【正文】 ）進行了基于圖像處理的玉米常見病害識別研究，以玉米葉部病害為試驗材料,采用比傳統(tǒng)算法更為簡便、更實用的圖像增強方法（先對彩圖求反,然后對得到的反色圖像進行RGB通道分離）,總結了對玉米5種常見病害基本識別的方法。 研究現(xiàn)狀分析所查閱的資料還顯示，圖像處理技術在各種植物的病害識別方面應用非常廣泛，包括玉米、黃瓜、甘蔗的病害識別等，但在小麥病害識別方面的應用卻很少。再加上矮腥黑穗病在國內(nèi)比較少見，只有在入境植物中才可能攜帶，因此國內(nèi)對這種病害的相關研究就更少，這種病害的危害性特別大，一旦傳入我國產(chǎn)生的損失將會很大，所以本文的研究將會有很好的實用價值。圖像處理和識別技術在各方面的應用都已經(jīng)比較成熟，在對玉米、黃瓜、甘蔗的病害識別中，用到的方法和流程都是類似的。首先是圖像的預處理；然后是對目標物體的特征提取，包括形狀和紋理特征；再對提取到的特征進行篩選，選出區(qū)分度好的特征進行識別。但是目前對植物病害鑒定多數(shù)是利用模式識別或神經(jīng)網(wǎng)絡等方法進行分類識別，也有些通過遺傳算法來進行選取的，它們的算法以及實現(xiàn)方法都很繁復，而且精確率不太高。而運用支持向量機的方法進行植物病害鑒定的研究很少，支持向量機具有它獨特的優(yōu)點，它的實現(xiàn)相對容易、識別率高、性能可靠，是本次論文的主要實現(xiàn)方法。本文主要是綜合利用這些方法來進行不同病害的識別，把它們應用到小麥的幾種腥黑穗病病害的識別方面。在將來圖像識別技術在各種出入境植物的病害識別中得到很好的應用，識別的準確度得到明顯的改善，能最大程度的保證出入境植物的安全性。 小麥腥黑穗病鑒定的研究內(nèi)容與技術路線 研究內(nèi)容本文主要研究內(nèi)容如下：⑴以小麥矮腥黑穗?。═illetia Controversa Kuhn）小麥網(wǎng)腥黑穗?。═illetia cories （DC.） Tul.）三種病害圖像為研究對象，分析、比較多種圖像預處理方法，提出適合于入境小麥病害圖像的預處理方法，改進對圖像的處理效果；⑵對小麥進行圖像分割，以便能提取出需要的特征，通過對不同圖像分割算法的效果及效率進行分析，選出適合于小麥病害圖像分割的方法；⑶對小麥病害圖像的紋理特征進行分析，包括能量、熵、慣性矩、局部平穩(wěn)性、相關性等；⑷在提取形狀、紋理特征的基礎上，分析每種病害的唯一性識別特征，實現(xiàn)小麥病害的分類識別。 技術路線根據(jù)本研究的目的和要求，確定出技術路線為：先對獲取到的細胞圖像進行平滑和銳化處理，改善圖像的質量；從細胞圖像中分割出單個細胞；對這些細胞分別提取它們的顏色、形狀和紋理特征；從中選出一部分特征歸一化；利用歸一化后的特征值進行病害識別。流程見圖1。圖像獲取平滑處理銳化處理圖像分割紋理特征特征選取并歸一化病害識別及軟件開發(fā)圖1 技術路線流程圖2 支持向量機（SVM）介紹 支持向量機的簡單介紹支持向量機(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。 支持向量機方法是建立在統(tǒng)計學習理論的VC 維理論和結構風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度，Accuracy）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力（或稱泛化能力）。SVM的主要思想可以概括為:它是針對線性可分情況進行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分，從而 使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能。 支持向量機的一般特征 ，因此可以利用已知的有效算法發(fā)現(xiàn)目標函數(shù)的全局最小值。而其他分類方法（如基于規(guī)則的分類器和人工神經(jīng)網(wǎng)絡）都采用一種基于貪心學習的策略來搜索假設空間，這種方法一般只能獲得局部最優(yōu)解。盡管如此，用戶必須提供其他參數(shù)，如使用核函數(shù)類型和引入松弛變量等。，SVM可以應用與分類數(shù)據(jù)。，對于多類問題效果不好。 支持向量機的優(yōu)點1. 它是專門針對有限樣本情況的，其目標是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值。2. 算法最終將轉化成為一個二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點，解決了在神經(jīng)網(wǎng)絡方法中無法避免的局部極值問題。3. 算法將實際問題通過非線性變換轉換到高維的特征空間(Feature Space)，在高維空間中構造線性判別函數(shù)來實現(xiàn)原空間中的非線性判別函數(shù)，特殊性質能保證機器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復雜度與樣本維數(shù)無關。，實現(xiàn)結構風險最小化原則，控制分類器的推廣能力。
。
，即少量樣本（支持向量）的系數(shù)不為零，就推廣性而言，較少的支持向量數(shù)在統(tǒng)計意義上對應好的推廣能力，從計算角度看，支持向量減少了核形式判別式的計算量。 支持向量機的原理SVM方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特征空間中，使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分的問題。簡單地說，就是升維和線性化。升維，就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起“維數(shù)災難”，因而人們很少問津．但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特征空間中卻可以通過一個線性超平面實現(xiàn)線性劃分（或回歸）。