高光谱数据在沙特国王大学学报中的应用

沙特国王大学学报利用成像和非成像高光谱数据Pradip Salvea，Pravin Yannawara，Milind Sardesaiba视觉&智能实验室，计算机科学与信息技术系，博士。Babasaheb Ambedkar Marathwada University，Aurangabad，（MS），印度b印度浦那Savitribai Pune University植物系植物研究实验室阿提奇莱因福奥文章历史记录：2018年5月17日收到2018年8月12日修订2018年9月21日接受在线发售2018年保留字：植物识别多模式植物叶片光谱特征A B S T R A C T植物的自动分类是计算机科学和植物学日益发展的领域，利用图像处理和机器学习技术进行植物分类吸引了许多研究者。植物可以使用许多性状进行分类，如叶色、花、叶、根、叶形状、叶大小等，这些性状在很大程度上取决于特征选择方法。而从选定的性状中提取特征是分类中最重要的阶段。国家的最先进的分类可以通过使用叶片的特征，如叶片的脉序模式，叶片光谱特征，叶片颜色，叶片形状等。本文介绍了多模态植物分类系统使用叶片的脉序模式和光谱特征作为一个重要的功能。本文表明，特征融合可以用来实现有效的植物识别。对叶片光谱数据、叶片脉序特征和HOG特征的识别精度进行了验证，表明特征融合技术的识别效果优于单纯的非成像光谱特征，GAR分别为98.03%，93.51%©2018作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍叶片分析在植物分类学领域中具有重要而广泛的应用，它可以帮助人们理解、识别和分析叶型，从而实现植物的识别。基于叶子的自动植物检索已经得到了广泛的探索，基于叶子形状、颜色、纹理等几何特征的自动植物检索已经得到了广泛的应用（Green et al.，2014; Salve等人，2016年）。近年来研究最多的特征是叶片的形状、脉序和光谱特征指数，由于其在脉序模式和光谱特征模式上的均匀性，也被称为主要特征。叶片脉序具有叶片的特征和特定的结构，可用于植物种的鉴别。有效地提取叶片结构和获取叶片光谱特征是重要因素，*通讯作者：计算机科学与信息技术系，博士Babasa- heb Ambedkar MarathwadaUniversity，Aurangabad 431004，MS，India.电子邮件地址：pradipslv@gmail.com（P. Salve）。沙特国王大学负责同行审查制作和主办：Elsevier已经提出了有效地提取叶脉结构。然而，很少有努力来评估和关联叶片脉序和叶片光谱特征;此外，许多方法利用手动或半自动从叶片样品提取叶片脉序。叶的维管束与植物的分类群和叶的形状有关。它具有主脉的长度、次脉的数量、面积、周长、凸包等特征，除了几何特征外，它还提供了可视的文本信息、颜色信息、叶片上的气孔等信息，但在所有特征中，由于其唯一性，脉被认为是更重要的。在网络的密度和较大的静脉之间的距离变化。此外，图案中的环的数量也可以帮助确定叶的种类。1.1. 相关工作已经实施了各种方法以实现最先进的植物识别。本文对基于特征选择技术的植物分类方法进行了研究和分类本节提供了最常用的方法的审查脉序，几何+形态和光谱数据为基础的方法，许多作者采用。https://doi.org/10.1016/j.jksuci.2018.09.0181319-1578/©2018作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com小行星1362Salve等人 /沙特国王大学学报-计算机与信息科学34（2022）1361- 13691.2. 脉序基础Norbert Kirchgeßner等人（2002）提出了一种用于在植物叶片样品上稳健地提取叶脉的技术。作者提出并利用叶片图像空间信息进行结构跟踪。由于B样条包含了叶脉系统的层次信息，因此采用B样条来表示叶脉图案。在480*640像素的短图像上进行了实验。纹理方向的测量采用了一阶和二阶质量测度。静脉搜索的停止标准由指示找到静脉的区域的掩码标记。莫妮卡·G Larese等人（2014）分类豆科植物叶片图像大豆、白豆和红豆等植物，提出了一种只考虑叶片维管模式的算法。已排除其他几何和视觉特征。用标准扫描仪采集了叶片图像，并在自适应阈值的帮助下使用无约束命中或未命中变换（UHMT）实现了静脉分割。