【正文】 TLAB 兩個(gè)開(kāi)發(fā)平臺(tái)的運(yùn)用方法，方便快捷地實(shí)現(xiàn)了矮腥和 網(wǎng) 22 腥這兩種近親病菌的分類(lèi)，其分類(lèi)精確度也能達(dá)到百分之七十多，效果甚好。第一次分類(lèi)實(shí)驗(yàn)所用到的樣本數(shù)共有 44 個(gè)，石紋和樹(shù)皮各 22 個(gè)樣本，訓(xùn)練樣本占 80%（即 35 個(gè)樣本），訓(xùn)練樣本是 9 個(gè)，其中正確區(qū)分開(kāi)來(lái)樣本是 9 個(gè)，經(jīng)鑒定系統(tǒng)分類(lèi)準(zhǔn)側(cè)率預(yù) 測(cè)，這兩種樣本的召回率達(dá)到 95%以上。*/ 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。 在 LabWindows／ CVI中實(shí)現(xiàn)與 MATLAB混合編程的具體方法如下： ActiveX服務(wù)函數(shù)創(chuàng)建完畢后，就可實(shí)現(xiàn)混合編程了。 ③在彈出的 ActiveX Controller WizardAdvanced Options 對(duì)話框中單擊“ Check All”按鈕，其余按照默認(rèn)方式。然而，兩種開(kāi)發(fā)平臺(tái)獨(dú)立分開(kāi)也帶來(lái)了不少麻煩，比如樣本圖片數(shù)量大的時(shí)候，輸入圖片的時(shí)間和精力就會(huì)加大，使我們的研究不太方便，其次就是得到紋理特征后將數(shù)據(jù)輸入 MATLAB 的時(shí)候會(huì)容易出錯(cuò)。 %樣本訓(xùn)練； svmStruct = svmtrain(data(train,:),groups(train),39。對(duì)于本次設(shè)計(jì)中的 svm 分類(lèi)，只需要在 matlab 中調(diào)用 svmtrain 和 svmclassify 這兩個(gè)函數(shù)就能將 cvi 得到的紋理特征數(shù)據(jù)進(jìn)行分類(lèi)。 LabWindows／ CVI 紋理特征提取及腥黑穗病紋理特征提取實(shí)驗(yàn) LabWindows／ CVI 開(kāi)發(fā)平臺(tái)運(yùn)行速度快，界面功能強(qiáng)大；而 MATLAB 開(kāi)發(fā)平臺(tái)內(nèi)部可運(yùn)用資源豐富。壁表網(wǎng)眼高 微米，網(wǎng)眼徑 微米。 均值 （ average） 計(jì)算公式如式（ 14） 錯(cuò)誤 !未找到引用源。 錯(cuò)誤 !未找到引用源。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大 。反映了圖像的清晰度和紋理溝紋深淺的程度。 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。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） ，這樣的方陣稱為灰度共生矩陣。 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)。 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于具體的應(yīng)用。 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。 %樣本分類(lèi)； classes = svmclassify(svmStruct,data(test,:),39。 %對(duì)樣本進(jìn)行標(biāo)記； groups= ismember(species,’setoas’)。 K 對(duì)應(yīng)某特征空間 Z 中的內(nèi)積 , 即 〈 Φ(xi) , Φ(xj ) 〉 = K (xi, xj)。 Mercer 核實(shí)現(xiàn)線性算法的非線性化。 通過(guò)最大化決策邊界的邊緣來(lái) 控制模型 的能力。 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 小麥矮腥黑穗病 （ Tilletia Controversa Kuhn） 小麥 網(wǎng) 腥黑穗病 （ Tilletia 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； 4 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。 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。 國(guó)內(nèi)研究現(xiàn)狀 田有文 ,李成華（ 20xx）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。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。 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。 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。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。 、 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。 小麥網(wǎng)腥黑穗病 （ 簡(jiǎn)稱 TCT） 與小麥矮腥黑穗病是同屬不同種，它主要危害小麥和黑麥， TCK 與 TCT 病菌的形態(tài)學(xué)特征極其相似，在檢疫中很容易混淆，給口岸的檢疫工作帶來(lái)困難。目 前，國(guó)內(nèi)主要通過(guò)顯微鏡觀察，依據(jù)病原菌的冬孢子形態(tài)學(xué)特征、自發(fā)熒光顯微學(xué)特征和萌發(fā)生理學(xué)特征來(lái)對(duì)其進(jìn)行鑒定，難以保證檢測(cè)的穩(wěn)定性和客觀性，效率也較低。 Burks （ 20xx）利用彩色共生法（ CCM）對(duì)土壤和 5 種雜草（巨狐尾草、蟹草、黎、絨毛葉、牽牛花葉）進(jìn)行了識(shí)別。最后對(duì)五種玉米葉部病害的診斷精度在 83%以上。首先是圖像的預(yù)處理；然后是對(duì)目標(biāo) 物體的特征提取，包括形狀和紋理特征；再對(duì)提取到的特征進(jìn)行篩選，選出區(qū)分度好的特征進(jìn)行識(shí)別。 