【文章內(nèi)容簡介】 延長度可以表示為短軸與長軸的比值。其中長軸是樹葉輪廓上任意過質(zhì) 心的兩點直線的最長距離，短軸是長軸兩側(cè)與其距離最長的左右兩點的距離和。 （ 3） 似圓度 設(shè)樹葉周長和面積分別為 P 和 S，最小外接矩形的長軸長為 L，則似圓度被定義為： 24Rou nd ne ss S L?? （ 32） （ 4） 緊湊度 緊湊度可以表示一個刻畫樹葉緊湊程度的參數(shù)，設(shè)樹葉的面積為 S，周長為 P，則緊湊度被定義為： 24PCom pactne ss S?? （ 33） （ 5） 不變矩 不變矩是描述區(qū)域的方法之一。對于 二維 (NM)數(shù)字 化圖像 ? ?,f i j ， pq? 階矩可以定義為： ? ?1100 ,MN pqpq jim i j f i j????? ?? （ 34） 其對應(yīng)的pq? 階中心矩可以定義為： ? ? ? ? ? ?1100 ,pMN qpq ji x x y y f x y?????? ? ??? （ 35） 式中， 10 00x m m? 是 二維圖像 ? ?,f i j 的圖像灰度在水平方向上灰度質(zhì)心； 01 00y m m? 是圖像灰度在垂直方向上的灰度質(zhì)心。 ? ?,f i j 的歸一化 ? ?pq? 階中心矩可以定義為： ? ?? ?2 / 200 , 2 , 3 ,pqpq pqu p q?? ??? ? ? （ 36） 提出的不變矩理論是由三階規(guī)格化的中心矩非線性組合構(gòu)成的 7 個量值。它們對旋轉(zhuǎn)、平移、鏡面及尺度變換都具有不變性。其定義為： ? ?? ? ? ?? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?1 20 022 22 20 02 11223 30 12 21 03224 30 12 21 032 2 2 25 30 12 30 12 30 12 21 03 21 03 21 03 30 12 21 03226 20 02 30 12 21 03 11 30 12 24333 3 3 34uuu u uu u u uu u u uu u u u u u u u u u u u u u u uu u u u u u u u u u??????? ? ? ?? ? ? ?? ? ? ?????????? ? ?? ? ? ?? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1 032 2 2 27 21 03 30 12 30 12 21 03 21 03 21 03 30 12 21 033 3 3 3uu u u u u u u u u u u u u u u u? ? ? ? ?? ? ? ?? ? ? ??? ? ? ? ? ? ? ? ? ? ? ? ? ? （ 37） 4 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別 人工神經(jīng)網(wǎng)絡(luò)，簡稱 ANN，它 是由很多神經(jīng)元相互連接而組成的一個信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)和交叉處理能力在圖像處理與分析中應(yīng)用廣泛。其是基于一定學(xué)習(xí)方法得到的特征參數(shù)與識別種類關(guān)系，這種關(guān)系是通過網(wǎng)絡(luò)連接權(quán)得到的網(wǎng)絡(luò)輸入 和輸出之間的一種非線性映射。常用的人工神經(jīng)網(wǎng)絡(luò)包括 RBF 網(wǎng)絡(luò)、 BP 網(wǎng)絡(luò)、Hopfield 網(wǎng)絡(luò)等。 BP 網(wǎng)絡(luò)基本 理論 BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)包括輸入層、隱含層和輸出層，其學(xué)習(xí)過程是由輸入層特征向量通過非線性變換從輸入層傳達到隱含層，再進行逐層處理，最后傳到輸出層，另外每一層的神經(jīng)元狀態(tài)都會直接影響下一層神經(jīng)元狀態(tài)。