他们测量了血管网络上的许多形态特征，并使用随机森林对这些特征进行分类。许多形态特征已被证明。在分割的叶片上测量了许多其他脉序特征，并使用四种不同的分类器进行了进一步的分类，随机森林，惩罚判别分析，使用线性和高斯核的支持向量机。为了提取叶片纹理，H。Fu等人（Fu和Chi，2006）。首先对粗略确定的叶脉区域进行分割，然后利用灰度直方图对叶片图像进行分割。训练好的神经网络分类器用于分割目的，并使用每个目标像素作为输入，然后使用以像素为中心的窗口提取特征。H. Fu等人与其他方法进行了比较，并得出结论，联合方法能够为后续的叶脉模式分类提取更准确的叶脉形态。首先通过分析叶片脉序，JinKyu Park et al.（2008）和用于叶片分类。然后从已分类的一组叶片数据集中提取并利用叶片形状特征找到相似的叶片。作者使用了相同的方法血管提取。Jin Kyu Park等人已经提出了范围角点检测方法。使用密度的非参数估计来测量特征点的密度，然后对所最后通过在原型系统上的实验验证了该方法的有效性.Anne-Gaëlle Rolland-Lagan等.等人（2009）已经使用拟南芥的莲座叶来量化贯穿植物的一系列发育阶段的叶片脉序模式以叶脉的形状和大小为特征，随着叶片的生长，叶脉的形状和大小逐渐增大，并逐渐扭曲。还观察到环形状的远端到近端梯度，其长度或宽度比随时间变化，以及环尺寸的边缘到中心它观察到，在叶片形状图案化的理论模型和研究叶片发育过程中的维管图案化的分子实验工作之间存在两个环节汤晓东等（2009）提出了一种从复杂背景图像中提取样本叶片的采用标记控制的分水岭分割技术，将HSI颜色空间的三个通道分离，分别生成梯度图像。利用实度（完整性）测度对分割后的图像进行了评价，并对最终的叶片提取结果进行了验证。James S Cope等.（2010）已经利用遗传算法该技术能够从叶片样品中提取维管结构。对所制得的分级机进行了定性和定量分析。利用11*11大小的窗口测量当前像素点周围的邻域，计算像素点的局部梯度方向。此外，那些像素被认为是静脉点。所提出的方法能够实现初级次生脉序型，周围有轻微的噪音。最后将结果与蚁群算法进行了比较Joanna Sekulska-Nalewajko et al.（2010）采用定量分析方法分割叶片脉序。利用叶片背景色在不同的颜色空间中区分作为目标对象的前地叶片。利用色调或饱和度通道对HSV颜色空间或亮度图像进行阈值分割。Jinane Mounsef等人（Mounsef和Karam，2011）提出了一种从叶片图像自动提取空间叶片脉序模式的技术。叶脉密度脉网状（环）的大小和形状已被用作特征（价格例如，2011年）的报告。本试验以拟南芥叶片为材料，在叶片发育过程中进行.随着叶片的发育，叶片网状结构的大小和形状会随着新的叶脉的生长而增加并被扭曲，这些网状结构的大小和形状已经通过电子显微镜和其他成像技术进行了表征。该方法使用户能够以交互的方式批量处理一个吞吐量的数据.查尔斯·普莱斯等人（2011）已经开发了叶提取和分析框架图形用户界面（LEAF GUI），半自动软件工具，允许用户研究叶网络结构的改进的经验理解。它以叶片图像作为输入，并增强相对于背景的叶脉然后在交互阈值化和清洗步骤的后续步骤之后，返回叶片维管结构和脉序环的定性和定量分析结果统计量包括网脉的大小、网脉的位置、网脉的连通性、网脉所包围的网脉的大小。1.3. 基于叶特征的方法Snehal Shejwal等人（2015）开发了用于植物分类的智能手机应用程序。概率神经网络（PNN），支持向量机和模糊逻辑，k-最近邻（k-NN）分类器已被用于分类目的。使用开源数据库SQLite并嵌入Android设备。Nursuriati Jamil等人（2015）提出了用于类间和类内植物识别的低水平特征，455片草药叶用于进行实验。将数据集分为70%和30%的比例分别进行训练和测试。尺度不变特征变换（SIFT）用于提取形状特征，颜色矩用于颜色特征，基于分割的分形纹理分析（SFTA）用于纹理特征（Wang等人，2014年）。结果表明，单一的纹理特征优于颜色或形状特征，达到92%的准确率。而三种特征的融合（SIFT + SAFTA+颜色）则得到了94%的识别率。A. C. Siravenha等人（Siravenha和Carvalho，2016）通过结合多分辨率技术，离散小波变换（2D-DWT），统计模型和灰度共生矩阵（GLCM）来采用叶纹理特征进行分类。