判别WSRC大规模植物种类识别

文摘

在基于稀疏表示的分类(SRC)和加权SRC (WSRC),它是耗时来解决全球稀疏表示问题。判别WSRC (DWSRC)提出了大规模植物种类识别,包括两个阶段。首先,有几个子字典由数据集划分成几个类似的类,并选择的subdictionary最大测试样本之间的相似性和每个相似类的典型示例。其次,计算测试的加权稀疏表示图像的选择subdictionary,然后叶是通过最小重建误差分配的类别。有别于传统的SRC及其改进方法,我们稀疏表示的测试样本在subdictionary基本元素的训练样本选择类似的类,而不是使用通用overcomplete字典放在整个训练样本。因此,解决稀疏表示问题的复杂性降低。此外,DWSRC是物种适应新添加的叶没有重建字典。ICL植物叶子数据库上的实验结果表明,相对于传统方法,该方法计算复杂度低,识别率高,可以清楚地解释。

1。介绍

植物种类自动识别通过计算机视觉和图像处理技术对生物多样性的保护是非常有用的和重要的。植物物种可以被他们花,叶子,水果,叫,根和茎1- - - - - -3]。叶通常用于植物物种鉴定。一片叶子图像可以被它的颜色特征,纹理和形状。特别是,叶子形状包含了很多分类特性,如叶梢、叶片、叶基地,牙齿,静脉,先端,边缘,叶柄,插入点和轮廓。相关技术的可用性和普遍性,比如数码相机,智能手机,物联网(物联网),远程访问数据库,许多有效的算法和技术基于图像处理和机器学习让叶自动植物种类识别成为现实。Mata-Montero和Carranza-Rojas4]总结最近的努力植物种类识别使用计算机视觉和机器学习技术,和有效地识别生物多样性的主要技术问题。Waldchen和马德尔5]介绍了120同行评议的研究在过去的十年相比,从2005年到2015年,现有的植物种类识别方法的基础上,分类精度达到公共可用的数据集。Munisami et al。6)提出了一个植物识别方法通过提取很多特性,比如叶长度、宽度、面积、周长、船体周长,船体区域,颜色直方图和centroid-based径向距离。Chaki et al。7)提出了一个描述和识别植物叶片的方法使用纹理和形状特征的组合。提取的特征不变的翻译,旋转,缩放因子。不同于现有的研究目标简单的叶子,赵et al。8)提出了一个植物鉴别方法准确地识别简单和复合树叶。de Souza et al。9)提出了一个植物识别方法结合形状描述符,特征选择和分类模型。提取的形状描述符具有旋转不变、翻译、规模、和边缘质心距离序列的起点。刘和菅直人(10)提取很多叶子的纹理和形状特征分类,包括伽柏过滤器、局部二进制模式,胡锦涛矩不变量,灰度同现矩阵,和傅里叶描述符,应用深相信网络在辍学对植物进行分类。Vijayalakshmi和汉11应用灰度共生矩阵建立]提取灰度同现矩阵()和局部二值模式(LBP)功能叶的分类。Pradeep Kumar et al。12)提出了一个叶识别系统使用正交的时刻作为面向形状描述符和直方图的渐变纹理描述符(猪)和伽柏特性。

尽管提出了许多基于叶的植物种类识别方法,本研究仍是一个挑战。的原因是植物的叶子非常繁多,复杂,多变的季节,和一片叶子图像可以在任意位置和相对姿态的叶柄和叶片经常被各种不同的叶片图像;在自然界中,叶子形状大组内差异(如图1(一)和1 (b))和高阶级之间的相似性(如图1 (c))。

