葉片顏色與含水率的關(guān)系研究畢業(yè)論文(完整版)
【正文】 自變量不止一個(gè)，有兩個(gè)或兩個(gè)以上，且因變量和自變量之間的關(guān)系是線性的，則稱為多元線性回歸分析。(3) 模型驗(yàn)證：針對(duì)給出的樣本，利用求得的回歸方程對(duì)因變量進(jìn)行預(yù)測(cè)并比較預(yù)測(cè)值與真實(shí)值的誤差，以誤差大小來衡量回歸模型的合理性。如果一個(gè)特定物體的灰度值是均勻一致并且處在一個(gè)均勻的背景下，使用閾值法就可以得到較好的分割效果。本文主要使用LinearModel函數(shù)來做回歸擬合。當(dāng)相鄰兩次烘干處理后，葉片的干重之差小于0. 001 g 時(shí), 該次烘干后所測(cè)得葉片的重量即可作為樣本葉片的干重。)。標(biāo)準(zhǔn)差與平均值并不等價(jià)，即使兩個(gè)數(shù)據(jù)集的平均值是相等的，其標(biāo)準(zhǔn)差也未必相同。 數(shù)據(jù)處理結(jié)果(1)在Matlab中對(duì)二值化后的圖像分別求整個(gè)圖像的平均值和標(biāo)準(zhǔn)差并計(jì)算變異系數(shù)。結(jié)合對(duì)值和擬合曲線的分析可以得出這個(gè)一元回歸模型并不能較為準(zhǔn)確地反映葉片顏色和葉片含水率之間的關(guān)系。但平均值的，說明在這個(gè)模型中，平均值的效果并不顯著。 模型比較 將葉片含水率的原始值和所有模型的預(yù)測(cè)值放到同一個(gè)表中進(jìn)行比較和分析，見表 41。從結(jié)果中可以看到預(yù)測(cè)值與實(shí)際值之間的差異非常小，這就說明模型四的擬合結(jié)果是比較好的。所以本次研究所建立的六個(gè)一元或多元回歸模型并不能非常準(zhǔn)確地反映梧桐葉片含水率和葉片顏色之間的關(guān)系。未來，可以采集不同類型的葉片圖像，例如槐樹、楊樹等等。結(jié)果表明：梧桐葉片RGB圖像的三原色紅色、綠色和藍(lán)色三個(gè)分量的平均值與圖像標(biāo)準(zhǔn)差對(duì)葉片含水率所建立的四元回歸模型可以較為準(zhǔn)確的定量分析梧桐葉片顏色和含水率之間的關(guān)系。在這其中模型五的擬合效果是最差的。（數(shù)據(jù)見表33，代碼和運(yùn)行結(jié)果見附錄3）分析：由上述運(yùn)算結(jié)果可知自變量和葉片含水率的四元回歸模型為： (44)同時(shí)結(jié)果顯示，拒絕原假設(shè)，回歸效果是顯著的，線性回歸方程有意義。從方程和圖像可以看出標(biāo)準(zhǔn)差和葉片含水率成正比，即隨著標(biāo)準(zhǔn)差的增加葉片含水率也在不斷增加。（代碼見附錄2） 表 32 葉片的平均值，標(biāo)準(zhǔn)差以及變異系數(shù)葉片編號(hào)平均值標(biāo)準(zhǔn)差變異系數(shù)葉片含水率1234567891011121314151617181920 (2)RGB圖像數(shù)據(jù)處理結(jié)果將RGB圖像批量導(dǎo)入Matlab中，分別求紅色（R）、綠色（G）、藍(lán)色（B） 三色各自的平均值、標(biāo)準(zhǔn)差以及整個(gè)圖像的平均值、標(biāo)準(zhǔn)差。 （3）變異系數(shù)衡量的是樣本中各個(gè)數(shù)據(jù)的變異程度。 