【導(dǎo)讀】等級分類、可視場景的目標(biāo)檢測、信息檢索、醫(yī)學(xué)應(yīng)用等等。當(dāng)直接在圖像上進(jìn)。行操作時(shí)，傳統(tǒng)的分類方法由于數(shù)據(jù)的高維特性表現(xiàn)差，很難取得較好的效果。模型的影響，比較各參數(shù)對SVM的尋優(yōu)能力。同時(shí)簡單介紹SVM在紋理圖像分。圖像的紋理特征，并對比三種方法對分類出石紋和樹皮紋理兩種圖像的能力。文著重分析了灰度共生矩陣這一種方法。國內(nèi)研究現(xiàn)狀……小麥腥黑穗病鑒定的研究內(nèi)容與技術(shù)路線……

　　

【正文】 nt RunMatlabCommand(CAObjHandle hMatlab, char *mand)。 /* 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。其中變量 mFilePath 是 M 腳本文件的路徑。 */ int RunMatlabScript(CAObjHandle hMatlab, char *mFilePath)。 19 /*向 MATLAB 發(fā)送字符串函數(shù)。其中， CVIstring 為要發(fā)送的字符串的變量名，matStringName 為 MATLAB 中存儲該字符串的變量名。 */ int SendString(CAObjHandle hMatlab, char *matStringName, char *CVIString)。 /*從 MATLAB 接收字符串函數(shù)。其中， cString 為存儲收到的字符串變量，matStringName 為發(fā)送的字符串變量 */ int GetString(CAObjHandle hMatlab, char *matStringName, char **cString)。 /*向 MATLAB 發(fā)送矩陣函數(shù)。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)。*/ int SendMatrix(CAObjHandle hMatlab, char *matlabName, double *matrixReal, double *matrixImag, unsigned dim1, unsigned dim2)。 /*從 MATLAB 接收矩陣函數(shù)。其中， MATLABName 為 MATLAB 中存儲該矩陣的變量名。 matrixReal, matrixImag 為要 CVI 中接收到的矩陣的實(shí)部和虛部， */ int GetMatrix(CAObjHandle hMatlab, char *matlabName, double **matrixReal, double **matrixImag, unsigned *dim1, unsigned *dim2)。 軟件實(shí)現(xiàn)鑒定系統(tǒng)及腥黑穗病分類實(shí)驗(yàn) 由上面的步驟，我們已經(jīng)得到了一個(gè)完善的分類器系統(tǒng)，并且通過對小麥的矮腥黑穗病和網(wǎng)腥黑穗病這兩種病菌的紋理特征提取，對這些特征進(jìn)行分析以及比較，我們就得到了一個(gè)完善的腥黑穗病鑒定系統(tǒng)。下面是對兩種腥黑穗病的分類實(shí)驗(yàn)。 CVI 與 MATLAB 混合編程的工作界面如下面圖 7 所示： 20 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。下面是矮腥和 網(wǎng)腥的分類結(jié)果如圖 8 和圖 9 所示： 圖 8 樣本訓(xùn)練結(jié)果 圖 9 分類結(jié)果顯示 21 實(shí)驗(yàn)結(jié)果分析 本文先后進(jìn)行了兩次分類實(shí)驗(yàn)，第一次是對石紋和樹皮進(jìn)行分類，第二次是對小麥的矮腥黑穗病和網(wǎng)腥黑穗病進(jìn)行分類。第一次分類實(shí)驗(yàn)所用到的樣本數(shù)共有 44 個(gè)，石紋和樹皮各 22 個(gè)樣本，訓(xùn)練樣本占 80%（即 35 個(gè)樣本），訓(xùn)練樣本是 9 個(gè)，其中正確區(qū)分開來樣本是 9 個(gè)，經(jīng)鑒定系統(tǒng)分類準(zhǔn)側(cè)率預(yù) 測，這兩種樣本的召回率達(dá)到 95%以上。第二次分類實(shí)驗(yàn)所用到的腥黑穗病樣本共 90 個(gè)，矮腥與網(wǎng)腥各占一半，用于訓(xùn)練的樣本是72 個(gè)，分類的樣本 18 個(gè)，分類得到的結(jié)果是： 8 個(gè)矮腥訓(xùn)練樣本錯(cuò)位、 8 個(gè)網(wǎng)腥訓(xùn)練樣本錯(cuò)位、 9 個(gè)矮腥分類樣本分類正確、 9 個(gè)網(wǎng)腥分類樣本分類正確，召回率為 %。 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。 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。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。 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分離這兩種十分相似的腥黑穗病病菌。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 %。 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。 通過改進(jìn) CVI 和 MATLAB 兩個(gè)開發(fā)平臺的運(yùn)用方法，方便快捷地實(shí)現(xiàn)了矮腥和 網(wǎng) 22 腥這兩種近親病菌的分類，其分類精確度也能達(dá)到百分之七十多，效果甚好。 本次設(shè)計(jì)不僅僅實(shí)現(xiàn)了支持向量機(jī)進(jìn)行圖像分類這一功能，而且具有創(chuàng)新地實(shí)現(xiàn)了CVI 和 MATLAB 混合編程這種功能，這是本次設(shè)計(jì)的一大亮點(diǎn)，也是本次設(shè)計(jì)的創(chuàng)意所在。 23 參 考 文 獻(xiàn) Vapnik V. The Nature of Statistical Learning Theory [ M ] .New York: Springer Verlag, 1995. Cortes C ,Vapnik V. Support vector works [ J ] . MachineLearning , 1995 ,20 (3) :273 297. 