Flavia数据库已被用于进行实验。总体分类准确率达到91.85%。P. Salve et al./Journal of King Saud University1.4. 基于叶光谱特征的Yachao Wang等人（Wang等人，2014年）使用了五种不同类型的判 别 分 析 分 类 器 ， 即 线 性 ， 二 次 ， DiagLinear ， DiagQuatic 和Mahalanobis，数据减少基于主成分分析（PCA）和独立成分分析（ICA）。所提出的分类模型在降维25维的情况下，准确率达到98.35%。A. B. Varpe等人（2015）提出了基于非成像高光谱数据的植物物种识别系统，并设计了自己的数据库进行实验。通过SVM实现了91%的总体准确率。2. 方法我们已经做了各种实验来实现和验证植物识别系统。对于识别和验证，我们使用了基于系统的验证，使用了生物识别系统中常用的FAR，FRR，ERR和GAR。所提出的工作主要集中在叶片脉序模式和叶片光谱信号，即非成像特征，叶片图像从VISLeaf数据集使用整个 实 验 工 作 。 该 数 据 集 是 由 60 种 植 物 收 集 的 博 士 植 物 园 。Babasaheb Ambedkar Marathwada 大 学 校 园 ， Aur- angabad（MS）印度。每个物种包括下面列出的60种植物的10张扫描图像和10 个 高 光 谱 特 征 数 据 。 因 此 ， 在 提 议 的 数 据 集 中 总 共 有 600（60*10）个图像。在数据收集期间从植物园采集新鲜叶样品与样本有关的科学命名也得到了分类专家的核实。随后，这些扫描样本进行预处理，并投票进行特征提取。提取的特征作为训练集模板保存在机器上光谱特征是使用ASD Field Spec 4光谱辐射计仪器获得的ASD仪器的350-光谱分辨率设定为3 nm至2500 nm，采样间隔为2nm。白色参考面板用于优化和校准设备，以在样品记录之前在实验室条件下实现绝对反射率。在人造光源下获得的光谱数据。与ASD装置一起交付的75w卤素灯用于人工光源。它被用来记录植物样品的天顶角为600从距离45厘米以上的样品。视野（FOV）为8度，光纤电缆设置为偏离最低点位置。记录来自每株植物的10个叶样品用于接收光谱。利用RS3（Version 6.3）软件记录叶片的反射光谱。图1示出了使用ASD仪器的光谱数据收集ASD软件生成的将文件导入MATLAB软件中，并在实验中使用光谱的反射率（见图1）。 2）的情况。2.1. 我们实验工作中使用的有学名的植物列表铁苋菜（Acalypha indica L）、山羊草（Aegle marmelos（L.）Corrêa，腰果Anacardium occi- dentale L.，细叶安提戈龙Antigononleptopus Hook. 阿 恩 ， Argemone mexicana L 、 Aza- dirachta indicaA.Juss 、 Barleria prionitis L 、 Bauhinia racemosa Lam 、 Boerhaviadiffusa L 、 Bougainvillea aerobabilis Willd 、 Butea mono-sperma（ Lam. ） Taub 、 云 实 Caesalpinia bonduc （ L. ） Roxb ， Calotropisprocera（Aiton）Dryand，Cassia siamea Lam，Cinnamomum verumJ.Presl，Cissus repanda Vahl，Cissus repens Lam，Citrus aurantiifolia（Christm.）Swingle、Coccinia grandis（L.）Voigt，Cocculus hirsutus（L）W Theob，Fig. 1. ASD仪器带样品。Corchorus olitorius L、Euphorbia geniculata Ortega、Euphorbia hirtaL 、 Ficus benghalensis L 、 Ficus virens Aiton 、 Gliricidia sepium（Jacq.）Walp、扁担杆（Grewia hirsuta Vahl）、滨藜（Hameliapatens Jacq）、木槿（Hibiscus rosa-sinensis L.）Kurz、全缘叶全光蕨（Holoptelea integrifolia Planch）、番薯Ipomoea nil（L. ）Roth 、Ipomoea pes-tigridis L.