出版物

本文研究了从图像中进行花卉分类的问题。给定一个图像，并且只知道它包含一朵花，任务是设计一个系统，该系统可以确定该花的种类，尽管该花的视点、比例、光照和自然变形发生了变化。我们将问题分为两个挑战：分割和分类。

在分割方面，我们提出了一种迭代分割方案，该方案只需给定一个花朵的一般颜色模型，而不需要特定图像中花朵的相关信息。这是通过迭代拟合几何模型和更新颜色模型来完成的。每一次迭代的分段都是通过使用graphcuts最小化条件随机场得到的。

对于分类，我们研究如何结合不同的特征，这些特征被仔细地磨练来描述不同的方面，从而提高性能。我们描述的是颜色、质地和形状。另外，我们利用分割所引入的几何模型来发展仿射不变的几何布局特征。

我们在17个类别和102个类别的花卉数据库上对我们的方法进行了评估。尽管存在大量的类内变异、小的类间变异以及数据库的规模，我们仍然表现出良好的分类性能和很好的检索性能。

我们描述了一种自动分割彩色照片中花朵的算法。这是一个挑战问题是因为花类的多样性，一个类和一个特定类内的可变性以及成像条件的变化-光照、姿势、缩短等。该方法将两个模型耦合在一起—前景和背景的颜色模型和灯光通用模型花瓣结构的形状模型。此形状模型可以容忍视点变化和花瓣变形，适用于许多不同的花类。分段是使用利用图切割优化MRF成本函数。我们展示了如何调整算法的组件来克服常见的分割错误，以及如何通过在训练集中学习参数来优化性能。该算法在13个花卉类和750多个实例上进行了评价。绩效评估反地面真相trimap片段。文中还与以前的几种算法进行了比较花卉分割方法。

我们研究特征组合的程度可以提高大型数据集的分类性能同类的。为此，我们介绍一个103班花卉数据集。我们为花，每一朵都描述着不同的方面，即乡土形状/纹理、边界形状、整体花瓣的空间分布和颜色。我们联合起来基于支持向量机的多核框架特征提取分类器。每节课的重量是用Varma和Ray的方法[16]，它已经达到了其他大型数据集的艺术表现，如加州理工大学101/256。我们的数据集在数量上也有类似的挑战类，但是增加了难度类相似性和小类内相似性。结果证明了学习的最优核组合功能极大地提高了性能，从55.1%提高到对于最佳单一功能的组合，为72.8%所有功能。

我们描述了一个自动分割花的算法彩色照片。这是一个具有挑战性的问题，因为花类的多样性，类内的变异性，在一朵花内的变异，以及成像条件——光照、姿势、缩短等。

该方法耦合了两个模型——前景和背景，以及花瓣结构的通用形状模型。这个形状模型能够容忍视点变化和花瓣变形，适用于许多不同的花类。这个分段生产使用MRF成本函数优化使用图形切割。

该算法在13个花卉类750多个品种上进行了测试例子。根据地面实况分段对性能进行评估。

我们调查“视觉词汇袋”模型在多大程度上可以被使用区分具有显著视觉相似性的类别。为此，我们开发并优化了一个最近邻分类器在一个极具挑战性的花卉图片。花的种类被选为仅在颜色上无法区分（例如），并且形状、比例和视角的变化。

我们通过开发一个直观的词汇来证明代表不同的方面（颜色、形状和纹理）区分一朵花和另一朵花，我们可以克服歧义存在于花类之间。新奇之处在于每个方面使用的词汇，以及这些词汇是如何使用的组合成最终分类器。分类器的各个阶段（词汇选择和组合）都在验证集上进行了优化。

结果显示在一个由17个图像组成的1360个数据集上花卉种类。结果表明，该系统具有良好的性能实现，远远超过标准基线算法使用示例）仅颜色提示。