(3.80.6.131) 您好!臺灣時間:2021/05/15 01:12
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林秀貞
研究生(外文):Hsiu-Chen Lin
論文名稱:利用特徵分層和權重相似性測量建置葉片檢索系統
論文名稱(外文):Leaf Retrieval System Using Stratified Features And Weighting Similarity Measure
指導教授:魏嘉宏魏嘉宏引用關係
指導教授(外文):Chia-Hung Wei
學位類別:碩士
校院名稱:清雲科技大學
系所名稱:資訊管理所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:62
中文關鍵詞:葉片檢索系統特徵分層權重數值分類學相似性測量
外文關鍵詞:Leaf Retrieval SystemStratified FeaturesWeightingNumerical TaxonomySimilarity Measures
相關次數:
  • 被引用被引用:0
  • 點閱點閱:105
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
目前常用於葉片影像檢索的形狀特徵有Zernike moments、長寬比、離心率、緊湊率等,而邊緣特徵則是質心距離。這些特徵都是可以有效描述圖片的區域形狀,透過對於影像的描述能力以及抗旋轉、平移和不變性的特質,可以幫助葉片檢索做更進一步的有效特徵抽取。
本研究在葉片檢索系統中提出利用數值分類學的概念來進行特徵分層的設計,透過階層集群分析法得到最佳的特徵分層順序,至於權重則是採用歐幾里德距離與相似性關係進行計算。當歐幾里德距離的值越大,表示相似性越低,所以給予的權重則要越小,反之亦然,透過這樣的計算方式得到權重的計算公式,並與特徵分層一起計算影像之間的相似性程度。
最後利用特徵分層的設計方式,與歐幾里德距離與相似性之間的對比關係所提出的權重計算,建立葉片檢索系統的架構,先將抽取出來的葉片特徵量化成特徵值,並進行正規化的計算,再進行特徵分層和權重計算的相似性測量,最後找到相似的葉片影像,並將葉片檢索結果完整呈現給使用者。透過有特徵分層與權重計算的葉片檢索系統,不但能讓使用者快速查詢出葉片的種類,也可以找到想要瞭解的葉片資訊。
實驗結果顯示,有使用特徵分層加權和未使用特徵分層加權的方法,還有使用特徵分層但未使用加權的方法,以及葉片分類所提出的長寬比、邊緣比及中心位置的加權方式和長寬比、邊緣比、中心位置及投影的加權方法一起進行績效評估後,本研究所提出的特徵分層加權方法來進行葉片檢索,最後得到的檢索結果的確可以提高其準確性,讓檢索的績效也可以越來越好。


Currently the shape features of the leaf image retrieval of are Zernike moments, aspect ratio, eccentricity, compact rate. The edge feature is the centroid distance. These features can describe the shape of the image area effectively. Ability to describe the use of images and anti-rotation, translation and invariance characteristics, can help leaf retrieval system to make more efficient retrieve feature extraction.
Leaf retrieval system uses multiple features to compute similarity, given the weight of each feature are the same, you can’t distinguish the features of importance for leaf retrieval system. In order to use weights to indicate the importance of leaf characteristics, this study proposes stratified features and weighting similarity measure for similar leaf retrieval. Design and combination of stratified features is based on the concept of numerical taxonomy and hierarchical clustering. Weighting similarity measure involves Euclidean distance and a weighting function. When the Euclidean distance the greater the value that the lower the similarity, so the weight will have to give the smaller, and vice versa. Use this formula to get the weighting, and calculate and features layered with the degree of similarity between images.
Finally, the use of stratified features design approach and weighting similarity measure involves Euclidean distance and a weighting function in the establishment of leaf retrieval system architecture. First step is to extract the values of features, and the normalization of the calculation. Then stratified features and weighting similarity measure are performed. The proposed system can locate similar leaf images and return search results to the user. Through stratified features and weighting of leaf retrieval system, users not only allows to quickly find out the types of leaves, but also find the information they want to know the leaves.
Experimental results show that using the stratified features and weighting method, using the stratified features, but not using weighting methods, the proposed leaf classification to use aspect ratio, edge ratio and the center mode methods and aspect ratio, edge ratio, central location and projection method with the calculate performance evaluation. In this study the proposed method can improve the retrieval performance and finally get the search results can indeed improve their accuracy, so retrieval performance can be better.


