【正文】 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 Image classification Red in brand identification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(shí)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…….. 42 支持向量機(jī)（SVM）介紹……. 4 支持向量機(jī)的簡單介紹……. 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)…. 73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 紋理分析的研究內(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紋理特征…. 10…. 124 基于SVM的矮腥和網(wǎng)腥圖像分類實(shí)驗(yàn)…. 13 SVM分類器的實(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…. 14 LabWindows／CVI與MATLAB混合編程…. 17…. 19 實(shí)驗(yàn)結(jié)果分析…. 215 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)）成績評定表I1 前言 小麥腥黑穗病鑒定的研究意義小麥矮腥黑穗?。═illetia controversa K252。，并對SVM的分類能力進(jìn)行測試和比較，分析了不同參數(shù)優(yōu)化方法對圖像分類準(zhǔn)確率的影響。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，無法采取精確的對癥描述，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。經(jīng)檢驗(yàn)，該系統(tǒng)對玉米葉部的銹病斑、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。SVM的主要思想可以概括為:它是針對線性可分情況進(jìn)行分析，對于線性不可分的情況，通過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樣本的非線性特征進(jìn)行線性分析成為可能。一般的升維都會(huì)帶來計(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”。%樣本訓(xùn)練；svmStruct = svmtrain(data(train,:),groups(train),39。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)域就具有反映一定的紋理內(nèi)在特征。紋理分類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。實(shí)驗(yàn)中對灰度共生矩陣進(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紋理特征直覺上來說，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，那么偏離對角線的元素會(huì)有比較大的值。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大。由以上描述看出，小麥網(wǎng)腥和小麥矮腥兩種種黑穗病菌的冬孢子在顏色、形狀和紋理特征方面都有區(qū)別，但是特征值間也存在重疊，因此，我們還需要通過詳細(xì)的特征分析來確定能用于病菌分類的有效特征。svm分類器的工作界面如下圖4所示：圖4 svm分類器工作界面對圖像紋理進(jìn)行分類的主要代碼如下：%讀取紋理特征數(shù)據(jù)；load matlab%提取原始數(shù)據(jù)meas的第一和第二列數(shù)據(jù)，放到data中；data=[meas(:,1),meas(:,2)]。 LabWindows／CVI與 MATLAB混很編程LabWindows／CVI調(diào)用MATLAB，實(shí)際上就是實(shí)現(xiàn)LabWindows／CVI和MATLAB的混合編程，實(shí)現(xiàn)兩種不同的程序開發(fā)平臺(tái)有一些不同的方法，在眾多實(shí)現(xiàn)方法當(dāng)中，我們當(dāng)然想到最便捷最可靠的方法了，那就是在LabWindows／CVI中創(chuàng)建ActiveX控件，通過這一個(gè)控件就可以實(shí)現(xiàn)與MATLAB混合編程了。經(jīng)過面板設(shè)計(jì)和源代碼編寫后就可創(chuàng)建并保存工程文件了。其中，CVIstring為要發(fā)送的字符串的變量名，matStringName為 MATLAB中存儲(chǔ)該字符串的變量名。