【正文】 心，在四年的學(xué)習(xí)生活里，彼此相互鼓勵(lì)相互支持，建立了深厚的友誼。同時(shí)還要感謝的是我的指導(dǎo)老師呂軍老師，他淵博的學(xué)識(shí)和對(duì)前沿科研問(wèn)題的敏銳洞察力及先進(jìn)的思想特別令我仰慕。在我人生的這個(gè)重要階段中，得到了許多老師和同學(xué)、朋友們的熱情幫助和溫暖關(guān)懷，我一直心存感激。 參考文獻(xiàn) [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(jī)器識(shí)別研究[J].植物學(xué)通報(bào) , 2022, 21(4):429436. [2] 朱靜，田興軍，陳彬，呂勁紫 ． 植物葉形的計(jì)算機(jī)識(shí)別系統(tǒng) [J].植物學(xué)通報(bào) , 2022， 22(5)：599604. 17 [3] 劉純利，劉少斌 .基于紋理建模的樹(shù)葉識(shí)別系統(tǒng) [J].計(jì)算機(jī)科學(xué)， 2022,39（ 11）： 289290. [4] 王代琳 .基 于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別系統(tǒng)研究（英文） [C].東北林業(yè)大學(xué)， 2022. [5] 朱寧 .基于 LBP 的樹(shù)葉識(shí)別系統(tǒng)研究與實(shí)現(xiàn) [M].北京林業(yè)大學(xué)， 2022(01). [6] 王曉峰，黃德雙，杜吉祥，張國(guó)軍 ． 葉片圖像特征提取與識(shí)別技術(shù)的研究 [J].計(jì)算機(jī)工程與應(yīng)用 , 2022, 3:190193. [7] 何術(shù) ． SOM神經(jīng)網(wǎng)絡(luò)在樹(shù)葉形狀分類(lèi)中的應(yīng)用 [J].電腦開(kāi)發(fā)與應(yīng)用 ,2022,17(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)， 2022. [9] 朱曉峰 .基于神經(jīng)網(wǎng) 絡(luò)的出版業(yè)統(tǒng)計(jì)分析方法研究 [A].北京， 2022. [10] Kohonen Formation Of Topological Maps In Selenizing Systems[M].Proceeding of the 2nd Scandinavian Image Analysis, Finland, 1981, 214. [11] Hopfield J Networks And Physical Systems With Emergent Collective Computerational Abilities[D].USA:.,1982. [12] 王春，劉波 .采用 BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別方法研究 [J] .中國(guó)測(cè)量技術(shù)， 2022， 31（ 1）：2627. [13] 李小林 .一種基于邊緣流的圖像分割算法及其應(yīng)用 [J].閩江學(xué)院學(xué)報(bào) , 2022, 30(2):6871. [14] 于新文 , 沈佐銳 .昆蟲(chóng)數(shù)字圖像的分割技術(shù)研究 [J].農(nóng)業(yè)工程學(xué)報(bào) , 2022, 17(3):137141. [15] 羅 濤華 .基于自適應(yīng)閾值的儲(chǔ)糧害蟲(chóng)圖像分割算法 [J].武漢工業(yè)學(xué)院學(xué)報(bào) , 2022, 25(1):58. [16] 張紅濤 ,邱道尹 .基于相對(duì)熵閾值法的儲(chǔ)糧害蟲(chóng)圖像分割 [J].華北水利水電學(xué)院學(xué)報(bào) , 2022, 24(3):2729. 致謝 四年的大學(xué)生活，讓我獲益良多。 最后是目標(biāo)特征量的選擇與提取直接影響動(dòng)態(tài)圖像識(shí)別的準(zhǔn)確性和實(shí)時(shí)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。如何建立抗干擾性更強(qiáng)是下一步研究的重點(diǎn)。 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(jìn)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(duì)目標(biāo)識(shí)別性能影響較大。 （ 2）對(duì)樹(shù)葉圖像特征的選擇和提取進(jìn)行了分析。樹(shù)葉識(shí)別結(jié)果見(jiàn)表 41： 表 41 識(shí) 別結(jié)果 樣本數(shù) 識(shí)別結(jié)果 識(shí)別錯(cuò)誤 識(shí)別率 桂花葉 20 18 2 90% 桔子葉 20 18 2 90% 楓樹(shù)葉 20 20 0 100% 夾竹桃 20 20 0 100% 平均識(shí)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(shí)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(xiàn) ,實(shí)現(xiàn)了不同目標(biāo)的識(shí)別。仿真結(jié)果如圖 43,圖 44： 樹(shù)葉采 集 樹(shù)葉圖像預(yù)處理 樹(shù)葉圖像特征提取 神經(jīng)網(wǎng)絡(luò)識(shí)別 結(jié)果分 析 15 圖 43 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 圖 44 樹(shù)葉識(shí)別系統(tǒng)界面 16 結(jié)果分析 通過(guò) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行了四種樹(shù)葉的識(shí)別，得到比較滿意的結(jié)果。目前也有不少公司應(yīng)用。 GUI 界面設(shè)計(jì) 圖形用戶界面 ，簡(jiǎn)稱(chēng) GUI。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。第二部分是樹(shù)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(shù)葉圖像變換成適合圖像特征提取的形式。 本文的樹(shù)葉圖像識(shí)別 分 4 個(gè)部 分 ,其框 圖如圖 42 所 示： 圖 42 圖像識(shí)別 系統(tǒng)框圖 第一部分是樹(shù)葉圖像信息的采集 ,它相當(dāng)于對(duì)被研究對(duì)象的調(diào)查和了解。