最近,基于稀疏表示的分类(SRC)已经引起相当大的关注,已经被证明是有利的各种信号处理中的应用,计算机视觉,模式识别13,14]。SRC是健壮的遮挡、光照和噪声和被应用到植物物种鉴定,取得了更好的识别结果。萧et al。15]提出了两个基于SRC叶植物种类识别图像识别框架和实验比较。在框架,overcomplete词典是学习训练图像的稀疏表示每个物种。金等。16)提出了一个植物物种使用稀疏表示识别方法(SR)的叶齿功能。提取方法,四叶齿特性和植物物种被SRC。然而在实践中,基于现有的SRC和WSRC会失败在叶大规模植物种类识别,因为它是耗时的解决范数最小化问题在字典由所有训练数据在所有类。提出了几个修改本地SRC算法减少计算成本SRC (17- - - - - -19]。在这些方法中,老问题是执行每个测试样本在其本地社区。然而,所构造的字典是非常依赖于测试样本。Elhamifar和比达尔20.)提出了一个结构化的老面孔识别。他们试图寻找SR使用最小数量的测试样本组的字典。WSRC的任务是测量每个训练样本的重要性代表测试样品。它可以保存位置和测试样本和邻国训练样本之间的相似性而寻找稀疏线性表示(21]。WSRC古典SRC,及其改性方法,实现稀疏性能好,所有训练样本都用来构建overcomplete词典(13,14]。然而,耗时通过overcomplete词典解决老问题,特别是在大规模图像识别任务。提高性能的SRC,很多小型字典计划已经开发出来。赖特et al。22]手动选择一些训练样本构造字典。Mairal et al。23为每个类)学到的一个单独的字典。Zhang et al。24)提出了一个老字典学习模型来提高性能。识别的测试样品是每个职业专用subdictionary的重建误差,而不是共同subdictionary中所有类的特性。太阳et al。25]提出一个字典学习模型的图像分类通过为每个类,学习职业专用subdictionary subdictionary由所有类共享。

灵感来自植物种类识别和WSRC的最新进展,我们提出一种判别加权SRC (DWSRC)大规模植物物种鉴定。在DWSRC,我们计算测试例子的稀疏表示,涉及训练样本的最小数量,而不是雇佣的所有训练数据。

本文的主要贡献是列出如下:

在DWSRC,而不是构建范数最小化问题通过使用所有的训练样本,我们解决类似的问题,涉及训练样本的最小数量。因此计算成本来处理大规模植物物种识别任务将会显著降低。

噪声数据和异常值的副作用在分类决策可以通过选择相似的类来消除稀疏表示测试样本。

DWSRC集成稀疏,本地和全球结构信息的训练数据到一个统一的框架,并考虑更多地关注类似的训练数据代表测试样本的测试样本。

DWSRC集成数据结构信息和歧视的信息。

本文的其余部分组织如下。节2我们简要回顾SRC,加权SRC (WSRC)和overcomplete字典。部分3提出了一种判别加权SRC (DWSRC)方法对大规模植物物种鉴定。部分4报告受欢迎的叶子图像数据库上的实验结果。最后,部分5本文总结道。

2。相关工作

2.1。SRC和WSRC

SRC和WSRC的目的是测试样本稀疏表示的最小数量的非零系数的overcomplete词典和分配测试样本到类最小重构误差。假设有训练样本 属于类和 是一个测试样本。SRC的任务是解决以下范数最小化问题: 在哪里是一个overcomplete词典由所有训练样本, 是一个老系数向量, 是th SR系数 ,和 是一个标量正则化参数。

训练样本的权重通常是由之间的距离或相似计算测试样本和每个训练样本。类似于SRC, WSRC解决了加权范数最小化问题: 在哪里是一个block-diagonal加权矩阵。

(最小的问题1)和(2)可以解决稀疏的子空间聚类算法(26]。在理想的情况下,获得的SR系数是稀疏的,因此测试示例可以很容易地分配给类(27]。然后被分配到类的最小重建误差在所有类,定义如下: 在哪里相对应的系数subvector吗cth培训类 。

2.2。SRC的字典

SRC和WSRC旨在找到一个输入数据的稀疏表示基本元素的线性组合的形式。这些元素被称为原子和他们组成一个字典。原子在字典里不需要是正交的,他们可能是一个overcomplete生成集合。尽管SRC, WSRC,及其改善方法已经广泛应用于各种实际应用,如何构建字典仍然是图像处理中的一个具有挑战性的问题。提出了许多方案有效地学习overcomplete字典通过执行一些判别标准和图像分类上达到令人印象深刻的表现,但大多数现有的SRC修改方法是复杂的,很难实现(23,24]。此外,大多数这些方法都假定一个特定类的训练样本大约形成一个线性的任何测试样本属于基础类(18,22- - - - - -25]。但在自然界中,有很多组内的类似的叶子,如在图1 (c)。特别是,它是耗时的大型数据库上实现这些方法。

