11、图像识别与纹理分析技术：从果蔬到木材的探索

图像识别与纹理分析技术：从果蔬到木材的探索

1. 果蔬自动识别技术

在果蔬识别领域，将CENTRIST特征与HS - 直方图相融合，能够实现较高的果蔬识别准确率。这种方法具有很强的鲁棒性，能够应对诸如阴影、塑料袋、收银员的手等不同遮挡情况。

虽然在结合CENTRIST和HS - 直方图时，PCA和LDA方法并未带来更高的准确率，但它有助于减少和选择具有区分性的特征。而且，当单独使用这些特征时，能显著提高识别准确率。此外，计算CENTRIST和HS - 直方图特征不需要大量的计算资源，生成组合特征向量的过程快速高效，可实现实时的果蔬识别。

2. 纹理特征的尺度敏感性研究

2.1 研究背景

视觉场景理解依赖于形状和材料。形状是稳定的视觉属性，而表面材料的外观在不同观察条件下会发生很大变化，这对其识别和真实合成产生了显著的负面影响。因此，可靠的计算机视觉信息解释需要能够处理各种观察条件变化的复杂视觉信息模型，多维视觉纹理是一种合适的表面反射函数模型范式。

2.2 主要纹理特征

• 2DCAR光照不变特征 ：
  • 纹理被分解为高斯下采样金字塔的K个级别，每个金字塔级别由因果自回归随机（CAR）模型建模。
  • 估计模型参数并从中计算光照不变量，最后将所有金字塔级别的光照不变量连接成一个特征向量。
  • 假设每个多光谱纹理由C个光谱平面组成，通过Karhunen - Loeve变换对光谱平面进行去相关处理，然后使用三维模型或C个二维模型进行建模。
  • 二维模