基于數(shù)字圖像處理的樹葉識別論文---黃金版要點

1、目錄摘要1英文摘要21引言21.1選題背景及意義31.2國內(nèi)外研究的進展31.2.1樹葉識別的研究進展1.2.2神經(jīng)網(wǎng)絡的研究進展. 3. 41.3論文的主要內(nèi)容與組織結構. 41.3.1論文的主要內(nèi)容 .41.3.2組織結構 .42樹葉圖像預處理 .42.1圖像采集 .42.2圖像裁剪 .52.3圖像平滑 .62.4圖像分割 .82.4.1最大類間方差法 .82.4.2matlab 實現(xiàn)及效果圖 .82.5邊緣檢測 .93樹葉圖像特征提取 .114基于神經(jīng)網(wǎng)絡的樹葉識別 .134.1BP 網(wǎng)絡基本理論 .134.2隱含層數(shù)的選取 .134.3節(jié)點數(shù)的選取 .134.4BP 網(wǎng)絡的建立 .14

2、4.5樹葉識別 .144.6GUI 界面設計 .144.7結果分析 .165總結與展望 .165.1總結論文的主要工作 .165.2展望論文的不足 .16參考文獻.16致謝 .17基于神經(jīng)網(wǎng)絡的樹葉識別系統(tǒng)研究機電與信息工程學院電子信息工程曹文君（ 20903031002）指導老師：呂軍（助教）摘要 ：植物是生物圈的重要組成部分，其中，葉片是植物的一個重要特征，不同的植物葉片在葉形及葉脈等外部特征上都不盡相同， 這就使我們能夠很好地利用植物葉片的特征來對植物分類。過去這類工作是由人工完成，不但工作量大，而且工作效率比較低。隨著數(shù)字圖像處理技術的快速發(fā)展，我們可以有效地借助計算機進行輔助操作，這

3、樣可以提高識別的準確性，從而提升了工作效率。本文重點工作有：應用數(shù)字圖像處理技術對采集到的葉片做圖像預處理；提出了基于 BP 神經(jīng)網(wǎng)絡的方法進行樹葉的識別，并構造了一個基于神經(jīng)網(wǎng)絡的集成分類器模型。最后，對本系統(tǒng)進行了仿真測試，取得了較好的結果。關鍵詞 ： 圖像處理；神經(jīng)網(wǎng)絡；集成分類器1Recognition System of Leaf Images Based on Neuronal NetworkCao WenjunDirector ：Lv Jun（Assistant）(School of Mechanical Electrical and Information Engineerin

4、g ,Huangshan University , Huangshan, China, 245041 )Abstract ：The plant is an important component of the biosphere ,and a leaf is a key character of the plant ,different plant may be different in leaf type as well as the leaf vein ,and this enables us to use theplant leaf to carry on the classificat

5、ion of the plant .In thepast ,this kind of work wasby completesartificially ,the work load was also very heavy ,moreover the working efficiency was relatively quitelow.Alongwiththe computer image processing technologys fast development ,we can use thecomputer to help us with this work ,then enhance

6、the recognition accuracy andpromote the workingefficiency .The main work of this article includes :use digital image processing technology to pretreat the leaf image ;propose method based on BP neural network recognition of the leaves ,besides ,constructed a model based on neural network ensemble cl

7、assifier .Finally carried on the experiment test to this system ,hen get to the good result .Key Words ： image processing； neural network ； ensemble classifier1 引言21.1選題背景及意義大千世界，植物是普遍存在于自然界的。 植物的發(fā)展及進化都經(jīng)歷了一個漫長的階段。它們是維持人類生存的重要載體。因此，對植物的研究就顯得格外重要。目前，在地球上僅為人所知的有花植物有大約25 萬種，其他的更是數(shù)不勝數(shù)。面對龐大的植物世界，目前植物分類可以通

8、過植物葉型分類來實現(xiàn)植物種類的識別。植物葉形分類主要依賴于分類學知識淵博且長期從事植物分類工作的專家學者進行人工分類， 該方法存在著耗時耗力、效率低、主觀因素大等不足，再加上植物分類人才的匱乏，對植物分類的研究愈加困難。隨著人工智能的日臻成熟， 數(shù)字圖像處理技術廣泛用于農(nóng)業(yè)、 工業(yè)、軍事等各個領域。利用數(shù)字圖像處理技術對植物葉片分類是完全可行的。 本文擬對采集的植物葉片圖像進行去噪、邊緣檢測等預處理，通過提取葉片圖像外部特征參數(shù)，利用 BP 神經(jīng)網(wǎng)絡實現(xiàn)植物葉片的自動識別。本論文的主要任務是利用數(shù)字圖像處理技術及其神經(jīng)網(wǎng)絡模式識別方法應用到植物葉片分類應用領域， 該研究是工農(nóng)交叉性研究， 在一

9、定程度上促進了植物學、 農(nóng)業(yè)及林業(yè)領域信息化的發(fā)展建設， 為植物學農(nóng)林業(yè)的迅速發(fā)展提供了強有力的技術支持，從而對推動經(jīng)濟的跨越發(fā)展起到了重要作用。1.2國內(nèi)外研究的進展1.2.1樹葉識別的研究進展雖然圖像識別技術在十九世紀就有人研究，但真正開始受到人們關注的是在60年代末，隨著時間的推移，到80年代，圖像識別技術廣泛應用到各個領域，而且也取1得了不錯的成果。傅弘學者提出了神經(jīng)網(wǎng)絡的葉脈提取方法，通過訓練的神經(jīng)網(wǎng)絡2準確地提取了葉脈圖像，實現(xiàn)了葉脈的提?。恢祆o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計 ,實現(xiàn)了葉緣特征的結果輸出和葉片圖像的形狀。劉純利

