【正文】 oc2 = 0。 for(j = 0。 for(i = 0。i 8。 } /* 對比度 CON */ *CONValue = 0。j 8。i 8。 } /* 方差 Vari */ *VariValue = 0。j 8。 for(i = 0。j++) { IPI_GetPixelValue (DestImage, i, j, amp。j 8。 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。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，召回率為 %。 /*從 MATLAB 接收矩陣函數(shù)。 19 /*向 MATLAB 發(fā)送字符串函數(shù)。 */ int MinMaxMatlab(CAObjHandle hMatlab, int minmaxFlag)。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。單擊“ Next”后，系統(tǒng)將自動生成 ， MATLABatvx. h， MATLABatvx. Obj，和 五個文件，這五個文件在 D:\CVI20xx\Work 目錄下可以找到?；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。showplot39。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。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。網(wǎng)眼外有一層透明的膠質(zhì)鞘，厚度為 微米（指網(wǎng)脊頂部以外的厚度） （ 劉惕若 ， 1984） 。 (14) 反映圖像像素點的平均灰度值。 錯誤 !未找到引用源。相反，如果矩陣像元值相差很大則相關(guān)值小。紋理溝紋越深，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊。 11 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(xì)度。距離差分值 （ a， b） 取不同的數(shù)值組合，可以得到不同情況下的 聯(lián)合概率 矩陣。目前己經(jīng)有許多紋理特征提取方法，將這些方法大致歸為四大類 :統(tǒng)計分析方法（也就是灰度共生矩陣方法），幾何特征方法，信號處理方法及關(guān)鍵點方法。紋理分類是從一個給定紋 理類別中識別出給定紋理區(qū)域(紋理圖像 )。這從另一個角度反映出進行紋理特征的研究十分具有挑戰(zhàn)性。用圖像中的二維灰度變化來表征多種多樣的紋理本身就是一個非常復(fù)雜的過程，因此，很難給紋理一個精確的定義。showplot39。 %把百分之八十的樣本用于訓(xùn)練，剩余的用于分類； 8 [train, test] = crossvalind(39。變換 Φx→z 將樣本從輸入空間映射到特征空間。 ，即少量樣本（支持向量）的系數(shù)不為零，就推廣性而言，較少的支持向量數(shù)在統(tǒng)計意義上對應(yīng)好的推廣能力，從計算角度看，支持向量減少了核形式判別式的計 6 算量。盡管如此，用戶必須提供其他參數(shù)，如使用 核函數(shù) 類型和引入松弛變量等。 技術(shù)路線 根據(jù)本研究的目的和要求，確定出技術(shù)路線為：先對獲取到的細(xì)胞圖像進行平滑和銳化處理，改善圖像的質(zhì)量；從細(xì)胞圖像中分割出單個細(xì)胞；對這些細(xì)胞分別提取它們的顏色、形狀和紋理特征；從中選出一部分特征歸一化；利用歸一化后的特征值進行病害識別。再加上矮腥黑穗病在國內(nèi)比較少見，只有在入境植物中才可能攜帶，因此國內(nèi)對這種病害的相關(guān)研究就更少，這種病害的危害性特別大，一旦傳入我國產(chǎn)生的損失將會很大，所以本文的研究將會有很好的實用價值。 張靜等（ 20xx）對溫室黃瓜斑疹病和角斑病的研究發(fā)現(xiàn)，利用灰度共生矩陣方法提取出來的慣性值是識別這兩種病蟲害較好的特征參量之一。在提取圖像特征的基礎(chǔ)上建立小麥矮腥黑穗病和王腥黑穗病的檢定系統(tǒng)，并進行驗證試驗。 然而，出入境檢驗檢疫人員在識別入境小麥病害時遇到了困難。它是麥類黑穗病中危害最大、防治最難的一種國際性檢疫病害，也是我國外檢中禁止傳入的一類危險性病害 （ 張江洪 ， 20xx） 。 