【正文】 。 x1 = PixelValueX1/32。j++) { IPI_GetPixelValue (DestImage, i, j, amp。 for(i = 0。j 8。 double DistGLCM[8][8],SumDist。本次設(shè)計不僅僅實現(xiàn)了支持向量機進行圖像分類這一功能，而且具有創(chuàng)新地實現(xiàn)了CVI和MATLAB混合編程這種功能，這是本次設(shè)計的一大亮點，也是本次設(shè)計的創(chuàng)意所在。5 結(jié)論與討論本次設(shè)計成功實現(xiàn)了小麥腥黑穗病病菌鑒定系統(tǒng)，該系統(tǒng)能夠較好地從小麥的矮腥黑穗病和網(wǎng)腥黑穗病兩種病菌圖像的紋理特征入手，根據(jù)它們的不同紋理特征值來分離這兩種十分相似的腥黑穗病病菌。第二次分類實驗所用到的腥黑穗病樣本共90個，矮腥與網(wǎng)腥各占一半，用于訓(xùn)練的樣本是72個，分類的樣本18個，分類得到的結(jié)果是：8個矮腥訓(xùn)練樣本錯位、8個網(wǎng)腥訓(xùn)練樣本錯位、9個矮腥分類樣本分類正確、9個網(wǎng)腥分類樣本分類正確，%。下面是對兩種腥黑穗病的分類實驗。/*從MATLAB接收矩陣函數(shù)。其中，cString為存儲收到的字符串變量，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)。相信只要熟悉LabWindows／CVI的讀者都會根據(jù)上述方法很順利地實現(xiàn)在LabWindows／CVI環(huán)境下與MATLAB混合編程。啟動LabWindows／CVI，選擇File． New Userlnterface ( ．uir)創(chuàng)建儀器面板文件，面板設(shè)計完畢后保存該文件，取名為Example．uir；選擇Code Generate．All Code，編寫源代碼，并以Example．c名保存。其方法及步驟如下：①打開注冊表編輯器，查到用戶安裝的相應(yīng)版本MATLABApplication的注冊碼，以version 6．5為例，其注冊碼是{554F605379D411D4．B067009027BA5F81}。單擊“Next”后，MATLABatvx. h，MATLABatvx. Obj，這五個文件在D:\CVI2012\Work目錄下可以找到。建立ActiveX服務(wù)的方法有兩種：1 在LabWindows／CVI窗口中（LabWindows／，），用戶自行創(chuàng)建ActiveX服務(wù)函數(shù)，但這種方法要求先裝MATLAB，后裝LabWindows／CVI?；谶@些不便，本文又設(shè)計了下面的LabWindows／CVI直接調(diào)用MATLAB的方法，通過改善算法以及由上面成功的分類實驗，下一步就是對小麥的矮腥黑穗病和網(wǎng)腥黑穗病進行分類。,true)。showplot39。holdOut39。本文先易后難，先是選取容易區(qū)分的石紋和樹皮這兩種紋理圖像進行預(yù)分類，待成功后再對小麥的矮腥黑穗病和網(wǎng)腥黑穗病這兩種近親植物病菌進行分類。提取出來這8個特征后，把對應(yīng)的數(shù)據(jù)保存到exl空間里，然后由exl文檔輸出這8個紋理特征。由LabWindows／CVI獨立處理圖片信息，提取出圖片的紋理特征，再把這些特征輸入到MATLAB中進行訓(xùn)練和分類，這樣就可實現(xiàn)圖像的分類。但是，作為研究，我們要有創(chuàng)新，突出新意。網(wǎng)眼外有一層透明的膠質(zhì)鞘，（指網(wǎng)脊頂部以外的厚度）（劉惕若，1984）。 小麥腥黑穗病菌的直觀特征小麥網(wǎng)腥黑穗病的冬孢子多數(shù)為球形或近球形，黑色至淡褐色。逆差矩（cooccurrence matrix）計算公式如式（13） (13)反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個隨機性的度量，當共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等時，共生矩陣中元素分散分布時，熵較大。它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性?；叶炔罴磳Ρ榷却蟮南笏貙υ蕉?，這個值越大。對比度（contrast）計算公式如式（8） (8)如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則CON會有較大取值，這也符合對比度的定義。能量是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細度。這樣，兩個象素灰度級同時發(fā)生的概率，就將 （x，y）的空間坐標轉(zhuǎn)化為“灰度對” （g1，g2）的描述，形成了灰度共生矩陣。對于整個畫面，統(tǒng)計出每一種 （g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1，g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P（g1，g2），這樣的方陣稱為灰度共生矩陣。本文主要分析灰度共生矩陣方法。 獲取圖像的紋理特征：灰度共生矩陣紋理分析的一個核心問題是紋理描述(Texture Description)，在模式識別領(lǐng)域即為紋理特征提取(Texture Feature Extraction)。相對于紋理分類中一個均一紋理區(qū)域的類別可以通過從該區(qū)域中計算出的紋理特征所確定，紋理分割關(guān)注自動確定一幅紋理圖像中不同紋理區(qū)域的邊界。 紋理分析的研究內(nèi)容特征提取是紋理分析的基礎(chǔ)，好的紋理特征具有四個主要用途:紋理分類(Texture Classification)、紋理分割(Texture Segmentation) 、紋理檢索(Texture Retrieval) 以及紋理形狀抽取(Shape from Texture)。