基于CENTRIST的植物叶片识别研究与实现

针对传统植物识别方法工作任务量大,效率低下,难以保证数据客观性的问题,将CENTRIST视觉特征描述符应用于植物叶片的自动识别,设计出一个基于植物叶片图像的在线自动识别系统,对叶片图像进行预处理并提取其CEN-TRIST特征,使用最近邻分类器进行分类,计算并查询网络数据库中与之最匹配的图像,能够快速识别常见的32种植物叶片,平均正确识别率达到了90%以上。系统的后台使用PHP语言实现,所有叶片图像的信息存储于网络服务器的MySQL数据库中。实验结果表明,该系统对叶片识别具有非常好的效果,而且易于实现,也方便数据扩充和用户使用。     

基于叶片形态特征的葡萄品种自动识别

葡萄在全世界种植范围较广,葡萄品种识别对葡萄资源统计、新品种鉴定及遗传资源保护都有重要意义。以成熟叶片为基本材料,不变矩、面积、周长、主叶脉长度和叶柄长度等11维特征向量为基础数据,采用叶片特征选择、图像处理、特征值提取、建立分类模型等方法,运用国际葡萄与葡萄酒组织形态分类方法和改进的欧式距离等技术开发一个基于葡萄叶片数字图像的葡萄品种自动识别软件。共测试17种酿酒和3种野生葡萄,识别率达87%。该方法具有自动化、识别速度快、花费低、省时省力等特点,可应用于葡萄病虫害的识别、杂交新品种双亲的判定等。     

一种改进的AEI算法中初始匹配码字的快速查找方法

矢量量化（VQ）是一种高效的有损压缩技术。快速码字搜索算法是矢量量化的核心问题之一,其性能决定了编码时间。快速码字搜索算法中,绝对误差不等式删除算法(AEI)是一种典型的3步算法,其第1步查找输入矢量的初始匹配码字的方法采用了Minimax法,是整个AEI算法中计算量最大的步骤,严重影响了算法的效率。针对这个问题,提出了一种新的查找初始匹配码字的方法——Partial Minimax法。该方法在保证所找到的初始匹配码字与原始AEI算法相同并且重建图像的PSNR（峰值信噪比）值不变的前提下,可显著减小这一步骤的计算量和查找时间,从而有效地提高了算法的总体编码速度。     

基于聚类和关联算法的学生成绩挖掘与分析

针对某高校信息工程学院学生的学习状况和培养方案的改进需求,以2008-2014级信息工程学院本科生课程成绩为研究对象,提出一种基于改进K-means和引入兴趣度的Apriori的学生课程成绩分析方法。采用改进的K-means算法对成绩信息进行离散化处理,采用引入兴趣度的Apriori算法进行挖掘并根据得到的课程之间的关联规则绘制课程关系网络图,对课程间的关联关系、衔接关系以及课程的重要程度进行分析。应用所述方法进行挖掘能够减少大量没有意义的规则,提高了挖掘结果的准确性,挖掘所得到的结果不仅能够为教学方案的设计和改进提供一定的参考信息,还有助于提高学校的教学质量和学生的学习质量。     

基于IALM和填充可信度的协同过滤算法及其并行化研究*

为解决传统协同过滤推荐中存在的数据稀疏性和可扩展性问题,基于IALM和填充可信度提出了并行化的协同过滤算法。该算法利用非精确增广拉格朗日乘子法（IALM）对评分矩阵和评分时间矩阵进行填充;引入填充可信度,并与指数遗忘函数结合,对填充评分进行加权修正,在此基础上应用协同过滤算法进行预测评分;最后基于Hadoop平台对算法进行了并行化设计与实现。实验结果表明,该算法能够提高推荐质量,同时基于Hadoop平台的算法运算效率明显提高。     

快速码字搜索算法中一维特征量的最佳选择方法

矢量量化编码过程中的最近邻码字搜索需要进行大量的矢量间距离的计算,这个过程的计算复杂度极高,严重限制了其实际使用.为了加速矢量量化的编码过程,许多文献提出了各种不同组合的基于均值、2-范数、方差和角度的矢量一维特征量的快速最近邻矢量量化码字搜索算法.通过实验给出了这四个一维特征量单独使用以及相互组合的所有情况下各算法的搜索范围和编码时间,并对它们进行了比较和分析,进而提出了在实际进行编码时如何最优地进行一维特征量选取的准则.     

