【疾病分类】基于matlab LBP果实病害检测分类【含Matlab源码 1714期】

2024-04-11 04:38

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。
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄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!



http://www.chinasem.cn/article/893097

相关文章

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今,数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep

Go中sync.Once源码的深度讲解

《Go中sync.Once源码的深度讲解》sync.Once是Go语言标准库中的一个同步原语,用于确保某个操作只执行一次,本文将从源码出发为大家详细介绍一下sync.Once的具体使用,x希望对大家有... 目录概念简单示例源码解读总结概念sync.Once是Go语言标准库中的一个同步原语,用于确保某个操

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR(光学

Java汇编源码如何查看环境搭建

《Java汇编源码如何查看环境搭建》:本文主要介绍如何在IntelliJIDEA开发环境中搭建字节码和汇编环境,以便更好地进行代码调优和JVM学习,首先,介绍了如何配置IntelliJIDEA以方... 目录一、简介二、在IDEA开发环境中搭建汇编环境2.1 在IDEA中搭建字节码查看环境2.1.1 搭建步

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