本文所做的主要工作如下： ，分析支持向量機核函數(shù)中各個 參數(shù)對分類模型的影響，比較各參數(shù)對 SVM 的尋優(yōu)能力。同時簡單介紹 SVM 在紋理圖像分類中的應(yīng)用。該病害危害很大，造成病株矮化、分蘗多、病穗密、病粒硬等癥狀，某些品種感病后減產(chǎn)一半以上，病菌能在土壤中存活 6～ 7 年，甚至 10 年，隨著土壤和種子傳播，很難根治。由于小麥矮腥和小麥網(wǎng)腥的冬孢子形態(tài)特征比較相似，給檢疫造成困難。 圖像分析技術(shù)在植物病害識別領(lǐng)域的研究現(xiàn)狀 國外研究現(xiàn)狀 Garbay（ 1986）深入分析了細(xì)胞圖像的結(jié)構(gòu)模型，比較了多種細(xì)胞的分割方法，提出了一種區(qū)域生長方法，并獲得了較好的效果。 趙玉霞，王克如，白中英等（ 20xx）利用貝葉斯方法對玉米葉部病害圖像進行識別，根據(jù)銹病、彎孢菌葉斑病、灰斑病、小斑病及褐斑病等五種玉米病斑圖像的實際情況 ,在圖像分割和特征提取的基礎(chǔ)上 ,利用樸素貝葉斯分類器的統(tǒng)計學(xué)習(xí)方法 ,實現(xiàn)玉米葉部病斑的分類識別。圖像處理和識別技術(shù)在各方面的應(yīng)用都已經(jīng)比較成熟，在對玉米、黃瓜、甘蔗的病害識別中，用到的方法和流程都是類似的。流程見圖 1。 啞變量 ， SVM 可以應(yīng)用與分類數(shù)據(jù)。 支持向量機的原理 SVM 方法是通過一個非線性 映射 ，把 樣本空間映射 到一個 高維 乃至無窮維的特征空間中 ， 使得在原來的 樣本空間 中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題 。設(shè)計基于 SVM的二分類器 , 就是在 Z 中尋找一定意義下的最優(yōu)超平面 〈 w, Φ(x) 〉 b = 0。holdOut39。,true)。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，在計算機視覺研究文獻中還沒有一個大家都能接受的精確定義。 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。例如，一幅衛(wèi)星圖像中的一個特定區(qū)域可能屬于農(nóng)田、森林或城區(qū)。其中統(tǒng)計分析方法、幾何特征方法和信號處理方法在紋理分析中因為提出較早，所以 影響很大。 （ a， b） 取值要根據(jù)紋理周期分布的特性來選擇，對于較細(xì)的紋理，選取 （ 1， 0）、（ 1， 1）、（ 2， 0） 等小的差分值。如果共生矩陣的所有值均相等，則 ASM 值??；相反，如果其中一些值大而其它值小，則 ASM 值大?；叶炔罴磳Ρ榷却蟮南笏貙υ蕉啵@個值越大。 熵 （ entropy） 計算公式如式 （ 10） 錯誤 !未找到引用源。 錯誤 !未找到引用源。 方差 （ variance） 計算公式如式 （ 15） 錯誤 !未找到引用源。 由以上描述看出，小麥網(wǎng)腥和小麥矮腥兩種種黑穗病菌的冬孢子在顏色、形狀和紋理特征方面都有區(qū)別，但是特征值間也存在重疊，因此，我們還需要通過詳細(xì)的特征分析來確定能用于病菌分類的有效特征。本文運用LabWindows／ CVI 和 MATLAB 獨立開來進行樹皮紋理和石紋的分類。 svm分類器的工作界面如下圖 4 所示： 圖 4 svm分類器工作界面 對圖像紋理進行分類的主要代碼如下： %讀取紋理特征數(shù)據(jù)； load matlab 15 %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)]。,true)。 LabWindows／ CVI 與 MATLAB 混很編程 LabWindows／ CVI 調(diào)用 MATLAB，實際上就是實現(xiàn) LabWindows／ CVI 和 MATLAB的混合編程，實現(xiàn)兩種不同的程序開發(fā)平臺有一些不同的方法，在眾多實現(xiàn)方法當(dāng)中，我們當(dāng)然想到最便捷最可靠的方法了，那就是在 LabWindows／ CVI 中創(chuàng)建 ActiveX控件，通過這一個控件就可以實現(xiàn)與 MATLAB混合編程了。 ⑵ 利用 LabWindows／ CAI自帶的 ActiveX服務(wù)函數(shù)進行接口通信。