【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(jì)不僅僅實(shí)現(xiàn)了支持向量機(jī)進(jìn)行圖像分類(lèi)這一功能，而且具有創(chuàng)新地實(shí)現(xiàn)了CVI和MATLAB混合編程這種功能，這是本次設(shè)計(jì)的一大亮點(diǎn)，也是本次設(shè)計(jì)的創(chuàng)意所在。5 結(jié)論與討論本次設(shè)計(jì)成功實(shí)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(lái)分離這兩種十分相似的腥黑穗病病菌。第二次分類(lèi)實(shí)驗(yàn)所用到的腥黑穗病樣本共90個(gè)，矮腥與網(wǎng)腥各占一半，用于訓(xùn)練的樣本是72個(gè)，分類(lèi)的樣本18個(gè)，分類(lèi)得到的結(jié)果是：8個(gè)矮腥訓(xùn)練樣本錯(cuò)位、8個(gè)網(wǎng)腥訓(xùn)練樣本錯(cuò)位、9個(gè)矮腥分類(lèi)樣本分類(lèi)正確、9個(gè)網(wǎng)腥分類(lèi)樣本分類(lèi)正確，%。下面是對(duì)兩種腥黑穗病的分類(lèi)實(shí)驗(yàn)。/*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)。相信只要熟悉LabWindows／CVI的讀者都會(huì)根據(jù)上述方法很順利地實(shí)現(xiàn)在LabWindows／CVI環(huán)境下與MATLAB混合編程。啟動(dòng)LabWindows／CVI，選擇File． New Userlnterface ( ．uir)創(chuàng)建儀器面板文件，面板設(shè)計(jì)完畢后保存該文件，取名為Example．uir；選擇Code Generate．All Code，編寫(xiě)源代碼，并以Example．c名保存。其方法及步驟如下：①打開(kāi)注冊(cè)表編輯器，查到用戶安裝的相應(yīng)版本MATLABApplication的注冊(cè)碼，以version 6．5為例，其注冊(cè)碼是{554F605379D411D4．B067009027BA5F81}。單擊“Next”后，MATLABatvx. h，MATLABatvx. Obj，這五個(gè)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(jì)了下面的LabWindows／CVI直接調(diào)用MATLAB的方法，通過(guò)改善算法以及由上面成功的分類(lèi)實(shí)驗(yàn)，下一步就是對(duì)小麥的矮腥黑穗病和網(wǎng)腥黑穗病進(jìn)行分類(lèi)。,true)。showplot39。holdOut39。本文先易后難，先是選取容易區(qū)分的石紋和樹(shù)皮這兩種紋理圖像進(jìn)行預(yù)分類(lèi)，待成功后再對(duì)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(jìn)行分類(lèi)。提取出來(lái)這8個(gè)特征后，把對(duì)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(gè)紋理特征。由LabWindows／CVI獨(dú)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(jìn)行訓(xùn)練和分類(lèi)，這樣就可實(shí)現(xiàn)圖像的分類(lèi)。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(jì)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(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，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?duì)比度大的象素對(duì)越多，這個(gè)值越大。對(duì)比度（contrast）計(jì)算公式如式（8） (8)如果偏離對(duì)角線的元素有較大值，即圖像亮度值變化很快，則CON會(huì)有較大取值，這也符合對(duì)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(chēng)能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。這樣，兩個(gè)象素灰度級(jí)同時(shí)發(fā)生的概率，就將 （x，y）的空間坐標(biāo)轉(zhuǎn)化為“灰度對(duì)” （g1，g2）的描述，形成了灰度共生矩陣。對(duì)于整個(gè)畫(huà)面，統(tǒng)計(jì)出每一種 （g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個(gè)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(chēng)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(gè)核心問(wèn)題是紋理描述(Texture Description)，在模式識(shí)別領(lǐng)域即為紋理特征提取(Texture Feature Extraction)。相對(duì)于紋理分類(lèi)中一個(gè)均一紋理區(qū)域的類(lèi)別可以通過(guò)從該區(qū)域中計(jì)算出的紋理特征所確定，紋理分割關(guān)注自動(dòng)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?jī)?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(gè)主要用途:紋理分類(lèi)(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(duì)紋理的不同理解而形成并且依賴(lài)于具體的應(yīng)用。雖然很難給紋理下一個(gè)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(lái)講，場(chǎng)景中一些潛在的物理變化會(huì)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(jué)中的反映，這種在視覺(jué)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(jì)算機(jī)視覺(jué)和模式識(shí)別研究領(lǐng)域的一個(gè)非常重要的研究?jī)?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(cè)、文檔處理和圖像檢索等領(lǐng)域。