利用尺度不变特征变换、特征包和支持向量机的葡萄藤芽图像分类

在葡萄栽培中，存在若干应用需要在葡萄园图像中进行芽检测，该任务可通过计算机视觉方法实现自动化。一类常见且有效的视觉检测算法是扫描窗口类型，其沿原始图像滑动一个（通常）固定大小的窗口，将每个得到的窗口块分类为包含或不包含目标对象。这些算法的简洁性在其分类阶段面临最挑战的方面。出于对自然田间条件下葡萄藤芽检测的兴趣，本文提出了一种针对直径在100至1600像素之间的葡萄藤芽图像的分类方法，这些图像在户外、自然田间条件、冬季（即无葡萄串、极少叶片和休眠芽）、无人工背景下捕获，且设备要求最低。所提出的方法使用知名的计算机视觉技术：尺度不变特征变换（Scale-Invariant Feature Transform）用于计算低级特征，特征包（Bag of Features）用于构建图像描述符，以及支持向量机（Support Vector Machines）用于训练分类器。当在包含直径至少100像素的芽的图像上评估时，该方法在所有覆盖整个芽直至其60%的窗口块上实现了高于0.9的召回率和0.86的准确率，并扩展到包含20%-80%芽与背景像素比例的窗口块。这种对窗口位置和大小的鲁棒性证明了其作为扫描窗口检测算法中分类阶段的可行性。