面向雜草識別的K近鄰算法研究.pdf

1、大力發(fā)展精細(xì)農(nóng)業(yè)已經(jīng)成為農(nóng)業(yè)發(fā)展的必然趨勢，而雜草是制約農(nóng)業(yè)發(fā)展的主要方面之一。為了通過實(shí)現(xiàn)除草劑的變量噴灑來解決精確除草問題，基于圖像處理技術(shù)的雜草識別研究成為國內(nèi)外研究的熱點(diǎn)。在雜草識別中，識別方法的選擇決定著識別結(jié)果的準(zhǔn)確性。K近鄰算法(K-nearest neighbor, KNN)因其原理簡單、易于實(shí)現(xiàn)得到了廣泛地應(yīng)用。K近鄰算法不需要建立模型且分類精度較高，將其應(yīng)用于雜草識別，不僅復(fù)雜性較低，且識別率較高。因此，面向雜草識別

2、的K近鄰算法研究具有重要的理論與現(xiàn)實(shí)意義。
　　 本文討論面向雜草識別的K近鄰算法，做了如下工作:
　　 首先，圖像分割和特征提取。以東北農(nóng)業(yè)大學(xué)水稻試驗(yàn)田的水稻葉片和四種伴生雜草葉片圖像為研究對象，四種雜草包括打碗花、飛廉、茼麻和藜。分割過程中采用加權(quán)平均法對圖像進(jìn)行灰度化處理，并采用中值濾波法對灰度圖像平滑濾波;然后，采用最大類間方差法對灰度圖像進(jìn)行閾值分割，得二值圖像;應(yīng)用Roberts算子、Sobel算子、Pre

3、witt算子、Gauss-Laplacian(LOG)算子和Canny算子對圖像進(jìn)行邊緣檢測，根據(jù)實(shí)驗(yàn)結(jié)果選擇當(dāng)σ=2時的LOG算子進(jìn)行邊緣檢測效果較好;最后，在圖像分割的基礎(chǔ)上，提取的目標(biāo)區(qū)域的顏色特征。本文提取R、G、B、H、I和S分量及其組合共14個特征，通過灰度直方圖統(tǒng)計，選擇其中8個灰度分布呈現(xiàn)明顯差異的特征作為雜草識別的圖像特征。
　　 其次，在傳統(tǒng)K近鄰算法（Traditional k-nearest neighb

4、or, TR_KNN）的基礎(chǔ)上，結(jié)合最大熵和I-divergence的概念提出兩種改進(jìn)算法——基于最大熵的改進(jìn)K近鄰算法(K-nearestneighbor based on Maximum Entropy, ME_KNN)和基于I-divergence的改進(jìn)K近鄰算法(K-nearest neighbor based on I-divergence，ID_ KNN)。在TR KNN算法中，使用歐氏距離作為距離度量函數(shù)，而歐氏距離認(rèn)為各

5、特征分量對分類的貢獻(xiàn)是相同的，其特征權(quán)重相同。最大熵和I-divergence的概念本質(zhì)上都是距離度量函數(shù)，不涉及權(quán)重系數(shù)的引入，而且這兩種度量函數(shù)對特征值均為正時效果最佳，且由于植物的顏色特征均為正值，因此，用最大熵和I-divergence代替?zhèn)鹘y(tǒng)KNN算法中的歐氏距離，作為其距離度量函數(shù)，克服了主觀因素的影響，提高了分類性能。本文采用UCI數(shù)據(jù)集和人工數(shù)據(jù)集對ME KNN和ID_ KNN的分類性能進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果顯示，與TR K

6、NN比較，ME_KNN和ID_KNN在宏平均查全率、宏平均查準(zhǔn)率、宏F1測量值和分類精度等方面均優(yōu)于TR_KNN。
　　 最后，根據(jù)提取的8個顏色特征，應(yīng)用TR_KNN、改進(jìn)算法ME KNN和ID KNN分別進(jìn)行水稻和雜草識別實(shí)驗(yàn)。實(shí)現(xiàn)結(jié)果顯示，本文所提出的的改進(jìn)算法ME KNN和ID_KNN的最優(yōu)識別率和宏F1測量值均明顯優(yōu)于傳統(tǒng)KNN算法，但是通過比較發(fā)現(xiàn)ID KNN的分類穩(wěn)定性優(yōu)于ME_ KNN，因此，ID_ KNN較ME

7、_KNN和TR_KNN更適合于雜草分類。ID KNN算法對水稻的最優(yōu)識別率為93.33％，對打碗花的最優(yōu)識別率為86.67％，對飛廉的最優(yōu)識別率為93.33％，對茼麻的最優(yōu)識別率為93.33％，對藜的最優(yōu)識別率為93.33％。
　　 本文根據(jù)顏色特征，利用ME_ KNN算法和ID KNN算法成功實(shí)現(xiàn)水稻和四種雜草的識別，計算復(fù)雜性低，算法簡單，識別率高。該研究證明ME_ KNN算法和ID_KNN算法的分類性能優(yōu)于TR KNN，同