gif‘;‘*.*‘}...
‘Pick an Image File‘);
X=imread([pathnamefilename]);
cla(handles.axes1);
axes(handles.axes1);
imshow(X);%在h0上显示原始图像
function edit1_CreateFcn(hobject eventdata handles)
if ispc && isequal(get(hobject‘BackgroundColor‘) get(0‘defaultUicontrolBackgroundColor‘))
set(hobject‘BackgroundColor‘‘white‘);
end
function pushbutton2_Callback(hobject eventdata handles)
Files = dir(fullfile(‘C:\Users\lenove\Desktop\项目\项目10365+花卉图像识别与分类\程序\flower分类\train‘‘*.jpg‘));
LengthFiles = length(Files);%文件夹图片个数
height=50;width=50;%特征向量大小,可以调整
w1 = zeros(height*widthLengthFiles/3);%第一类训练矩阵
w2 = zeros(height*widthLengthFiles/3);%第二类训练矩阵
w3 = zeros(height*widthLengthFiles/3);%第三类训练矩阵
T=20.78345;
%第一类图像
for i = 1:LengthFiles/3
img = imread(strcat(‘C:\Users\lenove\Desktop\项目\项目10365+花卉图像识别与分类\程序\flower分类\train\‘Files(i).name));%读取图像
img1 = rgb2gray(img);%转换成灰度图
if i>=1 && i<=5
% figure;imshow(img1);
end
[mn] = size(img1);
m1 = round(m/2);n1=round(n/2);
img11 = img1(m1-199:m1+200n1-199:n1+200);%截取中间图像
img2 = imresize(img11[heightwidth]);%调整大小
w1(:i) = double(img2(:)); %得到训练向量
end
%第二类图像
for i = LengthFiles/3+1:2*LengthFiles/3
img =imread(strcat(‘C:\Users\lenove\Desktop\项目\项目10365+花卉图像识别与分类\程序\flower分类\train\‘Files(i).name));
img1 = rgb2gray(img);
if i>=1 && i<=5
% figure;imshow(img1);
end
[mn] = size(img1);
m1 = round(m/2);n1=round(n/2);
img11 = img1(m1-199:m1+200n1-199:n1+200);
img2 = imresize(img11[heightwidth]);
w2(:i-LengthFiles/3) = double(img2(:));
end
%第三类图像
for i =2*LengthFiles/3+1:LengthFiles
img = imread(strcat(‘C:\Users\lenove\Desktop\项目\项目10365+花卉图像识别与分类\程序\flower分类\train\‘Files(i).name));
img1 = rgb2gray(img);
if i>=1 && i<=5
% figure;imshow(img1);
end
[mn] = size(img1);
m1 = round(m/2);n1=round(n/2);
img11 = img1(m1-199:m1+200n1-199:n1+200);
img2 = imresize(img11[heightwidth]);
w3(:i-2*LengthFiles/3) = double(img2(:));
end
%计算样本均值
m1=mean(w1‘)‘;
m2=mean(w2‘)‘;
m3 = mean(w3‘
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2018-10-10 15:39 源码\
文件 5267 2017-03-25 11:31 源码\flower.fig
文件 5846 2017-03-25 11:32 源码\flower.m
文件 4236 2017-03-09 20:52 源码\mySVM.m
文件 12124 2017-03-23 20:17 源码\说明文档.docx
目录 0 2018-10-10 15:39 演示\
文件 6993179 2017-03-09 21:02 演示\10365.wmv
文件 64 2018-10-10 16:34 说明.txt
目录 0 2018-10-10 15:38 需求\
文件 11858 2017-02-26 14:05 需求\任务书.docx
- 上一篇:火力发电厂含有SVG无功补偿装置的并网仿真设计
- 下一篇:Dcmtk3.6.2
相关资源
- 模式识别经典程序
- 模式识别经典教程模式识别经典教程
- 马尔科夫特征提取
- 基于单个加速度传感器的人体运动模
- 指纹识别系统包含了指纹数据库 源码
- 指纹识别系统包括指纹匹配 gui界面
- 《Pattern Classification》第二版 Richa
- 小波特征提取与支持向量机识别
- 海康威视模式识别笔试题
- 模式识别导论
- 基于SIFT算法的图像特征提取系统的研
- 国科大模式识别机器学习15-19期末试题
- 点特征提取、相关系数影像匹配程序
- Pattern Recognition and Machine Learning 课后习
- 颜色、形状、纹理特征提取算法及应
- CNN与人工特征提取快速识别斑马线的
- 国科大中科院模式识别与机器学习期
- 模式识别课后题答案
- 基于概率神经网络的模式识别.pdf
- opencv特征提取 颜色直方图、纹理
- 模式识别第四版答案
- 多种特征提取方法代码
- 基于IMF能量谱的水声信号特征提取与
- 《现代模式识别》-孙即祥
- 模式识别试题库
- PDF已勘误经典书籍PRML马春鹏译版_模式
- 模式识别与机器学习 国科大 黄庆明
- svm算法文本特征提取形成特征向量
- 语义分割网络DeepLab-v3的架构设计思想
- 《模式识别与机器学习》黄庆明2016
评论
共有 条评论