多线索植物种类识别

大多数关于自动植物识别的现有研究，集中于识别植物的单一器官，例如，花、叶或果实。使用单个器官的植物识别不够可靠，因为许多不同的植物却有着极其相似的器官。对于野外直接采集的图片，通常都有着复杂的背景，这也是目前的植物图像识别准确率不高的又一个原因。为了克服图像识别中的这两个难题，提出一种基于迁移学习的多线索植物识别方法，采用深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）通过迁移学习，训练花、果、叶和整株的单器官分类器，根据各个分类器预测的标签和得分进行多器官融合识别。在PlantCLEF2017数据集上证明了模型有效性，并且植物识别性能得到了极大的提升。     

WSN中基于压缩感知的数据收集方案

提出一种基于压缩感知的数据收集方案.依据感知数据的空间相关性分析,计算出事件发生的区域范围.基于剩余能量的成簇算法对区域范围内的节点进行分簇.各个节点将感知到的原始数据,基于压缩感知理论,进行数据的稀疏表示并采用随机高斯矩阵进行观测,将其观测值发送和存储在簇头节点上,当有移动收集者进入簇头的通信范围后,进行数据收集.理论分析和仿真实验结果表明,该方案能有效延长网络生命周期.     

基于修正PCNN的多传感器图像融合方法

多传感器图像融合技术作为信息融合的重要分支和研究热点,已广泛应用在机器视觉、医疗诊断、军事遥感等领域。为了更好地进行多传感器图像融合,将在图像分割、目标识别等领域具有独特优势的脉冲耦合神经网络(pulse coupled neural network,PCNN)引入到多传感器图像融合领域中来,提出了一种基于修正PCNN的多源图像融合方法,该方法在区域分割的基础上,先提取区域特征,然后由特征指导融合过程;同时,从目标区域相对于背景的显著性出发,提出了一种反映目标区域突出性的新特征,并针对传统PCNN参数无法自动设定的难题,提出了基于修正PCNN的参数自动设定方案。实验结果表明,该方法无论在主观视觉效果,还是客观评价参数上均优于基于多分辨分析的融合算法,且克服了传统像素级融合方法中融合图像模糊、对噪声敏感等不足,尤其适用于图像不能严格配准的应用场合。这对于拓宽PCNN的理论研究和实际应用具有一定价值。     

基于密度缩放因子的ISOMAP算法

等度量映射(ISOMAP)算法是一种被广泛应用的非线性无监督降维算法,通过保持各个观测样本间的测地距离进行等距嵌入,从而实现高维空间向低维空间的坐标转换。但在实际应用中,观测数据无可避免地会存在噪声,由于测地距离的计算对噪声比较敏感,并且也没有考虑数据集的密度分布,导致ISOMAP算法降维后低维坐标表示存在几何变形。针对这一缺点,根据局部密度的思想,提出一种基于密度缩放因子的ISOMAP(Density Scaling Factor Based ISOMAP,D-ISOMAP)算法。在传统的ISOMAP算法框架下,首先,针对每个观测样本计算一个局部密度缩放因子;然后,在测地距离的计算过程中,将直接相邻的两个样本之间的测地距离除以这两个样本密度缩放因子的乘积;最后,通过最短路径算法求得改进后的距离矩阵,并对其进行降维处理。改进的测地距离在密度较大的区域被缩小,而在密度较小的区域被放大,这样可以减小噪声对降维效果的影响,提升可视化和聚类效果。人工数据集和UCI数据集上的实验结果表明,在数据集的可视化和聚类效果方面, D-ISOMAP算法较经典的无监督降维算法具有一定的优势。