基于OpenCv的花的圖像分類訓(xùn)練樣式輸入 伽馬/色彩歸一化 梯度計(jì)算梯度直方圖的權(quán)重投影對比度歸一化HOG特征輸出Svm訓(xùn)練保存分類器.xml圖4訓(xùn)練場景分類器5實(shí)驗(yàn)與結(jié)果5.1圖像預(yù)處理本發(fā)明的目的是對不同品種的觀賞花的花的圖像進(jìn)行分類，首先，對圖像進(jìn)行預(yù)處理，菊花圖像為separa。從背景來看，由于觀察菊花圖像采集系統(tǒng)獲得的菊花圖像具有背景簡單的特點(diǎn)，所以本文提出了一種復(fù)雜的分割算法I。避免了用大規(guī)模插值的簡單方法實(shí)現(xiàn)菊花的圖像分割，分割過程如圖5所示。圖5背景分割過程5.2圖像特征提取5.2.1顏色特征圖像最基本的基本特征是顏色特征。圖像的顏色與圖像的形狀和方向無關(guān)，更適合于圖像識別。菊花本文收集的GE是在RGB顏色空間中，這種RGB顏色空間不直觀，很難從RGB值來判斷這個(gè)值所代表的顏色。5.2.2形狀特征菊花花瓣的形狀是鑒定菊花品種的關(guān)鍵。如從圖5可以看出，菊花品種的花瓣形狀和花瓣分布也顯示出非常不同的差異。本文采用圓周凹度和凸性)和面積凹度和凸性來描述菊花的形狀特征。凸包(ConvexHull)是圖形學(xué)中的概念，表示的是圖像外的一個(gè)最小凸多邊形，在這個(gè)目標(biāo)區(qū)域內(nèi)的所有點(diǎn)都在這個(gè)最小凸多邊形上或在最小凸多邊形的內(nèi)部。菊花花朵輪廓凸包的構(gòu)建步驟如下:（1）選擇花朵輪廓線上最右邊的點(diǎn)作為開始的點(diǎn)。（2）逆時(shí)針方向在輪廓上選擇下個(gè)點(diǎn)，使得輪廓上所有的點(diǎn)都在它和上個(gè)點(diǎn)連線的左邊。（3）重復(fù)步驟（2），一直到回到一開始選擇的點(diǎn)為止。（4）用直線把所有選擇的點(diǎn)連接起來，就可以得到菊花花朵輪廓的凸包。根據(jù)以上方法，在圖6中示出了所獲得的菊花輪廓圖像的凸包?？梢钥闯?，花輪廓及其凸殼的形狀是不同的。由于菊花品種不同，凸殼的形狀也不同。圖6凸包提取5.2.3紋理特征每個(gè)對象的表面具有其獨(dú)特的紋理，紋理特征是圖像的一個(gè)重要特征，它是識別菊花品種和紋理特征的重要依據(jù)。具有相同產(chǎn)品的菊花的E通常是相同的。本文利用灰度共生矩陣對菊花的紋理特征進(jìn)行了描述。灰度共生矩陣是Haradick提出的一個(gè)概念，用來描述圖像紋理中灰度的空間關(guān)系?；叶裙采仃噄對圖像中兩個(gè)像素灰度的聯(lián)合分布進(jìn)行統(tǒng)計(jì)，并根據(jù)像素間的角度、方向和距離構(gòu)造三維矩陣。在圖像中。為了減少背景像素的干擾，本課題的研究對象是提取菊花的外部最小長方形，然后再進(jìn)行Const。構(gòu)建灰度共生矩陣。

6結(jié)語本課題從OpenCV開源計(jì)算機(jī)視覺庫入手，首先介紹了圖像分類的相關(guān)背景情況，研究表明現(xiàn)階段主要的圖像分類多為基于圖像內(nèi)容分類，利用圖像本身的像素特性，并使用計(jì)算機(jī)等設(shè)備進(jìn)行自動分類識別。闡明了該課題研究的必要性。其次介紹了Adaboosts算法的相關(guān)技術(shù)，主要為基于花的特征的方法、基于統(tǒng)計(jì)的方法、基于神經(jīng)網(wǎng)絡(luò)的方法以及Adaboost方法；介紹了場景分類的相關(guān)技術(shù)，主要分為基于圖像低層次特征和基于中間語義特征，但最終都會采用機(jī)器學(xué)習(xí)的算法進(jìn)行監(jiān)督式學(xué)習(xí)算法的訓(xùn)練。在我們的實(shí)驗(yàn)中關(guān)于花的識別采用的是基于Adaboost算法的；在花卉分類部分，主要利用SVM分類器提取圖像的HOG特征進(jìn)行訓(xùn)練和預(yù)測。最后，對菊花進(jìn)行了圖像分類。研究了菊花的實(shí)驗(yàn)，實(shí)現(xiàn)了基于OpenCV的花卉圖像分類。

參考文獻(xiàn)[1]劉子源,蔣承志.基于OpenCV和Haar特征分類器的圖像人數(shù)檢測[J].遼寧科技大學(xué)學(xué)報(bào),2011,34(4):384-388.[2]朱美美.基于OpenCV的圖像分類實(shí)現(xiàn)與應(yīng)用[D].[3]賈寧,高楠,力貴才,etal.基于OpenCV的圖像分類軟件的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)科學(xué),2014,41(Z11):150-153.[4]羅伊杭,羅詩光,潘與維,etal.一種基于TuriCreate和OpenCV的實(shí)時(shí)圖像識別系統(tǒng)設(shè)計(jì)[J].電子測試,2018,No.391(10):14-16.[5]胡雪會,王波濤.基于OpenCV的車牌圖像定位[J].計(jì)算機(jī)測量與控制,2016,24(9).[6]湯哲君.基于OPENCV的手勢識別的實(shí)現(xiàn)與應(yīng)用[J].科技資訊,2014(9):48-48.[7]王蓉,侯鵬鵬,曾昭龍.基于OpenCV的人臉檢測與跟蹤方法實(shí)現(xiàn)[J].科學(xué)技術(shù)與工程,2014,14(24):115-118.[8]黃佳.基于OPENCV的計(jì)算機(jī)視覺技術(shù)研究[D].華東理工大學(xué),2013.[9]閆靖波.基于OPENCV的圖像分割與目標(biāo)跟蹤算法的設(shè)計(jì)與實(shí)現(xiàn)[D].東北大學(xué),2011.[10]李斌,王紫石,汪衛(wèi),etal.AdaBoost算法的一種改進(jìn)方法[J].小型微型計(jì)算機(jī)系統(tǒng),2004,25(5):869-871.[11]鄭峰,楊新.基于Adaboost算法的人臉檢測[J].計(jì)算機(jī)仿真,2005,22(9):167-169.[12]郭烈,王榮本,張明恒,etal.基于Adaboost算法的行人檢測方法[J].計(jì)算機(jī)工程,2008,34(3).[13]朱誼強(qiáng),張洪才,程詠梅,etal.基于Adaboost算法的實(shí)時(shí)行人檢測系統(tǒng)[J].計(jì)算機(jī)測量與控制,2006,14(11).[14]劉歡喜,劉允才.一種基于Adaboost算法的人臉