【正文】 顏 色（ ratio_x ） 桔 子 7271 390 香 蕉 14067 898 蘋 果 10006 465 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 22 由表 21 可以看出： ① 香蕉是周長(zhǎng)最長(zhǎng)、弧度最小的水果； ② 在三種水果中，蘋果的 R 通道直方圖中固定區(qū)域（ 100~170 像素）中像素?cái)?shù)量與其 G 通道和 B 通道直方圖中固定區(qū)域中像素?cái)?shù)量和的比值為三者中最大的，即蘋果的紅色信息量 （ ratio_a） 是最多的。分層型神經(jīng)網(wǎng)絡(luò)將所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層三層，各層順序連接。logsig39。 （ 5）競(jìng)爭(zhēng)轉(zhuǎn)換 指令格式 ： y_sim = pet(y) pet()是一種轉(zhuǎn)換函數(shù)，它可以把運(yùn)行結(jié)果中輸出向量里的最大值賦值為 1，其它值則賦值為 0，從而更方便地對(duì)輸出結(jié)果進(jìn)行直觀的觀察。根據(jù)我們的具體情況，選擇含有一個(gè)隱含層的三層 BP網(wǎng)絡(luò)作為網(wǎng)絡(luò)結(jié)構(gòu)。函數(shù) sigmoid 具有這樣的特性：當(dāng)輸入變量的取值很大時(shí)，其斜率趨于零 。如果權(quán)值在相同的梯度上連續(xù)被修正，則其幅度必將增加，從而克服了梯度幅度偏導(dǎo)的不利影響，即： Δx(k+l)= Δx (k+1) ?sign(g(k))= Δ x(k) ?kinc?sign(g(k)) (當(dāng)二次迭代的梯度方向相同時(shí) ) Δ x(k) ?kdec?sign(g(k)) (當(dāng)二次迭代的梯度方向相反時(shí) ) Δ x (k) (當(dāng) g(k) =0 時(shí) ) （ 31） 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 28 式（ 31）中， g(k)為第 k次迭代的梯度； Δ x (k)為權(quán)值或 閾 值第 k次迭代幅度的修正值，其初始值 Δ x (0)是用戶設(shè)置的；增量因子 kinc 和減量因子 kdec也是用戶設(shè)置的。 P_xunlian=[P(:,1:10),P(:,16:25),P(:,31:40)]。 m22=[m2,m2,m2,m2,m2,m2,m2,m2,m2,m2]。logsig39。 %訓(xùn)練網(wǎng)絡(luò) Y=sim(,P_xunlian)。 3． 4 程序測(cè)試與結(jié)果分析 運(yùn)行結(jié)果如下 ： Y_sim_vc = Columns 1 through 10 1 1 1 1 1 1 1 1 1 1 Columns 11 through 20 2 2 2 2 2 2 2 2 2 2 Columns 21 through 30 3 3 3 3 3 3 3 3 3 3 Y_test_sim_vc = 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 Y_sim_vc_random1 = 1 2 3 Y_sim_vc_random2 = 2 1 3 Y_sim_vc_random3 = 3 2 1 right = 100% BP 網(wǎng)絡(luò)的訓(xùn)練性能曲線如圖 33 所示： 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 34 圖 33 BP網(wǎng)絡(luò)的訓(xùn)練性能曲線 由運(yùn)行結(jié)果可以看出， BP 網(wǎng)絡(luò)已經(jīng)能夠正確識(shí)別三種水果各自的特征量并將其準(zhǔn)確的區(qū)分出來(lái)（ 1表示桔子； 2 表示香蕉； 3表示蘋果），且正確率為 100%。 4． 2 展望 利用農(nóng)作物自身的特征對(duì)農(nóng)作物圖像進(jìn)行分類識(shí)別是計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)自動(dòng)化應(yīng)用中的重要前提條件。在此謹(jǐn)向張老師表示最衷心的感謝和最崇高的敬意！ 感謝魏晗學(xué)姐在論文完成的整個(gè)過程中給予我的無(wú)私幫助和支持。 結(jié)束語(yǔ) 在此論文完成之際，謹(jǐn)以此文獻(xiàn)給所有關(guān)心、幫助和支持我的人們。 在本系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)的過程中，在了解并學(xué)習(xí)了前人提出的一些典型算法的基礎(chǔ)上，根據(jù)比較這些算法的結(jié)果分析其優(yōu)劣，采用最佳算法的同時(shí)也提出了自數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 35 己的方法和改進(jìn)的算法。 %15 為測(cè)試的個(gè)數(shù) right=1errors1 %正確率 將采集到的桔子、香蕉和蘋果各自的弧度及顏色數(shù)據(jù)分別作為訓(xùn)練樣本和測(cè)試樣本 （前 10 組數(shù)據(jù)為訓(xùn)練樣本；后五組為測(cè)試樣本），設(shè)定目標(biāo)輸出分別為 1，數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 33 2， 3（ 1 表示桔子； 2表示香蕉； 3表示蘋果） 。 =init()。logsig39。 m11=[m1,m1,m1,m1,m1,m1,m1,m1,m1,m1]。... ,…,]。當(dāng)梯度為零時(shí)，權(quán)值和 閾 值的修正值保持不變 。 BP網(wǎng)絡(luò)的輸 入 、輸出層維數(shù)完全根據(jù)使用要求來(lái)設(shè)計(jì)，本網(wǎng)絡(luò)的目的是利用網(wǎng)絡(luò)分類的識(shí)別功能。 （ 8） 隱含層的選擇 1989 年， Robert Hecht Nielson 證明了對(duì)于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用含一個(gè)隱含層的 BP 網(wǎng)絡(luò)來(lái)逼近。 （ 3） 網(wǎng)絡(luò) 仿真指令格式： y=sim( ,p) 神經(jīng)網(wǎng)絡(luò) 比較 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 26 對(duì) 于 高維 的 多個(gè)輸入，可以使用該函數(shù)方便 的得到仿真 結(jié) 果。 （ 2 ） 網(wǎng) 絡(luò) 創(chuàng) 建 指 令 格 式 ： =newff(PR,[S1 S2…SN],{TF1 TF2…TFN},BTF,BLF,PF) 各 參數(shù)意義： PR 輸入向量的取值范圍 ； Si 第 i 層的神經(jīng)元個(gè)數(shù)，總共 N 層 ； Tfi 第 i 層的 傳遞函數(shù)，缺省值 “tansig”； BTF BP 神經(jīng)網(wǎng)絡(luò)函數(shù) 缺省值 “trainlm”； BLF BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)函數(shù)，缺省值 “l(fā)earngdm”； PF 性能函數(shù)，缺省值 “mse”。它 是由大量單元 相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。 n_banana_G=sum(T_banana_G)。 jietu_banana_B= CaiTu(pmin:pmax,qmin:qmax,3)。 % 香蕉 [p,q]=find(Biaoqianhua1==2)。 pmin=min(p)。pmax=max(p)。 基于本設(shè)計(jì)的特點(diǎn)， 樣本采集時(shí)對(duì)于蘋果的顏色 是 有 一定要求的。通過對(duì)三種弧度的比較，可以將弧度最小的香蕉識(shí)別出來(lái)。Biaoqianhua(i+1,j1)==0)|... (Biaoqianhua(i,j)==3amp。Biaoqianhua(i+1,j)==0)|(Biaoqianhua(i,j)==2amp?！? Biaoqianhua(i+1,j+1)==0)) L1=L1+1。 for i=1:m for j=1:n if ((Biaoqianhua(i,j)==1amp。 for i=1:m for j=1:n if (Biaoqianhua(i,j)==3) S3=S3+3。類似的，可以求出 S2和 S3，只是對(duì)應(yīng)的 S(n)需要除以 n 。 figure(8)。 figure(7)。經(jīng)過標(biāo)簽化處理就能把各個(gè)連接成分進(jìn)行分離，從而可以研究它們的特征。 %去除斷邊 se = strel(39。 for i=1:m for j=1:n if (ROI_edge(i,j)==0) amp。sobel39。 ③ 開運(yùn)算（ imopen）：先腐蝕后膨脹的過程稱為開運(yùn)算。有一種特殊定義的鄰域稱為“結(jié)構(gòu)元素”（ Structure Element） ,在每個(gè)像素位置上它與二值圖像對(duì)應(yīng)的區(qū)域進(jìn)行特定的邏輯運(yùn)算，運(yùn)算結(jié)果為輸出圖像的相應(yīng)像素。利用邊緣檢測(cè)來(lái)分割圖像，其基本思想就是先檢測(cè)圖像中的邊緣點(diǎn)，再按照某種策略將邊沿點(diǎn)連接成輪廓，從而構(gòu)成分割區(qū)域。 [m,n]=size(QuZao)。