【正文】 2 = PixelValueX2/32。i 。 for(i = 0。在本文中所用到的 90 樣本（其中矮腥與網(wǎng)腥各 45 個樣本）當(dāng)中，把 72 個樣本用于支持向量機(jī)的訓(xùn)練，形成分類系統(tǒng)，剩下的用于分類，由輸出的結(jié)果了以看出：用于訓(xùn)練的樣本有 16 個樣本沒能正確分離；而 18 個分類樣本都正確分類出來了，分類準(zhǔn)確率是 %。 CVI 與 MATLAB 混合編程的工作界面如下面圖 7 所示： 20 圖 7 CVI 與 MATLAB 混合編程界面 本次設(shè)計所用的是矮腥和網(wǎng)腥這兩種植物病菌圖像，它們十分相似，所用的樣本數(shù)量有九十幾個，經(jīng)過不斷努力最終分類精確度提高到百分之七十二。 /*向 MATLAB 發(fā)送矩陣函數(shù)。 /* 運(yùn)行 MATLAB 中的 *.m（ M 腳本文件 ） ，也就是用戶在 MATLAB 編寫的工程文件。 LabWindows／ CVI與 MATLAB混合編程的主要代碼如下： /* 打開 MATLAB 窗口的函數(shù)，其中 hMatlab 是 MATLAB 應(yīng)用對象的句柄。 ② 由 CVI\samples\activex\\matlab打開 ActiveX服務(wù)函數(shù) ,將 自帶的 MATLAB注冊碼 ： GUID clsid = { 0x669CE94,0x6E22,0x11CF， 0xA4， 18 0xD6,0x0,0xA0,0x24,0x58,0x3C， 0x19}改寫為： GUID clsid={0x554F6053， Ox79D4， 0xl1D4， 0xBo， 0x67， 0xO， 0xg0， 0x27， 0xBA，0xSf， Ox81}； 以上兩種方法得到的 ActiveX服務(wù)函數(shù)的功能是一樣的，即包含了 LabWindows／ CVI與 MATLAB的混合編程所要用到的最基本的功能函數(shù)，包括打開 MATLAB函數(shù)、關(guān)閉MATLAB函數(shù)、發(fā)送矩陣函數(shù)、接收矩陣函數(shù)、運(yùn)行 MATLAB功能的函數(shù)及 MATLAB窗口最大／最小化函數(shù)等。七步驟如下： ① 打開 LabWindows／ CVI 窗口中選擇 ToolsCreate ActiveX Controller，彈出ActiveX Controller WizardWele 對話框，單擊“ Next”，會在 ActiveX Controller WizardWele Server 中列表顯示系統(tǒng)已安裝的 ActiveX Server，在列表中選擇“ Matlab Automation Server Type Library”選項(xiàng)。 %對石紋 和樹皮的分類結(jié)果如下圖 6 所示： 16 圖 6 分類結(jié)果 %分類準(zhǔn)確率的估算； classperf(cp,classes,test)。,groups， 20/100)。 cvi 的界面如下面圖 2 所示： 圖 2 紋理特征提取工作界面 由 cvi輸出的 exl文檔如圖 3 所示： 14 圖 3 cvi獲得的腥黑穗病紋理特征數(shù)據(jù) 由于 cvi 軟件一次性只能處理 15 張圖片，故而實(shí)驗(yàn)中只 是輸入了 12 張圖片，并提取出了這 12 張圖片相對應(yīng)的紋理特征值。所以，本文運(yùn)用 LabWindows／ CVI 和 MATLAB 兩種開發(fā)平臺來共同實(shí)現(xiàn)支持向量機(jī)這一種分類算法的實(shí)現(xiàn)。冬孢子表面有網(wǎng)狀紋，網(wǎng)眼寬 24 微米，網(wǎng)脊高 微米。 (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。 自相關(guān) （ correlation） 計算公式如式（ 11）和（ 12）所示 錯誤 !未找到引用源。因此連續(xù)灰度的圖像會有較大 IDM 值。 (8) 如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則 CON 會有較大取值，這也符合對比度的定義。 通?？梢杂靡恍?biāo)量來表征灰度共生矩陣的特征，令 G 表示灰度共生矩陣常用的特征有 : ASM 能量（ angular second moment）計算公式如式 （ 7） 錯誤 !未找到引用源。 取圖像 (NN)中任意一點(diǎn) （ x， y） 及偏離它的另一點(diǎn) （ x+a， y+b） ，設(shè)該點(diǎn)對的灰度值為 （ g1， g2） 。紋理檢索是研究關(guān)于利用紋理相似度進(jìn)行圖像檢索，是基于內(nèi)容的圖像檢索 (Contentbased Image Retrieval,CBIR)的一個很重要的研究內(nèi)容。非 常容易理解，同樣的基元由于排列方式的不同，有可能構(gòu)成不同的紋理。Haralick 則認(rèn)為圖像紋理可以通過紋理基元及其空間組織或布局來描述 。 紋理的形成 由于物體表面的物性特征不同，反映在圖像上，表現(xiàn)為亮度、顏色的變化。showplot39。 支持向量機(jī)的編程實(shí)現(xiàn) 由于 matlab 有自帶的 SVM 函數(shù) svmtrain 和 svmclassify，因此本次設(shè)計直接在 matlab開發(fā)環(huán)境下完成圖像的分類。 這一切要?dú)w功于核函數(shù)的展開和計算理論 。 3. 算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間 (Feature Space)，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)。 支持向量機(jī)的一般特征 學(xué)習(xí)問題可以表示為凸 優(yōu)化問題，因此可以利用已知的有效算法發(fā)現(xiàn)目標(biāo)函數(shù)的全局最小值。本文主要是綜合利用這些方法來進(jìn)行不同病害的識別，把它們應(yīng)用到小麥的幾種腥黑穗病病害的識別方面。 陳衛(wèi)東，劉素華（ 20xx）針對模式識別時，提取的特征參數(shù)量大而又有冗余的現(xiàn)象，提出了基于遺傳算法的特征選擇方法。 Huang（ 20xx）用人工神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)對蝴蝶蘭（ Phalaenopsis spp.）三種常見的苗木病蟲害進(jìn)行了識別和分類。 隨著計算機(jī)圖像處理技術(shù)日益廣泛的應(yīng)用，將計算機(jī)等高新技術(shù)和植物 物檢驗(yàn)檢疫 2 相結(jié)合，能夠克服傳統(tǒng)檢疫方式的缺點(diǎn)，使檢驗(yàn)檢疫穩(wěn)定、快速、客觀。人食用混有病菌孢子的面粉過多，可引起泄血、吐血，甚至小兒的死亡；吸入孢子過多，會出現(xiàn)呼吸器官過敏癥。 