【正文】 目 錄 摘要 ................................................................... 1 英文摘要 ............................................................... 2 1 引言 ................................................................ 3 選題背景及意義 ................................................. 3 國(guó)內(nèi)外研究的進(jìn)展 ............................................... 3 樹葉識(shí)別的研究進(jìn)展 ................................................. 3 神經(jīng)網(wǎng)絡(luò)的研究進(jìn) 展 ................................................. 4 論文的主要內(nèi)容與組織結(jié)構(gòu) ....................................... 4 論文的主要內(nèi)容 ...................................................... 4 組織結(jié)構(gòu) ............................................................ 4 2 樹葉圖像預(yù)處理 ...................................................... 4 圖像采集 ....................................................... 4 圖像裁剪 ....................................................... 5 圖像平滑 ....................................................... 6 圖像分割 ....................................................... 8 最大類間方差法 ...................................................... 8 matlab 實(shí)現(xiàn)及效果圖 ................................................. 8 邊緣檢測(cè) ....................................................... 9 3 樹葉圖像特征提取 ................................................... 11 4 基于神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別 ............................................. 13 BP 網(wǎng)絡(luò)基本理論 ............................................... 13 隱含層數(shù)的選取 ................................................ 13 節(jié)點(diǎn)數(shù)的選取 .................................................. 13 BP 網(wǎng)絡(luò)的建立 ................................................. 14 樹葉識(shí)別 ...................................................... 14 GUI 界面設(shè)計(jì) .................................................. 14 結(jié)果分析 ...................................................... 16 5 總結(jié)與展望 ......................................................... 16 總結(jié)論文的主要工作 ............................................ 16 展望論文的不足 ................................................ 16 參考文獻(xiàn) .............................................................. 16 致謝 .................................................................. 17 1 基于神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別系統(tǒng)研究 摘要 ： 植物是生物圈的重要組成部分，其中，葉片是植物的一個(gè)重要特征，不同的植物葉片在葉形及葉脈等外部特征上都不盡相同，這就使我們能夠很好地利用植物葉片的特征來(lái)對(duì)植物分類。過(guò)去這類工作是由人工完成，不但工作量大，而且 工作效率比較低。隨著數(shù)字圖像處理技術(shù)的快速發(fā)展，我們可以有效地借助計(jì)算機(jī)進(jìn)行輔助操作，這樣可以提高識(shí)別的準(zhǔn)確性，從而提升了工作效率。 