结合局部 K-NN 与加权稀疏表示的植物物种两阶段识别

在经典的基于稀疏表示的分类和加权 SRC 算法中，测试样本由所有训练样本稀疏表示。它们强调编码系数的稀疏性，却未考虑输入数据的局部结构。为克服该缺点，针对大规模数据库上植物叶片识别的难题，提出一种结合基于局部均值的分类方法和局部 WSRC 的基于两阶段局部相似性的分类学习方法。在第一阶段，应用 LMC 对测试样本进行粗分类。从每个训练类别中选择测试样本的最近邻作为邻域子集，然后计算每个类别的局部几何中心。根据测试样本与每个局部几何中心之间最小的 S 个距离，确定测试样本的 S 个候选邻域子集。在第二阶段，提出 LWSRC，通过候选邻域子集所有样本的线性加权和来近似表示测试样本。所提方法的原理如下：第一阶段旨在消除远离测试样本的训练样本，并假设这些样本对最终分类决策无影响，进而选择测试样本的候选邻域子集。因此分类问题简化为更少的子集；第二阶段在加权表示测试样本时更关注那些候选邻域子集的训练样本。这有助于准确表示测试样本。在叶片图像数据库上的实验结果表明，所提方法不仅具有高精度和低时间成本，而且可清晰解释。