基于支持向量机的叶片图像分割
来源:用户上传
作者:吴张倩 汪庆
摘 要：针对自然环境下的叶片图像分割，提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本，然后根据样本数据建立支持向量机分类决策模型，最后根据预测模型对整个图像像素点进行分类，将叶片图像从背景中分割出来。实验结果表明，该方法能够对含有反光区域的叶片实现准确分割，相比基于聚类的叶片分割算法分割精度更好，算法耗费时间更短。
关键词：叶片分割;支持向量机;自然环境;反光区域
中图分类号：TP391.41 文献标识码：A
Leaf Image Segmentation based on Support Vector Machine
WU Zhangqian， WANG Qing
Abstract： For leaf image segmentation in natural environment， this paper proposes a leaf image segmentation algorithm based on support vector machine. Firstly， a small number of image pixels are marked as leaf foreground samples and leaf background samples. Then， a classification decision model of support vector machine is established according to the sample data. Finally， the entire image pixels are classified according to the prediction model， and the leaf image is segmented from the background. Experimental results show that the proposed method can accurately segment the leaves with reflective areas. Compared with the clustering-based leaf segmentation algorithm， it has better accuracy in segmentation and takes less time.
Keywords： leaf segmentation; support vector machine; natural environment; reflective area
1 引言（Introduction）
~片是植物展现的重要外部特征，叶片识别对植物资源普查具有重要意义。准确地分割出叶片区域，分析叶片包含的特征信息是一种最直观可行的识别植物种类的方法。自然环境中的叶片图像易于获取，但图像背景较为复杂，难以准确分割。因此，自然环境中的叶片分割算法一直是近年来该领域研究的重难点问题。李余康等[1]使用迁移模型ResNet101结合DeepLab v3+语义分割模型实现自然光照环境中的葡萄叶片图像的分割;乔虹等[2]使用Mask R-CNN实现了自然环境中不同品种葡萄叶片图像的分割;赵艳杰等[3]使用引入双通道注意力机制的U?Net网络实现对数据集中叶片图像的分割;郑艳梅等[4]使用BiseNet卷积神经网络结合引导滤波完成了苹果叶片图像的自动分割。
本文针对自然环境中的植物叶片图像特点，提出了一种基于支持向量机的叶片图像分割方法。该方法利用支持向量机易于计算小样本、高维数据的特点，针对自然界中含有反光区域的叶片图像，通过对获取的少量样本建立模型，对前景图像和背景图像进行分类预测，从而实现叶片图像的分割。
2 支持向量机与LIBSVM工具箱（Support vector machines and LIBSVM toolbox）
支持向量机是一种基于有监督学习的优化算法，在解决小样本、非线性、高维模式等问题上有很好的效果。该模型基于结构风险最小化原理，通过构造一个N 维超平面作为决策曲面，使得正负样本之间的分类间隔被最大化，通过对正负样本集训练分类模型，再将测试数据进行分类，从而达到对图像进行分割的目的。
近年来，支持向量机算法在许多领域得到了成功的应用，如种子图像分类[5]、去雾模型训练[6]、人脸识别[7]等，现已成为机器学习和数据挖掘领域的重要工具。支持向量机算法的决策函数公式为：
（1）
其中，是样本总数，是Lagrange算子，是核函数。
LIBSVM[8]是MAYANK等人开发的一个调试使用支持向量机的软件包。该软件包对支持向量机的参数调节相对比较少，提供了很多默认参数，利用该软件包可以较快速地进行支持向量机相关的实验，利用函数自带的参数可以对很多问题进行快速调试。LIBSVM模型训练函数为：
（2）
式（2）中，模型训练函数前两个参数分别代表训练标签和训练特征，第三个参数用于设置核函数参数。核函数类型参数为“-t”，“0”代表线性核函数，“1”代表多项式核函数，“2”代表径向基核函数，“3”代表Sigmoid核函数。核函数设置默认类型为“-t 2”，即径向基核函数;针对多项式核函数，其degree默认设置为“3”，本文使用“-t 1 -d 1”实现。
LIBSVM分类预测函数为：
（3）
式（3）中，模型预测函数返回的是训练集预测后得到的标签向量，前两个参数分别代表训练样本的标签和训练样本的特征，第三个参数为已训练得到的模型。
nlc202206161157
转载注明来源:https://www.xzbu.com/1/view-15433774.htm