經(jīng)過面板設(shè)計和源代碼編寫后就可創(chuàng)建并保存工程文件了。 /* 關(guān)閉 MATLAB 窗口函數(shù)。其中， CVIstring 為要發(fā)送的字符串的變量名，matStringName 為 MATLAB 中存儲該字符串的變量名。其中， MATLABName 為 MATLAB 中存儲該矩陣的變量名。 經(jīng)過反復(fù)推敲，矮腥與網(wǎng)腥召回率不高一方面是因為這兩種病菌本來就是近親物種，十分相似，無論是形狀、顏色、紋理等各方面都是“難舍難分”的，另一方面是對樣本圖片的預(yù)處理還不到位，對圖像的分割不夠好，以至于得到的紋理特征并不完全是這兩種病 菌的純特征，是混有圖片底層“雜質(zhì)”的特征，從而對分類影響比較大。 23 參 考 文 獻 Vapnik V. The Nature of Statistical Learning Theory [ M ] .New York: Springer Verlag, 1995. Cortes C ,Vapnik V. Support vector works [ J ] . MachineLearning , 1995 ,20 (3) :273 297. 李毅 , 阮秋琦 . 應(yīng)用支持向量機的紋理分類 [ J ] . 通信學(xué)報 ,20xx, 26( 1) :14119. 薄華 , 馬縛龍 , 焦李成 . 圖像紋理的灰度共生矩陣計算問題的分析 [ J] . 電子學(xué)報 , 20xx, 34( 1) : 55159. 高 士忠 ． 基于 灰 度 共 生 矩陣 的 織 物 紋 理 分 析 ［ J］ ． 計算機 工程 與 設(shè) 計， 20xx， 29( 16) : 4385 － 4388． 許 漫 坤 ， 平 西 建 ． 基于 譜 直 方 圖 和 SOFM 網(wǎng)絡(luò) 的 紋 理 分類 ［ J］ ． 計算機 工程 與 應(yīng)用 ， 20xx － 2: 90 － 93． MATLAB 從入門到精通 /劉保柱，蘇彥華，張宏林編著 .— 2 版（修訂本） .— 北京：人民郵電出版社， （ 重?。?ISBN 9787115226365 鐘樺 , 張小華 , 焦李成 . 數(shù)字水印與圖像認(rèn)證 —— 算法及應(yīng)用 [ M] . 西安 : 西安電子科技大學(xué)出版社 , 20xx. 王艷輝 , 王相海 . 用于圖像認(rèn)證的數(shù)字水印技術(shù)綜述 [ J] . 計算機工程與應(yīng)用 , 20xx, 43( 2) : 3336. 郭德軍 , 宋蟄存 , 基于灰度共生矩陣的紋理影像分類研究 . 林業(yè)機械與木工設(shè)備 , 明冬萍 ， 駱劍乘 ， 沈占鋒 ． 基于 GMRF_SVM 的高分辨率遙感影像目標(biāo)區(qū)域劃分方法 ［ J］． 測繪科學(xué) ， 20xx， 34( 2) : 33 37． 李強麗 ． 用遺傳算法解決建筑中日照采光設(shè)計問題 ［ D］ ． 北京 : 北京工業(yè)大學(xué) ， 20xx． 24 附 錄 提取紋理特征的主要代碼 /*灰度共生矩陣 */ void glcmFun() { int i,j。j++) { DistGLCM[i][j] = 1。PixelValueX1)。i 8。j++) { DistGLCM_one[i][j] = DistGLCM[i][j]/SumDist。 for(i = 0。i++) for(j = 0。j++) { *SimiValue = *SimiValue + abs(i j)*DistGLCM_one[i][j]。 for(i = 0。i++) { GLCM_one_i[i] = 0。i 8。j 8。 for(j = 0。 } or = sqrt(or2)。 } mc = 0。j++) 27 { GLCM_one_j[j] = 0。 for(i = 0。j++) { *ASMValue = *ASMValue + DistGLCM_one[i][j]*DistGLCM_one[i][j]。i++) for(j = 0。 for(i = 0。j++) { *MeanValue = *MeanValue + i * DistGLCM_one[i][j]。i++) for(j = 0。 } /*歸一化 */ SumDist = 0。j 1。i++) for(j = 0。 通過改進 CVI 和 MA