基于纹理分析的茶青在线分类

摘要

随着信息技术的快速发展，已经将视觉技术广泛地应用于食品的加工、分类与检测中，但对茶青进行分类还很少有相关的研究与应用。目前的茶青分级是通过传统的鲜叶分级机对茶叶进行初级分类，但其分类的精度并不是很高，由于茶青的纹理特征鲜明，使得将纹理分析应用于茶青的分类成为可能。本文的研究内容如下:
　　(1)茶青图像的预处理的研究。首先选择了加权平均值法进行灰度化，然后采用了中值滤波进行去噪处理。
　　(2)茶青纹理特征值提取方法的研究。本文根据茶青纹理无规则性特点，选择了基于统计法的灰度共生矩阵(Gray level co-occurrencematrix GLCM)提取茶青的纹理特征，并提取出方向为0°、45°、90°、135°，像素距离为10至60之间的茶青纹理能量、对比度、相关性、逆差距四个特征值，并详细对其提取效果进行了分析。
　　(3)基于LS-SVM分类器的茶青分类的研究。本文采用了最小二乘SVM(Least Squares Support Vector Machine LS-SVM)作为茶青的分类器，并提出将纹理特征值相结合作为LS-SVM的特征向量进行茶青的训练与分类。分类器中核函数选择了径向基核函数(RadialBasis Function RBF)，其参数及惩罚因子是先用网格搜索来选择参数对，然后用多次交叉验证法对目标函数进行寻优来确定，学习训练算法通过自适应序贯最小优化算法(Sequential Minimal OptimizationSMO)来实现，并采用了一对一方法进行多类分类。
　　最后进行了实验分析，实验表明，将GLCM及LS-SVM相结合应用于茶青的分类中，能够取得很好的分类效果，其准确率能够达到96％以上，本课题研究具有较高的理论意义及现实意义。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文研究内容及组织结构

1．4 本章小结

2 茶青图像预处理的研究

2．1 灰度化

2．2 滤波去噪

2．2．1 中值滤波

2．2．2 均值滤波

2．3 本章小结

3 茶青纹理特征提取方法的研究

3．1 纹理的定义及特征

3．2 纹理特征提取技术分析

3．2．1 结构法分析

3．2．2 模型法分析

3．2．3 频谱法分析

3．2．4 统计法分析

3．3 灰度共生矩阵的研究

3．3．1 灰度共生矩阵的定义

3．3．2 灰度共生矩阵的特征参数

3．4 基于灰度共生矩阵提取茶青纹理特征值

3．4．1 灰度共生矩阵构造参数的选取

3．4．2 实验结果与分析

3．5 本章小结

4 基于支持向量机的茶青分类研究

4．1 常用的分类方法

4．2 基于支持向量机的分类

4．2．1 统计学习理论的研究

4．2．2 线性可分

4．2．3 线性不可分

4．2．4 核函数

4．3 基于LS-SVM的茶青分类研究

4．3．1 LS-SVM分类器设计

4．3．2 LS-SYM分类器实现

4．3．3 LS-SVM分类器分类流程

4．4 基于LS-SVM的茶青分类实验结果与分析

4．5 本章小结

5 基于纹理分析的茶青在线分类设计与实验分析

5．1 实验环境

5．2 系统的架构设计

5．3 系统功能模块设计

5．4 实验结果与分析

5．5 本章小结

6 总结与展望

6．1 本文总结

6．2 工作展望

参考文献

攻读学位期间主要研究成果

致谢