當(dāng)神經(jīng)網(wǎng)絡(luò)輸出層的輸出值與其期望值相差較大時，就會轉(zhuǎn)入反向傳播，然后通過修正各神經(jīng)元間的權(quán)值系數(shù)，以及修正網(wǎng)絡(luò)參數(shù)，使系統(tǒng)識別誤差降到允許范圍內(nèi)。 圖 41 三層 BP 網(wǎng)絡(luò)結(jié)構(gòu)圖 隱含層數(shù)的選取 隱含層過多，會造成網(wǎng)絡(luò)訓(xùn)練緩慢，使誤差曲線不穩(wěn)定。一般情況下，取一個隱含層就能完成映射。本文擬采用三層神經(jīng)網(wǎng)絡(luò)。 節(jié)點數(shù)的選取 經(jīng)過數(shù)據(jù)降維后的樹葉特征矩陣是由前 6 個主成分表示的，即特征變量為 6 個，所以BP 網(wǎng)絡(luò)輸入層單元數(shù)為 6。本文研究對象是桂花葉、桔子葉、楓樹葉和夾竹桃 4 種植物樹葉，所以輸出層單元數(shù)確定為 2，輸出的排列組合分別代表了 4 種不同的識別種類，對應(yīng)關(guān)系為： 00桂花葉、 01桔子葉、 10楓樹葉、 11夾竹桃。通過不斷調(diào)整隱元，觀測實驗結(jié)果獲取最佳的隱含層單元數(shù)為 8。 BP 網(wǎng)絡(luò)的建立 （ 1）網(wǎng)絡(luò)進行初始化，即隨機設(shè)置三層神經(jīng)元的權(quán)值； （ 2）給定網(wǎng)絡(luò)的輸入向量和目標(biāo)輸出，即將降維后的數(shù)據(jù)作為 BP 網(wǎng)絡(luò)的輸入，同時確定每個樣本對應(yīng)的實際輸出值； （ 3）計算 BP 網(wǎng)絡(luò)隱含層、輸出層各單元的輸出； （ 4）計算實際輸出和相應(yīng)的理論輸出之間的偏差； （ 5）調(diào)整各層神經(jīng)元的權(quán)值矩陣； （ 6） 若達不到訓(xùn)練要求則轉(zhuǎn)至步 驟 3，重新學(xué)習(xí)，直到理想值與實際輸出值的偏差滿足訓(xùn)練精度要求。 樹葉識別 圖像識別 是用數(shù)字圖像處理技術(shù)與計算機處理技術(shù)結(jié)合起來，繼而完成人的認(rèn)識和理解的過程。簡單的說圖像識別是把研究目標(biāo) ,根據(jù)其某些特征進行識別和分類。圖像識別的目的就是設(shè)計程序或設(shè)備 ,代替人類自動處理圖像信息 ,自動對圖像進行分辨和識別 ,實現(xiàn)較高的圖像識別率。 本文的樹葉圖像識別 分 4 個部 分 ,其框 圖如圖 42 所 示： 圖 42 圖像識別 系統(tǒng)框圖 第一部分是樹葉圖像信息的采集 ,它相當(dāng)于對被研究對象的調(diào)查和了解。從中得到數(shù)據(jù)。第二部分是樹葉圖像預(yù)處理，預(yù)處理的目的是為了去噪和差異，即將樹葉圖像變換成適合圖 像特征提取的形式。第三部分是樹葉圖像特征提取，它的作用是把圖像預(yù)處理后的樣本進行選擇某些特征參數(shù) ,并進行分析。當(dāng)然 ,抽取特征參數(shù)的數(shù)目與采用的判決方法也是有很大的關(guān)系。第四部分是神經(jīng)網(wǎng)絡(luò)識別 ,即根據(jù)提取的特征參數(shù) ,采用多特征神經(jīng)網(wǎng)絡(luò)集成分類器的規(guī)則 ,對圖像信息進行分類和識別 ,從而得到識別結(jié)果。 GUI 界面設(shè)計 圖形用戶界面 ，簡稱 GUI。它是一種結(jié)合各種學(xué)科的人機系統(tǒng)工程。目前也有不少公司應(yīng)用。它提供了很多工具用于仿真及設(shè)計，本文擬采用 GUI 界面來仿真基于神經(jīng)網(wǎng)絡(luò)的樹葉識別。仿真結(jié)果如圖 43,圖 44： 圖 43 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 圖 44 樹葉識別系統(tǒng)界面 結(jié)果分析 通過 BP 神經(jīng)網(wǎng)絡(luò)進行了四種樹葉的識別，得到比較滿意的結(jié)果。