、迎春花Jasminum nudi-florum Lindl、全缘麻风 树 Jatropha integerrima Jacq 、 非 洲 桐 Kigelia africana （ Lam. ）Benth、马缨丹（Lantana camara L.）R.Br、芒果（Mangifera indicaL）、细叶海桑（Mimusops elengi L）、毛巴戟（Morinda pubescensSm ） 、 夹 竹 桃 （ Nerium oleander L ） 、 裂 叶 海 桑 （ Partheheterophorus L）、二萼红丝线草（Peristrophe bicalyculata（Retz.）Nees 、 山 胡 椒 （ Pithecel lobium dulce （ Roxb. ） Benth 、 毛 丛 花Plectanthus mollis （ Aiton ） Spreng 、长叶暗罗 Polyalthia longifolia（ Sonn. ） Thwaites 、 石榴 Punica granatum L 、 番泻 叶 Senna tora（L.）Roxb、Spathodea campanulata P.Beauv、蒲桃Syzygium cumini（L.）Skeels、罗望子（Tamarindus indica L.）Juss. ex Kunth、簇毛山毛 豆 Tephrosia villosa （ L. ） Pers ， Terminalia bellirica （ Gaertn. ）Roxb 、 青 牛 胆 （ Tinospora sinensis （ Lour. ） Merr 、 胡 卢 巴（ Trigonella foam-graecum L. ） 、 马 德 拉 斯 帕 塔 那 （ Ventilagomaderaspatana Gaertn）、睡茄（Withania somnifera（L.） Dunal，枣Ziziphus spirba Mill.2.2. 特征提取多模态植物识别系统接受非成像叶片光谱特征作为特征和视觉特征，即，叶片脉序特征，诸如叶片中存在的脉的数量、每个脉的长度、每个脉的方向、直方图、纹理特征、纹理几何特征2.3. 光谱特征我们已经获得了光谱的每一个植物叶片样品使用ASD领域的E144仪器。数据收集过程如图所示。1.一、ASD Feildspect 4仪器使用内置软件RS3（版本6.3）生成此外，我们还将此文件导入MATLAB软件，用于提取样品的反射率和波长在这项工作中，我们只使用反射率作为特征。每个样本产生1*2100维特征矩阵。为了提高时间和空间效率，我们将数据大小减少到1*500大小。图3显示了Ipomoea nil（L.）Roth、甜豆木Pithecellobium dulce（Roxb.）Benth.厂表1. 显示了从光谱特征中提取的数据的实际特征和维度（见图1）。 4）.hmm/;x± 1/2arctang±2×4mm/;x±1XKGX小行星1364Salve等人 /沙特国王大学学报-计算机与信息科学34（2022）1361- 13692.4. 脉序特征图二. 流程图。Triggs，2005）。在预处理之后，将叶片样品分成M*M个单元;每个单元具有N*N的像素大小。通过使用彩色图像由三个通道组成，即（R + G + B）首先，从输入的彩色图像，我们已经选择了绿色通道，由于绿色的颜色占主导地位的叶片图像。此外，我们将G通道图像转换为离散小波变换，以去除噪声和更好地保护边缘，因为边缘是数字图像中最重要的信息，对提取更好的叶脉图案。传统的滤波器会使图像模糊，减少图像中的信息量。因此，我们必须保持叶片样本的边缘，同时降低图像的噪声因此我们采用了离散小波变换的方法来降低噪声和保护边缘。的Eqs。（1）和（2）我们已经计算了块中所有像素的梯度幅度g和梯度方向h;图像I的导数（gx）和（gy）是使用等式（1）和（2）利用像素差计算的。（3）和（4）。g/;xqgx/;xg/;x23gy/;x2Xwujiang_wujiang_wujiangk¼-1N-1-kw102x-k101xgx/;x/1;x-/-1;x5gy/;x/;x1- /;x- 16其中N是偶数。