%樣本分類(lèi)；classes = svmclassify(svmStruct,data(test,:),39。cp = classperf(groups)。%對(duì)樣本進(jìn)行標(biāo)記；groups= ismember(species,’setoas’)。由于特征空間的維數(shù)可能很高, 甚至是無(wú)窮的,且變換5 并未直接給出, 大多數(shù)方法不直接求解問(wèn)題(1) 和(2) , 而是求解它們的對(duì)偶問(wèn)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(wèn)題(1) 中不等式約束yi (〈w,Φ(xi) 〉 b) ≥1 或者問(wèn)題(2) 中不等式約束yi (〈w,Φ(xi) 〉 b) ≥1 ξi對(duì)應(yīng)的拉格朗日乘子( 以下簡(jiǎn)稱(chēng)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(duì)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(huì)增加計(jì)算的復(fù)雜性，甚至?xí)稹熬S數(shù)災(zāi)難”，因而人們很少問(wèn)津．但是作為分類(lèi)、回歸等問(wèn)題來(lái)說(shuō)，很可能在低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中卻可以通過(guò)一個(gè)線性超平面實(shí)現(xiàn)線性劃分（或回歸）。
。 支持向量機(jī)的優(yōu)點(diǎn)1. 它是專(zhuān)門(mén)針對(duì)有限樣本情況的，其目標(biāo)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(wú)窮大時(shí)的最優(yōu)值。 支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)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(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy）和學(xué)習(xí)能力（即無(wú)錯(cuò)誤地識(shí)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(chēng)泛化能力）。 小麥腥黑穗病鑒定的研究?jī)?nèi)容與技術(shù)路線 研究?jī)?nèi)容本文主要研究?jī)?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(duì)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(jìn)對(duì)圖像的處理效果；⑵對(duì)小麥進(jìn)行圖像分割，以便能提取出需要的特征，通過(guò)對(duì)不同圖像分割算法的效果及效率進(jìn)行分析，選出適合于小麥病害圖像分割的方法；⑶對(duì)小麥病害圖像的紋理特征進(jìn)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(shí)別特征，實(shí)現(xiàn)小麥病害的分類(lèi)識(shí)別。但是目前對(duì)植物病害鑒定多數(shù)是利用模式識(shí)別或神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行分類(lèi)識(shí)別，也有些通過(guò)遺傳算法來(lái)進(jìn)行選取的，它們的算法以及實(shí)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(shí)別方面應(yīng)用非常廣泛，包括玉米、黃瓜、甘蔗的病害識(shí)別等，但在小麥病害識(shí)別方面的應(yīng)用卻很少。趙玉霞，王克如等（2007）對(duì)基于圖像識(shí)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(shí)別特征，確定了診斷流程，并開(kāi)發(fā)了識(shí)別系統(tǒng)。 國(guó)內(nèi)研究現(xiàn)狀田有文,李成華（2004）用基于統(tǒng)計(jì)模式識(shí)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(diǎn),提出了用顏色空間作為特征空間,利用統(tǒng)計(jì)模式識(shí)別的監(jiān)督分類(lèi)方法,采用基于Fisher準(zhǔn)則的線性判別函數(shù)來(lái)對(duì)彩色圖像進(jìn)行真彩色二值化分割。使用色調(diào)H和飽和度S的11個(gè)紋理特征參數(shù)區(qū)分土壤和5種雜草，準(zhǔn)確率為93%。綜合分析、比較、測(cè)試多種圖像預(yù)處理方法，提出適合于進(jìn)出境小麥病蟲(chóng)害圖像的預(yù)處理方法；研究提取部分進(jìn)出境植物檢疫病蟲(chóng)害圖像特征的圖像分割的有效算法；篩選出適合進(jìn)出境植物檢疫病蟲(chóng)害分類(lèi)識(shí)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(jìn)展，但仍存在鑒定步驟繁瑣、周期長(zhǎng)等問(wèn)題，其中形態(tài)學(xué)方法的鑒定指標(biāo)單一，缺乏進(jìn)行定量描述的手段，可靠性不高。為保護(hù)糧食生產(chǎn)，防治TCK病菌的傳入，快速準(zhǔn)確的鑒別TCK和TCT及其近似種，成為一項(xiàng)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(guó)，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(gè)國(guó)家，尤其是美國(guó)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(jī)（Support Vector Machine，SVM）可以克服極高維表示的缺陷，被廣泛運(yùn)用到紋理圖像分類(lèi)中去。當(dāng)直接在圖像上進(jìn)行操作時(shí)，傳統(tǒng)的分類(lèi)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(duì)比三種方法對(duì)分類(lèi)出石紋和樹(shù)皮紋理兩種圖像的能力。hn，簡(jiǎn)稱(chēng)TCK）和小麥網(wǎng)腥黑穗?。═illetia caries Tul，簡(jiǎn)稱(chēng)TCT）是小麥的兩類(lèi)重要的真菌病害，是出入境檢驗(yàn)檢疫中重要的植物檢疫對(duì)象（郭同軍，2007）。小麥網(wǎng)腥黑穗病（簡(jiǎn)稱(chēng)TCT）與小麥矮腥黑穗病是同屬不同種，它主要