出版物

本文研究了基于图像的花卉分类问题。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，该系统可以确定花的种类，而不管花的视角、比例、光照和自然变形如何变化。我们将问题分为两个挑战：分割和分类。

对于分割，我们开发了一种迭代分割方案，该方案能够在给定花的通用颜色模型而没有特定图像中花的信息的情况下分割花。这是通过迭代拟合几何模型和更新颜色模型来实现的。每次迭代的分段是通过使用图割最小化条件随机场来获得的。

对于分类，我们研究了如何结合不同的特征，这些特征经过精心打磨以描述不同的方面，从而提高性能。我们描述的方面是颜色、纹理和形状。此外，我们使用为分割引入的几何模型来开发仿射不变的几何布局特征。

我们在17类和102类花卉数据库上评估了我们的方法。尽管类内变化很大，类间变化很小，数据库规模很大，但我们展示了良好的分类性能和非常好的检索性能。

我们描述了一种自动分割彩色照片中花朵的算法。这是一个挑战问题在于花类的多样性、类内和特定类内的可变性花，以及成像条件的可变性-照明、姿势、透视等。该方法将两个模型耦合在一起–一个用于前景和背景的颜色模型，以及一个用于灯光的通用模型花瓣结构的形状模型。该形状模型能够适应视点变化和花瓣变形，适用于许多不同的花卉类别。分段是使用使用图形切割优化MRF成本函数。我们展示了如何调整算法的组件以克服常见的分割错误以及如何通过在训练集上学习参数来优化性能。该算法在13个花类和750多个示例上进行了评估。绩效评估针对地面实况裁剪分割。该算法还与之前的几个算法进行了比较花卉分割方法。

我们调查特征组合的程度可以提高大型数据集的分类性能类似类别的。为此，我们引入了一个103类花卉数据集。我们为花，每一个描述不同的方面，即当地形状/纹理、边界形状、整体花瓣的空间分布和颜色。我们合并使用带有SVM的多核框架的特征分类器。使用Varma和Ray的方法[16]，实现了其他大型数据集上的艺术表现，如加州理工学院101/256. 我们的数据集在数量上也面临类似的挑战的课程，但增加了介于类相似度和类内小相似度。结果表明学习多重核的最佳组合功能大大提高了性能，从55.1%对于最佳的单一特征，对于组合所有功能。

我们描述了一种自动分割花朵的算法彩色照片。这是一个具有挑战性的问题，因为花类的多样性，类内的可变性，特定花的变异，以及成像条件——照明、姿势、透视等。

该方法将两个模型耦合在一起--前景和背景和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卉类别。这个分段是使用MRF成本函数生成的，该函数使用图形剪切。

该算法在13个花卉类和750多个花卉类上进行了测试示例。根据地面实况分段评估性能。

我们调查了“视觉词汇袋”模型在多大程度上可以使用区分具有显著视觉相似性的类别。为此，我们开发并优化了最近邻分类器体系结构，它是在一个非常具有挑战性的数据库上评估的花卉图像。花卉类别选择为仅在颜色上是无法区分的（例如），并且有相当大的区别形状、比例和视角的变化。

我们通过开发一个明确的视觉词汇表来证明这一点代表了区分花朵，我们可以克服歧义存在于花类之间。新颖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）都在一个验证集上进行了优化。

结果显示在包含17幅图像的1360幅图像的数据集上花卉品种。结果表明，出色的性能可以使用（for示例）仅颜色提示。