【正文】 ........................................... 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 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 II 軟件實(shí)現(xiàn)鑒定系統(tǒng)及腥黑穗病分類實(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)）成績評定表 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。 隨著計(jì)算機(jī)圖像處理技術(shù)日益廣泛的應(yīng)用，將計(jì)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。 陳衛(wèi)東，劉素華（ 20xx）針對模式識別時(shí)，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。 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。 這一切要?dú)w功于核函數(shù)的展開和計(jì)算理論 。showplot39。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(gè)很重要的研究內(nèi)容。 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(jì)算公式如式 （ 7） 錯(cuò)誤 !未找到引用源。因此連續(xù)灰度的圖像會有較大 IDM 值。 (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。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)。,groups， 20/100)。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)。 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。 /*向 MATLAB 發(fā)送矩陣函數(shù)。在本文中所用到的 90 樣本（其中矮腥與網(wǎng)腥各 45 個(gè)樣本）當(dāng)中，把 72 個(gè)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(gè)樣本沒能正確分離；而 18 個(gè)分類樣本都正確分類出來了，分類準(zhǔn)確率是 %。i 。 25 } for(i = 0。j++) { *VariValue = *VariValue + pow((i *MeanValue),2)*DistGLCM_one[i][j]。i++) for(j = 0。 } } for(j = 0。i 8。 } or2 = 0。j 8。 for(i = 0。i++) for(j = 0。j 8。ImageInfo)。而矮腥和網(wǎng)腥這兩種圖像近乎相同，但總有它們的不同之處，通過努力考究，最終還是把它們成功分開了，雖然精度不高，只有百分之七十二，但也是一個(gè)不小的突破了。 /*從 MATLAB 接收字符串函數(shù)。由于篇幅所限，本文在此就不舉例了。 LabWindows／ CVI 與 MATLAB 通信接口的建立： ActiveX 通過在 LabWindows／ CVI 環(huán)境下建立一個(gè)數(shù)據(jù)交換 ActiveX 服務(wù)控件可以實(shí)現(xiàn)與matlab 之間的接口通信。 %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。因此， MATLAB 實(shí)現(xiàn) svm也不是一件難事。如果圖像中有水平方向紋理 ，則水平方向矩陣的COR 大于其余矩陣的 COR 值。 IDM 相關(guān)度 （ inverse different moment） 計(jì)算公式如式 （ 9） 錯(cuò)誤 !未找到引用源。 這樣，兩個(gè)象素灰度級同時(shí)發(fā)生的概率，就將 （ x， y） 的空間坐標(biāo)轉(zhuǎn)化為 “ 灰度對 ” （ g1， g2） 的描述，形成了灰度共生矩陣。相對于紋理分類中一個(gè)均一紋理區(qū)域的類別可以通過從該區(qū)域中計(jì)算出的紋理特征所確定，紋理分割關(guān)注自動確定一幅紋理圖像中不同紋理區(qū)域的邊界。雖然很難給紋理下一個(gè)非常精確的定義，但是為了研 究方便，許多學(xué)者試圖發(fā)現(xiàn)反映紋理的本質(zhì)屬性。 cp = classperf(groups)。 升維，就是把樣本向高維空間做映射，一般情況下這會增加計(jì)算的復(fù)雜性，甚至?xí)?起 “ 維數(shù)災(zāi)難 ” ，因而人們很少問津．但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特征空間中卻可以通過一個(gè)線性超平面實(shí)現(xiàn)線性劃分（或回歸） 。 