本文主要是介绍【疾病分类】基于matlab LBP果实病害检测分类【含Matlab源码 1714期】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、LBP简介
1 基本LBP算子
基本LBP算子其定义为在3×3像素块中,以其中心像素点的灰度值作为阈值,与周围8个相邻的像素点的灰度值进行比较,若周围某一像素点的值大于等于阈值,则该像素点记为“1”,否则记为“0”。通过对邻域内的8个像素点作比较可产生一个8位二进制数,将其转为十进制数即为该3×3像素块中心像素点的LBP值(共256种),如图1所示。
图1 原始LBP值的定义
为了改善LBP尺度大小的局限性以适应不同尺度和频率的纹理特征,Ojala等[7]将LBP算子从3×3邻域扩展到不同半径大小的圆形邻域。则有:
式中,R表示圆形邻域的半径,P表示中心像素点邻域内采样点个数,gi表示邻域内第i个像素点的灰度值,gc表示中心像素点的灰度值。若圆形LBP的邻域点不在像素中心位置,则通过双线性插值确定其值。
2 缺陷图像的SVM分类
2.1 SVM模型
SVM最早由Vapnik等提出[10],属于机器学习中的监督学习,是一种对数据进行二元分类的广义线性分类器,其对小样本分类和多类分类有着良好的分类效果。其决策边界是对学习样本求解的最大边距超平面。
SVM方法是从两类模式识别时,线性可分情况下的最优分类面提出的。设大小为n、且每个训练样本向量维数为N的两类训练样本集{(xi,yi)},i=1,2,⋯,n,xi∈RN,yi∈{+1,−1}为模式标号,将建立线性SVM的问题转化为求解二次凸规划问题,即:
式中,ω为权值向量,b为类阈值;C为惩罚因子,表示存在不能被超平面正确分类的样本;ξi为松弛因子,表示存在分类间隔和错误率之间的折中。
Vapnik等[11]给出最优超平面的决策分类函数为:
式中,sgn为符号函数,λi称为Lagrange乘子,xi为支持向量。
对于非线性问题,通过引入非线性映射函数Φ(xi)将样本数据映射到高维空间,然后在这个特征空间中利用结构风险最小化原则构造最优分类超平面。为了避免产生维数灾难,故引入核函数:
选择适当的核函数K(xi,yj)实现某一非线性变换后的线性分类,此时,相应的分类函数为:
式中,xi为样本数据中的支持向量,λi称为Lagrange乘子。这就是SVM,由分类函数f(x)的正负即可判定x所属类别。
对于多分类问题,可将SVM二分类进行扩展为多分类。常用的方法有,一是通过一次构造包含多个最优超平面的模型实现对样本的多分类,看似简单,但其计算复杂,实现起来较为困难;二是组合多个二分类SVM实现多分类,本文采用第二种方法。
2.2 SVM分类结果
缺陷识别分类的步骤如下:
(1) 样本数据集的准备。
(2) 核函数和相关参数选取。目前常用的核函数形式主要有线性(linear)核函数、Sigmoid核函数、多项式(polyn-omial)核函数和径向基型(radial basis function)核函数等。径向基核函数非线性能力强,也是目前应用最广泛的核函数,本文选径向基核函数作为分类器核函数。通过调整惩罚因子C和径向基核函数的核函数参数γ来达到最佳分类率;
(3) 缺陷的识别分类。
⛄二、部分源代码
clc;
clear all;
close all;
warning off all;
%% Read input image
[f,p] = uigetfile(‘.jpg;.bmp’);
I = imread([p f]);
I = imresize(I,[256 256]);
%% rgb to lab color space conversion
im = I;
R = im(:,:,1);
G = im(:,:,2);
B = im(:,:,3);
figure(‘name’,‘Input Image result’);
subplot(221);imshow(I,[]);title(‘Input Image’);
subplot(222);imshow(R,[]);title(‘Red band Image’);
subplot(223);imshow(G,[]);title(‘Green band Image’);
subplot(224);imshow(B,[]);title(‘Blue Image’);
[L, a, b] = RGB2Lab(R, G, B);
figure(‘name’,‘RGB to LAB color space result’);
subplot(131);imshow(L,[]);title(‘L color space result’);
subplot(132);imshow(a,[]);title(‘a color space result’);
subplot(133);imshow(b,[]);title(‘b color space result’);
labb = cat(3,L,a,b);
cform = makecform(‘srgb2lab’);
lab = applycform(I,cform);
figure(‘name’,‘Input Image & Lab Color space Result’);
subplot(121);imshow(I,[]);title(‘Input RGB image’);
subplot(122);imshow(lab);title(‘Lab color space result’);
ll = lab(:,:,1);
aa = lab(:,:,2);
bb = lab(:,:,3);
%% K-Means segmentation
cl = 4;
[ABC,c] = k_means(ll,cl);
[d,e]=size©;
for i=1:d
for j=1:e
if c(i,j)==3
new(i,j)=0;
else
new(i,j)=c(i,j);
end
end
end
function [mu,mask]=k_means(ima,k)
%% check image
%cluster center initialization
ima=double(ima);
copy=ima; % make a copy
ima=ima(😃; % vectorize ima
mi=min(ima); % deal with negative
ima=ima-mi+1; % and zero values
s=length(ima);
%% create image histogram
m=max(ima)+1;
h=zeros(1,m);
hc=zeros(1,m);
for i=1:s
if(ima(i)>0) h(ima(i))=h(ima(i))+1;
end;
end
ind=find(h);
hl=length(ind);
%% initiate centroids
mu=(1:k)*m/(k+1);
fprintf(‘Initiated centroid value = %f\n’,mu);
%% start process
while(true)
oldmu=mu;
% current classification
for i=1:hl
c=abs(ind(i)-mu);
cc=find(c==min©);
hc(ind(i))=cc(1);
end
%recalculation of means
for i=1:k,
a=find(hc==i);
mu(i)=sum(a.*h(a))/sum(h(a));
end
if(mu==oldmu)
break;
end;
end
%% calculate mask
s=size(copy);
mask=zeros(s);
for i=1:s(1),
for j=1:s(2),
c=abs(copy(i,j)-mu);
a=find(c==min©);
mask(i,j)=a(1);
end
end
mu=mu+mi-1; % recover real range
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]刘启浪,汤勃,孔建益,王兴东.基于多尺度LBP特征的带钢表面缺陷图像SVM分类[J].组合机床与自动化加工技术. 2020,(12)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
这篇关于【疾病分类】基于matlab LBP果实病害检测分类【含Matlab源码 1714期】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
