10.19678/j.issn.1000-3428.0047613
基于Zernike矩与BoF-SURF特征融合的花粉图像分类识别
针对传统单一花粉图像鉴别特征普遍存在抗噪声干扰能力弱、几何不变性低等问题,提出一种融合Zernike矩全局特征和加速鲁棒性特征包BoF-SURF局部斑点特征的花粉图像分类识别算法.提取花粉图像的Zernike矩描述子以及基于尺度空间梯度信息的SURF特征描述子,使用K-means聚类算法对SURF特征描述子进行特征聚类,构建花粉图像的SURF视觉特征包,并对2种特征进行融合用于花粉图像分类识别.实验结果表明,与传统的花粉图像特征提取算法相比,该算法对花粉尺度和旋转变化具有较好的鲁棒性,在Confocal和Pollenmonitor图像数据集上均获得了较高的识别率.
Zernike矩、目标识别、K-means聚类算法、特征融合、花粉识别
44
TP391.41(计算技术、计算机技术)
国家自然科学基金61375030
2018-11-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
259-263,270