【正文】 定程度上促進了植物學、農(nóng)業(yè)及林業(yè)領(lǐng)域信息化的發(fā)展建設(shè)，為植物學農(nóng)林業(yè)的迅速發(fā)展提供了強有力 的技術(shù)支持，從而對推動經(jīng)濟的跨越發(fā)展起到了重要作用。傅弘 [1]學者 提出了 神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，通過訓練的神經(jīng)網(wǎng)絡(luò)準確地提取了葉脈圖像，實現(xiàn)了葉脈的提?。恢祆o [2]學者提出了在 Windows XP平臺上對葉片圖像的輸入、變換及分割等識別過程的設(shè)計 ,實現(xiàn)了葉緣特征的結(jié)果輸出和葉片圖像的形狀。王曉峰 [6]學者 提出了一種利用樹葉外 形特征來對葉片進行識別的方法，通過對葉片圖像做去噪及邊緣等處理并提取葉片的輪廓區(qū)域，利用其得到的外部特征進行分類，實現(xiàn)了多種植物葉片的準確識別。 4 神經(jīng)網(wǎng)絡(luò)的研究進展 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)。陳涓 [8]學者 提出了基于小生境技術(shù)的神經(jīng)網(wǎng)絡(luò) 進化集成方法，通過個體間相似程度的共享函數(shù)來調(diào)整網(wǎng)絡(luò)的適應(yīng)度 ， 從而使神經(jīng)網(wǎng)絡(luò)集成系統(tǒng)的泛化能力得到大幅度改善。 Kohonen[10]教授 提出了映射具有拓撲結(jié)構(gòu)的自組織映射模型，通過在計算機上進行實驗，證明得出的學習效果非常顯著。 論文的主要內(nèi)容與組織結(jié)構(gòu) 論文的 主要內(nèi)容 該課題在參考理論基礎(chǔ)上， 利用 MATLAB 語言實現(xiàn)樹葉圖像的去噪、分割、邊緣檢測等操作，再進行特征提取，最后借助訓練集特征建立神經(jīng)網(wǎng)絡(luò)分類器，并以測試集驗證分類器模型的性能。 2 樹葉圖像預處理 首先闡述了基于神經(jīng)網(wǎng)絡(luò)的樹葉識別流程圖，然后詳細介紹了有關(guān)圖像采集、裁剪、去噪、邊緣提取等操作的理論、程序及效果圖。 4 基于神經(jīng)網(wǎng)絡(luò)的樹葉 識別 首先介紹了神經(jīng)網(wǎng)絡(luò)，然后介紹了基于神經(jīng)網(wǎng)絡(luò)的樹葉識別的實現(xiàn)，最后對樹葉識別結(jié)果進行分析。 2 樹葉圖像預處理 圖像采集 采集 4 種共計 80 片原始樹葉，其中桂花 20 片，桔樹葉 20 片，楓樹葉 20 片，夾竹桃 20 片。其裁剪過程為： 第一步：用 ACDSee 打開采集的圖片，鼠標右擊，進入編輯界面： 圖 25 編輯圖 第二步：調(diào)整寬度和高度 為 600600 像素 ，移動十字光標為最佳位置： 6 圖 26 裁剪圖 第三步：點擊完成，如圖 27： 圖 27 處理后圖 圖像平滑 圖像在處理過程中，常常會受到各種外部因素的影響，使得獲取的圖像一般都含有噪聲，而去噪平滑技術(shù)可以平滑圖像中的噪聲。 均值濾波是用模板內(nèi)的全體像素點的均值或加權(quán)均值來代替原始值；其數(shù)學公式如21： 設(shè) ? ?,f i j 是含有噪聲的圖像， ? ?,gi j 是經(jīng)過理后的圖像， ? ? ? ? ? ?, , / , ,g i j f i j N i j M??? (21) 其中 M 是鄰域內(nèi)各鄰近像素的坐標值， N 是鄰域中臨近像素的個數(shù)。 中值濾波可以表示為一個序列模板內(nèi)的所有像素點按某種規(guī)則排序，再選取中間值 7 作為其使用值。 Matlab 實現(xiàn)為： I=imread(39。)。 K=imnoise(J,39。,)。average39。 %進行 33 均值濾波 K2=filter2(fspecial(39。,5),K)/255。 %加入 33 中值濾波 L2=medfilt2(K,[5,5])。加噪 39。 subplot(232),imshow(K1),title(39。)。5*5 均值濾波 39。 subplot(234),imshow(L1),title(39。)。5*5 中值濾波 39。 圖 28 去噪效果圖 兩種濾波方法各有特點。中值濾波對圖像的細節(jié)保存相對更好些，而且能夠在去除噪聲的同時可以很好的保持圖像的邊緣。模板太小去噪效果也不是很好。 8 圖像分割 從圖像采集到圖像分析必然要進行 圖像分割，圖像分割 是把 圖像 分成若干個特定區(qū)域。而現(xiàn)有的圖像分割方法主要包括： 理論 分割 、邊緣分割、區(qū)域分割以及 閾值 分割 等 [12]。該方法求圖像最佳閥值 g 的公式如公式 23： 220 0 1 10100 011 10 0 1 1a r g ( ) ( ( ) ) ( ) ( ( ) )()()()()()()( ) ( ) ( ) ( )m a xtLitt i Lg w t u t u w t u t uip iutwtip iutwtu w t u t w t u t? ? ???? ? ???? ? ? ????????? （ 23） 式中： ()pi ：灰度值為 i 的頻率； 0()wt：目標部分比例； 1()wt：背景部分比例； 0()ut：目標均值； 1()ut：背景均值； u ： 總均值。桂花葉 .jpg39。 axis([0,600,0,600])。 %顯示網(wǎng)絡(luò)線 axis on。 %確定灰度閾值 BW=im2bw(I,level)。 subplot(121),imshow(I)。原圖 39。 subplot(122),imshow(BW1)。Otsu 法閾值分割 39。 axis([0,600,0,600])。 %顯示網(wǎng)絡(luò)線 axis on。在圖像處理時得到的樹葉特征一般是基于其輪廓信息的，所以對樹葉邊緣檢測好壞直接影響最終的識別結(jié)果。 Sobel 算子 ： Sobel 算子的掩模模 板是 利用 兩個 33 的卷 積核得到的，且噪聲抑制效果強于 Prewitt 算子，但得到的邊緣較寬。去噪作用小，且邊緣檢測能力相對較差。該算子既能檢測邊緣點，還能抑制噪聲的影響。具有各項同性， Laplace 算子對噪聲比較敏感，所以在檢測前一般先進行去噪處理，常用的 GaussLaplace 算子是 55 模板 。