В настоящее время вычислительный анализ изображений пшеницы с целью идентификации сортов пшеницы и оценкой ее качества находит много применений
в сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученных
методом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которые
представляют результаты экспериментов для 3 вариантов концентраций и 4 временных интервалов для каждой концентрации. Все изображения имеют довольно
близкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка.
В качестве признакового описания изображений использовался мультифрактальный спектр, полученный методом вычисления так называемой локальной функции
плотности. Классификация проводилась с помощью различных методов машинного обучения, таких как линейная регрессия, наивный байесовский классификатор,
машина опорных векторов и случайный лес. В некоторых случаях для сокращения
размерности признаковых характеристик использовался метод главных компонент.
Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комбинации с методом главных компонент позволяет идентифицировать изображения,
полученные методом чувствительной кристаллизации, с наибольшей средней точностью классификации в 74%.