3所示。判别WSRC大规模植物种类识别

基于全局和本地SR,几个WSRC和组SRC算法提出了抑制小非零系数。类似于SRC,这些方法假定单个样本类躺在一个线性子空间,但是我们不知道一个测试样本的类标签。不管怎样,重要的是选择“最佳”训练样本稀疏表示测试样本。提高SRC的性能,判别WSRC (DWSRC)方法提出了大规模植物物种识别、培训叶图片 和代表叶图像与大型线性等不同形状,长圆形,椭圆形,卵形, 是j代表图像。WSRC本节介绍。

3.1。Subdictionary建设

在自然界中,有超过400000种植物。虽然有各种各样的树叶在大小,形状,颜色,纹理,我们可以将所有的树叶都划分为若干类似的课程由不同的树叶的形状表示标准,如(1)简单和复杂;(2)单一和复合;(3)线性的,长圆形,椭圆形,卵形,倒卵形的,完整的,心形的,Obcordate,肾脏形的,三角肌,和其他人,如图2。

高斯核距离可以捕捉数据集内的非线性信息,测量样本之间的距离或相似。假设有两个叶子图像 ,他们的相似性定义为高斯核的距离: 在哪里是高斯核宽度控制过度的距离和和之间的欧几里得距离吗 。

在本节中,任何原始叶图像转换成灰度图像或二进制图像。事实上,任何灰色或二进制图像是一个二维矩阵。因此是两个矩阵之间的欧几里得距离吗 。

鉴于培训叶图片 为了将这些图像分成类似的类,我们发现代表叶图像与大型线性等不同形状,长圆形,椭圆形,卵形, 是j代表图像。然后,我们设置一个阈值 。如果 ,被分配到jth相似的类;如果 对于任何 ,不属于鉴于类似的类。这是分配给 类似的类。然后叶子图像大致分为 类似的课程。

我们将每片叶子的形象类似的类作为one-dimensionality向量和构造 子字典下列WSRC算法通过所有这些向量;也就是说, ,在那里叶子图像向量的维数和吗叶子的数量吗jth相似类,每一列的是一个向量对应一片叶子的形象。

3.2。判别WSRC

SRC可以确保稀疏,虽然失去了训练数据的本地信息;WSRC可以保持稀疏和测试样本之间的相似性及其邻居训练数据,而忽略了之前全球训练数据的结构信息。我们提出了一个判别WSRC (DWSRC)计划,以提高分类的性能WSRC通过整合稀疏,本地和全球结构信息的训练数据到一个统一的框架。

给定一个测试叶子形象和一个阈值 ,由(4),我们计算相似度 之间的和jth代表叶图片 。如果 ,选择类似的类作为候选人相似类的最大相似性分类 ,并选择相应的subdictionarysubdictionary作为候选人。类似通用WSRC DWSRC解决以下加权范数最小化问题, 在哪里 是一个加权对角矩阵,叶片图像的数量吗类似的类,和对角线元素 的高斯内核之间的距离吗候选样本,定义如下: 在哪里是类似的类和th向量的候选人高斯核宽度调整重量是衰减速度。

在(5),可以惩罚之间的距离吗并且每个候选人相似类的训练样本。其目的是避免选择的训练样本的测试样本代表测试样本。因为不同的相似类的样本数量是不同的,在获得SR系数向量 ,我们计算出平均每个类的重建误差候选人相似的类如下: 在哪里相关系数subvector吗cth培训类和向量的数量吗c类候选人相似的类中。

然后测试图像标记的类拥有规范化的重建误差最小 。

在经典WSRC [21),如果对角元素 加权的对角矩阵定义如下, 然后WSRC DWSRC。

DWSRC可以生成更有识别力的稀疏编码,可以用来表示更强劲的测试样品结合线性和位置信息,提高识别性能。DWSRC是一个受限的套索的问题(21]。其流程图如图3。

3.2.1之上。可行性分析

在经典SRC,计算复杂度获得SR系数每个测试样本(14,15,17),在重建系数非零项的数量。老在理想情况下,所有的非零系数将相关的列overcomplete字典从单个对象类,和测试样本可以很容易地分配给这个类。然而,事实上在训练叶子图像集,噪音,离群值,建模误差,很多同类不同的树叶,可能导致许多小老非零系数与多个物种类有关。计算复杂度获得SR系数几乎是每个测试样本(17]。在DWSRC,所有的训练样本分成类似的类用于构建子字典,和一个候选人subdictionary WSRC选择。虽然从候选人相似类的训练样本数量小于所有训练样本的数量,字典完整性可能不会被摧毁,因为候选人训练样本,类似于测试样本被保留,而噪声、异常值,不规则样品不同的测试样本被排除在外。SR DWSRC可能不会得到的系数是稀疏的通过经典的SRC和WSRC,但是SR系数相关的训练样本仍然拥有更大的大小,因为候选人的所有训练样本相似类通常扮演着重要的角色在稀疏表示测试样本。