桂花葉 .jpg39。 J=rgb2gray(I)。gaussian39。%加入高斯噪聲（ μ=0， σ^2=） L=medfilt2(J,[5,5])。sobel39。 BW_prewitt = edge(L,39。)。roberts39。 BW_laplace = edge(L,39。)。sobel 檢測 39。 figure,imshow(BW_prewitt),xlabel(39。)。roberts 檢測 39。 figure,imshow(BW_laplace),xlabel(39。)。形態(tài)特征是本文研究的重點，一般包括矩形度、延長度、似圓度、緊湊度及不變矩等。則矩形度可定義為： = MERR S S （ 31） 式中，1niSi???為樹葉的面積， SMER 為樹葉的最小外接矩形（ MER）的面積。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。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。它們對旋轉(zhuǎn)、平移、鏡面及尺度變換都具有不變性。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。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。當神經(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)。一般情況下，取一個隱含層就能完成映射。 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。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。 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，繼而完成人的認識和理解的過程。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。從中得到數(shù)據(jù)。第三部分是樹葉圖像特征提取，它的作用是把圖像預處理后的樣本進行選擇某些特征參數(shù) ,并進行分析。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。它是一種結(jié)合各種學科的人機系統(tǒng)工程。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。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。論文主要完成了 : （ 1）目標樣本的采集，對樹葉圖像進行預處理，包括裁剪、平滑、分割及邊緣檢測等。 （ 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練與識別，并且比較了數(shù)據(jù)進行分析，以及識 別結(jié)果。論文采用的目標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。 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。因此如何選擇與提取目標特征還需進一步研究。不僅學會了更多的專業(yè)知識，也學會了求真務(wù)實的工作作風，更重要的是讓我更深刻的懂得了做人的道理。 首先，我要感謝我的輔導員杜奎寶老師，感謝他的悉心教誨和 無微不至的關(guān)懷，教會我很多做事的道理，給予我極大的幫助。本文之所以能夠順利完成，和呂老師的幫助是分不開的，值此我表示對導師深深的謝意。 還要感謝我的室友們在生活上不斷照顧我，關(guān)心我，我們之間建立了純真的友誼。感謝的話有很多 ，感謝的人也有很多，我會把這份愛永遠留在心中，并帶著這份愛走過人生的風風雨雨，綻放人生瑰麗的彩虹。s Shaanxi province pass through a stop on the ancient Silk Road, Gansu39。80s. We sat on the back of pickup trucks for hours. The sky was blue, and we couldn39。t have a formal stage. The audience just sat on the grass. Usually, the performances became a big party with local people joining in. For him, the rewarding part about touring isn39。s performers of the troupe still tour the region39。s Poly Theater. Their show, titled Ulan Muqir on the Grassland, depicted the history and development of the art troupe. Being from the region allowed me to embrace the culture of Inner Mongolia and being a member of the troupe showed me where I belonged, Nasun, the art troupe39。s Liaoning province, decades ago. The solider gave the old man a handmade saddle when they bid farewell. The story inspired Nasun to write Carved Saddle, a song that later became one of his most popular numbers. Now, every year, Nasun recruits young singers and dancers for the troupe. The troupe has also designed a new repertoire, which is mostly based on the daily lives of Mongolian people, especially the lives of nomadic families, and