注意，通常只有少数系数a、k是非零的，这简化了计算。经过二值化处理后，我们能够产生叶片脉序图案图像。每个静脉的脉序角通过以下公式计算h1/4tan-1。2019年12月22日2.5. 方向梯度直方图（HOG）在梯度计算之后，单元内的每个像素基于梯度幅度和方向对基于方向的直方图进行加权投票。该直方图将梯度角度范围划分为K个区间。然后对所有细胞的直方图进行分块归一化我们认为在同一个单元中的直方图作为一个特征。设F为特征，为了获得特征向量，我们使用的函数如下：HOG描述符是关键点周围的图像梯度的取向的局部统计（Xiao等人，2 0 1 0 年;Dalal和F<$qjFjj2e22Fð7ÞP. Salve et al./Journal of King Saud University图3.第三章。 植物Ipomoea nil（L.）Roth、甜豆木Pithecellobium dulce（Roxb.）本特， 分别用Matlab绘制。表1提取植物Cocculus hirsutus（L.） W. Theob每株植物10个样品。12345678910n500样品10.470.4980.5430.5890.6210.6590.6950.730.7790.843：36.703样品20.4550.4720.510.5660.6240.6450.660.7030.7710.844：37.611样品30.4410.4970.5250.5270.5990.6310.6450.6770.740.817：36.638样品40.4590.4930.5060.5140.5810.6250.6530.6870.7360.807：36.836样品50.4920.5060.5480.6030.6270.6670.7050.7350.8150.869：27.339样品60.5020.4920.5130.570.6380.7120.7490.7520.8350.902：26.941样品70.440.4930.5510.5860.6330.6580.6920.7480.7790.84：27.515样品80.4630.4960.5370.5760.6060.6540.6850.6920.760.856：27.618样品90.4560.5110.5620.5920.6570.6790.7040.7620.7970.844：27.116样品100.2940.3020.3150.3350.3570.4080.4120.3590.4450.469：7.888：：：：：：：：：：：：：样品420：：：：：：：：：：：：所有块的直方图组合成一个完整的HOG描述符。例如，HOG特征提取工作，我们将Block大小设置为3× 3像元，并将bin数量K设置为功能.使用Eq. （八）FV-19. 结果，算法计算81（3*3*9）个块，因此尺寸-每幅图像的HOG总特征为81NF¼r100最后从HOG描述子中产生1*81维的特征向量，并将其融合到光谱特征、纹理特征和几何特征中。表2显示了所有融合特征的样本矩阵。2.6. 特征归一化计算出的特征保存在系统中，以备进一步实验。然后，将保存的特征矩阵归一化以减少其中FV是特征向量，m是特征向量的平均值和r标准差。2.7. 识别技术在本节中，接收来自每种特征提取技术的特征向量以执行分类。将特征向量分别按70%、30%的比例分成训练集和测试集。训练集的大小为420个样本和180个¼≤¼我J小行星1366 Salve等人 /沙特国王大学学报-计算机与信息科学34（2022）1361- 1369DmaxFVi- minFVjBð10Þ其中b是预定的常数，其用于将阈值分成N部分。hi¼minFVDi11hi（i = 1，2，.. . ，N）时，根据所需的规格，选择该值接近FRR或FAR值非常小2.8. 决策标准最后，根据阈值（T）做出决策。系统接受叶样品的身份（如果是DST）或拒绝（？D？？>？？）。其中DS是样品之间的距离分数2.9. 评价标准见图4。 从原始图像制作的样本叶片脉序。使 用错 误接 受率 （FAR ） ，错 误拒 绝率 （FRR ） 和等 错误 率（EER），真实接受率（GAR）进行了评估。错误接受率（FAR）是识别系统接受未知样本的百分比。