基于SVM和D-S证据理论的多特征融合杂草识别方法.docx

基于SVM和D-S证据理论的多特征融合杂草识别方法
引言
在农业生产中，杂草是一种很大的问题，常常通过防治来控制它们的影响。然而，传统的杂草识别方法通常基于人工的形态特征或者颜色特征，这些方法在实际使用中存在识别率低、容易受环境干扰等问题。因此，如何有效地识别杂草成为了研究热点之一。
SVM分类器作为一种优秀的分类方法，广泛应用于图像识别、文字识别等领域。而D-S证据理论作为一种经典的不确定性理论，可以有效地处理分类过程中的不确定性问题。本文将通过结合SVM和D-S证据理论来提出一种多特征融合的杂草识别方法，使得杂草的识别率得到提高。
一、相关工作
杂草识别的研究方法通常有以下几类：基于形态特征、基于颜色特征、基于纹理特征和基于深度学习等。其中基于形态特征和颜色特征的方法由于易于获取并具有识别效果，因此得到了较为广泛的应用。但这些方法都存在着容易受环境干扰和识别率低等问题。该论文所提出的方法采用多特征融合的方式对杂草进行识别，同时结合D-S证据理论的思想，有效处理了分类过程中的不确定性问题，提高了杂草识别的准确率。
二、多特征融合方法
本文的多特征融合方法采用了颜色特征、形态特征和纹理特征三种不同的特征提取方法，将它们融合在一起用于杂草识别。
1.颜色特征提取
颜色特征提取之前需要将图像转化为HSV颜色空间，因为HSV颜色空间具有抗光照强度变化，不受光照影响的特点。本方法采用颜色直方图来提取杂草的颜色特征，对于每一个图像，将其分成不同的颜色空间，然后统计每个颜色空间的像素数，并产生直方图。在得到所有图像的颜色直方图后，将它们进行均一化处理。最后使用PCA算法对颜色特征进行降维。
2.形态特征提取
形态学特征提取的过程中使用杂草图像的边缘信息，通过边缘检测将二值化的图像处理出边缘，然后使用形态学算子提取形态特征。本文采用了周长、面积、伸张度、分形维数等不同的特征提取方式，最后对形态特征进行了标准化处理。
3.纹理特征提取
纹理特征在多种视觉识别任务中都发挥着重要的作用。在本文中，提取杂草图像的纹理特征采用了局部二值模式（LBP）。LBP算法首先把图像分为若干个圆形区域，在每个区域内用局部的灰度值分别与它周围像素的灰度值进行比较，得到二进制编码。然后，将所得到的二进制串合并起来，得到杂草图像的LBP特征。最后，将得到的LBP特征用PCA方法降维，以达到特征选取的效果。
三、D-S证据理论及其应用
D-S证据理论是一种处理不确定性和不完备性问题的经典理论，该理论通过组合各种证据以推断结论，并用不确定度来描述结论的可信度。在杂草识别中，杂草的识别结果不总是100％确定的，因此D-S证据理论可以很好地处理这种不确定性问题。
针对上一步提取出的颜色特征、形态特征和纹理特征，对于每个特征提取方法所提取出的特征集合，使用SVM进行分别训练，然后通过D-S证据理论对样本进行融合推理。D-S证据理论的证据组合过程为：
1.定义单一证据
将颜色特征、形态特征和纹理特征分别视为三个不同的证据，定义单一证据为D1、D2、D3。
2.按权重组合证据
将每个证据系数视为证据权重，并将权重赋予每个证据，然后将这些系数带入D-S证据理论，得到最终权重。
3.基于证据权重计算信任度
将证据权重与对应样本打分的概率分布结合起来，基于D-S证据理论计算最终权值。最后，将最终权值在杂草识别中进行分类。
四、实验分析
为了评估本文提出的杂草识别方法的准确性，本文使用了多组数据集进行实验。其中训练数据集有120类，每类有200张图像，测试数据集有50张图像，通过对比不同特征向量组合的方法，可以看出综合特征向量提取方法的效果优于传统特征向量提取方法，并且经过D-S证据理论处理后的杂草识别准确率得到了大幅提升。
五、结论
本文提出了一种新的杂草识别方法，该方法将颜色特征、形态特征和纹理特征进行综合提取，结合了D-S证据理论，能够处理分类过程中不确定性问题，提高了杂草识别的准确率。实验结果表明，本方法的综合特征向量提取方法可以有效提高识别准确率。这种杂草识别方法在实际应用中，可以用于农田监控和杂草的精准防治，具有一定的实际应用价值。