一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數(shù)的展開定理，就不需要知道非線性映射的顯式表達式；由于是在高維特征空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了“維數(shù)災難”。這一切要歸功于核函數(shù)的展開和計算理論。 支持向量機的算法給定樣本集, xi∈Rn , yi∈{ 1, 1}, i= 1, ?,l, 和核函數(shù)K (xi, xj)。K 對應某特征空間Z 中的內(nèi)積, 即〈Φ(xi) , Φ(xj ) 〉= K (xi, xj)。變換Φx→z將樣本從輸入空間映射到特征空間。設計基于SVM的二分類器, 就是在Z 中尋找一定意義下的最優(yōu)超平面〈w, Φ(x) 〉 b = 0。具體地說, 當樣本集在Z 中線性可分時, 使分類間隔最大, 其求解如式（1）： ,st (1)當樣本集在Z 中線性不可分時, 使分類間隔和分類錯誤達到某種折衷, 其求解如式（2）： ,st , (2)其中, ξi是松弛變量；C為正則化參數(shù)。由于特征空間的維數(shù)可能很高, 甚至是無窮的,且變換5 并未直接給出, 大多數(shù)方法不直接求解問題(1) 和(2) , 而是求解它們的對偶問題，求解方法如式（3）和式（4） st (3) st (4)其中: A=(a1, a2, ?, al) T , ai 是問題(1) 中不等式約束yi (〈w,Φ(xi) 〉 b) ≥1 或者問題(2) 中不等式約束yi (〈w,Φ(xi) 〉 b) ≥1 ξi對應的拉格朗日乘子( 以下簡稱乘子)；赫賽矩陣Q 是半正定的, Qij =yiyj〈Φ(xi) ,Φ(xj )〉= yiyjK (xi, xj ) ；e= (1, 1, ?,1) T。求解上述規(guī)劃問題，得到一個二分類器如式（5）： (5)若ai =0,樣本xi稱為非支持向量(nonsupport vector)；若ai 0, xi稱為支持向量(support vector)；若ai=C, xi稱為有界支持向量(bounded support vector) ；若C ai0,xi稱為非有界支持向量(nonbounded support vector)。 支持向量機的編程實現(xiàn)由于matlab有自帶的SVM函數(shù)svmtrain和svmclassify，因此本次設計直接在matlab開發(fā)環(huán)境下完成圖像的分類。主要的編程實現(xiàn)如下：%讀取用于訓練和分類的數(shù)據(jù),其中fisheries是matlab自帶數(shù)據(jù)，在這里僅作舉例；load fisheriris%提取原始數(shù)據(jù)meas的第一和第二列數(shù)據(jù)，放到data中；data=[meas(:,1),meas(:,2)]。%對樣本進行標記；groups= ismember(species,’setoas’)。%把百分之八十的樣本用于訓練，剩余的用于分類；[train, test] = crossvalind(39。holdOut39。,groups，20/100)。cp = classperf(groups)。%樣本訓練；svmStruct = svmtrain(data(train,:),groups(train),39。showplot39。,true)。%樣本分類；classes = svmclassify(svmStruct,data(test,:),39。showplot39。,true)。%分類準確率的估算；classperf(cp,classes,test)。3 紋理描述及腥黑穗病的圖像特征 紋理描述方法綜述紋理特征提取是計算機視覺和模式識別研究領域的一個非常重要的研究內(nèi)容，有著非常廣闊的應用背景，其應用領域包括遙感圖像分析、醫(yī)學圖像分析、工業(yè)表面檢測、文檔處理和圖像檢索等領域。在這里將系統(tǒng)地論述紋理的定義、研究熱點以及主流紋理特征描述子，并指出各類紋理特征的優(yōu)缺點。 紋理的形成由于物體表面的物性特征不同，反映在圖像上，表現(xiàn)為亮度、顏色的變化。因此，紋理是由問題表面的物理屬性不同所引起的能夠表示某個特定表面特征的灰度或者顏色信息，不同的物理表面會產(chǎn)生不同的紋理圖像，而且很容易被人所感知，我們可以從文紋理上獲得非常豐富的視覺場景信息，并能通過紋理分析方法來完成計算機視覺和圖像理解研究領域的一些研究任務。一般來講，場景中一些潛在的物理變化會引起（例如水中的波紋，天空的云彩）圖像中的灰度變化，而后者表述了這些多樣化和難于描述的物理變化在視覺中的反映，這種在視覺上的反映就是紋理。用圖像中的二維灰度變化來表征多種多樣的紋理本身就是一個非常復雜的過程，因此，很難給紋理一個精確的定義。盡管從紋理研究初期起就有許多紋理方面的研究成果，然而到目前為止，在計算機視覺研究文獻中還沒有一個大家都能接受的精確定義。當看到兩種不同的紋理，我們可以清楚地區(qū)別它們的相似性或差異性，但是很難用語言或數(shù)字來精確地來描述。雖然很難給紋理下一個非常精確的定義，但是為了研究方便，許多學者試圖發(fā)現(xiàn)反映紋理的本質屬性。例如，Tabmur等人將紋理看成一個宏觀區(qū)域的組成，其結構可簡單地歸于那些重復的模式，在這些模式中，元素或基元根據(jù)一個置放規(guī)則而排列；Sklansky認為如果在一個圖像的某個區(qū)域中，一個局部統(tǒng)計量的集合或圖像函數(shù)的某些屬性是常量、緩慢變化或近似周期性，那么該區(qū)域就具有反映一定的紋理內(nèi)在特征。Haralick則認為圖像紋理可以通過紋理基元及其空間組織或布局來描述。Hawkins指出紋理的表述看起來好像依賴于三個成分:1)一些局部的“序”在一個相對于序的尺寸足夠大的區(qū)域中重復，2)序基于基本部分的非隨機排列，3)在紋理區(qū)域內(nèi)任何地方都具有近似同樣維數(shù)的均一實體部分。這些不同的定義是由于不同學者對紋理的不同理解而形成并且依賴于具體的應用。這從另一個角度反映出進行紋理特征的研究十分具有挑戰(zhàn)性。雖然