【正文】 [16] Stanley ,Josee Lajoie. C++ Primer third Edition[C]. The United Stats：Addison Wesley， 2020： 133～ 142. [17] [M].上海：上海遠東出版社， 1993. [18] 向光蓉 .基于圖像識別的蘋果分級研究 [J].大連海事大學學報， 2020（ 03）： 1441. [19] 樊 亞軍，曲仕茹 .利用 BP神經網絡實現三維飛機目標識別 [J].鄭州大學學報， 2020. 。隨著計算機的普及和 各種 圖像處理技術 的不斷進 步， 數字圖像處理技術也將成為我們必須掌握的一門技術。對 Matlab 語言在圖像處理中的應用有了更進一步的認識。 Y_test_sim_vc=vec2ind(Y_test_sim) …… errors1 = 0。 %應用 BP 網絡 =。 T_test=[m11(:,1:5),m22(:,1:5),m33(:,1:5)]。 P_random3=[feature_a,feature_b,feature_o]。... ,…,]。當連續(xù)二次迭代的梯度方向相同時，可將權值和 閾 值的修正值乘以一個增量因子，使其修正值增加 。 綜上所述，我們的網絡是一個具 有 2 個輸入端， 19 個隱含結點 ， 3 個輸出結點的三層 BP 神經網絡。 本課題中需要訓練網絡通過識別兩個特征量（六個數據）來區(qū)分三種水果 ，所以共需要 2 個輸入端， 3 個輸出端。trainrp39。 其算法步驟如下 : ； (對各樣本依次計算 )； (1) 從前向后各層計算各單元權值； (2）計算各層輸出； (3) 從后向前計算各層學 習誤差； (4) 計算并保存各權值修正量； (5) 修正權值。神經網絡具有并行結構和并行處理、自適應性、知識的分布存儲、較強的容錯性、本質的非線性系統(tǒng)等特性，通過網絡訓練，可以建立數據庫信息的非線性模型，并從中提取出相應的規(guī)則。 T_banana_B=COUNTS_b3(100:170,:)。 jietu_banana_R= CaiTu(pmin:pmax,qmin:qmax,1)。 jietu_orange_G= CaiTu(pmin:pmax,qmin:qmax,2)。 jietu_apple_B= CaiTu(pmin:pmax,qmin:qmax,3)。 主要程序如 下： % 蘋果 [p,q]=find(Biaoqianhua1==3)。 本課題采用顏色直方圖法提取水果圖像顏色特征。 （ 3）弧度：它是在面積、周長的基礎上，測量物體形狀的 復雜程度的特征量。Biaoqianhua(i,j1)==0)|(Biaoqianhua(i,j)==3amp。… Biaoqianhua(i,j+1)==0)|(Biaoqianhua(i,j)==2amp。Biaoqianhua(i+1,j1)==0)|... (Biaoqianhua(i,j)==1amp。L2=0。 for i=1:m 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 17 for j=1:n if (Biaoqianhua(i,j)==2) S2=S2+2。 經 過標簽化的不同區(qū)域像素值分別為： 1， 2， 3。k39。 Biaoqianhua=Biaoqianhua1(3:end3,3:end3)。)。OR 運算分割圖像 39。)。 Sobel 算子是一種簡單常用的微分算子，它不僅能檢測邊緣點，而且能進一步抑制噪聲的影響。 ② 膨脹 (imdilate)：膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程。 數學形態(tài)學是圖像處理和模式識別領域的新方法，其基本思想是用具有一定形態(tài)的結構元素去量度和提取圖像中的對應形狀，以達到對圖像分析和識別的作用。二值化圖像 39。只要閾值選取合適，將每個像素與之比較，進行二值化或者半二值化處理，就可以很好地將對象從背景中分離出來。二值化處理的關鍵是確定適當的閾值 Th。如果原來的“ a5”是噪聲，那么它被中值取代后，就達到了去噪的目的；如果原來的“ a5”不是噪聲，則取代的結果可能是丟失了圖像中的細線或小塊的目標區(qū)域。 QuZao(i,j)=temp(1,5)。鄰域的大小決定在多少個數值中求中值，窗口的形狀決定在什么樣的幾何空間中取元素計算中值。 下面是銳化后的圖像： 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 10 圖 22 銳化后的圖像 2． 1． 3 圖像噪聲消除處理 圖像去噪采用中值濾波法，中值濾波是抑制噪聲的非線性處理方法。imshow(Ruihua)。1,1,1。 Matlab 以“ %”后的文字作注釋。 %讀取圖像 HuiTu=rgb2gray(CaiTu)。 綜上，選擇 MATLAB 進行課題的研究是明智而有意義的。 MATLAB 支持用戶對其函數進行二次開發(fā)，用戶的應用程序可以作為訓練數據獲取 測試數據獲取 特征提取 特征提取 特征空間壓縮與變換 特征空間壓縮與變換 分類器設計 目標分類 識別結果 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 7 新的函數添加到相應的工具箱中。 MATLAB 是 — 種以矩陣為基本變量單元的可視化程序設計語言，語法結構簡單，數據類型單一，命令表達方式接近于常用的數學公式。 （ 6）水果識別 建立水果特征庫，用采集到的特征數據對 BP 網絡進行訓練，達到能夠區(qū)分任意一幅圖片中香蕉、蘋果和桔子的目的，使識別系統(tǒng)具有良好的通用性。 （ 2） 圖像去噪和對比度增強 圖像有噪聲和對比度較差的時候，這些會給最終的識別分類帶來困難。 機械分揀具有短時、高效、符合果蔬產品的時間特性等特點。 我國是世界蔬菜、水果的生產大國，總產量均居世界第一位。 圖像識別所提出的問題，是研究用計算機代替人們自動地去處理大量的物理信息，解決人類生理器官所不能識別的問題，從而部分地替代人的腦力勞動。 