但由于所提取的樹葉形態(tài)特征存在差異，也出現(xiàn)了識別錯誤的現(xiàn)象。樹葉識別結(jié)果見表 41： 表 41 識 別結(jié)果 樣本數(shù) 識別結(jié)果 識別錯誤 識別率 桂花葉 20 18 2 90% 桔子葉 20 18 2 90% 楓樹葉 20 20 0 100% 夾竹桃 20 20 0 100% 平均識別率 95% 5 總結(jié)與展望 總結(jié) 論文的主要 工作 本人廣泛收集和查閱了模式識別、數(shù)字圖像處理和人工神經(jīng)網(wǎng)絡(luò)的相關(guān)資料和文獻 ,樹葉采 集 樹葉圖像預(yù)處理 樹葉圖像特征提取 神經(jīng)網(wǎng)絡(luò)識別 結(jié)果分 析 實現(xiàn)了不同目標(biāo)的識別。論文主要完成了 : （ 1）目標(biāo)樣本的采集，對樹葉圖像進行預(yù)處理，包括裁剪、平滑、分割及邊緣檢測等。 （ 2）對樹葉圖像特征的 選擇和提取進行了分析。 （ 3）介紹并建立了神經(jīng)網(wǎng)絡(luò)分類器，對樹葉圖像進行了訓(xùn)練與識別，并且比較了數(shù)據(jù)進行分析，以及識別結(jié)果。 展望論文的不足 論文取得了一些比較滿意的效果 ,但是一些環(huán)節(jié)仍有不足，待進一步研究和完善 : 首先是樣本選擇，神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇的優(yōu)劣對目標(biāo)識別性能影響較大。論文采用的目標(biāo)圖像背景相對比較簡單 ,噪聲小 ,與實際工程要求有一定差距并且樣本的完備性也有所不足。如何建立抗干擾性更強是下一步研究的重點。 其次是現(xiàn)在神經(jīng)網(wǎng)絡(luò)模型的確定還沒有成熟的理論依據(jù) ,在理論上如何實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型最優(yōu) 化是一個難點 ,也是神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用的瓶頸。 最后是目標(biāo)特征量的選擇與提取直接影響動態(tài)圖像識別的準(zhǔn)確性和實時性，雖然目前有一些理論可依 ,但大多數(shù)情況下容易受主觀因素影響。因此如何選擇與提取目標(biāo)特征還需進一步研究。 參考文獻 [1] 傅弘，池哲儒，常杰，傅承新 ． 基于人工神經(jīng)網(wǎng)絡(luò)的葉脈信息提取 —— 植物活體機器識別研究 [J].植物學(xué)通報 , 2021, 21(4):429436. [2] 朱靜，田興軍，陳彬，呂勁紫 ． 植物葉形的計算機識別系統(tǒng) [J].植物學(xué)通報 , 2021， 22(5)：599604. [3] 劉純利 ，劉少斌 .基于紋理建模的樹葉識別系統(tǒng) [J].計算機科學(xué)， 2021,39（ 11）： 289290. [4] 王代琳 .基于神經(jīng)網(wǎng)絡(luò)的樹葉識別系統(tǒng)研究（英文） [C].東北林業(yè)大學(xué)， 2021. [5] 朱寧 .基于 LBP 的樹葉識別系統(tǒng)研究與實現(xiàn) [M].北京林業(yè)大學(xué)， 2021(01). [6] 王曉峰，黃德雙，杜吉祥，張國軍 ． 葉片圖像特征提取與識別技術(shù)的研究 [J].計算機工程與應(yīng)用 , 2021, 3:190193. [7] 何術(shù) ． SOM 神經(jīng)網(wǎng)絡(luò)在樹葉形狀分類中的應(yīng)用 [J].電腦開發(fā)與應(yīng)用 ,2021,17(2):2324. [8] 陳涓 .神經(jīng)網(wǎng)絡(luò)集成的泛化能力研究及其應(yīng)用 [G].蘭州理工大學(xué)， 2021. [9] 朱曉峰 .基于神經(jīng)網(wǎng)絡(luò)的出版業(yè)統(tǒng)計分析方法研究 [A].北京， 2021.