叶片识别

叶片识别
1.基于关系匹配的识别方法 将植物叶片进行一定处理会提取叶片特征，寻找目标特 征和模型特征之间的对应，即输入叶片和样本叶片之间匹配 度，相似性度量函数等。 2.基于统计学方法
通过建立数学模型，收集数据进行量化分析和总结，从 而得到推断和预测等。近邻法、主成分分析、Fisher判别法 （LDA）。 3.机器学习的识别方法
CNN的训练过程
第一阶段，向前传播阶段： a）从样本集中取一个样本(X,Yp)，将X输入网络； b）计算相应的实际输出Op。 在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过 程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执 行的是计算（实际上就是输入与每层的权值矩阵相点乘，得到最后的输 出结果）：
连续，光滑，严格单调，良好的阈 值函数。 1.抑制两头,对中间细微变化敏感. 使NN对特征识别度更好。 2.网络期望输出和单次训练差值 （误差E)求导反向传播，而其处处可导。
C3层也是一个卷积层，它有16种不同的卷积核，所以就 存在 16 个特征图了。C3中的每个特征 map 是连接到 S2中的所 有6 个或者几个特征 map的，表示本层的特征 map是上一层提 取到的特征map的不同组合（这个做法也并不是唯一的）。 为什么不把S2中的每个特征图连接到每个C3的特征图呢？ 原因有 2 点。第一，不完全的连接机制将连接的数量保持在 合理的范围内。第二，其破坏了网络的对称性。由于不同的 特征图有不同的输入，所以迫使他们抽取不同的特征。
CNN在图像中的应用
卷积核大小为5*5
1.输入图像是32x32的大小，局部滑动窗的大小是5x5的，由于不考虑对图像 的边界进行拓展，则滑动窗将有28x28个不同的位置，也就是C1层的大小是28x28。 这里设定有6个不同的C1层，每一个C1层内的权值是相同的。。C1有156个可训练 参数，共122,304个连接。 2.S2层是下采样层，有6个14*14的特征图。特征图中的每个单元与C1中相对 应特征图的2*2邻域相连接。S2层每个单元的4个输入相加，乘以一个可训练参数， 再加上一个可训练偏置。结果通过sigmoid函数计算。可训练系数和偏置控制着 sigmoid函数的非线性程度。（最大池采样，抑制噪声，鲁棒性）
S4层是下采样层，由16个5*5大小的特征图构成。
C5层是一个卷积层，有120个特征图。每个单元与S4层的 全部 16 个单元的 5*5 邻域相连。由于 S4 层特征图的大小也为 5*5（同滤波器一样），故C5特征图的大小为1*1：这构成了 S4和C5之间的全连接。
F6层有84个单元，与C5层全相连。如同经典神经网络， F6层计算输入向量和权重向量之间的点积，再加上一个偏置。 然后将其传递给 sigmoid 函数产生单元 i 的一个状态 。有 (120+1)*84=10164个可训练参数，也是10164个连接。 最后一层为输出层。输出层由欧式径向基函数 （Euclidean Radial Basis Function）单元组成，每类一个 单元，每个有84个输入。
叶片特征提取
1.几何形状特征（叶片结构，Hu不变距，描述几何特征 等）。 2.纹理特征(基于灰度共生矩阵，小波变换等）。 3.颜色特征（RGB,LAB,HSI)。 一般描述几何特征有：偏心率，复杂度，矩形度，球状 性等，选取比例型的数据。 灰度共生矩阵描述纹理特征：能量，熵，对比度，相关 性等。 HOG特征等 可区分性，独立性，可靠性，数量少。
第二个方法就是权值共享。卷积操作看成是提取特征的 方式，该方式与位置无关。图像的一部分的 统计特性与其 他部分是一样的。这也意味着我们在这一部分学习的特征也 能用在另一部分上，所以对于这个图像上的所有位置，我们 都能使用同样的学习特征。
子采样层也称最大池采样 , 它减小了来自上层隐藏层的 计算复杂度，同时具有平移不变性，即使有小的位移，提取 的特征依然保持不变。
第二阶段，向后传播阶段： a）算实际输出Op与相应的理想输出Yp的差； b）按极小化误差的方法反向传播调整权矩阵。
CNN反向传播算法
若输出层的实际输出与期望的输出不符，则转入误差的 反向传播阶段。误差反传是将输出误差以某种形式通过隐层 向输入层逐层反传，并将误差分摊给各层的所有单元，从而 获得各层单元的误差信号，此误差信号即作为修正各单元权 值的依据。这种信号正向传播与误差反向传播的各层权值调 整过程，是周而复始地进行的。权值不断调整的过程，也就 是网络的学习训练过程。此过程一直进行到网络输出的误差 减少到可接受的程度，或进行到预先设定的学习次数为止。
人工神经网络，SVM等
CNN卷积神经网络
传统叶片识别采用两步：第一步，从输入的叶片图像中 计算出认为设置的特征；第二部，根据得出的特征去训练分 类器，用于测试数据分类。 这种方法好坏往往取决于人为选择的特征是否合理，而 人在选择特征时都是靠经验，具有很大的盲目性，并且这种 特征不具有迁移性。
猫的视觉系统是分级的，这种分级可以看成是逐层迭代 抽象的过程: 瞳孔接收像素，方向选择性细胞抽象出边缘， 对边缘进一步抽象得出形状，对形状进一步抽象得出是什么 物体 高级特征是低层特征的组合与抽象，越高级的特征越 能体现人类的语义信息。图 2对这种逐步抽象的分层模型进 行了展示，后来研究者提出了一个新名词来命名这种模型 即深度学习模型
CNN基本框架
CNN 是一个多层的神经网络，由多个卷积层子采样层交 替组成，而每层由多个独立神经元组成，它的基本框架如图 3所示
CNN特点
局部接受域使得神经网络可以从输入图像中提取初级视觉特征。 共享同一组权值的神经元在输入的不同位置检测同一种特征。 子采样使得卷积神经网络对输入的局部变换具有一定的不变性，降低 输入图像的分辨率。 卷积神经网络有两种方法可以降低参数数目，第一种方法叫做局部 感知野。 图像的空间联系是局部的像素 联系较为紧密，而距离较远的 像素相关性则较弱。因而，每个神经元其实没有必要对全局图像进行感 知，只需要对局部进行感知，然后在更高层将局部的信息综合起 来就得 到了全局的信图像预处理
3.叶片特征提取 4.叶片分类识别 5.识别结果
叶片图像
进行植物识别一般选取植物的局部特征，如植物的花、 叶、茎等器官。但相比起植物其他器官，叶片存活时间长， 采集方便。 由于植物叶片基本处于一个平面状态，适合进行二维 图像加工。 将植物叶片进行采摘选取样本，放置于单一颜色背景 进行拍照获取图像。
THANKS!
叶片预处理
预处理一般包括：尺寸调整、灰度化、图像分割、图像 降噪、形态学处理。有时选取颜色特征是不进行图像灰度化。 图像尺寸调整：将图像调整到统一大小便于后期处理。 图像灰度化：利于图像模块化处理，得到更好二值图像 图像分割：指把图像分成各具特性的区域并提出感兴趣 的目标。 图像去噪：分割后图像会存在少许噪声，对图像分析产 生干扰，通过滤波去除噪声。 图像锐化：增强轮廓显示效果，获取细节清晰图像。 形态学处理：二值后图像会有小孔洞和边缘毛刺。