支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的 VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù) 有限的樣本信息在模型的復(fù)雜性 （ 即對特定訓(xùn)練樣本的學(xué)習(xí)精度， Accuracy） 和學(xué)習(xí)能力 （ 即無錯(cuò)誤地識別任意樣本的能力 ） 之間尋求最佳折衷，以期獲得最好的推廣能力（或稱泛化能力）。 趙玉霞，王克如等（ 20xx）對基于圖像識別的玉米葉部病害診斷研 究，研究提取了 3 五種玉米葉部主要病斑的識別特征，確定了診斷流程，并開發(fā)了識別系統(tǒng)。 小麥腥黑穗病鑒定的真菌形態(tài)學(xué)方法與分子生物學(xué)方法取得了很大進(jìn)展，但仍存在鑒定步驟繁瑣、周期長等問題，其中形態(tài)學(xué)方法的鑒定指標(biāo)單一，缺乏進(jìn)行定量描述的手段，可靠性不高。本文著重分析了灰度共生矩陣這一種方法。hn，簡稱 TCK） 和小麥網(wǎng)腥黑穗病 （ Tilletia caries Tul，簡稱 TCT） 是小麥的兩類重要的真菌病害，是出入境檢驗(yàn)檢疫中重要的植物檢疫對象 （ 郭同軍 ， 20xx） 。 本論文以 小麥矮腥黑穗病 、 小麥 網(wǎng) 腥黑穗病 兩種病蟲害圖像為研究對象，分析其病菌冬孢子圖像的特征。 李德杰 （ 20xx） 進(jìn)行了基于圖像處理的玉米常見病害識別研究，以玉米葉部病害為試驗(yàn)材料 ,采用比傳統(tǒng)算法更為簡便、更實(shí)用的圖像增強(qiáng)方法（先對彩圖求反 ,然后對得到的反色圖像進(jìn)行 RGB 通道分離） ,總結(jié)了對玉米 5 種常見病害基 本識別的方法。而其他分類方法（如基于規(guī)則的 分類器 和 人工神經(jīng)網(wǎng)絡(luò) ）都采用一種基于貪心學(xué)習(xí)的策略來搜索假設(shè)空間，這種方法一般只能獲得局部最優(yōu)解。 支持向量機(jī)的算法 給定樣本集 , xi∈ Rn , yi∈ { 1, 1}, i= 1, ?,l, 和核函數(shù) K (xi, xj)。,true)。Hawkins 指出紋理的表述看起來好像依賴于三個(gè)成分 :1)一些局部的“序”在一個(gè)相對于序的尺寸足夠大的區(qū) 域中重復(fù)， 2)序基于基本部分的非隨機(jī)排列， 3)在紋理區(qū)域內(nèi)任何地方都具有近似同樣維數(shù)的均一實(shí)體部分。本文我們重點(diǎn)關(guān)注紋理圖像分類問題。 (7) 也即每個(gè)矩陣元素的平方和。 它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。下面是 13 關(guān)于對兩種開發(fā)平臺的兩種開發(fā)方法的闡述與比較。 cp = classperf(groups)。 ②單擊“ Next”后，彈出 ActiveX Controller WizardConfigure 對話框，需要對目標(biāo)FP 文件命 名并設(shè) 定存放 路徑 ，假設(shè) 文件名 問 ，存 放路 徑為D:\CVI20xx\Work，單擊“ Next”。 */ int LaunchMatlab (CAObjHandle *hMatlab)。其中， matrixReal, matrixImag 為要發(fā)送的矩陣的實(shí)部和虛部， MATLABName 為 MATLAB 中存儲該矩陣的變量名， dim1， dim2 矩陣的行列數(shù)。 經(jīng)過分析研究，本次試驗(yàn)得到的召回率能達(dá)到百分之七十以上效果甚好，而精度還能繼續(xù)提高，這是因?yàn)楸疚氖褂玫男←溞群谒氩颖緢D像是利用顯微鏡得到的，顯微鏡的精度對樣本分類有一定的影響；其次，本次設(shè)計(jì)在提取樣本的 紋理特征的預(yù)處理（包括分割、圖像平滑處理和濾除噪聲）存在一定的欠缺，這也是影響分類的一大因素。i++) for(j= 0。i 8。 } /*逆差矩 Defi*/ *DefiValue = 0。j 8。j 8。i++) { or2 = or2 + (i mr)*(i mr)*GLCM_one_i[i]。j++) { mc = mc + j*GLCM_one_j[j]。 for(j = 0。 } /*一致性 ASM */ *ASMValue = 0。i 8。i++) for(j = 0。 } IPI_GetImageInfo (DestImage, amp。 通過上面的實(shí)驗(yàn)結(jié)果可以看出，本次的實(shí)驗(yàn)是相當(dāng)成功的，對石紋和樹皮紋理這兩種紋理圖像進(jìn)行了高精度的分類，這主要是 SVM 算法的強(qiáng)大和兩種圖像容易區(qū)分所帶來的結(jié)果。 */ int SendString(CAObjHandle hMatlab, char *matStringName, char *CVIString)。在工程文件窗口中選擇 Edit Add Files t