王天旺 解立明 刘文 王欣

摘要：提出了一种基于改进鲁棒多分类SVM的烟叶颜色等级分类方法，将烟叶图像颜色转为HSV空间。该方法提取烟叶上、中、下三个区域一、二、三阶颜色矩作为分类特征，改进SVM分类器对各色组离群训练样本的约束，减少依赖，提高分类模型对样本分类的精确度。在改善SVM二分类器的基础上采用一对多的多分类策略，实现烟叶颜色6个等级的识别判断。试验结果表明，改进鲁棒性SVM方法下所训练模型对未来烟叶颜色等级的识别率比HL-SVM方法的识别率高6.29%。

关键词：烟叶颜色分级;支持向量机;分类模型;鲁棒性

0 引言

近年来，基于煙叶图像特征分级的研究已经有大量文献报道[1-3]，在图像特征基础上，提取烟叶颜色特征，运用神经网络[1]、支持向量机（SVM）[2-3]等分类方法对烟叶进行分级，取得了一定的效果。研究结果显示，SVM模型相较神经网络模型，表现出了更好的泛化能力。然而SVM模型也存在问题，如SVM模型易受训练样本的影响，对离群训练样本数据比较敏感，存在分类性能不稳定的问题。鉴于此，有学者提出了一种基于Hinge代价函数的鲁棒SVM方法（即HL-SVM）[4]，改善离群样本对SVM分类模型的影响。但此方法只对训练样本中离群程度轻的影响约束有效，而约束离群程度大的训练样本则会导致所得分类模型的泛化能力降低。

烟叶各颜色等级的颜色特征存在相关性，特别是杂色组（即K色组）与其他色组的颜色特征的相关性极高，导致在颜色特征空间存在样本远离其K色组群，分布到其他色组群区域的情况。……