經(jīng)過反復(fù)推敲，矮腥與網(wǎng)腥召回率不高一方面是因?yàn)檫@兩種病菌本來就是近親物種，十分相似，無論是形狀、顏色、紋理等各方面都是“難舍難分”的，另一方面是對樣本圖片的預(yù)處理還不到位，對圖像的分割不夠好，以至于得到的紋理特征并不完全是這兩種病菌的純特征，是混有圖片底層“雜質(zhì)”的特征，從而對分類影響比較大。j++) { DistGLCM[i][j] = 1。i 8。for(i = 0。j++) { *SimiValue = *SimiValue + abs(i j)*DistGLCM_one[i][j]。i++){ GLCM_one_i[i] = 0。j 8。i++) for(j = 0。cp = classperf(groups)。/* 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。其中，MATLABName為MATLAB中存儲(chǔ)該矩陣的變量名。/* 關(guān)閉MATLAB窗口函數(shù)。groups= ismember(species,’setoas’)。 if((or != 0)amp。i 8。j++) { *CONValue = *CONValue + (i j)*(i j)*DistGLCM_one[i][j]。for(i = 0。i++) for(j = 0。 x2 = PixelValueX2/32。 for(i = 0。CVI與MATLAB混合編程的工作界面如下面圖7所示：圖7 CVI與MATLAB混合編程界面本次設(shè)計(jì)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(gè)，經(jīng)過不斷努力最終分類精確度提高到百分之七十二。/* 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。② 由CVI\samples\activex\\,：GUID clsid = { 0x669CE94,0x6E22,0x11CF，0xA4，0xD6,0x0,0xA0,0x24,0x58,0x3C，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。%對石紋和樹皮的分類結(jié)果如下圖6所示：圖6 分類結(jié)果%分類準(zhǔn)確率的估算；classperf(cp,classes,test)。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：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。孢子堆為黑色?；叶裙仃囍羞h(yuǎn)離對角線的元素值越大，CON越大。距離差分值（a，b）取不同的數(shù)值組合，可以得到不同情況下的聯(lián)合概率矩陣。紋理分類是從一個(gè)給定紋理類別中識(shí)別出給定紋理區(qū)域(紋理圖像)。用圖像中的二維灰度變化來表征多種多樣的紋理本身就是一個(gè)非常復(fù)雜的過程，因此，很難給紋理一個(gè)精確的定義。%把百分之八十的樣本用于訓(xùn)練，剩余的用于分類；[train, test] = crossvalind(39。
，即少量樣本（支持向量）的系數(shù)不為零，就推廣性而言，較少的支持向量數(shù)在統(tǒng)計(jì)意義上對應(yīng)好的推廣能力，從計(jì)算角度看，支持向量減少了核形式判別式的計(jì)算量。 技術(shù)路線根據(jù)本研究的目的和要求，確定出技術(shù)路線為：先對獲取到的細(xì)胞圖像進(jìn)行平滑和銳化處理，改善圖像的質(zhì)量；從細(xì)胞圖像中分割出單個(gè)細(xì)胞；對這些細(xì)胞分別提取它們的顏色、形狀和紋理特征；從中選出一部分特征歸一化；利用歸一化后的特征值進(jìn)行病害識(shí)別。張靜等（2006）對溫室黃瓜斑疹病和角斑病的研究發(fā)現(xiàn)，利用灰度共生矩陣方法提取出來的慣性值是識(shí)別這兩種病蟲害較好的特征參量之一。然而，出入境檢驗(yàn)檢疫人員在識(shí)別入境小麥病害時(shí)遇到了困難。本文所做的主要工作如下：，分析支持向量機(jī)核函數(shù)中各個(gè)參數(shù)對分類模型的影響，比較各參數(shù)對SVM的尋優(yōu)能力。該病害危害很大，造成病株矮化、分蘗多、病穗密、病粒硬等癥狀，某些品種感病后減產(chǎn)一半以上，病菌能在土壤中存活6～7年，甚至10年，隨著土壤和種子傳播，很難根治。 圖像分析技術(shù)在植物病害識(shí)別領(lǐng)域的研究現(xiàn)狀 國外研究現(xiàn)狀Garbay（1986）深入分析了細(xì)胞圖像的結(jié)構(gòu)模型，比較了多種細(xì)胞的分割方法，提出了一種區(qū)域生長方法，并獲得了較好的效果。圖像處理和識(shí)別技術(shù)在各方面的應(yīng)用都已經(jīng)比較成熟，在對玉米、黃瓜、甘蔗的病害識(shí)別中，用到的方法和流程都是類似的。，SVM可以應(yīng)用與分類數(shù)據(jù)。設(shè)計(jì)基于SVM的二分類器, 就是在Z 中尋找一定意義下的最優(yōu)超平面〈w, Φ(x) 〉 b = 0。,true)。雖然紋理研究者提出