Pollen classification based on geometrical, descriptors and colour features using decorrelation stretching method

Abstract

Salvar la biodiversidad de la tierra para las generaciones futuras es una importante tarea global, donde el reconocimiento automático de especies de polen por medio de visión artificial representa un tema de alta prioridad. Este trabajo se centra en las etapas de análisis y clasificación. Una combinación de medidas geométricas, descriptores de Fourier de detalles morfológicos usando la Transformada Discreta del Coseno (DCT) para seleccionar sus valores más significativos, e información de color sobre imágenes estiradas de correlacionadas se proponen como características discriminatorias de los granos de polen. Se utilizó una red neuronal multicapa como clasificador aplicando técnicas de fusión de puntajes. Se han clasificado 17 especies de plantas melíferas tropicales con una media de 96,49% ± 1,16 de éxito.

Saving earth's biodiversity for future generations is an important global task, where automatic recognition of pollen species by means of computer vision represents a highly prioritized issue. This work focuses on analysis and classification stages. A combination of geometrical measures, Fourier descriptors of morphological details using Discrete Cosine Transform (DCT) in order to select their most significant values, and colour information over decorrelated stretched images are proposed as pollen grains discriminative features. A Multi-Layer neural network was used as classifier applying scores fusion techniques. 17 tropical honey plant species have been classified achieving a mean of 96.49% ± 1.16 of success.