【正文】 */int SendMatrix(CAObjHandle hMatlab, char *matlabName, double *matrixReal, double *matrixImag, unsigned dim1, unsigned dim2)。*/int RunMatlabScript(CAObjHandle hMatlab, char *mFilePath)。 /* MATLAB窗口最大最小化函數(shù)，其minmaxFlag是最大最小化標(biāo)志。showplot39。 else *ENTValue = *ENTValue + 0。j++) { *CORValue = *CORValue + ((i mr)*(j mc)*DistGLCM_one[i][j])/(or*oc)。j++){ oc2 = oc2 + (j mc)*(j mc)*GLCM_one_j[j]。}or2 = 0。 }}mr = 0。j 8。i++) for(j = 0。for(i = 0。j++) { *DefiValue = *DefiValue + DistGLCM_one[i][j]/(1 + pow((i j),2))。i++) for(j = 0。for(i = 0。j 8。PixelValueX2)。ImageInfo)。 float PixelValueX1,PixelValueX2。而矮腥和網(wǎng)腥這兩種圖像近乎相同，但總有它們的不同之處，通過努力考究，最終還是把它們成功分開了，雖然精度不高，只有百分之七十二，但也是一個(gè)不小的突破了。 軟件實(shí)現(xiàn)鑒定系統(tǒng)及腥黑穗病分類實(shí)驗(yàn) 由上面的步驟，我們已經(jīng)得到了一個(gè)完善的分類器系統(tǒng)，并且通過對(duì)小麥的矮腥黑穗病和網(wǎng)腥黑穗病這兩種病菌的紋理特征提取，對(duì)這些特征進(jìn)行分析以及比較，我們就得到了一個(gè)完善的腥黑穗病鑒定系統(tǒng)。/*從MATLAB接收字符串函數(shù)。 /* 運(yùn)行MATLAB命令函數(shù)，其中變量“mand”為要運(yùn)行的MATLAB函數(shù)名。由于篇幅所限，本文在此就不舉例了。但是由于各個(gè)用戶所裝的MATLAB版本的不同，在實(shí)現(xiàn)混合編程時(shí)，并不能直接應(yīng)用CVI＼samples＼activex＼MATLAB下的ActiveX服務(wù)函數(shù)，因?yàn)椴煌姹镜腗ATLAB軟件的MATLAB Application的注冊(cè)碼是不同的，這就需要修改MATLAB的注冊(cè)碼。LabWindows／CVI與MATLAB通信接口的建立：ActiveX通過在LabWindows／CVI環(huán)境下建立一個(gè)數(shù)據(jù)交換ActiveX服務(wù)控件可以實(shí)現(xiàn)與matlab之間的接口通信。showplot39。%把百分之八十的樣本用于訓(xùn)練，剩余的用于分類；[train, test] = crossvalind(39。本次設(shè)計(jì)提取了圖像的紋理特征有：均值、方差、逆差矩、相似度、一致性、對(duì)比度、相關(guān)性和熵。因此，MATLAB實(shí)現(xiàn)svm也不是一件難事。方差（variance）計(jì)算公式如式（15） (15)反映圖像各個(gè)像素點(diǎn)的離散程度，方差越大，說明圖像像素點(diǎn)之間的灰度值差距就越大。熵（entropy）計(jì)算公式如式（10） (10)若灰度共生矩陣值分布均勻，也即圖像近于隨機(jī)或噪聲很大，熵會(huì)有較大值。紋理溝紋越深，其對(duì)比度越大，視覺效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊。如果灰度共生矩陣中的值集中在某一塊（比如對(duì)連續(xù)灰度值圖像，值集中在對(duì)角線；對(duì)結(jié)構(gòu)化的圖像，值集中在偏離對(duì)角線的位置），則ASM有較大值，若G中的值分布較均勻（如噪聲嚴(yán)重的圖像），則ASM有較小的值。令點(diǎn)（x，y）在整個(gè)畫面上移動(dòng)，則會(huì)得到各種（g1，g2）值，設(shè)灰度值的級(jí)數(shù)為 k，則（g1，g2）的組合共有 k 的平方種。本文我們重點(diǎn)關(guān)注紋理圖像分類問題。從一定程度上看，基元以及基元的空間排列關(guān)系產(chǎn)生不同的均勻性、光滑度、規(guī)則度以及方向性等，因此呈現(xiàn)出不同的紋理特征。Hawkins指出紋理的表述看起來好像依賴于三個(gè)成分:1)一些局部的“序”在一個(gè)相對(duì)于序的尺寸足夠大的區(qū)域中重復(fù)，2)序基于基本部分的非隨機(jī)排列，3)在紋理區(qū)域內(nèi)任何地方都具有近似同樣維數(shù)的均一實(shí)體部分。因此，紋理是由問題表面的物理屬性不同所引起的能夠表示某個(gè)特定表面特征的灰度或者顏色信息，不同的物理表面會(huì)產(chǎn)生不同的紋理圖像，而且很容易被人所感知，我們可以從文紋理上獲得非常豐富的視覺場(chǎng)景信息，并能通過紋理分析方法來完成計(jì)算機(jī)視覺和圖像理解研究領(lǐng)域的一些研究任務(wù)。,true)。主要的編程實(shí)現(xiàn)如下：%讀取用于訓(xùn)練和分類的數(shù)據(jù),其中fisheries是matlab自帶數(shù)據(jù)，在這里僅作舉例；load fisheriris%提取原始數(shù)據(jù)meas的第一和第二列數(shù)據(jù)，放到data中；data=[meas(:,1),meas(:,2)]。 支持向量機(jī)的算法給定樣本集, xi∈Rn , yi∈{ 1, 1}, i= 1, ?,l, 和核函數(shù)K (xi, xj)。，實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，控制分類器的推廣能力。而其他分類方法（如基于規(guī)則的分類器和人工神經(jīng)網(wǎng)絡(luò)）都采用一種基于貪心學(xué)習(xí)的策略來搜索假設(shè)空間，這種方法一般只能獲得局部最優(yōu)解。