【正文】 圖像的邊緣可以表示為圖像局部區(qū)域亮度變化很顯著的部分，另外，圖像邊緣信息是其重要特征，也是圖像識別和 圖像分析的基礎(chǔ)。)。)。 BW1=~BW。 grid on。 matlab 實現(xiàn)及效果圖 I=imread(39。它是圖像進行預(yù)處理的關(guān)鍵一步，分割不好圖像分析便加大了難度。另外，去噪結(jié)果與模板大小選擇是相關(guān)的，模板越大處理后的圖像相對模糊，圖像邊緣損失也比較多，進而帶來不利影響。)。3*3 中值濾波 39。 subplot(233),imshow(K2),title(39。)。 %進行 55 均 值濾波 L1=medfilt2(K,[3,3])。,3),K)/255。gaussian39。桂花葉 .jpg39。 對于均值濾波法，在實際應(yīng)用中，常用的模板尺寸有 3 55 等。 5 圖 21 桂花葉 圖 22 桔樹葉 圖 23 楓樹葉 圖 24 夾竹桃 圖像裁剪 用 ACDSee 工具對采集的圖像進行截取， 統(tǒng)一截取圖像長寬為 600600 像素。 3 樹葉圖像特征提取 介紹了選取的特征參數(shù)，然后陳列出幾個所選取的樣本的特征值。 Hopfield[11]對神經(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，實現(xiàn)了優(yōu)化計算途徑。 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應(yīng) ， 從而得到分類結(jié)果。劉純利 [3]學(xué)者 提出了樹葉紋理建模的樹葉識別方法，通過提取采集的樹葉的某些區(qū)域，利用圖像處理對重要區(qū)域進行變換，并用高斯模型對高頻子帶建模，再用高斯模型的參數(shù)作為樹葉的特征，從而實現(xiàn)了樹葉識別；王代琳 [4]學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的樹葉識別方法，通過對不同樹葉進行預(yù)處理來獲取外形特征，利用 java語言實現(xiàn)了樹葉識別；朱寧 [5]學(xué)者利用局部二進制模式方法，提出了將該方法應(yīng)用于植物葉片圖像紋理特征的提取，實現(xiàn)了用于提取葉片樣本特征的各種算子，實現(xiàn)了基于局部二進制模式的樹葉識別。本文擬對采集的植物葉片圖像進行去噪、邊緣檢測等預(yù)處理，通過提取葉片圖像外部特征參數(shù)，利用 BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)植物葉片的自動識別。面對龐大的植物世界， 目前植物分類可以通過植物葉型分類來實現(xiàn)植物種類的識別。植物的發(fā)展及進化都經(jīng)歷了一個漫長的階段。最后，對本系統(tǒng)進行了仿真測試，取得了較好的結(jié)果。目 錄 摘要 ................................................................... 1 英文摘要 ............................................................... 2 1 引言 ................................................................ 3 選題背景及意義 ................................................. 3 國內(nèi)外研究的進展 ............................................... 3 樹葉識別的研究進展 ................................................. 3 神經(jīng)網(wǎng)絡(luò)的研究進 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 實現(xiàn)及效果圖 ................................................. 8 邊緣檢測 ....................................................... 9 3 樹葉圖像特征提取 ................................................... 11 4 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別 ............................................. 13 BP 網(wǎng)絡(luò)基本理論 ............................................... 13 隱含層數(shù)的選取 ................................................ 13 節(jié)點數(shù)的選取 .................................................. 13 BP 網(wǎng)絡(luò)的建立 ................................................. 14 樹葉識別 ...................................................... 14 GUI 界面設(shè)計 .................................................. 