第4章　最大最小判别映射植物叶片图像分类方法研究

经典的植物叶片分类方法可以描述为：提取叶片的一些特征参数，采用合适的分类器对植物开展识别与分类。选用的特征参数一般包括叶片的比例参数值、各种不变矩、傅里叶描绘子、小波变换系数和分形维数等。

我们知道，同类叶片甚至同一棵树上的叶片之间的差异有时非常大，如图4-1（a）所示，桃树、桑树和石榴树各自叶片之间的差异非常大；而不同种类树木之间的叶片差异有时非常小，如图4-1（b）所示，络石和油茶树叶片之间的差异较小。该现象使非常多的叶片分类方法不能满足植物自动分类系统的需要，主要原因是这些方法基本上属于统计或线性特征提取方法，无法得到高维、多变和非线性叶片图像固有的内在数据结构。

图4-1　5种不同种类树木的叶片图像

植物叶片图像分类的关键步骤是数据降维。许多非线性植物叶片图像都不适合用经典的线性降维方法来处理。流形学习是一个相对较新的非线性降维技术，可以找到低维流形结构嵌入高维数据空间，对训练集的高维数据实现非线性降维，并给出一个有效的低维测试数据集，分类特征易于识别。目前，人脸、手写体识别、掌纹和植物叶片图像等领域已经成功地应用了流形学习。为了克服现有的监督流形学习算法权值计算中，存在因为需要判别任意两个样本是否属于同一类别而降低了算法的效率这一问题，本章首先采用Warshall算法快速获得数据类的关系矩阵，然后提出了一项判别映射歧管基于最大最小准则的学习算法，并将其应用于植物叶片图像的分类。该方法的目标是获得一个映射矩阵，减少低维空间中相似样本之间的距离，同时增大异质样本间的距离，以提高数据的分类率。