李毅 , 阮秋琦 . 應(yīng)用支持向量機(jī)的紋理分類 [ J ] . 通信學(xué)報(bào) ,20xx, 26( 1) :14119. 薄華 , 馬縛龍 , 焦李成 . 圖像紋理的灰度共生矩陣計(jì)算問題的分析 [ J] . 電子學(xué)報(bào) , 20xx, 34( 1) : 55159. 高 士忠 ． 基于 灰 度 共 生 矩陣 的 織 物 紋 理 分 析 ［ J］ ． 計(jì)算機(jī) 工程 與 設(shè) 計(jì)， 20xx， 29( 16) : 4385 － 4388． 許 漫 坤 ， 平 西 建 ． 基于 譜 直 方 圖 和 SOFM 網(wǎng)絡(luò) 的 紋 理 分類 ［ J］ ． 計(jì)算機(jī) 工程 與 應(yīng)用 ， 20xx － 2: 90 － 93． MATLAB 從入門到精通 /劉保柱，蘇彥華，張宏林編著 .— 2 版（修訂本） .— 北京：人民郵電出版社， （ 重?。?ISBN 9787115226365 鐘樺 , 張小華 , 焦李成 . 數(shù)字水印與圖像認(rèn)證 —— 算法及應(yīng)用 [ M] . 西安 : 西安電子科技大學(xué)出版社 , 20xx. 王艷輝 , 王相海 . 用于圖像認(rèn)證的數(shù)字水印技術(shù)綜述 [ J] . 計(jì)算機(jī)工程與應(yīng)用 , 20xx, 43( 2) : 3336. 郭德軍 , 宋蟄存 , 基于灰度共生矩陣的紋理影像分類研究 . 林業(yè)機(jī)械與木工設(shè)備 , 明冬萍 ， 駱劍乘 ， 沈占鋒 ． 基于 GMRF_SVM 的高分辨率遙感影像目標(biāo)區(qū)域劃分方法 ［ J］． 測繪科學(xué) ， 20xx， 34( 2) : 33 37． 李強(qiáng)麗 ． 用遺傳算法解決建筑中日照采光設(shè)計(jì)問題 ［ D］ ． 北京 : 北京工業(yè)大學(xué) ， 20xx． 24 附 錄 提取紋理特征的主要代碼 /*灰度共生矩陣 */ void glcmFun() { int i,j。 char x1,x2。 float PixelValueX1,PixelValueX2。 double DistGLCM[8][8],SumDist。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { DistGLCM[i][j] = 1。 } IPI_GetImageInfo (DestImage, amp。ImageInfo)。 for(i = 0。i 。i++) for(j= 0。j 1。j++) { IPI_GetPixelValue (DestImage, i, j, amp。PixelValueX1)。 IPI_GetPixelValue (DestImage, i, j + 1, amp。PixelValueX2)。 x1 = PixelValueX1/32。 x2 = PixelValueX2/32。 DistGLCM[x1][x2]++。 } /*歸一化 */ SumDist = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { SumDist = SumDist + DistGLCM[i][j]。 25 } for(i = 0。i 8。i++) for(j = 0。j 8。j++) { DistGLCM_one[i][j] = DistGLCM[i][j]/SumDist。 } 獲取這 8 個(gè)紋理特征的主要代碼如下 ： /*均值 Mean */ *MeanValue = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *MeanValue = *MeanValue + i * DistGLCM_one[i][j]。 } /* 方差 Vari */ *VariValue = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *VariValue = *VariValue + pow((i *MeanValue),2)*DistGLCM_one[i][j]。 } /*逆差矩 Defi*/ *DefiValue = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *DefiValue = *DefiValue + DistGLCM_one[i][j]/(1 + pow((i j),2))。 } /* 相似度 Simi **/ *SimiValue = 0。 26 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *SimiValue = *SimiValue + abs(i j)*DistGLCM_one[i][j]。 } /*一致性 ASM */ *ASMValue = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *ASMValue = *ASMValue + DistGLCM_one[i][j]*DistGLCM_one[i][j]。 } /* 對比度 CON */ *CONValue = 0。 for(i = 0。i 8。i++) for(j = 0。j 8。j++) { *CONValue = *CONValue + (i j)*(i j)*DistGLCM_one[i][j]。 } /*相關(guān)性 COR */ *CORValue = 0。 for(i = 0。i 8。i++) { GLCM_one_i[i] = 0。 for(j = 0。j 8。j++) { GLCM_one_i[i] = GLCM_one_i[i] + DistGLCM_one[i][j]。 } } for(j = 0。j 8。j++) 27 { GLCM_one_j[j] = 0。 for(i = 0。i 8。i++) { GLCM_one_j[j] = GLCM_one_j[j] + DistGLCM_one[i][j]。 } } mr = 0。 for(i = 0。i 8。i++) { mr = mr + i*GLCM_one_i[i]。 } mc = 0。 for(j = 0。j 8。j++) { mc = mc + j*GLCM_one_j[j]。 } or2 = 0。 for(i = 0。i 8。i++) { or2 = or2 + (i mr)*(i mr)*GLCM_one_i[i]。 } or = sqrt(or2)。 oc2 = 0。 for(j = 0。j 8。j++) { oc2 = oc2 + (j