如果我们考虑所有的SR系数相似类除了候选人相似类是零,我们也认为DWSRC进行整个数据库。因此,DWSRC比SRC和WSRC稀疏的。DWSRC总的来说,高斯核距离信息对WSRC抑制非零系数小,所以小老非零系数的数量DWSRC应该显著降低。候选人相似类中的样本数量 。SRC和WSRC相比,DWSRC获得SR系数的计算复杂度 每个测试样本,是由DWSRC重建系数的非零的条目数量。一般来说,远低于和 ,所以DWSRC相当的计算复杂度低于SRC和WSRC。

从上面的分析,指出DWSR更适合大规模数据库分类问题。

4所示。实验和结果

在本节中,我们调查的性能提出DWSRC植物种类识别方法和比较它与四个最先进的方法,包括植物种类识别使用WSRC [21(LMS)[],叶缘序列28(MMD) [], Manifold-Manifold距离29日),重心轮廓距离(CCD) (30.]。在基于WSRC实验中,参数选择、数据处理和识别过程类似于DWSRC,在LMS,多党民主运动和基于CCD的实验中,参数选择、数据处理和识别过程从三个引用(28- - - - - -30.),分别。

DWSRC包括标量的重要参数正则化参数 ,两个阈值和 ,和两个高斯核宽度和在(4)和(6)。其中,作为 , ,和不敏感的识别结果13,21,31日),在(5)被设置为0.001经验,两个高斯核宽度设置为 在哪里 和 最大和最小欧氏距离吗和和 和 最大和最小欧氏距离吗和 。

所有的实验都在平台上执行3.0 GHz CPU和由MATLAB 4.0 GB内存2011 b。老MATLAB工具箱1.9 (https://sites.google.com/site/sparsereptool)用于解决加权范数最小化问题。

4.1。数据准备

所有植物种类识别的实验DWSRC和四个竞争方法进行ICL叶数据库(https://pan.baidu.com/share/link?shareid=2093145911&uk=1395063007收集的),这是智能计算实验室(ICL)中国科学院。数据库包含16846从220种植物,植物叶子图像不同数量的叶子图像每种类和不同大小的min-size×29日21 124×107的最大尺寸。一些例子如图所示4。

从图4,我们发现每片叶子图像在ICL是单一简单的背景和没有模糊,扭曲,和噪音,所以我们忽略很多复杂的预处理,如过滤和增强。但是,从图4(一),可以看出原来的叶子图像在ICL面向数据库的一个随机角度和有各种各样的形状,颜色,大小。一些叶子图像包含叶柄,一些种类的叶子相似。因为原始彩色叶片图像的大小是不同的,我们首先把每个原始图像灰度图像和几何规模大小相同的双线性插值算法。从图4 (b),发现30棉花植物叶子大组内低强度的白色背景的差异。为了提高识别率,几个预处理步骤之前物种识别工作如下:

每种颜色的叶子图像转换成灰度图像。

单独的背景从叶子图像小阈值(我们设置为30);也就是说,不到30像素值设置为0的灰度下255。

一个半径为10的中值滤波器减少噪音。

切断叶柄通过轮廓信息检测狭窄的并联运行链和删除最长的碳链(6,30.]。

为了对齐所有叶子的图像,从图像中提取角的主要面向叶的轴是垂直的线,然后把图像旋转角度,长轴与垂直的线;最后去除白色边界矩形重叠叶片在均匀背景。

提取叶被精明的边缘轮廓算法(30.]。

作物每个轮廓的大小只包含叶的区段,然后调整它们的平方大小的32×32双线性插值算法。

图5显示了一个叶预处理的例子通过上述步骤。

4.2。Subdictionary建设

从图4(一),我们看到有无数各种植物的叶子,这些叶子可以聚集成几个类似的类通过树叶的形状描述或相似性度量,如针状的、线性的,剑状的,剑形的,倒披针形,卵形,椭圆形,倒卵形的,椭圆形。可以定义的类的数量K意味着集群和K融合聚类算法(32]。我们指的两个网站,http://theseedsite.co.uk/leafshapes.html和https://en.wikipedia.org/wiki/Glossary_of_leaf_morphology和四个引用(33- - - - - -36)和类数定义为21。实际上在自然界中,我们可以选择20种典型的叶片,如图6,找到每个典型的相似的叶子叶子从ICL数据库。然后我们获得21类相似。