本文重點(diǎn)工作有：應(yīng)用數(shù)字圖像處理技術(shù)對(duì)采集到的葉片做圖像預(yù)處理；提出了基于 BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行樹葉的識(shí)別 ，并構(gòu)造了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的集成分類器模型。最后，對(duì)本系統(tǒng)進(jìn)行了仿真測(cè)試，取得了較好的結(jié)果。 關(guān)鍵詞 ： 圖像處理；神經(jīng)網(wǎng)絡(luò)；集成分類器 2 Recognition System of Leaf Images Based on Neuronal Network Abstract： The plant is an important ponent of the biosphere ,and a leaf is a key character of the plant ,different plant may be different in leaf type as well as the leaf vein ,and this enables us to use the plant leaf to carry on the classification of the plant .In the past ,this kind of work was by pletes artificially ,the work load was also very heavy ,moreover the working efficiency was relatively quite low .Along with the puter image processing technology39。s fast development ,we can use the puter to help us with this work ,then enhance the recognition accuracy and promote the working efficiency . The main work of this article includes :use digital image processing technology to pretreat the leaf image 。propose method based on BP neural work recognition of the leaves ,besides ,constructed a model based on neural work ensemble classifier .Finally carried on the experiment test to this system ,hen get to the good result . Key Words： image processing； neural work； ensemble classifier 3 1 引言 選題背景及意義 大千世界，植物是普遍存在于自然界的。植物的發(fā)展及進(jìn)化都經(jīng)歷了一個(gè)漫長(zhǎng)的階段。它們是維持人類生存的重要載體。因此，對(duì)植物的研究就顯得格外重要。目前，在地球上僅為人所知的有花植物有大約 25 萬(wàn)種，其他的更是數(shù)不勝數(shù)。面對(duì)龐大的植物世界， 目前植物分類可以通過(guò)植物葉型分類來(lái)實(shí)現(xiàn)植物種類的識(shí)別。植物葉形分類主要依賴于分類學(xué)知識(shí)淵博且長(zhǎng)期從事植物分類工作的專家學(xué)者進(jìn)行人工分類，該方法存在著耗時(shí)耗力、效率低、主觀因素大等不足， 再加上植物分類人才的匱乏，對(duì)植物分類的研究愈加困難。 隨著人工智能的日臻成熟，數(shù)字圖像處理技術(shù)廣泛用于農(nóng)業(yè)、工業(yè)、軍事等各個(gè)領(lǐng)域。利用數(shù)字圖像處理技術(shù)對(duì)植物葉片分類是完全可行的。本文擬對(duì)采集的植物葉片圖像進(jìn)行去噪、邊緣檢測(cè)等預(yù)處理，通過(guò)提取葉片圖像外部特征參數(shù)，利用 BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)植物葉片的自動(dòng)識(shí)別。 本論文的主要任務(wù)是利用數(shù)字圖像處理技術(shù)及其神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法應(yīng)用到植物葉片分類應(yīng)用領(lǐng)域，該研究是工農(nóng)交叉性研究，在一定程度上促進(jìn)了植物學(xué)、農(nóng)業(yè)及林業(yè)領(lǐng)域信息化的發(fā)展建設(shè)，為植物學(xué)農(nóng)林業(yè)的迅速發(fā)展提供了強(qiáng)有力 的技術(shù)支持，從而對(duì)推動(dòng)經(jīng)濟(jì)的跨越發(fā)展起到了重要作用。 國(guó)內(nèi)外研究的進(jìn)展 樹葉識(shí)別的研究進(jìn)展 雖然圖像識(shí)別技術(shù)在十九世紀(jì)就有人研究，但真正開始受到人們關(guān)注的是在 60年代末，隨著時(shí)間的推移，到 80年代，圖像識(shí)別技術(shù)廣泛應(yīng)用到各個(gè)領(lǐng)域，而且也取得了不錯(cuò)的成果。