【正文】 數(shù)svmtrain和svmclassify，因此本次設(shè)計(jì)直接在matlab開(kāi)發(fā)環(huán)境下完成圖像的分類。holdOut39。showplot39。,true)。 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。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(jì)算機(jī)視覺(jué)研究文獻(xiàn)中還沒(méi)有一個(gè)大家都能接受的精確定義。Haralick則認(rèn)為圖像紋理可以通過(guò)紋理基元及其空間組織或布局來(lái)描述。雖然紋理研究者提出了各種各樣的紋理定義，這些定義都具有兩個(gè)方面:一是紋理可以理解為由基元組成:二是紋理基元具有一定的排列關(guān)系。非常容易理解，同樣的基元由于排列方式的不同，有可能構(gòu)成不同的紋理。例如，一幅衛(wèi)星圖像中的一個(gè)特定區(qū)域可能屬于農(nóng)田、森林或城區(qū)。紋理檢索是研究關(guān)于利用紋理相似度進(jìn)行圖像檢索，是基于內(nèi)容的圖像檢索(Contentbased Image Retrieval,CBIR)的一個(gè)很重要的研究?jī)?nèi)容。其中統(tǒng)計(jì)分析方法、幾何特征方法和信號(hào)處理方法在紋理分析中因?yàn)樘岢鲚^早，所以影響很大。取圖像(NN)中任意一點(diǎn)（x，y）及偏離它的另一點(diǎn) （x+a，y+b），設(shè)該點(diǎn)對(duì)的灰度值為（g1，g2）。（a，b）取值要根據(jù)紋理周期分布的特性來(lái)選擇，對(duì)于較細(xì)的紋理，選?。?，0）、（1，1）、（2，0）等小的差分值。通?？梢杂靡恍?biāo)量來(lái)表征灰度共生矩陣的特征，令G表示灰度共生矩陣常用的特征有: ASM能量（angular second moment）計(jì)算公式如式（7） (7)也即每個(gè)矩陣元素的平方和。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)ASM值大。反映了圖像的清晰度和紋理溝紋深淺的程度。IDM相關(guān)度（inverse different moment）計(jì)算公式如式（9） (9)如果灰度共生矩陣對(duì)角元素有較大值，IDM就會(huì)取較大的值。相反，如果矩陣像元值相差很大則相關(guān)值小。自相關(guān)（correlation）計(jì)算公式如式（11）和（12）所示 (11)其中 (12)自相關(guān)反應(yīng)了圖像紋理的一致性。均值（average）計(jì)算公式如式（14） (14) 反映圖像像素點(diǎn)的平均灰度值。冬孢子表面有網(wǎng)狀紋，網(wǎng)眼寬24微米。4 基于SVM的矮腥與網(wǎng)腥圖像分類實(shí)驗(yàn) SVM分類器的實(shí)現(xiàn)方法 支持向量機(jī)實(shí)現(xiàn)分類的方法在MATLAB中早已有人做出來(lái)了，而且臺(tái)灣大學(xué)的林智仁教授所帶領(lǐng)的實(shí)驗(yàn)室小組團(tuán)隊(duì)對(duì)支持向量機(jī)的研究相當(dāng)?shù)某墒?，只不過(guò)他們?cè)臼褂肅語(yǔ)言編寫(xiě)的，后來(lái)有人把他改寫(xiě)成MATLAB的m文件了。下面是關(guān)于對(duì)兩種開(kāi)發(fā)平臺(tái)的兩種開(kāi)發(fā)方法的闡述與比較。紋理特征提取主要是對(duì)圖像進(jìn)行操作，生成灰度共生矩陣，由灰度共生矩陣的特征而得到可量化的圖像紋理特征。 MATLAB中使用支持向量機(jī)方法進(jìn)行分類Matlab是一個(gè)強(qiáng)大的編程軟件，它里面囊括了許許多多的圖形圖像處理函數(shù)。%對(duì)樣本進(jìn)行標(biāo)記；groups= ismember(species,’setoas’)。cp = classperf(groups)。%形成一個(gè)二分類器如下圖5所示：圖5 svm得到的二分類器%樣本分類；classes = svmclassify(svmStruct,data(test,:),39。%得到估算值ans = 由分類結(jié)果可以看出，此次的石紋和樹(shù)皮紋理分類相當(dāng)成功，召回率達(dá)到95%以上，這主要?dú)w功于svm這一算法的分類精確度和兩種紋理圖片處理得比較好。下面將詳細(xì)講解LabWindows／CVI與MATLAB的混合編程。②單擊“Next”后，彈出ActiveX Controller WizardConfigure對(duì)話框，需要對(duì)目標(biāo)FP文件命名并設(shè)定存放路徑，存放路徑為D:\CVI2012\Work，單擊“Next”。5．0以上版本LabWindows／CAI的CVI＼samples＼activex＼matlab中直接提供有LabVIEW／CVI和MATIAB接口，通信的ActiveX服務(wù)函數(shù)有MATLABsrvr．C，MATLABsrvr．h，MATLABsrvr．obj，MATLABsrvr．fp，MATLABsrvr．sub。為了方便開(kāi)發(fā)者實(shí)現(xiàn)LabWindows／CVI環(huán)境下與MATLAB混合編程，NI公司還專門(mén)配置了一個(gè)更加友好的接口函數(shù)文件matlabutil．c。在工程文件窗口中選擇Edit Add Files to Project，添加Example．c，Example．h，Example．uir，并添加上文提到的ActiveX服務(wù)函數(shù)；在工程文件、用戶面板編輯或代碼窗口中操作Rhn．Run Pmject，就可調(diào)試、運(yùn)行工程文件了。*/ int LaunchMatlab (CAObjHandle *hMatlab)。*/int CloseMatlab(CAObjHandle *hMatlab)。其中變量mFilePath是M腳本文件的路徑。