簡(jiǎn)單的說(shuō)圖像識(shí)別是把研究目標(biāo) ,根據(jù)其某些 特征進(jìn)行識(shí)別和分類(lèi)。 BP 網(wǎng)絡(luò)的建立 （ 1）網(wǎng)絡(luò)進(jìn)行初 始化，即隨機(jī)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(shí)確定每個(gè)樣本對(duì)應(yīng)的實(shí)際輸出值； （ 3）計(jì)算 BP 網(wǎng)絡(luò)隱含層、輸出層各單元的輸出； （ 4）計(jì)算實(shí)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(dá)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(shí)際輸出值的偏差滿足訓(xùn)練精度要求。本文研究對(duì)象是桂花葉、桔子葉、楓樹(shù)葉和夾竹桃 4 種 14 植物樹(shù)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(shí)別種類(lèi)，對(duì)應(yīng)關(guān)系為： 00桂花葉、 01桔子葉、 10楓樹(shù)葉、 11夾竹桃。本文擬采用三層神經(jīng)網(wǎng)絡(luò)。 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(guò)多，會(huì)造成網(wǎng)絡(luò)訓(xùn) 練緩慢，使誤差曲線不穩(wěn)定。 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(guò)程是由輸入層特征向量通過(guò)非線性變換從輸入層傳達(dá)到隱含層，再進(jìn)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(huì)直接影響下一層神經(jīng)元狀態(tài)。其是基于一定學(xué)習(xí)方法得到的特征參數(shù)與識(shí)別種類(lèi)關(guān)系，這種關(guān)系是通過(guò)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。其定義為： 13 ? ?? ? ? ?? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?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(shù)葉識(shí)別 人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱(chēng) ANN，它 是由很多神經(jīng)元相互連接而組成的一個(gè)信息處理系統(tǒng)。 ? ?,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(gè)量值 。 （ 3） 似圓度 設(shè)樹(shù)葉周長(zhǎng)和面積分別為 P 和 S，最小外接矩形的長(zhǎng)軸長(zhǎng)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(gè)刻畫(huà)樹(shù)葉緊湊程度的參數(shù)，設(shè)樹(shù)葉的面積為 S，周長(zhǎng)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。 （ 2） 延長(zhǎng)度 樹(shù)葉延長(zhǎng)度可以表示為短軸與長(zhǎng)軸的比值。 （ 1） 矩形度 樹(shù)葉的矩形度是指樹(shù)葉的區(qū)域面積與其最小外接矩形的面積之比，反映了一片樹(shù)葉對(duì)其外接矩形的充滿程度。 1 1 1 0 0 0 1 1 1 11 圖 210 sobel 檢測(cè) 圖 211 prewitt 檢測(cè) 圖 212 roberts 檢測(cè) 圖 213 laplace 檢測(cè) 3 樹(shù)葉圖像特征提取 圖像特征提取是影響圖像識(shí)別效果的關(guān)鍵環(huán)節(jié)，需要充分考慮圖像的特征、穩(wěn)定性 12 和個(gè)數(shù)的選取。laplace 檢測(cè) 39。)。 figure,imshow(BW_roberts),xlabel(39。prewitt 檢測(cè) 39。)。 figure,imshow(BW_sobel),xlabel(39。log39。)。 BW_roberts = edge(L,39。prewitt39。)。 %加入中值濾波 BW_sobel = edge(L,39。,0,)。 K = imnoise(I,39。)。 2 4 4 4 2 4 0 8 0 4 4 8 24 8 4 4 0 8 0 4 2 4 4 4 2 GaussLaplace 算子 Matlab 實(shí)現(xiàn)及效果圖： I = imread(39。 1 0 1 1 0 1 1 0 1 xG yG GaussLaplace 算子： Laplace 算子是一個(gè)二階微分算子，它的計(jì)算簡(jiǎn)單，只需要一個(gè)卷積核。 ? ? yx GGjiG ??, ? ? ? ?1,1, ???? jifjifG x ? ? ? ?1,1 ???? jifjifG y 1 0 1 2 0 2 1 0 1 0a 1a 2a 7a 3a 6a 5a 4a 1 2 1 0 0 0 1 2 1 10 1 0 0 1 0 1 1 0 xG yG Prewitt 算子： Prewitt 算子與 Sobel 算子的方程一樣。 yxyx GGGGG ???? 22 ? ? ? ?670432 22 aaaaaaG x ?????? ? ? ? ?456210 22 aaaaaaG y ?????? xG yG Roberts 算子： Roberts 算子是一種差分算子，是利用 兩個(gè) 22 的掩 模模板對(duì)圖像邊緣進(jìn)行檢測(cè)。 現(xiàn)有的邊緣檢測(cè)方法主要包括 Sobel 算子檢測(cè)、 Roberts 算子檢測(cè)、 Prewitt 算子檢測(cè)以及 Laplace 算子檢測(cè)等。 %顯示坐標(biāo)系 9 圖 29 Otsu 法分割圖 邊緣檢測(cè) 圖像的邊緣可以表示為圖像局部區(qū)域亮度變化很顯著的部分，另外，圖像邊緣信息是其重要特征，也是圖像識(shí)別和 圖像分析的基礎(chǔ)。 grid on。)。title(39。)。title(39。 BW1=~BW。 %顯示坐標(biāo)系 level=graythresh(I)。 grid on。)。 matlab 實(shí)現(xiàn)及效果圖 I=imread(39。 最大類(lèi)間方差法 本文擬采用基于閾值的分割方法（最大類(lèi)間方差法）。它是圖像進(jìn)行預(yù)處理的關(guān)鍵一步，分割不好圖像分析便加大了難度。綜上，本文采用 55模板的中 值濾波方法。另外，去噪結(jié)果與模板大小選擇是相關(guān)