label。數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 1 浙江師范大學本科畢業(yè)設計 (論文 )正文 學院 數理與信息工程學院 專業(yè) 電子信息工程 姓名 賈曉瑞 學號 03610104 指導 教師 張長江 職稱 副教授 合作 導師 職稱 中文題目 基于圖像特征和神經網絡的水果自動識別 外文題目 Automatic Recognition for Fruit based on Image Features and Neural works 摘要 本文基于 Matlab 識別一幅數字水果圖像中的香蕉、蘋果和桔子。 binary image。我國是農業(yè)大國，因此，要特別重視農業(yè)的科技發(fā)展。在圖像識別的特征提取過程中，常常也包括對圖像的分割 (Image Segmentation)。此外，水果的內部品質也缺乏相應的檢測手段，使水果的內外品質都無法得到有效的保證。圖像信息的獲取一般包括圖像的攝取、轉換和數字化等幾個步驟。利用這些參數就能將水果相互區(qū)分開來。 MATLAB 的技術特點主要表現在以下幾個方面： 一、界面友好，編程效率高。各種工具箱 中的函數可以互相調用，也可以由用戶更改。 總之， MATLAB 語言已經成為科學運算、系統(tǒng)仿真、信號與圖像處理的主流軟件。)。 %顯示原彩色圖像的灰度圖像 其中“ C:\MATLAB6p1\work\”是圖像文件存放的路徑， YuanTu是一個矩陣，它以數字形式表示圖像。 Mo=[1,1,1。 end end figure(3)。點乘得到的值再乘以 1/9，這樣我們就得到了前面 所述模糊處理后的圖像 ),( yxf? ，這是反銳化掩模法實現的關鍵。中值濾波 就是這樣的一個變換，圖像中濾波后某像素的輸出等于該像素鄰城中各像素灰度的中值。 temp=sort(X)。重復這樣的操作直到整幅圖像的“ a5”都由中值取代。它對物體與背景有較強對比的圖像的分割特別有效，計算簡單而且總能用封閉、連通的邊界定義不交疊的區(qū)域。利用閾值法，對于物體與背景之間存在明顯差別（對比）的景物，分割效果十分有效。title(39。形態(tài)學運算是針對二值圖像，并依據數學形態(tài)學（ Mathematical Morphology）集合論方法發(fā)展起 來的圖像處理方法。利用該操作，可以消除小且無意義的物體。連續(xù)的開和閉運算可以有效地改善這種情況。邊緣檢測圖像 39。title(39。holes39。為了能夠看到明顯的效果，程序以不同的顏色來突出顯示標簽化后的圖像，其效果分 別如圖 27 和圖 28 所示： 程序如下： %標記連接成分（ 8 鄰域） [Biaoqianhua1 XNum]=bwlabeln(Fina_Seg,8)。 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 16 %以偽彩色的形式顯示標記圖像 RGBX=label2rgb(Biaoqianhua,jet,39。 本課題計算的圖像特征參數有： （ 1）面積：計算物體所包含的像素數量。 end end end S1。 程序如下： L1=0。… Biaoqianhua(i,j+1)==0)|(Biaoqianhua(i,j)==1amp。Biaoqianhua(i,j1)==0)|(Biaoqianhua(i,j)==2amp。Biaoqianhua(i1,j+1)==0)|… (Biaoqianhua(i,j)==3amp。 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 19 L3。如何合理的表達物體外觀顏色的差異而且又便于計算機處理是關鍵的一環(huán)。本設計中采用 N 紅 /（ N 綠 +N 黃 ）的算法來比較三種水果各自紅色信息所占比例，從而將蘋果特有的特征量提取出來，達到識別蘋果的目的。 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 20 jietu_apple_G= CaiTu(pmin:pmax,qmin:qmax,2)。 jietu_orange_R= CaiTu(pmin:pmax,qmin:qmax,1)。 jietu_banana= Biaoqianhua1(pmin:pmax,qmin:qmax)。 T_banana_G=COUNTS_b2(100:170,:)。神經網絡方法是基于生物神經系統(tǒng)的結構和功能而建立起來的。 人工神經網絡的基本模型如圖 31所示： 數理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經網絡的水果自動識別 25 目 標 輸入 輸出 校正的權值 圖 31 人工神經網絡的基本模型圖 近年來應用日趨廣泛的反向傳播的 BP 神經網絡包含兩個部分：①信息的正向傳播；②誤差的反向傳播。},39。 （ 7） 輸入輸出層結構 一般情況下， BP 神經網絡的輸入、輸出層結點的個數完全由實際應用的具體情況來決定。參照經驗公式和實驗測試效果， 這里 選擇 有 19 個隱含層結點的網絡。本系統(tǒng)采用三層 BP 神經網絡，即網絡由輸入層、隱含層和輸出層組成，網絡結構如圖 32所示： 圖 32 三層 BP神經網絡結構 圖 彈性 BP算法的目的是消除梯度幅度的不利影響，所以在進行權值的修正時，僅僅用到偏導的符號，而其幅值卻不影響權值的修正，權值大小的改變取決于與幅值無關的修正值。 x_banana=().*[,…,。 P_random2=[feature_b,feature_o,feature_a]。 T_xunlian=[m11,m22,m33]。)。 Y_test_sim = pet(Y_test)。在設計本系統(tǒng)的過程中，對于數字圖像處理中的一些常用的處理方法，如去噪銳化、閾值分割、區(qū)域劃分、數學形態(tài)學、邊緣檢測等也有了較為清晰的掌握。 計算機視覺技術在現實生活中具有重要的理論價值和應用價