FAR可以使用Eq. （十二）FAR后类样本的得分>阈值X100数量 所有冒名顶替者得分从不同的植物类别中提取样品进行测试。为了获得分数ð12ÞFRR是识别系统拒绝的已知样本的百分比。使用Eq. （十三）矩阵的欧几里得距离测量使用和计算的方程。（九）FRR¼类别间样本的得分正版阈值X100数量 所有真正的分数Si;jqXn。ffiffiqffiffiffiffiffi-ffiffiffiffiffipffiffiffiΣffiffiffi2ffið9Þð13Þ生成得分矩阵并将其传递给决策制定，以确定属于哪个类别 为了生成每个叶样本的阈值，我们已经驱动了从（Wu等人，2007年），可以总结如下：ERR是图上FAR和GAR相交的交点。EER试图通过找到错误接受率（FAR）和错误拒绝率之间的相等（最接近相等或在不相等的情况下具有最小距离）来衡量FAR性能与另一个FRR（ERR最低，准确度最高）。可以使用Eq.（十四）表2植物"Cocculus hirsutus（L.）“的光谱特征+脉特征+几何特征+ HOG描述符特征的融合特征矩阵的样本。W. Theob“每株植物10个样品。1/1¼≤P. Salve et al./Journal of King Saud University错误，远距离22.10. 真实接受率（GAR）ð14Þ表3基于最优阈值的静脉特征方法的系统性能。这被定义为系统接受的真叶样品的百分比。GAR已使用Eq.（十五）：GAR¼100-FRR15磅3. 实验结果利用叶片光谱特征、非成像数据和扫描的叶片样本来识别植物。采集了60种植物每株10个叶片样本的光谱特征，并存储在磁盘上用于分类。类似地，将60种植物物种用于成像数据，即植物叶子的扫描照片，每种10张。实验工作已经在五种类型的特征上进行，即静脉特征、HOG特征、在（Ali等人，2017），光谱符号。特征，所有特征融合在一起。3.1. 基于静脉模式特征提出了一种基于纹理特征的植物识别方法，并给出了评价分数S和阈值T。通过“欧几里德距离度量”生成的得分矩阵（S T）产生真实的，（S > T）产生冒名顶替者分数。此外，用于计算FAR和FRR的真假。图5示出了基于阈值的FAR和FRR之间的关系据观察，当ERR图六、FAR vs.在单个图形中绘制的所有特征的GAR最小错误率为10.13，其中FAR和FRR分别为17.33和2.93。FAR、FRR分别为20.30%、22.66%表3显示了最大GAR达到78.51%，阈值为0.13。图6示出了与FAR相对于GAR相关的ROC曲线。3.2. HOG特征识别基于HOG的方法的性能评估类似于基于静脉的方法。表4显示了基于HOG的识别方法的一些评估结果。观察到该系统产生89.86%的最高GAR率，活泼地图5描绘了FAR和FRR之间的交点和关系。 图图6描绘了相对于系统精度的FAR相对于GAR的ROC曲线。3.3. 基于几何特征的识别使用几何特征对系统性能的评价也类似于基于静脉的方法。GAR的有效识别率为94.39其中FAR和FRR分别产生5.61和5.6的分数。最小EER为5.60%。表5示出了当在阈值0.1至0.5之间实现最小ERR时的一些系统性能。图5描绘了FAR和FRR之间的关系。而图6使用FAR相对于GAR的ROC曲线描绘了系统精度。3.4. 光谱特征识别使用光谱特征的系统性能评估类似于先前讨论的技术。的图五、在单个图中绘制的所有特征的性能显示了基于阈值的FAR与FRR的关系表4基于HOG特征方法的最佳阈值的系统性能。阈值FAR（%）财务资源回收率（%）EER（%）GAR（%）0.13.46791892.3333347.9006352.099370.3512.1377111.211.6688688.33114HOG特征0.2秒6.93583552.829.8679270.132080.310.4037519.3333314.8685485.131460.413.871676.53333310.202589.79750.517.339592.93333310.1364689.86354阈值FAR（%）财务资源回收率（%）EER（%）GAR（%）0.115.6174142.0666728.8420471.157960.1320.3026422.6666721.4846578.51535矿脉特征0.231.234838.73333319.9840880.015920.346.852242.93333324.8927975.107210.462.46966232.2348367.765170.578.087071.439.7435460.25646小行星1368Salve等人 /沙特国王大学学报-计算机与信息科学34（2022）1361- 1369表5基于几何特征方法的系统性能最佳阈值。