關(guān)鍵詞 ： 支持向量機(jī) 紋理圖像特征 圖像分類 腥黑穗病鑒定 Wheat red in brand identification method of SVM Li Zongshang (College of Engineering, South China Agricultural University, Guangzhou 510642, China) Abstract: Automatic classification of texture image is a key task in many fields, including agricultural products classification, visual scene detection, information retrieval, medical applications, and so on. When operating directly on the image, the traditional classification method as the data of high dimension characteristic performance is poor, it is difficult to obtain good effect. But the Support Vector Machine (SVM) can overe the defects very highdimensional said, was widely used in the texture image classification. In this paper, the main work done is as follows: 1. The brief analysis of the working principle of support vector machine, analyzing each parameter of kernel function of support vector machine on the classification model, the influence of paring the parameters of the SVM optimization ability. At the same time simple introduces the application of SVM in the texture image classification. 2. For gray image using gray level cooccurrence matrix method, Tamura method and Gabor filtering method respectively to extract image texture feature, and pared three methods of classification the stone and bark two texture image. This paper analyzes the graylevel cooccurrence matrix as a kind of method. 3. Application of SVM for texture image classification algorithm for Dwarf bunt and Stinking sample training and these two kinds of texture image classification, and the classification ability of SVM for testing and parison, analyzes the different influence on the accuracy of image classification parameters optimization method. Key words: Support vector machine Texture image features Ima ge classification Red in brand identification I 目 錄 1 前言 .......................................................................................................................................... 1 小麥腥黑穗病鑒定的研究意義 ........................................................................................... 1 圖像分析技術(shù)在植物病害識別領(lǐng)域的研究現(xiàn)狀 ……. ...................................................... 2 國外研究現(xiàn)狀 ……. ........................................................................................................... 2 國內(nèi)研究現(xiàn)狀 ……. ........................................................................................................... 2 研究現(xiàn)狀分析 .................................................................................................................... 3 小麥腥黑穗病鑒定的研究內(nèi)容與技術(shù)路線 ……. .............................................................. 3 研究內(nèi)容 …….. .................................................................................................................. 3 技術(shù)路線 …….. .................................................................................................................. 4 2 支持向量機(jī)（ SVM）介紹 ……. ............................................................................................ 4 支持向量機(jī)的簡單介紹 ……. ............................................