本项目从以下3个方面展开了研究。

1)复杂背景下的植物叶片图像预处理

首先,对采集到的叶片图像进行分割、去掉叶柄、矫正等预处理,再将预处理后的每幅图像归一化为64 像素×64 像素大小的灰度图,背景为白色。在归一化时,使用一个正方形框框住叶片图像轮廓,使得正方形的高与宽都为64 像素,正方形水平方向的中心为叶片图像轮廓质心的水平坐标。将该叶片的正方形框图像截取出来,再按1∶1 的缩放比例归一化为64 像素×64 像素大小。

2)面向复杂数据维数约简的稀疏流形学习研究

在本项目中,针对植物叶片图像序列维数约简问题,一个最重要的研究内容是研究一种基于局部与全局联合保持投影的监督稀疏流形学习方法,分析和比较算法的计算复杂度和稳定性。流形学习是一类比较重要的非线性维数约简方法,能够用于植物叶片图像维数约简（见研究现状中参考文献[31-34]）。研究发现,现有的很多流形学习方法仅考虑低维流形的局部几何特性或仅依赖低维流形的全局几何特性。影响现有的流形学习方法的计算复杂度的主要因素有两个：邻近图存在冗余和全局度量矩阵与排列矩阵的广义特征值分解复杂。

稀疏表示分类（SRC）凭借其简单性、鲁棒性、较高的分类准确性以及模型可解释性等优点受到广泛关注。

3)基于并行处理的植物叶片图像分类技术研究

本项目将详细地分析图像相似性计算中存在的并行计算,以及在CUDA上如何实现并行化计算,最终实现一个图像相似性度量并行计算系统,包括系统的设计、系统的功能模块、系统架构、系统流程、系统开发环境、系统的运行环境及一些主要的操作界面等,同时分析其性能及使用GPU加速存在的瓶颈

研究中,除了针对植物叶片图像,也针对植物病害叶片研究了如何快速进行检测和分割方案。在非负稀疏表示局部邻近图和全局远离图的基础上,本项目提出基于局部与全局联合保持映射的稀疏流形学习方法,并应用于植物叶片图像、步态图像维数约简。

为了加速分类算法速度,本项目研究了基于CUDA的高效植物叶片图像并行分类算法。实现了一个具有高识别率的实时植物叶片图像分类系统。同时,本项目通过研究提出一种基于稀疏表示字典学习的植物分类方法,利用面向类别的字典学习求得超完备字典来计算待识别图像的稀疏表示,减少了算法的计算时间,满足了实时性要求,并且取得了较高的识别率。

1、在国内外重要杂志上发表SCI,EI检索论文7篇;超额完成合同约定的内容。

2、在高水平国际会议上发表SCI,EI检索论文2篇;完成合同约定的内容。

3、开发了植物叶片图像分类系统软件原型1套;完成合同约定的内容。

4、 获得发明专利1项。完成合同约定的内容。