在將來圖像識(shí)別技術(shù)在各種出入境植物的病害識(shí)別中得到很好的應(yīng)用，識(shí)別的準(zhǔn)確度得到明顯的改善，能最大程度的保證出入境植物的安全性。李德杰（2008）進(jìn)行了基于圖像處理的玉米常見病害識(shí)別研究，以玉米葉部病害為試驗(yàn)材料,采用比傳統(tǒng)算法更為簡(jiǎn)便、更實(shí)用的圖像增強(qiáng)方法（先對(duì)彩圖求反,然后對(duì)得到的反色圖像進(jìn)行RGB通道分離）,總結(jié)了對(duì)玉米5種常見病害基本識(shí)別的方法。提出用自適應(yīng)性指數(shù)變換方法分割病蟲害區(qū)域。本論文以小麥矮腥黑穗病、小麥網(wǎng)腥黑穗病兩種病蟲害圖像為研究對(duì)象，分析其病菌冬孢子圖像的特征。麥粒內(nèi)或麥麩內(nèi)混入的菌癭或孢子含量過大，常引起家畜中毒，%，即可引起嚴(yán)重中毒現(xiàn)象。hn，簡(jiǎn)稱TCK）和小麥網(wǎng)腥黑穗?。═illetia caries Tul，簡(jiǎn)稱TCT）是小麥的兩類重要的真菌病害，是出入境檢驗(yàn)檢疫中重要的植物檢疫對(duì)象（郭同軍，2007）。當(dāng)直接在圖像上進(jìn)行操作時(shí)，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。本文著重分析了灰度共生矩陣這一種方法。其病株也表現(xiàn)出矮化、分蘗增多、黑粉病粒等癥狀。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。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%。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，并開發(fā)了識(shí)別系統(tǒng)。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)行分類識(shí)別，也有些通過遺傳算法來進(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。 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（或稱泛化能力）。 支持向量機(jī)的優(yōu)點(diǎn)1. 它是專門針對(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)趨于無窮大時(shí)的最優(yōu)值。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(gè)線性超平面實(shí)現(xiàn)線性劃分（或回歸）。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(duì)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(duì)應(yīng)的拉格朗日乘子( 以下簡(jiǎn)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。cp = classperf(groups)。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。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。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。相對(duì)于紋理分類中一個(gè)均一紋理區(qū)域的類別可以通過從該區(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。本文主要分析灰度共生矩陣方法。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)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。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。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。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）。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，這樣就可實(shí)現(xiàn)圖像的分類。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(jìn)行預(yù)分類，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。showplot39?；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，通過改善算法以及由上面成功的分類實(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。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。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，編寫源代碼，并以Example．c名保存。*/ int MinMaxMatlab(CAObjHandle hMatlab, int minmaxFlag)。/*向MATLAB發(fā)送字符串函數(shù)。/*從MATLAB接收矩陣函數(shù)。第二次分類實(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)，分類的樣本18個(gè)，分類得到的結(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)矮腥分類樣本分類正確、9個(gè)網(wǎng)腥分類樣本分類正確，%。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