谢永华，朱延刚，赵贤国

（南京信息工程大学 a.计算机与软件学院；b.江苏省网络监控中心，南京 210044）

0 概述

花粉的分类识别在生物和医学领域具有重要的研究意义和应用前景［1］。但目前的花粉分类识别工作主要依靠人工在显微镜下进行，需要操作者具备相关的知识经验，过程耗时费力且准确度不高。鉴于显微镜下的花粉图像具有与普通图像相似的轮廓［2］、纹理［3］等特征，随着图像处理和模式识别理论的进一步发展，基于花粉图像特征的自动分类已经成为花粉鉴别的一种有效手段。

近年来，花粉图像特征提取方法得到了广泛研究并取得了一些代表性的研究成果。例如，文献［4］提出了一种基于花粉穗轮廓描述子（Captures the Spikes of Pollen Descriptor，CSPD），识别率达到了90%左右，但该描述子易受噪声干扰，稳定性不好，影响匹配准确度；文献［5］提出了基于隐马尔可夫模型的轮廓特征描述子（Discrete Hidden Markov Model Descriptor，DHMMD），获得了 93%左右的识别率，这类描述子特征向量维度较低，计算量较小，但对于边缘轮廓不明显的实时采集花粉图像，识别率普遍较低；文献［6］提出了基于神经网络的局部纹理特征描述子（Texture Feature Dependent Neural Network，TFDNN），获得了92%的识别率，虽然这类描述子针对部分纹理清晰的花粉图像识别率较高，但带有较多冗余信息，增加了计算的复杂度；文献［7］提出了一种提取纹理特征快速傅里叶逆变换描述子（Inverse Fast Fourier Transform，IFFT），获得了91%左右的识别率，该描述子可以提取不同频域上的纹理特征，但其生成的特征向量维度高，分类耗时长；文献［8］提出了一种粗糙……