傅弘 [1]學(xué)者 提出了 神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，通過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)準(zhǔn)確地提取了葉脈圖像，實(shí)現(xiàn)了葉脈的提取；朱靜 [2]學(xué)者提出了在 Windows XP平臺(tái)上對(duì)葉片圖像的輸入、變換及分割等識(shí)別過(guò)程的設(shè)計(jì) ,實(shí)現(xiàn)了葉緣特征的結(jié)果輸出和葉片圖像的形狀。劉純利 [3]學(xué)者 提出了樹葉紋理建模的樹葉識(shí)別方法，通過(guò)提取采集的樹葉的某些區(qū)域，利用圖像處理對(duì)重要區(qū)域進(jìn)行變換，并用高斯模型對(duì)高頻子帶建模，再用高斯模型的參數(shù)作為樹葉的特征，從而實(shí)現(xiàn)了樹葉識(shí)別；王代琳 [4]學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別方法，通過(guò)對(duì)不同樹葉進(jìn)行預(yù)處理來(lái)獲取外形特征，利用 java語(yǔ)言實(shí)現(xiàn)了樹葉識(shí)別；朱寧 [5]學(xué)者利用局部二進(jìn)制模式方法，提出了將該方法應(yīng)用于植物葉片圖像紋理特征的提取，實(shí)現(xiàn)了用于提取葉片樣本特征的各種算子，實(shí)現(xiàn)了基于局部二進(jìn)制模式的樹葉識(shí)別。王曉峰 [6]學(xué)者 提出了一種利用樹葉外 形特征來(lái)對(duì)葉片進(jìn)行識(shí)別的方法，通過(guò)對(duì)葉片圖像做去噪及邊緣等處理并提取葉片的輪廓區(qū)域，利用其得到的外部特征進(jìn)行分類，實(shí)現(xiàn)了多種植物葉片的準(zhǔn)確識(shí)別。 至此，樹葉識(shí)別技術(shù)便得到了快速發(fā)展。 4 神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展 人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱 ANN，它 是由很多神經(jīng)元相互連接而組成的一個(gè)信息處理系統(tǒng)。 何術(shù) [7]學(xué)者 提出了目前較常用的自組織映射神經(jīng)網(wǎng)絡(luò) (SOM神經(jīng)網(wǎng)絡(luò) )的方法，通過(guò)提取樹葉形狀特征值作為神經(jīng)網(wǎng)絡(luò)的輸入 ， 在輸出端形成不同的輸出值與此類別相對(duì)應(yīng) ， 從而得到分類結(jié)果。陳涓 [8]學(xué)者 提出了基于小生境技術(shù)的神經(jīng)網(wǎng)絡(luò) 進(jìn)化集成方法，通過(guò)個(gè)體間相似程度的共享函數(shù)來(lái)調(diào)整網(wǎng)絡(luò)的適應(yīng)度 ， 從而使神經(jīng)網(wǎng)絡(luò)集成系統(tǒng)的泛化能力得到大幅度改善。朱曉峰 [9]學(xué)者 提出了基于神經(jīng)網(wǎng)絡(luò)的出版業(yè)量化分析模型，對(duì)出版業(yè)的實(shí)際數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，結(jié)果顯示該方法是可行的。 Kohonen[10]教授 提出了映射具有拓?fù)浣Y(jié)構(gòu)的自組織映射模型，通過(guò)在計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)，證明得出的學(xué)習(xí)效果非常顯著。 Hopfield[11]對(duì)神經(jīng)網(wǎng)絡(luò)介紹了能量函數(shù)的概念，提出了神經(jīng)網(wǎng)絡(luò)的平衡穩(wěn)定狀態(tài)的判別方法，實(shí)現(xiàn)了優(yōu)化計(jì)算途徑。 論文的主要內(nèi)容與組織結(jié)構(gòu) 論文的 主要內(nèi)容 該課題在參考理論基礎(chǔ)上， 利用 MATLAB 語(yǔ)言實(shí)現(xiàn)樹葉圖像的去噪、分割、邊緣檢測(cè)等操作，再進(jìn)行特征提取，最后借助訓(xùn)練集特征建立神經(jīng)網(wǎng)絡(luò)分類器，并以測(cè)試集驗(yàn)證分類器模型的性能。 組織結(jié)構(gòu) 1 引言 介紹了選題背景、意義、國(guó)內(nèi)外研究進(jìn)展、論文內(nèi)容與組織結(jié)構(gòu)。 2 樹葉圖像預(yù)處理 首先闡述了基于神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別流程圖，然后詳細(xì)介紹了有關(guān)圖像采集、裁剪、去噪、邊緣提取等操作的理論、程序及效果圖。 3 樹葉圖像特征提取 介紹了選取的特征參數(shù)，然后陳列出幾個(gè)所選取的樣本的特征值。 4 基于神經(jīng)網(wǎng)絡(luò)的樹葉 識(shí)別 首先介紹了神經(jīng)網(wǎng)絡(luò)，然后介紹了基于神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的實(shí)現(xiàn)，最后對(duì)樹葉識(shí)別結(jié)果進(jìn)行分析。 5 總結(jié)與展望 總結(jié)論文的主要工作以及展望論文的不足。 2 樹葉圖像預(yù)處理 圖像采集 采集 4 種共計(jì) 80 片原始樹葉，其中桂花 20 片，桔樹葉 20 片