表8具有最高准确度的系统性能总结（%）。阈值FAR（%）FRR（%）EER（%）GAR（%）阈值FAR（%）财务资源回收率（%）EER（%）GAR（%）矿脉特征0.1320.30264 22.66667 21.48465 78.515350.10.92080384.242.560457.4396HOG特征0.3511.211.66886 88.331140.615.6168995.65.6084594.39155几何特征0.615.616899 5.65.6084594.39155几何0.21.84160660.6666731.2541468.74586光谱符号。特征0.076.899356 6.0666676.483011 93.51699特征0.32.76240941.4666722.1145477.88546特征融合0.022.931315 11.965657 98.034340.43.68321226.615.1416184.858390.54.60401615.410.0020189.997994. 结论当阈值为0.07时，系统获得了最大的准确性，GAR率为93.51%。FAR和FRR分别为6.89和6.06。该系统能够通过使用阈值0.07产生6.48ERR。表6示出了当阈值在0.01至0.5之间时实现最小EER的一些系统性能。图5描绘了FAR和FRR之间的关系以及ERR线的交点。图6描绘了当相对于以下各项实现最大GAR时的ROC曲线：系统性能。3.5. 特征融合识别所有的特征提取静脉，几何，HOG和光谱签名已融合在一起的级联。融合后的特征向量进一步归一化，以减少聚集在一起的各种特征集之间的方差。使用归一化特征进行实验。系统性能的评价是以类似的方式进行的，详细讨论了章节。当阈值为0.02时，系统产生最大的GAR率，准确率为98.03%而在FAR和FRR的交点处，EER最小为1.96，分别为2.93和1表7显示了一些系统性能。 图图5显示了FAR和FRR之间的关系，图5显示了FAR和FRR之间的关系。图6示出了系统精度相对于FAR和GAR的ROC曲线。最后，表8中总结了使用各种功能的系统性能比较。表6基于最优阈值的光谱特征方法的系统性能。阈值FAR（%）财务资源回收率（%）EER（%）GAR（%）0.010.98562246.3333323.6594876.340520.076.8993566.0666676.48301193.51699光谱符号。特征0.10.29.85622319.712453.81.7333336.82811110.7228993.1718989.277110.329.568670.33333314.95185.0490.439.424890.06666719.7457880.254220.549.28111024.6405675.35944表7基于最优阈值的特征融合方法的系统性能。阈值FAR（%）FRR（%）EER（%）GAR（%）0.01 1.48509511.466676.47588193.52412本研究设计了多模态植物识别系统。所提出的方法已在VISLeaf数据集上实现。将数据集分成70：30的比例，分别用于训练和测试目的。我们采用特征级融合来实现多模态植物识别。首先，我们使用非成像光谱特征反射率作为特征产生结果。我们从光谱反射率中获得了420 × 500和180 × 500维的特征矩阵，分别作为训练集和测试集。同样地，我们利用扫描的叶片图像对特征进行扩展，产生纹理特征、几何特征和HOG描述符特征，然后利用级联方法对这些特征进行融合，分别构造420*620、180*620维的特征矩阵作为训练集和测试集。对各种类型的特征集进行的系统评估表明，当阈值为0.13时，静脉特征能够产生最大的准确率为78.51%GAR，FAR为20.30，FRR为22.66。同样，HOG特征在0.35阈值下获得88.33%的GAR准确度，FAR为12.13，FRR为11.2。几何特征产生了94.39%的准确度，FAR为5.16，FRR为5.6，阈值设置为5.60。