*/int SendString(CAObjHandle hMatlab, char *matStringName, char *CVIString)。其中，matrixReal, matrixImag 為要發(fā)送的矩陣的實(shí)部和虛部，MATLABName為MATLAB中存儲(chǔ)該矩陣的變量名，dim1，dim2矩陣的行列數(shù)。matrixReal, matrixImag 為要CVI中接收到的矩陣的實(shí)部和虛部， */int GetMatrix(CAObjHandle hMatlab, char *matlabName, double **matrixReal, double **matrixImag, unsigned *dim1, unsigned *dim2)。下面是矮腥和網(wǎng)腥的分類結(jié)果如圖8和圖9所示：圖8 樣本訓(xùn)練結(jié)果圖9 分類結(jié)果顯示 實(shí)驗(yàn)結(jié)果分析本文先后進(jìn)行了兩次分類實(shí)驗(yàn)，第一次是對(duì)石紋和樹(shù)皮進(jìn)行分類，第二次是對(duì)小麥的矮腥黑穗病和網(wǎng)腥黑穗病進(jìn)行分類。通過(guò)上面的實(shí)驗(yàn)結(jié)果可以看出，本次的實(shí)驗(yàn)是相當(dāng)成功的，對(duì)石紋和樹(shù)皮紋理這兩種紋理圖像進(jìn)行了高精度的分類，這主要是SVM算法的強(qiáng)大和兩種圖像容易區(qū)分所帶來(lái)的結(jié)果。經(jīng)過(guò)分析研究，本次試驗(yàn)得到的召回率能達(dá)到百分之七十以上效果甚好，而精度還能繼續(xù)提高，這是因?yàn)楸疚氖褂玫男←溞群谒氩颖緢D像是利用顯微鏡得到的，顯微鏡的精度對(duì)樣本分類有一定的影響；其次，本次設(shè)計(jì)在提取樣本的紋理特征的預(yù)處理（包括分割、圖像平滑處理和濾除噪聲）存在一定的欠缺，這也是影響分類的一大因素。 char x1,x2。i 8。 } IPI_GetImageInfo (DestImage, amp。i++) for(j= 0。 IPI_GetPixelValue (DestImage, i, j + 1, amp。 DistGLCM[x1][x2]++。i++) for(j = 0。i 8。 }獲取這8個(gè)紋理特征的主要代碼如下：/*均值 Mean */ *MeanValue = 0。j 8。i 8。 }/*逆差矩 Defi*/ *DefiValue = 0。j 8。i 8。 }/*一致性ASM */*ASMValue = 0。j 8。i 8。 }/*相關(guān)性 COR */*CORValue = 0。 for(j = 0。j 8。i++) { GLCM_one_j[j] = GLCM_one_j[j] + DistGLCM_one[i][j]。i++){ mr = mr + i*GLCM_one_i[i]。j++){ mc = mc + j*GLCM_one_j[j]。i++){ or2 = or2 + (i mr)*(i mr)*GLCM_one_i[i]。j 8。amp。j 8。for(i = 0。j++) { if(DistGLCM_one[i][j])*ENTValue = *ENTValue DistGLCM_one[i][j]*log10(DistGLCM_one[i][j])。 [train, test] = crossvalind(39。svmStruct = svmtrain(data(train,:),groups(train),39。showplot39。*/ int LaunchMatlab (CAObjHandle *hMatlab)。*/int CloseMatlab(CAObjHandle *hMatlab)。其中變量mFilePath是M腳本文件的路徑。*/int SendString(CAObjHandle hMatlab, char *matStringName, char *CVIString)。其中，matrixReal, matrixImag 為要發(fā)送的矩陣的實(shí)部和虛部，MATLABName為MATLAB中存儲(chǔ)該矩陣的變量名，dim1，dim2矩陣的行列數(shù)。matrixReal, matrixImag 為要CVI中接收到的矩陣的實(shí)部和虛部， */int GetMatrix(CAObjHandle hMatlab, char *matlabName, double **matrixReal, double **matrixImag, unsigned *dim1, unsigned *dim2)。/*從MATLAB接收矩陣函數(shù)。其中，cString為存儲(chǔ)收到的字符串變量，matStringName為發(fā)送的字符串變量 */int GetString(CAObjHandle hMatlab, char *matStringName, char **cString)。/*向MATLAB發(fā)送字符串函數(shù)。*/ int RunMatlabCommand(CAObjHandle hMatlab, char *mand)。*/ int MinMaxMatlab(CAObjHandle hMatlab, int minmaxFlag)。classperf(cp,classes,test)。,true)。,groups，20/100)。 }svm分類的主要代碼load matlabdata=[meas(:,1),meas(:,2)]。i++) for(j = 0。 }}else *CORValue = 1。i 8。}oc = sqrt(oc2)。oc2 = 0。for(i = 0。for(j = 0。for(i = 0。 for(i = 0。j++) { GLCM_one_i[i] = GLCM_one_i[i] + DistGLCM_one[i][j]。i 8。j 8。 }/* 對(duì)比度 CON */*CONValue = 0。i 8。j 8。 }/* 相似度 Simi **/ *SimiValue = 0。i 8。j 8。 }/* 方差 Vari */ *VariValue = 0。i 8。j 8。j++) { SumDist = SumDist + DistGLCM[i][j]。 for(i = 0