假设 是th代表叶图像, 是jICL的th叶子图像数据库,和相似性 之间的和计算(4)。图7是给定的齿状形状的叶子图像之间的相似性和ICL的每片叶子图像数据库。为了清楚地表明选择候选人培训叶片图像的视觉图形,图7只显示部分结果,大约6300的相似之处。

从图7,我们可以观察到几叶图像类似于给定的测试图像。我们设置阈值 ;也就是说,如果 、分类到类似的类。在多数叶ICL的图像数据库分为20相似类,其余图像聚集到21相似的类。最后,我们构建21分字典通过叠加所有预处理轮廓的相似类列的矩阵,分别。

4.3。由DWSRC植物物种分类

给出一个新的测试叶形象 ,我们之间的相似度计算和每个典型的叶 。我们设置了第二阈值 ,也就是说,如果 对于任何 ,并选择21类似相似的类和类的候选人subdictionary作为候选人。否则,我们选择候选人相似类和候选人subdictionary最大相似 。

图8是一个相似的例子,测试图像是棉花植物叶子图像。从图8最大的相似之处 。然后我们选择第四类和第四subdictionary相似为分类构造DWSRC测试图像。我们计算SR系数和最小重建误差识别测试叶。

数据7和8只列出视觉过程如何将整个数据集分成几个类似的类和构造的subdictionary SRC算法,训练集的所有ICL的图像数据库,测试集是任何叶子形象。

4.4。实验结果

为了说明DWSRC和4竞争方法是如何工作的,两种实验进行:

从ICL数据库,我们随机选择1100图像与5图像/ 220种植物作为测试集,其余作为训练集,训练集分为21类来构建子字典类似,和每个测试叶被DWSRC,典型的样品如图6(一)。训练和测试随机分区重复50次。五个方法的平均识别50实验结果如表所示1。

从数据库ICL,我们随机选择2000图像从16846年植物叶子图像作为测试集,其余作为训练集,重复50次的训练和测试过程。在每次训练集也分为21类来构建子字典类似,和每个测试叶被DWSRC,典型的样本也显示在图6(一)。五个方法的平均识别50实验结果如表所示2。

在表中1和2,大胆的字体突出最佳的识别性能。从两个表中,我们可以看到,DWSRC的识别性能是最好的。最主要的原因可能是DWSRC只雇佣候选人类似的类来解决老问题,认识到测试样品,并利用测试样本之间的相似关系,每个训练样本。计算成本显著降低,离群值的副作用,噪音,和建模误差对识别性能极大地抑制。WSRC的识别率高于LMS,多党民主运动,和CCD,但其计算时间是最长的。大部分时间被解决范数最小化问题。由于LMS,多党民主运动,和CCD需要从每片叶子中提取分类特征的形象,这是费时,他们比WSRC和DWSRC识别率较低。因为现实世界的同一物种的不同,很难从每片叶子中提取“最优”特性的形象。

5。结论

至于大规模植物物种识别的问题,我们提出了一种新的SRC方法,即判别加权SRC (DWSRC),旨在利用原始数据集的局部性和相似性和测试样本的稀疏表示测试样品。它使用的数据集的先验结构信息和测试样本和训练样本之间的距离构造SR的问题。来表示一个测试样本,我们不仅考虑训练样本的原始数据结构,但也考虑位置和测试样本,每个训练样本之间的相似性。SR系数测试的样品保持稀疏结构和更有识别力的信息。DWSRC本质上是WSRC的概括。而不是WSRC,我们构建几个子字典之前SRC除以所有训练样本分成几个类似的类,然后选择一个候选人subdictionary实现WSRC给定的测试样本。因此,计算成本来解决范数极小化问题是大大减少。从这个意义上讲,DWSRC是合理的大规模植物种类识别,可以提高植物的识别率,降低计算成本。最近,深度学习导致了一系列在许多模式识别研究领域的突破。我们将研究深度学习基于叶物种识别未来的工作。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下批准号61473237。这部分工作由天津研究项目的应用基础和先进的技术。14 jcybjc42500和天津科技记者项目没有。16 jctpjc47300。作者要感谢ICL叶数据库的建设性建议。

