[发明专利]一种基于多尺度特征融合和极限学习机的种子识别方法

摘要

本发明涉及一种基于多尺度特征融合和极限学习机的种子识别方法，通过对样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行融合提取，利用ELM极限学习机进行特征训练，得出集成分类模型，对待测试的种子图像采用滑动窗口机制，对其进行多尺度的融合特征提取，并将结果输入到该模型中，并通过对分类结果进行加权投票表决，进而得出待测试种子图像的分类信息。本发明所提出的一种基于多尺度特征融合和极限学习机的种子识别方法，简单灵活，设备要求简单，并且具有较强的实用性。

主权项

1.一种基于多尺度特征融合和极限学习机的种子识别方法，其特征在于，按照如下步骤实现：步骤S1：对图像数据集中样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行多尺度融合特征提取，获取样本种子图像的多尺度融合特征信息；步骤S2：采用ELM(Extreme Learning Machine)极限学习机的交叉验证训练对样本种子图像的多尺度融合特征信息进行特征训练，建立集成分类模型；步骤S3：在多尺度下通过采用滑动窗口机制对待测试种子图像进行分类检测识别，将待测试种子图像进行块状分割，分割为大小一致的窗口，并采用所述步骤S1的方式提取所有划分窗口内待测试种子图像的多尺度融合特征信息，将所提取待测试种子图像的多尺度融合特征信息通过集成分类模型进行基于极限学习机的集成分类判断，并通过投票表决的方式，得到待测试种子图像的分类检测结果；在所述步骤S3中，按照以下步骤实现：S31：将待测试种子图像进行无损压缩，记待测试种子图像的原图像为F(o,p)，大小为M×N，缩小后的图像为G(o',p')，大小为k1M×k2N；S32：采用滑动窗口机制对待测试种子图像进行分类检测识别，选取窗口像素、滑动块大小、单元大小以及滑动步长；在同一大小的窗口下，对待测试种子图像进行分层缩放，采用步骤S1中的方式，对每层缩放后、滑动窗口中待测试种子图像的多尺度融合特征信息进行提取；将所提取的待测试种子图像的多尺度融合特征信息输入集成分类模型，采用均等权重投票表决的方式进行投票表决，且在该投票过程中，集成分类模型中每一个分类器的投票权重均相同，并且各个分类器之间相互独立；S33：采用基于模糊聚类的局部窗口融合方法，对多尺度条件下待测试种子图像进行滑动窗口分类检测识别过程中产生的多区域窗口混叠进行局部融合，获取待测试种子图像的分类检测结果；在所述步骤S33中，所述基于模糊聚类的局部窗口融合方法通过如下步骤实现：S331：记U＝{x₁,x₂,···,x_n}，表示的是待分类检测窗口集合，其中，待分类检测窗口x_i通过窗口质心坐标x_ix以及窗口质心坐标x_iy进行描述，x_ix＝x_it+w_i，x_iy＝y_it+h_i，且待分类检测窗口x_i＝{x_it,y_it,w_i,h_i}，{x_it,y_it}表示滑动窗口的左上角坐标，w_i表示滑动窗口的宽，h_i表示滑动窗口的高；采用最大法归一化对用以表征所述待分类检测窗口集合的模糊矩阵进行归一化：M_J＝max(x_1J,x_2J,...,x_nJ)，将模糊矩阵压缩到[0,1]区间上，其中，x_IJ为所述模糊矩阵中第I行，第J列的元素，x_IJ'为经最大法归一化后的模糊矩阵中第I行，第J列的元素，1≤I≤n，1≤J≤2；S332：通过计算模糊相似矩阵R＝(rij)n×n中的元素rij，确定待分类检测窗口集合U的模糊相似矩阵R＝(rij)n×n；且采用如下方式计算元素rij：元素rij表示待分类检测窗口xi和待分类检测窗口xj的相似度，也即待分类检测窗口xi和待分类检测窗口xj的相似度系数，p为惩罚因子，且p为一常数，用于调节待分类窗口之间质心距离以及重叠域；相似度函数overlap(xi,xj)＝area(xi∩xj)表示窗口重叠域，且该相似度函数overlap(xi,xj)通过以下方式确定：为窗口重叠密度，即窗口重叠域与质心距离的比值；S333：根据模糊相似矩阵R＝(rij)n×n，求解模糊相似矩阵R＝(rij)n×n的传递闭包t(R)，并通过有限次平方自相合运算，得到模糊相似矩阵R＝(rij)n×n的模糊等价矩阵R*；S334：通过预设最优值λ，获取待分类检测窗口集合U关于预设最优值λ截等价矩阵的商集进而获取所有待分类检测窗口的聚类结果；通过每个待分类检测窗口对应的聚类结果，获取每个聚类结果所对应的窗口集合；S335：计算每个聚类结果所对应的窗口集合的质心；采用高斯密度分布，通过加权平均获取窗口集合中各个窗口的宽度和高度，且距离窗口集合质心越近的窗口，该窗口的权重越大；进而得出每个聚类结果对应的窗口集合经局部融合后的窗口位置。