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 .............................................................. 16 致謝 .................................................................. 17 1 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別系統(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對植物分類。 本文重點工作有：應(yīng)用數(shù)字圖像處理技術(shù)對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)的方法進行樹葉的識別 ，并構(gòu)造了一個基于神經(jīng)網(wǎng)絡(luò)的集成分類器模型。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。目前，在地球上僅為人所知的有花植物有大約 25 萬種，其他的更是數(shù)不勝數(shù)。利用數(shù)字圖像處理技術(shù)對植物葉片分類是完全可行的。傅弘 [1]學(xué)者 提出了 神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，通過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)準(zhǔn)確地提取了葉脈圖像，實現(xiàn)了葉脈的提??；朱靜 [2]學(xué)者提出了在 Windows XP平臺上對葉片圖像的輸入、變換及分割等識別過程的設(shè)計 ,實現(xiàn)了葉緣特征的結(jié)果輸出和葉片圖像的形狀。 4 神經(jīng)網(wǎng)絡(luò)的研究進展 人工神經(jīng)網(wǎng)絡(luò)，簡稱 ANN，它 是由很多神經(jīng)元相互連接而組成的一個信息處理系統(tǒng)。 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，通過在計算機上進行實驗，證明得出的學(xué)習(xí)效果非常顯著。 2 樹葉圖像預(yù)處理 首先闡述了基于神經(jīng)網(wǎng)絡(luò)的樹葉識別流程圖，然后詳細介紹了有關(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。 2 樹葉圖像預(yù)處理 圖像采集 采集 4 種共計 80 片原始樹葉，其中桂花 20 片，桔樹葉 20 片，楓樹葉 20 片，夾竹桃 20 片。 均值濾波是用模板內(nèi)的全體像素點的均值或加權(quán)均值來代替原始值；其數(shù)學(xué)公式如21： 設(shè) ? ?,f i j 是含有噪聲的圖像， ? ?,gi j 是經(jīng)過理后的圖像， ? ? ? ? ? ?, , / , ,g i j f i j N i j M??? (21) 其中 M 是鄰域內(nèi)各鄰近像素的坐標(biāo)值， N 是鄰域中臨近像素的個數(shù)。 Matlab 實現(xiàn)為： I=imread(39。 K=imnoise(J,39。average39。,5),K)/255。加噪 39。)。 subplot(234),imshow(L1),title(39。5*5 中值濾波 39。中值濾波對圖像的細節(jié)保存相對更好些，而且能夠在去除噪聲的同時可以很好的保持圖像的邊緣。 8 圖像分割 從圖像采集到圖像分析必然要進行 圖像分割，圖像分割 是把 圖像 分成若干個特定區(qū)域。該方法求圖像最佳閥值 g 的公式如公式 23： 220 0 1 10100 011 10 0 1 1a r g ( ) ( ( ) ) ( ) ( ( ) )()()()()()()( ) ( ) ( ) ( )m a xtLitt i Lg w t u t u w t u t uip iutwtip iutwtu w t u t w t u t? ? ???? ? ???? ? ? ????????? （ 23） 式中： ()pi ：灰度值為 i 的頻率； 0()wt：目標(biāo)部分比例； 1()wt：背景部分比例； 0()ut：目標(biāo)均值； 1()ut：背景均值； u ： 總均值。 axis([0,600,0,600])。 %確定灰度閾值 BW=im2bw(I,level)。原圖 39。Otsu 法閾值分割 39。 %顯示網(wǎng)絡(luò)線 axis on。 Sobel 算子 ： Sobel 算子的掩模模 板是 利用 兩個 33 的卷 積核得到的，且噪聲抑制效果強于 Prewitt 算子，但得到的邊緣較寬。該算子既能檢測邊緣點，還能抑制噪聲的影響。桂花葉 .jpg39。gaussian39。sobel39。)。 BW_laplace = edge(L,39。sobel 檢測 39。)。 figure,imshow(BW_laplace),xlabel(39。形態(tài)特征是本文研究的重點，一般包括矩形度、延長度、似圓度、緊湊度及不變矩等。其中長軸是樹葉輪廓上任意過質(zhì)心的兩點直線的最長距離，短軸是長軸兩側(cè)與其距離最長的左右兩點的距離和。它們對旋轉(zhuǎn)、平移、鏡面及尺度變換都具有不變性。常用的人工神經(jīng)網(wǎng)絡(luò)包括 RBF 網(wǎng)絡(luò)、 BP 網(wǎng)絡(luò)、Hopfield 網(wǎng)絡(luò)等。一般情況下，取一個隱含層就能完成映射。通過不斷調(diào)整隱元，觀