基于FCM和SVM相結(jié)合的作物病害圖像分割方法研究.pdf

1、圖像分割是指將我們感興趣的目標(biāo)從背景中分割出來，分割結(jié)果的好壞直接影響后期的圖像分析和識別?；谧魑锊『D像的分割技術(shù)就是將病斑從病害圖像中分割出來，以便于后期病害的診斷和識別。支持向量機(jī)(SVM, Support Vector Machine)是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種分類方法，現(xiàn)在已經(jīng)被廣泛應(yīng)用于很多領(lǐng)域，如數(shù)據(jù)分類、模式識別、圖像分割等。近年來，基于SVM的分割技術(shù)已經(jīng)廣泛應(yīng)用于圖像分割中，并且已取得很好的分割效果。將SVM的分類用

2、到病斑圖像的分割，其實(shí)質(zhì)就是利用病變部分和綠色健康部分的像素點(diǎn)的不同特征，輸入到SVM分類器，供其學(xué)習(xí)，之后將學(xué)習(xí)好的分類器對整幅圖像的像素分類，病變部分一類，其他的一類，最終實(shí)現(xiàn)病斑的分割。所以，如果輸入到SVM分類器中的樣本點(diǎn)能夠代表大多數(shù)像素點(diǎn)的信息且數(shù)目盡可能少，最終就會得到真實(shí)的病斑圖像。所以，對于分割結(jié)果來說，學(xué)習(xí)樣本點(diǎn)的選擇很重要。傳統(tǒng)SVM圖像分割算法利用人工選擇訓(xùn)練所需的像素點(diǎn)，但是這樣做受人的主觀影響比較大，而且費(fèi)時

3、費(fèi)力。如何自動選擇分布良好且能夠代表其類別的像素點(diǎn)，提高分割準(zhǔn)確率的同時降低運(yùn)算量，是本文的研究重點(diǎn)。
　　本研究主要內(nèi)容包括：⑴對基于SVM的圖像分割方法進(jìn)行深入的研究，指出了現(xiàn)存的SVM算法在進(jìn)行圖像分割方面訓(xùn)練樣本不能自動選取的問題。⑵基于模糊C-均值算法(FCM)的特點(diǎn)，文中將FCM與SVM結(jié)合起來，提出了基于FCM和SVM相結(jié)合的作物病害圖像分割算法。在將FCM用于訓(xùn)練樣本自動選取的過程中，為了保證選取的訓(xùn)練樣本能廣泛的

4、代表兩類圖像，對FCM進(jìn)行了改進(jìn)。這個過程稱之為病害的初分割。初分割后得到病害部分和綠色健康的兩部分圖像，之后各選取適量的訓(xùn)練樣本，分別提取樣本的顏色和紋理屬性信息，將其進(jìn)行SVM分類器的訓(xùn)練，最后用訓(xùn)練好的SVM分類器對圖像進(jìn)行分割，最終實(shí)現(xiàn)訓(xùn)練樣本自動選取的病斑圖像的分割。并將本文算法與人工選取訓(xùn)練樣本分割病斑的效果進(jìn)行對比。⑶在圖像分割結(jié)果評價(jià)準(zhǔn)則方面，本文選用“分類正確率”和“直方圖”進(jìn)行效果評定。⑷為了滿足用戶的需要，本文利用