基于二进制粒子群的烟叶图像特征筛选和分级方法研究

烟叶的分级直接影响着烟叶的经济价值和卷烟的质量。在我国现行的烟叶分级标准中对烟叶等级的判断缺乏具体的量化标准，实际收购过程中依靠人工进行识别，其正确分级率受到主观因素的影响。因此智能分级方法的研究是很必要的。本文提取烟叶透射图像中所有可能影响烟叶分级的视觉特征；为减少特征间的相关性以及提高分级速度，分别使用RBF神经网络、支持向量机(SVM)和Adaboost联合二进制粒子群对这些烟叶特征进行自适应选择；并分别建立RBF、SVM和Adaboost分级模型。实验证明烟叶特征的有效选择不仅提高了烟叶智能识别的效率(速度快）而且提高了分类器的识别率。具体研究工作如下： 1.烟叶图像采集、预处理及特征提取。搭建专门的烟叶图像获取系统，获取烟叶透射图像提取特征；首先对图像进行滤波去噪，边缘提取，背景分割，小面积去除等预处理，然后提取8个几何、12个颜色、4个纹理和15个脉络共39个特征。 2.分级模型建立。分别建立RBF神经网络、SVM和Adaboost三种分类器对13个等级的462片烟叶进行分级。学习样本和测试样本的正确识别率分别为：RBF为89.6%、85.5%；SVM为89.3%、86.6%；Adaboost为96.3%、93.2%。 3.烟叶特征选择及分级。分别利用RBF、SVM神经网络和Adaboost联合二进制粒子群算法对烟叶图像特征进行自适应选择；通过多次的迭代选择，最优特征数目分别为16，21和21个。利用这三组特征分别建立RBF神经网络、SVM和Adaboost分级模型对462片烟叶进行分级，这9个分级结果及没进行自适应特征筛选的3个分级结果表明：(1)这三种特征选择方法都可以有效地删除关联较大或与分级无关的部分特征；(2)特征选择方法与分级模型的匹配影响正确分级率；(3)尽管不同选择方法筛选出的特征不同，但是这些不同的特征组合对于不同的分级模型，其分级速度和正确分级率都得到提高，表明选择的特征有一定的推广性。