摘要 i
ABSTRACT ii
誌謝 iv
目錄 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1. 研究背景 1
1.2. 研究動機 1
1.3. 研究目的 2
第二章 文獻探討 3
2.1 以內容為基礎的影像檢索系統 3
2.2 葉片形狀 4
2.3 葉片邊緣 8
2.4 相關葉片檢索研究的比較 10
第三章 研究方法 20
3.1 研究架構 21
3.2 前置處理 23
3.3 特徵抽取 25
3.3.1. 形狀特徵 25
3.3.2. 邊緣特徵 28
3.4 正規化 28
3.5 特徵分層 29
3.6 相似性測量 36
3.6.1. 歐幾里德距離 37
3.6.2. 權重計算 37
3.7 葉片檢索系統 41
第四章 實驗結果 46
4.1 葉片收集 46
4.2 績效評估 48
4.3 實驗結果 48
4.3.1. 特徵分層加權與特徵未分層加權的績效評估 49
4.3.2. 特徵分層加權與特徵分層未加權的績效評估 51
4.3.3. 本研究方法與長寬比、邊緣比及中心位置分層加權績效評估 52
4.3.4. 本研究方法與長寬比、邊緣比、中心位置及投影分層加權績效評估 53
第五章 結果討論 56
第六章 結論與未來展望 59
參考文獻 61


1.植物學(下). from http://rcs.wuchang-edu.com/Special/Subject/CZSW/SWTS/ZWX2/
2.Han, J., & Kamber, M. (2008). 資料探勘:概念與方法. 鼎隆出版社.
3.丁一賢 & 陳牧言. (2006). 資料探勘. 滄海出版社.
4.中山大學生物系 & 南京大學生物系. (1990). 植物學之系統與分類. 地景企業股份有限公司.
5.章錦瑜. (1990). 彩色圖鑑景觀植物(一). 淑馨出版社. 台北市.
6.李佳玲. (2003). 葉片分類. 元智大學, 桃園縣.
7.李育強,楊智雁,呂學承 & 吳偉誠. (2010). 運用內部切割提昇 Zernike Moments 之特徵辨識效能. 第九屆離島資訊技術與應用研討會摘要論文集.
8.周振傑. (2007). 以模糊函數量化葉片特徵之植物檢索系統. 南台科技大學, 台南縣.
9.徐佳民. (2007). 葉片檢索技術之研究. 國立臺中技術學院, 台中市.
10.孫永新. (2009). 基于多尺度形狀分析的葉形識別系統. 計算機應用, 29(6), 4.
11.黃薰瑩. (2008). 一個自動化葉片辨識系統. 國立交通大學, 新竹市.
12.楊志鴻. (2008). 一個基於花與葉片之植物辨識系統. 國立交通大學, 新竹市.
13.Du, J.-X., Wang, X.-F., & Zhang, G.-J. (2007). Leaf shape based plant species recognition. Applied Mathematics and Computation, 185(2), 883-893.
14.John Eakins, & Graham, M. (1999). Content-based Image Retrieval. University of Northumbria at Newcastle.
15.Kim, W.-Y., & Kim, Y.-S. (2000). A region-based shape descriptor using Zernike moments. Signal Processing: Image Communication, 16(1-2), 95-102.
16.Nam, Y., Hwang, E., & Kim, D. (2008). A similarity-based leaf image retrieval scheme: Joining shape and venation features. Computer Vision and Image Understanding, 110(2), 245-259.
17.Park, J., Hwang, E., & Nam, Y. (2008). Utilizing venation features for efficient leaf image retrieval. Journal of Systems and Software, 81(1), 71-82.
18.Qian, G., Sural, S., Gu, Y., & Pramanik, S. (2004). Similarity between Euclidean and cosine angle distance for nearest neighbor queries. The 2004 ACM symposium on Applied computing.
19.Smeulders, A. W. M., Worring, M., Santini, S., Gupta, A., & Jain, R. (2000). Content-based image retrieval at the end of the early years. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(12), 1349-1380.
20.Wang, X.-F., Huang, D.-S., Du, J.-X., Xu, H., & Heutte, L. (2008). Classification of plant leaf images with complicated background. Applied Mathematics and Computation, 205(2), 916-926.
21.Wei, C.-H., Li, Y., Chau, W.-Y., & Li, C.-T. (2009). Trademark image retrieval using synthetic features for describing global shape and interior structure. Pattern Recognition, 42(3), 386-394.
22.Wu, S. G., Bao, F. S., Xu, E. Y., Yu-Xuan, W., Yi-Fan, C., & Qiao-Liang, X. (2007, 15-18 Dec. 2007). A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. 2007 IEEE International Symposium on Signal Processing and Information Technology.



QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top