实验结果表明，光谱特征优于静脉特征和HOG特征，GAR的准确率为93.51%，错误率为6.48FAR和FRR为6.89，分别为6.06该系统实现了最高的精度，真节段融合率98.03%GAR，ERR为1.96，FAR和FRR分别为2.93、1。特征融合仅优于非成像光谱数据。特征融合后，相对于单独的几何特征和光谱特征，GAR分别提高了3.64%和4.51%。确认作者要感谢UGC-MANF奖学金的财政支持和技术支持的GIS遥感实验 室 的 计 算 机 科 学 信 息 技 术 系 ， 博 士 Babasaheb AmbedkarMarathwada大学，Aurangabad，马哈拉施特拉邦，印度。引用Ali，Mouad M.H.，Yannawar，Pravin L.，Gaikwad，A.T.，2017. 基于局部二值模式和二维局部保持投影融合的掌纹识别系统多算法。Procedia计算Sci. 115，482- 492。Cope，James S.保罗·雷马尼诺，莎拉·巴曼，保罗·威尔金，2010年。基于进化纹理分类器和蚁群算法的叶片纹理提取。在：智能视觉系统的先进概念国际会议，pp。135-144。Springer Berlin Heidelberg，2010.Dalal，N.，Triggs，B.，2005年用于人体检测的方向性特征直方图In：2005 CVPR，San Diego，CA，pp.8860.022.93131511.96565798.03434傅，H.，奇，Z.，2006年。一种阈值化与神经网络相结合的静脉识别方法特征融合0.1秒14.5010807.25053892.74946叶片图像的模式提取IEE会议录-视觉、图像与信号0.228.96328014.4816485.51836处理153（6），8810.343.42548021.7127478.28726Green，Walton A.，Little，Stefan A.，查尔斯·普莱斯Wing，Scott L.，史密斯，赛琳娜Y.，0.457.88768028.9438471.05616Kotrc，Benjamin，Doria，Gabriela，2014.读叶：叶的比较0.572.34989036.1749463.82506用于量化叶的各个方面的等级和自动化小巢测量脉络应用植物科学2（8），1400006。P. Salve et al./Journal of King Saud UniversityJamil，Nursuriati ，Hussin ，Nuril Aslina Che，Nordin ，Sharifalillah ，Awang，Khalil，2015.植物自动识别：形状是关键特征吗？Procedia计算Sci. 76，436-442。Kirchgeßner，Norbert，Hanno，Scharr，Uli Schurr，2002.植物叶片纹理图像的鲁棒提取。第二届IASTED国际会议可视化，成像和图像处理。Larese，Mónica G.，Namías，Rafael，Craviotto，Roque M.，Arango，MiriamR.，Gallo，Carina，Granitto，Pablo M. 2014年。 基于叶脉图像特征的豆科植物自动分类。模式n。47（1），158-168。Mounsef，Jinane，Lina Karam，2011.叶片脉序模式的自动分析。在：计算智能的视觉智能（CIVI），2011年IEEE研讨会上，pp。1-5. IEEE，2011年。Park，JinKyu，Hwang，EenJun，Nam，Yunyoung，2008.利用叶脉特征进行有效的叶片图像检索。 J. 系统软件。 81（1），71-82。查尔斯·普莱斯Symonova，Olga，Mileyko，Yuriy，Hilley，Troy，Weitz，JoshuaS.，2011年。叶片提取和分析框架图形用户界面：分割和分析叶脉和小巢的结构。PlantPhysiol.155（1），236-245.Rolland-Lagan，Anne-Gaëlle，Amin，Mira，Pakulska，Malgosia，2009.量化叶片脉序模式：二维地图。 Plant J. 57（1），195-205。Salve，Pradip，Sardesai，Milind，Manza，Ramesh，Yannawar，Pravin，2016.基于叶形状描述子的