引用

1. M.-E。Nilsback和a . Zisserman”自动花分类在大量的类,”学报第六届印度计算机视觉、图形和图像处理(ICVGIP ' 08)2008年12月,页722 - 729。视图:出版商的网站|谷歌学术搜索
2. m . Seeland m . Rzanny n . Alaqraa j . Waldchen·马德尔y张,“植物物种分类使用花图像局部特性的比较研究表示,“《公共科学图书馆•综合》,12卷,不。2,p . e0170629 2017。视图:出版商的网站|谷歌学术搜索
3. n .贾米尔:a . c . Hussin s Nordin和k . Awang”自动植物识别:形状的关键功能吗?”Procedia计算机科学卷,76年,第442 - 436页,2015年。视图:谷歌学术搜索
4. 大肠Mata-Montero和j . Carranza-Rojas”自动植物种类识别:挑战和机遇,”联合会信息和通信技术的进步卷。481年,26-36,2016页。视图:出版商的网站|谷歌学术搜索
5. j . Waldchen和p·马德尔植物种类识别使用计算机视觉技术:一个系统的文献回顾,“档案在工程计算方法:最先进的评论,1-37,2017页。视图:出版商的网站|谷歌学术搜索
6. t . Munisami m . Ramsurn s Kishnah, s . Pudaruth”兰特叶识别使用形状特征和颜色直方图和再近邻分类器一样,“Procedia计算机科学58卷,第747 - 740页,2015年。视图:谷歌学术搜索
7. j . Chaki r·帕尔克和s·巴塔查里亚,“植物叶子上识别与神经分类器,使用纹理和形状特性”模式识别的字母,卷。58岁的货号。6175年,第68 - 61页,2015年。视图:出版商的网站|谷歌学术搜索
8. 赵c, s . s . f . Chan W.-K。可汗,l·m·楚“植物鉴别使用叶子形状——模式计算方法,”模式识别,48卷,不。10日,3203 - 3215年,2015页。视图:出版商的网站|谷歌学术搜索
9. m . de Souza m . s . f . n . s . Medeiros g . l . b . Ramalho i c . de Paula Jr .)和n s奥利维拉,“进化优化叶形状分析的多尺度描述符,“专家系统与应用程序卷,63年,第385 - 375页,2016年。视图:出版商的网站|谷歌学术搜索
10. 刘和人类。菅直人“改进对叶深深的信念网络和特征融合识别、”Neurocomputing卷,216年,第467 - 460页,2016年。视图:出版商的网站|谷歌学术搜索
11. b . VijayaLakshmi诉汉,“基于PSO和FRVM:自动植物叶子类型检测使用纹理,形状,颜色特征,“计算机和电子产品在农业卷,125年,第112 - 99页,2016年。视图:出版商的网站|谷歌学术搜索
12. t·p·库马尔·m·v·Reddy和p·k·拉博拉,“叶识别使用形状和纹理特性,”先进的智能系统和计算卷,460年,第541 - 531页,2017年。视图:出版商的网站|谷歌学术搜索
13. z, y, j·杨,李x和d·张,“稀疏表示的调查:算法和应用,“IEEE访问,3卷,第530 - 490页,2015年。视图:出版商的网站|谷歌学术搜索
14. h·陈,“稀疏表示,建模和学习在视觉识别:理论、算法和应用,“先进的计算机视觉和模式识别》第六卷,第1425 - 1408页,93年。视图:谷歌学术搜索
15. j。萧,L.-W。Kang C.-L。常,彭译葶。林,”上优于叶子图像识别框架,“研究计算智能卷,591年,第91 - 77页,2015年。视图:出版商的网站|谷歌学术搜索
16. t·金x侯、p·李和f .周”小说的自动植物种类识别方法使用稀疏表示叶牙齿功能,“《公共科学图书馆•综合》,10卷,不。10篇文章ID e0139482 2015。视图:出版商的网站|谷歌学术搜索
17. C.-G。李、郭j .和H.-G。张“当地基于稀疏表示的分类”20国际会议的程序模式识别(ICPR 10),第652 - 649页,2010年。视图:出版商的网站|谷歌学术搜索
18. J.-X。Mi和J.-X。刘”,使用稀疏表示人脸识别分类再子空间,”《公共科学图书馆•综合》,8卷,不。第三条ID e59430, 2013。视图:出版商的网站|谷歌学术搜索
