新疆医科大学学报
新疆醫科大學學報
신강의과대학학보
JOURNAL OF XINJIANG MEDICAL UNIVERSITY
2015年
7期
799-804
,共6页
木拉提·哈米提%张岁霞%严传波%阿布都艾尼·库吐鲁克%孙静%艾赛提·买提木沙%员伟康%杨芳%伊利扎提·阿力甫%孔喜梅
木拉提·哈米提%張歲霞%嚴傳波%阿佈都艾尼·庫吐魯剋%孫靜%艾賽提·買提木沙%員偉康%楊芳%伊利扎提·阿力甫%孔喜梅
목랍제·합미제%장세하%엄전파%아포도애니·고토로극%손정%애새제·매제목사%원위강%양방%이리찰제·아력보%공희매
KNN 分类器%灰度-共生矩阵%Tamura 纹理特征%图像分类
KNN 分類器%灰度-共生矩陣%Tamura 紋理特徵%圖像分類
KNN 분류기%회도-공생구진%Tamura 문리특정%도상분류
KNN Classifier%gray gradient co-occurrence matrix%tamura texture features%image classification
目的：探讨 K 近邻结点算法（k-Nearest Neighbor algorithm，KNN）分类器在新疆维吾尔药材图像分类中的应用。方法采用 KNN 分类器对新疆维吾尔药材图像的灰度-梯度共生矩阵特征和 Tamura 纹理特征进行判别分类。选取训练样本为80、100、120的3个训练集，训练并得到最优 K 值，并分别在测试样本为120、100、80的3个测试集中验证结果。结果K 值越小（3～13），KNN 分类器对叶类图像分类准确率越高；K 值越大（63～71），KNN 分类器对花类图像分类准确率越高。当 K 值取3～13时，120、100、80的3个测试集中叶类图像的平均分类准确率分别为94．72％、89．45％、82．61％；K 值取63～79时，120、100、80的3个测试集中花类图像的平均分类准确率分别为74．71％、72．79％、76．55％。结论KNN 分类器可为新疆维吾尔药材图像类型判断提供一定的依据，为新疆维吾尔药材图像检索系统的检索精度的提升奠定了基础。
目的：探討 K 近鄰結點算法（k-Nearest Neighbor algorithm，KNN）分類器在新疆維吾爾藥材圖像分類中的應用。方法採用 KNN 分類器對新疆維吾爾藥材圖像的灰度-梯度共生矩陣特徵和 Tamura 紋理特徵進行判彆分類。選取訓練樣本為80、100、120的3箇訓練集，訓練併得到最優 K 值，併分彆在測試樣本為120、100、80的3箇測試集中驗證結果。結果K 值越小（3～13），KNN 分類器對葉類圖像分類準確率越高；K 值越大（63～71），KNN 分類器對花類圖像分類準確率越高。噹 K 值取3～13時，120、100、80的3箇測試集中葉類圖像的平均分類準確率分彆為94．72％、89．45％、82．61％；K 值取63～79時，120、100、80的3箇測試集中花類圖像的平均分類準確率分彆為74．71％、72．79％、76．55％。結論KNN 分類器可為新疆維吾爾藥材圖像類型判斷提供一定的依據，為新疆維吾爾藥材圖像檢索繫統的檢索精度的提升奠定瞭基礎。
목적：탐토 K 근린결점산법（k-Nearest Neighbor algorithm，KNN）분류기재신강유오이약재도상분류중적응용。방법채용 KNN 분류기대신강유오이약재도상적회도-제도공생구진특정화 Tamura 문리특정진행판별분류。선취훈련양본위80、100、120적3개훈련집，훈련병득도최우 K 치，병분별재측시양본위120、100、80적3개측시집중험증결과。결과K 치월소（3～13），KNN 분류기대협류도상분류준학솔월고；K 치월대（63～71），KNN 분류기대화류도상분류준학솔월고。당 K 치취3～13시，120、100、80적3개측시집중협류도상적평균분류준학솔분별위94．72％、89．45％、82．61％；K 치취63～79시，120、100、80적3개측시집중화류도상적평균분류준학솔분별위74．71％、72．79％、76．55％。결론KNN 분류기가위신강유오이약재도상류형판단제공일정적의거，위신강유오이약재도상검색계통적검색정도적제승전정료기출。
Objective To investigate the classification capability dealing with Xinjiang Uygur medicine by means of k-Nearest Neighbor algorithm (KNN)classifier.Methods Matlab was used to preprocess and ex-tract features based on gray gradient co-occurrence matrix and Tamura texture features.KNN classifier was used to classify image features.We selected training samples of 80,100,120 as train sets,trained and got optimal k value,then tested results in three test samples of 120,100,80.Results The smaller the k value (3 - 13 )was the higher accuracy KNN classifier on the leaf image classification.The average accuracy rate in three test samples reached 94.72%,89.45% and 82.61% respectively.The larger k value (63-71)was the higher accuracy KNN classifier on the flower image classification.The average accuracy rate in three test samples reached 74.71%,72.79% and 76.55% respectively.Conclusion The data show that when adopting mixed texture combined with the KNN classifier,the classification ability can be im-proved and provide a certain basis for judgment of Xinjiang Uygur medicine types.This laid the foundation for improvement of accuracy of Xinjiang Uygur medicine image retrieval system.