如果閾值過大，過多的目標(biāo)點(diǎn)被誤認(rèn)為背景點(diǎn)，目標(biāo)被削弱，甚至?xí)?；如果閾值過小，過多的背景點(diǎn)被誤認(rèn)為目標(biāo)點(diǎn)，噪聲過大，目標(biāo)特性數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 12 也會(huì)被削弱，不利于正確識(shí)別。 去噪后的圖像如圖 23 所示： 圖 23 去噪后的圖像 2． 1． 4 圖像二值化處理 經(jīng)過去噪和對(duì)比度增強(qiáng)的圖像，我們就可以對(duì)其進(jìn)行二值化處理。imshow(QuZao)。窗口大小及形狀有時(shí)對(duì)濾波效果影響很大。 中值濾波法的原理是將采集到的若干個(gè)周期的變量值進(jìn)行排序，然后取排好順序的值得中間的值，這種方法可以有效的防止受到突發(fā)性脈沖干擾的數(shù)據(jù)進(jìn)入。銳化后的圖像 39。 [m,n]=size(Ruihua)。反銳化掩模法是一種常用的圖像銳化方法，其算法表達(dá)式為： g(x,y)=f(x,y)+C[f(x,y) ),( yxf? ] (21) 式中 f(x,y)為處理前的圖像； ),( yxf? 為用人為方法將 f(x,y)模糊以后得到的圖像； g(x,y)為銳化處理后的圖像； C為比例常數(shù)，根據(jù)具體情況選定。 figure(1)。像素是被逐點(diǎn)描述的，具有一個(gè)明確的位置和色彩數(shù)值。 MATLAB 具有靈活的二維與三維繪圖功能，在程序的運(yùn)行過程中，可以方便迅速地用圖形、圖像、聲音、動(dòng)畫等多媒體技術(shù)直接表述數(shù)值計(jì)算結(jié)果，可以選擇不同的坐標(biāo)系，可以設(shè)置顏色、線型、視角等，還可以在圖像中加上比例尺、標(biāo)題等標(biāo)記，在程序運(yùn)行結(jié)束后改變圖形標(biāo)記、控制圖形句柄等，并且還可以將圖形嵌入到用戶的 word 文件中。MATLAB 不僅能免 去大量的經(jīng)常重復(fù)的基本數(shù)學(xué)運(yùn)算，而且其編譯和執(zhí)行速度都遠(yuǎn)遠(yuǎn)超過了采用 C 和 Fortran 語(yǔ)言設(shè)計(jì)的程序。 相應(yīng)模型如圖 12計(jì)算機(jī)讀取 圖像 圖像標(biāo)簽化 圖像去噪，增強(qiáng)對(duì)比度 圖像二值化 圖像特征提取，特征參數(shù)計(jì)算 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動(dòng)識(shí)別 6 所示： 圖 12 目標(biāo)識(shí)別模型 1． 2 編程語(yǔ)言 選擇 對(duì)于編程語(yǔ)言的選擇，我們希望用一種能夠?qū)φn題所有命令和對(duì)象進(jìn)行靈活、方便地控制和使用的編程語(yǔ)言。 （ 3） 圖像的二值化 所謂圖像的二值化，就是使圖像上所有點(diǎn)的灰度值只有兩種可能，不為 0就為 255，也就是使整個(gè)圖像呈現(xiàn)出明顯的黑白效果。 通過研究這個(gè)課題不但可以加深對(duì)圖像處理基本思想的理解和對(duì)其方法的掌握，還熟悉了圖像處理中的精髓內(nèi)容 —— 目標(biāo)分類識(shí)別。在我國(guó)，水果分級(jí)基本上仍由人工完成。 圖像識(shí)別與圖像處理的關(guān)系非常密切，互相交錯(cuò)，很難把它們截然分開。 Matlab。為了彌補(bǔ)由于原始圖像中灰度分布不均勻和光照等因素的影響而造成的二值化后圖像出現(xiàn)的斷邊和同一類水果中出現(xiàn)的孔洞，借助于 Sobel算子進(jìn)行邊緣提取以接合斷邊，基于數(shù)學(xué)形態(tài)學(xué)算子填充二值化圖像中出現(xiàn)的孔洞。為了彌補(bǔ)由于原始圖像中灰 度分布不均勻和光照等因素的影響而造成的二值化后圖像出現(xiàn)的斷邊和同一類水果中出現(xiàn)的孔洞，借助于 Sobel算子進(jìn)行邊緣提取以接合斷邊，基于數(shù)學(xué)形態(tài)學(xué)算子填充二值化圖像中出現(xiàn)的孔洞。 計(jì)算機(jī)圖像處理及識(shí)別是計(jì)算機(jī)應(yīng)用技術(shù)的一個(gè)重要方面，在電子工業(yè)、人工智能、工業(yè)自動(dòng)化、生物醫(yī)療工程、衛(wèi)星遙感等眾多領(lǐng)域中占有極其重要的地位。對(duì)圖像處理環(huán)節(jié)來(lái)說(shuō)，輸入是圖像，輸出也是圖像；而圖像識(shí)別以研究圖像的分類與描述為主要內(nèi)容，找出圖像各個(gè)部分的形狀和紋理特征，亦即特征提取 (Feature Extraction)，以便對(duì)圖像進(jìn)行分類，并對(duì)整個(gè)圖 像作結(jié)構(gòu)上的分析。由于在水果分級(jí)標(biāo)準(zhǔn)中，對(duì)于著色面積和缺