圖像 獲取 平滑處理 銳化處理 圖像分割 紋理特征 特征選取并歸一化 病害識(shí)別及軟件開(kāi)發(fā) 圖 1 技術(shù)路線流程圖 2 支持向量機(jī)（ SVM）介紹 支持向量機(jī)的簡(jiǎn)單介紹 支持向量機(jī) (Support Vector Machine)是 Cortes 和 Vapnik 于 1995 年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù) 5 擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。 一般只能用在二類(lèi)問(wèn)題，對(duì)于多類(lèi)問(wèn)題效果不好 。 簡(jiǎn)單地說(shuō)，就是升維和線性化 。具體地說(shuō) , 當(dāng)樣本集在 Z 中線性可分時(shí) , 使分類(lèi)間隔最大 , 其求解如式 （ 1） ： min,bw2||||21 w , st ,1))(,( ???? bxwy ii ? li ,2,1 ?? (1) 當(dāng)樣本集在 Z 中線性不可分時(shí) , 使分類(lèi)間隔和分類(lèi)錯(cuò)誤達(dá)到某種折衷 , 其求解如式 （ 2） ： min, ?bw ?????? ? ??li iCw 12||||21 ?, st ? ? iii bxwy ?? ????? 1)(, , ,0?i? li ,2,1 ?? (2) 其中 , ξi 是松弛變量 ； C 為正則化參數(shù)。,groups， 20/100)。 %分類(lèi)準(zhǔn)確率的估算； classperf(cp,classes,test)。當(dāng)看到兩種不同的紋理，我們可以清楚地區(qū)別它們的相似性或差異性，但是很難用語(yǔ)言或數(shù)字來(lái)精確地來(lái)描述。例如， Cross 和 Jain 也認(rèn)為 :“紋理是由基元所組成。每一個(gè)這樣的區(qū)域都有不同的紋理特征，紋理分析算法從每個(gè)區(qū)域中抽取紋理特征來(lái)對(duì)這些模式進(jìn)行分類(lèi)。關(guān)鍵點(diǎn)方法產(chǎn)生較晚，但是由于紋理特征的魯棒性，無(wú)疑具有很大的發(fā)展空間。 當(dāng) a=1， b=0 時(shí)，像素對(duì)是水平的，即 0 度掃描；當(dāng) a=0， b=1 時(shí)，像素對(duì)是垂直的，即 90 度掃描；當(dāng) a=1， b=1 時(shí)，像素對(duì)是右對(duì)角線的，即 45 度掃描； 當(dāng) a=1， b=1 時(shí)，像素對(duì)是左對(duì)角線，即 135 度掃描。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí) ASM 值大?；叶裙仃囍羞h(yuǎn)離對(duì)角線的元素值越大，CON 越大。 (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。 (12) 12 自相關(guān)反應(yīng)了圖像紋理的一致性。 (15) 反映圖像各個(gè)像素點(diǎn)的離散程度，方差越大，說(shuō)明圖像像素點(diǎn)之間的灰度值差距就越大。 4 基于 SVM 的矮腥與網(wǎng)腥 圖像分類(lèi)實(shí)驗(yàn) SVM 分類(lèi)器的實(shí)現(xiàn)方法 支持向量機(jī)實(shí)現(xiàn)分類(lèi)的方法在 MATLAB 中早已有人做出來(lái)了，而且臺(tái)灣大學(xué)的林智仁教授所帶領(lǐng)的實(shí)驗(yàn)室小組團(tuán)隊(duì)對(duì)支持向量機(jī)的研究相當(dāng)?shù)某墒欤徊贿^(guò)他們?cè)臼褂肅 語(yǔ)言編寫(xiě)的，后來(lái)有人把他改寫(xiě)成 MATLAB 的 m 文件了。 紋理特征提取主要是對(duì)圖像進(jìn)行操作，生成灰度共生矩陣，由灰度共生矩陣的特征而得到可量化的圖像紋理特征 。 %對(duì)樣本進(jìn)行標(biāo)記； groups= ismember(species,’setoas’)。 %形成一個(gè)二分類(lèi)器如下圖 5 所示： 圖 5 svm得到的二分類(lèi)器 %樣本分類(lèi)； classes = svmclassify(svmStruct,data(test,:),39。下面將詳細(xì)講解 LabWindows／ CVI 17 與 MATLAB 的混合編程。 5． 0以上版本LabWindows／ CAI的 CVI＼ samples＼ activex＼ matlab中直接提供有 LabVIEW／ CVI和MATIAB接口，通信的 ActiveX服務(wù)函數(shù)有 MATLABsrvr． C， MATLABsrvr． h，MATLABsrvr． obj， MATLABsrvr． fp， MATLABsrvr． sub。在工程文件窗口中選擇 Edit Add Files to Project，添加 Example． c， Example． h， Example． uir，并添加上文提到的 ActiveX服務(wù)函數(shù)；在工程文件、用戶面板編輯或代碼窗口中操作 Rhn． Run Pmject，就可調(diào)試、運(yùn)行工程文件了。 */ int CloseMatlab(CAObjHandle *hMatlab)。 */ int SendString(CAObjHandle hMatlab, char *matStringName, char *CVIString)。 matrixReal, matrixImag 為要 CVI 中接收到的矩陣的實(shí)部和虛部， */ int GetMatrix(CAObjHandle hMatlab, char *matlabName, double **matrixReal, double **matrixImag, unsigned *dim1, unsigned *dim2)。 通過(guò)上面的實(shí)驗(yàn)結(jié)果可以看出，本次的實(shí)驗(yàn)是相當(dāng)成功的，對(duì)石紋和樹(shù)皮紋理這兩種紋理圖像進(jìn)行了高精度的分類(lèi)，這主要是 SVM 算法的強(qiáng)大和兩種圖像容易區(qū)分所帶來(lái)的結(jié)果。 char x1,x2。 } IPI_GetImageInfo (DestImage, amp。 IPI_GetPixelValue (DestImage, i, j + 1, amp。i++) for(j = 0。 } 獲取這 8 個(gè)紋理特征的主要代碼如下 ： /*均值 Mean */ *MeanValue = 0。i 8。j 8。 } /*一致性 ASM */ *ASMValue = 0。i 8。 for(j = 0。i++) {