论文总字数：29718字

摘 要

本文主要提出了一种基于Gabor小波变换的果蔬特征提取算法，使用二维PCA方法进行降维，结合压缩感知理论，运用牛顿法求解稀疏系数解对特征提取结果进行分类，并且进行交叉验证，分析识别率。实验结果表明可以取得较好的识别效果。本文主要做了以下几点工作：

（1）着重讨论Gabor小波变换以及不同Gabor内核窗大小对识别率的影响。实验证明，使用Gabor小波变换提取特征具有较好的空间域、频率域局部性，以及多方向选择性。

（2）本文在主成分分析PCA降维的理论基础上，采用了2D-PCA对Gabor特征值进行降维。实验证明，使用2D-PCA降维较PCA方法大大提高了运算效率。

（3）结合压缩感知理论基础，对测试图像进行稀疏表示，并且比较不同系数求解方法的识别效果。实验证明，使用牛顿法求得的系数解最能逼近原图像，识别效果最好，但同时运算复杂度也最高。

（4）比较Gabor 2D-PCA与下采样 2D-PCA方法，结果显示，使用Gabor方法提取特征的识别效果可达到94%-95%的识别率，远远高于后者。

本文通过对具体算法讨论以及实验结果分析得出结论：使用Gabor 2D-PCA方法提取特征并降维，结合牛顿法求解稀疏系数进行分类可以得到一个很好的果蔬识别率。

关键词：果蔬识别；Gabor变换；稀疏表示；2D-PCA；压缩感知

Fruit and vegetable image recognition method based on compressed sensing technology

Abstract

This paper presents a feature extraction of fruits and vegetables algorithm based on Gabor wavelet transform, using two-dimensional PCA method for dimensionality reduction, combined with compressed sensing theory, using Newton"s method to solve sparse coefficients for the classification of feature extraction results and underdo the cross-validation, and analysis recognition rate. Experimental results show that can get better recognition results. This paper mainly does the following tasks:

（1）First, I should focus on Gabor wavelet transform as well as the different Gabor kernel window size on the influence of the recognition rate. Experimental results prove that using Gabor wavelet transform to extract feature has better spatial domain, frequency domain locality, and multi-directional selectivity.

（2）This paper uses the 2D-PCA for Gabor eigenvalues ​​dimensionality reduction based on the principal component analysis PCA dimension reduction. Experimental results show that the use of 2D-PCA dimensionality reduction compared with PCA method greatly improves the operation efficiency.

（3）Combining compressed sensing theoretical basis, do the sparse representation for the test image, and compare the effect of different solving identification methods of coefficients.

Experimental results show that the use of Newton"s method to obtain the solution that best approximate coefficients of the original image, to identify the best, but also the highest computational complexity.

（4）Comparing Gabor 2 D-PCA and down sampling 2 D-PCA method showed that use of Gabor feature extraction method to identify can get 94% -95% recognition rate, much higher than the latter.

Based on the discussion of specific algorithms and results analysis concluded: Using Gabor 2 D-PCA feature extraction and dimensionality reduction method, combined with Newton"s method for solving sparse coefficient to classify fruits and vegetables can get a good recognition rate.

Key words: Fruit and vegetable recognition；Gabor transform；sparse representation；2D-PCA；compressed sensing

目录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 本文主要工作及论文结构安排 1

第二章 果蔬图像库的建立和预处理 3

2.1 图像的采集 3

2.2 图像的预处理 4

2.2.1 图像去噪 4

2.2.2 背景分割 5

2.3 本章小结 5

第三章 果蔬图像的特征提取 6

3.1 Gabor小波特征提取 6

3.1.1 Gabor小波的应用优势 6

3.1.2 Gabor小波交换原理 7

3.1.3 Gabor滤波器组的参数意义 8

3.2 2D-PCA方法 8

3.2.1 二维主成分分析 8

3.2.2 2DPCA的增强 10

3.3 本章小结 13

第四章 基于稀疏表示的果蔬识别 14

4.1 压缩感知理论框架 14

4.1.1 压缩感知基本概念 14

4.1.2 信号的稀疏表示 15

4.1.3 信号的观测矩阵 15

4.1.4 信号的重构算法 16

4.2 稀疏解求解方法 16

4.2.1 梯度投影法(GPSR)^[1] 16

4.2.2 截断牛顿内点法（TNIPM） 18

4.3 本章小结 19

第五章 实验结果分析与总结 20

5.1 实验环境 20

5.2 实验结果与分析 21

5.2.1 不同训练样本数及特征维数比较 21

5.2.2 Gabor内核窗大小对实验结果的影响 22

5.2.3 不同特征提取及降维方法的比较 23

5.2.4 不同的稀疏解求解方法对实验结果的影响 26

5.3本章小结 27

第六章 总结 28

致谢 29

参考文献 30

第一章 绪论

1.1 研究背景及意义

数字图像处理技术，近年来发展迅猛，所适用的领域越来越广。在视觉上，我们人眼只能辨别可见光部分，而其他的波谱信息，我们是辨别不了的。数字图像处理技术数字成像后，将这些信息转变为看得见的图形或者图像。数字图像处理技术当今社会用于许多领域。比如特定的航空领域的遥感等图像，比如自然灾害预报，比如地质勘查等领域，都因为数字图像处理技术而变得更加厉害。

不像文字，图像信息的数据量非常的大，如果直接用来存储和传输，各个方面都会有会有特别大的负荷。我们在通信原理中，学习的“调制”就是针对这种问题使得存储和传输更容易，这样不至于对存储器的容量带来太大的压力，也不用无限制的拓展传输带宽。那么另一种方法就是“压缩”，这也是很有效的手段，所以现在也越发流行起来。

剩余内容已隐藏，请支付后下载全文，论文总字数：29718字