【正文】 .................................................. 4 支持向量機(jī)的一般特征 .................................................................................................... 5 支持向量機(jī)的優(yōu)點(diǎn) …… .................................................................................................... 5 支持向量機(jī)的原理 …… ....................................................................................................... 6 支持向量機(jī)的算法 ............................................................................................................... 6 支持向量機(jī)的編程實(shí)現(xiàn) …. .................................................................................................. 7 3 紋理描述及腥黑穗病的圖像特征 …. ...................................................................................... 8 紋理描述方法綜述 ............................................................................................................... 8 紋理的形成 …. ................................................................................................................... 8 紋理分析的研究?jī)?nèi)容 …. ................................................................................................... 9 獲取圖像的紋理特征：灰度共生矩陣 ............................................................................... 9 由灰度共生矩陣得到的各類(lèi)紋理特征 … . ........................................................................ 10 小麥腥黑穗病菌的直觀特征 …. ......................................................................................... 12 4 基于 SVM 的矮腥和網(wǎng)腥圖像分類(lèi)實(shí)驗(yàn) …. ........................................................................... 13 SVM 分類(lèi)器的實(shí)現(xiàn)方法 …. .................................................................................................. 13 LabWindows／ CVI 紋理特征提取及腥黑穗病紋理特征提取實(shí)驗(yàn) …. ........................ 13 MATLAB 中使用向量機(jī)方法進(jìn)行分類(lèi) …. .................................................................... 14 LabWindows／ CVI 與 MATLAB 混合編程 …. ................................................................. 17 II 軟件實(shí)現(xiàn)鑒定系統(tǒng)及腥黑穗病分類(lèi)實(shí)驗(yàn) …. ..................................................................... 19 實(shí)驗(yàn)結(jié)果分析 …. ................................................................................................................ 21 5 結(jié)論與討論 …. ....................................................................................................................... 22 參 考 文 獻(xiàn) .............................................................................................................................. 23 附 錄 .................................................................................................................................... 24 致 謝 .................................................................................................................................... 30 畢業(yè)論文（或設(shè)計(jì)）成績(jī)?cè)u(píng)定表 1 1 前言 小麥腥黑穗病鑒定的研究意義 小麥矮腥黑穗病 （ Tilletia controversa K252。 本科畢業(yè)論文 小麥腥黑穗病鑒定的 SVM 方法 摘 要 紋理圖像的自動(dòng)分類(lèi)在許多領(lǐng)域都是一項(xiàng)關(guān)鍵的任務(wù)，其中包括農(nóng)作物產(chǎn)品等級(jí)分類(lèi)、可視場(chǎng)景的目標(biāo)檢測(cè)、信息檢索、醫(yī)學(xué)應(yīng)用等等。 SVM 對(duì)紋理圖像分類(lèi)的算法對(duì)矮腥和網(wǎng)腥紋理這兩種紋理圖像進(jìn)行樣本訓(xùn)練和分類(lèi)，并對(duì) SVM 的分類(lèi)能力進(jìn)行測(cè)試和比較，分析了不同參數(shù)優(yōu)化方法對(duì)圖像分類(lèi)準(zhǔn)確率的影響。小麥腥黑粉菌含有毒素， 不僅 會(huì) 造成小麥減產(chǎn)，而且因病菌產(chǎn)生的有毒物質(zhì)三甲胺的污染 還會(huì) 降低面粉品質(zhì)，使面粉不堪食用。 另外，由于小麥腥黑穗病菌的癥狀比較復(fù)雜，描述帶有模糊性，無(wú)法采取精確的對(duì)癥描述，造成病菌診斷標(biāo)準(zhǔn)含糊不清，妨礙了檢疫人員的正確判斷。 