19. 问:刘翔,“内核当地基于稀疏表示的分类器,”神经处理信件,43卷,不。1,第95 - 85页,2016。视图:出版商的网站|谷歌学术搜索
20. 大肠Elhamifar和r·维达尔“健壮的分类使用结构化稀疏表示,”《IEEE计算机视觉与模式识别会议(CVPR 11)2011年6月,页1873 - 1879。视图:出版商的网站|谷歌学术搜索
21. z粉丝,m .倪问:朱,e .刘“加权稀疏表示的人脸识别,”Neurocomputing,卷151,不。1,第309 - 304页,2015。视图:出版商的网站|谷歌学术搜索
22. j·赖特,a, y, a . Ganesh s Sastry,和y妈,“基于稀疏表示的人脸识别,”IEEE模式分析与机器智能没有,卷。31日。2、210 - 227年,2009页。视图:出版商的网站|谷歌学术搜索
23. j . Mairal f·巴赫,j .庞塞g . Sapiro和a . Zisserman“歧视学习词典本地图像分析,”学报》第26届IEEE计算机视觉与模式识别会议(CVPR ' 08)安克雷奇,页1 - 8,阿拉斯加,美国,2008年6月。视图:出版商的网站|谷歌学术搜索
24. j .张赵d、f .江和w·高,“结构组稀疏表示的图像压缩传感的复苏,”诉讼的2013数据压缩会议,DCC 2013美国,页331 - 340,2013年3月。视图:出版商的网站|谷歌学术搜索
25. y太阳,问:刘、j . Tang和d道,“学习区别的词典组稀疏表示,“IEEE图像处理,23卷,不。9日,第3828 - 3816页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet
26. s . s . Chen d l . Donoho m·a·桑德斯,原子分解的基础上追求,“暹罗审查,43卷,不。1,第159 - 129页,2001。视图:出版商的网站|谷歌学术搜索|MathSciNet
27. x唐、g .冯和j . Cai”加权undersampled稀疏表示的人脸识别,”Neurocomputing卷,145年,第415 - 402页,2014年。视图:出版商的网站|谷歌学术搜索
28. g . Cerutti l .舌头,d .流氓,A . Vacavant”叶边缘序列:结构性叶识别方法,”模式识别的字母49卷,第184 - 177页,2014年。视图:出版商的网站|谷歌学术搜索
29. J.-X。杜,硕士。邵,C.-M。翟,j . Wang y . Tang和c·l·p·陈,“识别基于manifold-manifold叶子图像集的距离,“Neurocomputing卷,188年,第138 - 131页,2016年。视图:出版商的网站|谷歌学术搜索
30. a . Hasim y Herdiyeni s Douady,“叶形状识别使用重心线距离,”学报的国际科学研讨会复杂自然系统2015年ISS-CNS 20152015年10月,印度尼西亚,。视图:出版商的网站|谷歌学术搜索
31. b, c . Wang和D.-S。黄”,监督特征提取基于正交判别投影。”Neurocomputing,卷73,不。1 - 3、191 - 196年,2009页。视图:出版商的网站|谷歌学术搜索
32. c . c . Aggarwal和c·k·雷迪数据聚类:算法和应用程序2014年,查普曼&大厅/ CRC,。
33. http://theseedsite.co.uk/leafshapes.html。
34. https://en.wikipedia.org/wiki/Glossary_of_leaf_morphology。
35. h . Tsukaya”机制的树叶的形状的决心。”植物生物学的年度审查57卷,第496 - 477页,2006年。视图:出版商的网站|谷歌学术搜索
36. j . Dkhar和a . Pareek“一片叶子的形状是由什么决定的?”EvoDevo,5卷,不。1,货号。2014年47岁。视图:出版商的网站|谷歌学术搜索

版权

版权©2017令Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。