這些基元的形狀可以是變化的，也可以是確定的，諸如圓和方形等。這些不同的定義是由于不同學(xué)者對紋理的不同理解而形成并且依賴于具體的應(yīng)用。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(xué)者試圖發(fā)現(xiàn)反映紋理的本質(zhì)屬性。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。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(lǐng)域的一個非常重要的研究內(nèi)容，有著非常廣闊的應(yīng)用背景，其應(yīng)用領(lǐng)域包括遙感圖像分析、醫(yī)學(xué)圖像分析、工業(yè)表面檢測、文檔處理和圖像檢索等領(lǐng)域。%樣本分類；classes = svmclassify(svmStruct,data(test,:),39。cp = classperf(groups)。%對樣本進行標記；groups= ismember(species,’setoas’)。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(yīng)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。K 對應(yīng)某特征空間Z 中的內(nèi)積, 即〈Φ(xi) , Φ(xj ) 〉= K (xi, xj)。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(fù)雜性，甚至?xí)稹熬S數(shù)災(zāi)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）。
。 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。 支持向量機方法是建立在統(tǒng)計學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy）和學(xué)習(xí)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）。 小麥腥黑穗病鑒定的研究內(nèi)容與技術(shù)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(yù)處理方法，提出適合于入境小麥病害圖像的預(yù)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(guān)性等；⑷在提取形狀、紋理特征的基礎(chǔ)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。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(luò)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(fù)，而且精確率不太高。 研究現(xiàn)狀分析所查閱的資料還顯示，圖像處理技術(shù)在各種植物的病害識別方面應(yīng)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(yīng)用卻很少。趙玉霞，王克如等（2007）對基于圖像識別的玉米葉部病害診斷研究，研究提取了五種玉米葉部主要病斑的識別特征，確定了診斷流程，并開發(fā)了識別系統(tǒng)。 國內(nèi)研究現(xiàn)狀田有文,李成華（2004）用基于統(tǒng)計模式識別的植物病害彩色圖像分割方法，根據(jù)植物病害彩色圖像的特點,提出了用顏色空間作為特征空間,利用統(tǒng)計模式識別的監(jiān)督分類方法,采用基于Fisher準則的線性判別函數(shù)來對彩色圖像進行真彩色二值化分割。使用色調(diào)H和飽和度S的11個紋理特征參數(shù)區(qū)分土壤和5種雜草，準確率為93%。綜合分析、比較、測試多種圖像預(yù)處理方法，提出適合于進出境小麥病蟲害圖像的預(yù)處理方法；研究提取部分進出境植物檢疫病蟲害圖像特征的圖像分割的有效算法；篩選出適合進出境植物檢疫病蟲害分類識別的紋理特征。小麥腥黑穗病鑒定的真菌形態(tài)學(xué)方法與分子生物學(xué)方法取得了很大進展，但仍存在鑒定步驟繁瑣、周期長等問題，其中形態(tài)學(xué)方法的鑒定指標單一，缺乏進行定量描述的手段，可靠性不高。為保護糧食生產(chǎn)，防治TCK病菌的傳入，快速準確的鑒別TCK和TCT及其近似種，成為一項十分重要的檢疫工作。其病株也表現(xiàn)出矮化、分蘗增多、黑粉病粒等癥狀。小麥矮腥黑穗病于1847年最初在捷克發(fā)現(xiàn)，后于1860年發(fā)現(xiàn)于美國，目前已傳播至歐洲、北美和南美、中亞和西亞、南非及北非等31個國家，尤其是美國西北部的小麥染病尤為普遍。本文著重分析了灰度共生矩陣這一種方法。但是支持向量機（Support Vector Machine，SVM）可以克服極高維表示的缺陷，被廣泛運用到紋理圖像分類中去。當直接在圖像上進行操作時，傳統(tǒng)的分類方法由于數(shù)據(jù)的高維特性表現(xiàn)差，很難取得較好的效果。、Tamura方法和Gabor濾波方法分別提取圖像的紋理特征，并對比三種方法對分類出石紋和樹皮紋理兩種圖像的能力。hn，簡稱TCK）和小麥網(wǎng)腥黑穗?。═illetia caries Tul，簡稱TCT）是小麥的兩類重要的真菌病害，是出入境檢驗檢疫中重要的植物檢疫對象（郭同軍，2007）。小麥網(wǎng)腥黑穗?。ê喎QTCT）與小麥矮腥黑穗病是同屬不同種，它主要