等（ 20xx）通過(guò)編寫(xiě)算法從五類(lèi)小麥和五類(lèi)油料種子染污的成分的高分辨率圖像中提取總共 230 個(gè)特征（ 51 個(gè)形態(tài)、 123 個(gè)顏色、 56 個(gè)紋理）進(jìn)行人工神經(jīng)網(wǎng) 絡(luò)分類(lèi)，結(jié)果表明特征清晰易于分類(lèi)，不同品種間如在形狀與大小等相似的情況下會(huì)影響分類(lèi)的準(zhǔn)確性。經(jīng)檢驗(yàn)，該系統(tǒng)對(duì)玉米葉部的銹病斑、彎孢菌病斑、灰斑、褐斑、小斑等五種主要病害的診斷準(zhǔn)確率達(dá) 80%以上。而運(yùn)用支持向量機(jī)的方法進(jìn)行植物病害鑒定的研究很少，支持向量機(jī)具有它獨(dú)特的優(yōu)點(diǎn)，它的實(shí)現(xiàn)相對(duì)容易、識(shí)別率高、性能可靠，是本次論文的主要實(shí)現(xiàn)方法。 SVM 的主要思想可以概括為 :它是針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況，通過(guò)使用非線性 映射 算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為 高維 特征空間使其線性可分，從而 使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能 。 2. 算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問(wèn)題，從理論上說(shuō)，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問(wèn)題。 一般的升維都會(huì)帶來(lái)計(jì)算的復(fù)雜化，SVM 方法巧妙地解決了這個(gè)難題 ： 應(yīng)用 核函數(shù) 的展開(kāi)定理，就不需要知道非線性映射的顯式表達(dá)式；由于是在高維特征空間中建立線性學(xué)習(xí)機(jī)，所以與 線性模型 相比，不但幾乎不增加計(jì)算的復(fù)雜性，而且在某種程度上避免了 “ 維數(shù)災(zāi)難 ” 。 求解上述規(guī)劃問(wèn)題，得到一個(gè)二分類(lèi)器如式 （ 5） ： ? ? ? ??? ??lj jjj bxxKyxu 1 ,? ? ? ? ?? ?xusignxy ? (5) 若 ai =0,樣本 xi稱(chēng)為非支持向量 (nonsupport vector)； 若 ai 0, xi稱(chēng)為支持向量 (support vector)； 若 ai=C, xi稱(chēng)為有界支持向量 (bounded support vector) ； 若 C ai0,xi稱(chēng)為非有界支持向量 (nonbounded support vector)。 %樣本訓(xùn)練； svmStruct = svmtrain(data(train,:),groups(train),39。在這里將系統(tǒng)地論述紋理的定義、研究熱點(diǎn)以及主流紋理特征描述子，并指出各類(lèi)紋理特征的優(yōu)缺點(diǎn)。例如， Tabmur 等人將紋理看成一個(gè)宏觀區(qū)域的組成，其結(jié)構(gòu)可簡(jiǎn)單地歸于那些重復(fù)的模式，在這些模式中，元素或基元根據(jù)一個(gè)置放規(guī)則而排列； Sklansky 認(rèn)為如果在一個(gè)圖像的某個(gè)區(qū)域中，一個(gè)局部統(tǒng)計(jì)量的集合或圖像函數(shù)的某些屬性是常量、緩慢變化或近似周期性，那么該區(qū)域就 9 具有反映一定的紋理內(nèi)在特征 。宏紋理具有大的基元而微紋理有小的基元”。紋理分類(lèi)和紋理分割是紋理分析研究領(lǐng)域的重要研究方向，受到了眾多學(xué)者的廣泛關(guān)注。 10 灰度共生矩陣方法： 灰度直方圖是對(duì)圖像上單個(gè)象素具有某個(gè)灰度進(jìn)行統(tǒng)計(jì)的結(jié)果，而灰度共生矩陣是對(duì)圖像上保持某距離的兩象素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)得到的。 實(shí)驗(yàn)中對(duì)灰度共生矩陣進(jìn)行了如下的歸一化 如式 （ 6） ： (6) 由灰度共生矩陣得到的各類(lèi)紋理特征 直覺(jué)上來(lái)說(shuō)，如果圖像的是由具有相似灰度值的像素塊構(gòu)成，則灰度共生矩陣的對(duì)角元素會(huì)有比較大的值；如果圖像像素灰度值在局部有變化，那么偏離對(duì)角線的元素會(huì)有比較大的值。 對(duì)比度 （ contrast） 計(jì)算公式如式 （ 8） 錯(cuò)誤 !未找到引用源。 (9) 如果灰度共生矩陣對(duì)角元素有較大值， IDM 就會(huì)取較大的值。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。 逆差矩 （ cooccurrence matrix） 計(jì)算公式如式（ 13） 錯(cuò)誤 !未找到引用源。孢子堆為黑色。但是，作為研究，我們要有創(chuàng)新，突出新意。提取出來(lái)這 8 個(gè)特征后，把對(duì)應(yīng)的數(shù)據(jù)保存到 exl空間里，然后由 exl文檔輸出這 8 個(gè)紋理特征。holdOut39。,true)。建立 ActiveX 服務(wù)的方法有兩種： ⑴ 在 LabWindows／ CVI 窗口中 （ LabWindows／ CVI 版本要在 以上，含 版本 ） ，用戶(hù)自行創(chuàng)建 ActiveX 服務(wù)函數(shù)，但這種方法要求先裝 MATLAB，后裝 LabWindows／ CVI。其方法及步驟如下： ①打開(kāi)注冊(cè)表編輯器，查到用戶(hù)安裝的相應(yīng)版本 MATLABApplication的注冊(cè)碼，以version 6． 5為例，其注冊(cè)碼是 {554F605379D411D4． B067009027BA5F81}。 相信只要熟悉 LabWindows／ CVI的讀者都會(huì)根據(jù)上述方法很順利地實(shí)現(xiàn)在 LabWindows／ CVI環(huán)境下與 MATLAB混合編程。 */ int RunMatlabCommand(CAObjHandle hMatlab, char *mand)。其中， cString 為存儲(chǔ)收到的字符串變量，matStringName 為發(fā)送的字符串變量 */ int GetString(CAObjHandle hMatlab, char *matStringName, char **cString)。下面是對(duì)兩種腥黑穗病的分類(lèi)實(shí)驗(yàn)。 5 結(jié)論與討論 本次設(shè)計(jì)成功實(shí)現(xiàn)了小麥腥黑穗病病菌鑒定系統(tǒng)，該系統(tǒng)能夠較好地從小麥的矮腥黑穗病和網(wǎng)腥黑穗病兩種病菌圖像的紋理特征入手， 根據(jù)它們的不同紋理特征值來(lái)分離這兩種十分相似的腥黑穗病病菌。 double DistGLCM[8][8],SumDist。 for(i = 0。 x1 = PixelValueX1/32。j++) { SumDist = SumDist + DistGLCM[i][j]。i 8。j 8。 } /* 相似度 Simi **/ *SimiValue = 0。i 8。j 8。j++) { GLCM_one_i[i] = GLCM_one_i[i] + DistGLCM_one[i][j]。 for(i = 0。 for(i =