imshow(A) （a）原圖 （b）二值化后 圖 32 葉片原圖和二值化后的圖片對(duì)比 數(shù)據(jù)處理中的統(tǒng)計(jì)量 （1）平均值又稱為算數(shù)平均值，是數(shù)理統(tǒng)計(jì)中最基礎(chǔ)的統(tǒng)計(jì)量。葉片含水率的計(jì)算公式： (31)公式（31）中, 為梧桐葉片樣本的含水率, 是梧桐葉片的鮮重, 是烘干后梧桐葉片的干重。即Matlab中的LinearModel函數(shù)可以同時(shí)實(shí)現(xiàn)模型建立和模型檢驗(yàn)。RGB 圖像是一種三維的彩色圖像，該圖像上的每一個(gè)像素點(diǎn)都有紅、綠、藍(lán)三個(gè)特征分量，RGB圖像的每一個(gè)的特征分量的值都在0~255范圍內(nèi)，它們以不同的比例混合形成不同的圖像。即通過選取適當(dāng)?shù)拈撝祵GB彩色圖像轉(zhuǎn)化為仍可以反映圖像整體和局部特征的二值化圖像。對(duì)于一元線性回歸分析，若在與的散點(diǎn)圖中，數(shù)據(jù)點(diǎn)大都分布在一條直線附近，說明這兩個(gè)變量之間的關(guān)系是線性的。本研究使用的是MATLAB中的圖像處理和數(shù)據(jù)處理中的回歸分析功能。 對(duì)基于葉片顏色的葉片含水率的判定方法進(jìn)行了研究。 徐騰飛，韓文霆在《基于圖像處理的玉米葉片含水率診斷方法研究》[2]中研究了玉米葉片的圖片, 對(duì)缺水的玉米葉片圖像進(jìn)行了分析, 研究了以圖像處理技術(shù)為基礎(chǔ)的農(nóng)作物缺水診斷方法,。植物葉片的含水率可以用來檢測(cè)植物的生理狀態(tài)，而實(shí)時(shí)了解植物的生理狀態(tài),可以在農(nóng)業(yè)領(lǐng)域、干旱監(jiān)測(cè)和森林火災(zāi)預(yù)測(cè)方面提供非常有用的信息?，F(xiàn)有的植物葉片含水率的判別方法是比較傳統(tǒng)的。穗波，信雄在《根據(jù)圖像提取植物的生長(zhǎng)信息》[4]中提取了茨菇缺鈣、鎂、鐵3 種元素時(shí)葉片圖像的顏色特征, 繪制灰度直方圖并分析了其特征, 利用閾值法將葉片的病態(tài)部分和正常部分分割出來,將病態(tài)面積占整個(gè)葉片的百分比作為特征參數(shù), 但其效果并不好。它是一種科學(xué)的計(jì)算軟件，它將數(shù)據(jù)以矩陣的形式存儲(chǔ)并處理?；貧w分析按照自變量的個(gè)數(shù)可以分為一元回歸分析和多元回歸分析；而按照自變量和因變量之間的不同關(guān)系，它又可以分為線性回歸分析和非線性回歸分析。 回歸方程的顯著性檢驗(yàn)t檢驗(yàn) 若線性假設(shè)有實(shí)際意義，則，因?yàn)槿羰?，與就沒有因果關(guān)系了，方程就沒有意義了。反映圖像的數(shù)據(jù)的集合只包含兩個(gè)值，不再涉及像素的多級(jí)值，使圖像處理變得更加簡(jiǎn)單，同時(shí)壓縮了數(shù)據(jù)量。 MATLAB 與回歸分析 對(duì)于回歸分析，MATLAB 中共有三種實(shí)現(xiàn)方法： (1)LinearModel：線性回歸模型216。如圖一所示是其中一組葉片的圖像。將梧桐葉片的圖像導(dǎo)入Matlab并將其二值化，圖所示是原圖和二值化后的圖片對(duì)比。 （2）標(biāo)準(zhǔn)差是方差的
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1