10、3 學者提出了樹葉紋理建模的樹葉識別方法，通過提取采集的樹葉的某些區(qū)域， 利用圖像處理對重要區(qū)域進行變換，并用高斯模型對高頻子帶建模，再用高斯模型的參數(shù)作為樹葉的特征，從而實現(xiàn)了樹葉識別；王代琳4 學者提出了神經(jīng)網(wǎng)絡的樹葉識別方法，通過對不同樹葉進行預處理來獲取外形特征，利用 java 語言實現(xiàn)了樹葉識別；朱寧 5 學者利用局部二進制模式方法，提出了將該方法應用于植物葉片圖像紋理特征的提取， 實現(xiàn)了用于提取葉片樣本特征的各種算子， 實現(xiàn)了基于局部二進制模式的樹葉識別。 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

11、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。至此，樹葉識別技術便得到了快速發(fā)展。31.2.2神經(jīng)網(wǎng)絡的研究進展人工神經(jīng)網(wǎng)絡，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7通過提取樹葉形狀特征值作為神經(jīng)網(wǎng)絡的輸入， 在輸出端形成不同的輸出值與此類別相對應，從而得到分類結果。陳涓 8 學者提出了基于小生境技術的神經(jīng)網(wǎng)絡進化集成方法，通過個體間相似程度的共享函數(shù)來調(diào)整網(wǎng)絡的適應度， 從而使神經(jīng)網(wǎng)絡集成系統(tǒng)的泛化能力得到大幅度改善。 朱曉峰 9 學者提出了基于神經(jīng)網(wǎng)絡的出版業(yè)量化分析模型，對出版業(yè)的實際數(shù)據(jù)進行了實驗，結果顯示該方法是可行的。Kohonen10 教授提出了映射

12、具有拓撲結構的自組織映射模型， 通過在計算機上進行實驗， 證明得出的學習效果非常顯著。 Hopfield 11 對神經(jīng)網(wǎng)絡介紹了能量函數(shù)的概念，提出了神經(jīng)網(wǎng)絡的平衡穩(wěn)定狀態(tài)的判別方法，實現(xiàn)了優(yōu)化計算途徑。1.3論文的主要內(nèi)容與組織結構1.3.1論文的主要內(nèi)容該課題在參考理論基礎上，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)絡分類器， 并以測試集驗證分類器模型的性能。1.3.2組織結構1 引言介紹了選題背景、意義、國內(nèi)外研究進展、論文內(nèi)容與組織結構。2 樹葉圖像預處理首先闡述了基于神經(jīng)網(wǎng)絡的樹葉識別流程圖， 然后詳細介紹了有

13、關圖像采集、 裁剪、去噪、邊緣提取等操作的理論、程序及效果圖。3 樹葉圖像特征提取介紹了選取的特征參數(shù)，然后陳列出幾個所選取的樣本的特征值。4 基于神經(jīng)網(wǎng)絡的樹葉識別首先介紹了神經(jīng)網(wǎng)絡， 然后介紹了基于神經(jīng)網(wǎng)絡的樹葉識別的實現(xiàn)， 最后對樹葉識別結果進行分析。5 總結與展望總結論文的主要工作以及展望論文的不足。2 樹葉圖像預處理2.1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。4圖 2-1桂花葉圖 2-2桔樹葉圖 2-3楓樹葉圖 2-4夾竹桃2.2圖像裁剪用 ACDSee 工具對采集的圖像進行截取，統(tǒng)一截取圖像長寬為6006

14、00 像素。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 2-5 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：5圖 2-6裁剪圖第三步：點擊完成，如圖2-7：圖 2-7處理后圖2.3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，而去噪平滑技術可以平滑圖像中的噪聲。圖像平滑主要是消除或減少噪聲以改善圖像質(zhì)量，一般采用均值濾波法和中值濾波法來進行圖像去噪。均值濾波是用模板內(nèi)的全體像素點的均值或加權均值來代替原始值；其數(shù)學公式如 2-1：設 f i , j 是含有噪聲的圖像， g i , j

15、 是經(jīng)過理后的圖像，g i , jfi, j / N , i, jM(2-1)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)。對于均值濾波法，在實際應用中，常用的模板尺寸有33、55 等。6中 波可以表示 一個序列模板內(nèi)的所有像素點按某種 排序，再 取中 作 其使用 。 一個序列f1 , f 2 ，fn , 取其 度 m( m 奇數(shù) ), 數(shù)學公式表示為 2-2:Yi Med fi v ,，fi1 , fi 1， fi v,i N ,vm 1 / 2(2-2)Yi 稱 序列 fi v , f i 1, fi , fi v的中 。Matlab ：I=imread(桂花葉 .jp

16、g);J=rgb2gray(I);K=imnoise(J,gaussian,0.02);%加入高斯噪聲K1=filter2(fspecial(average,3),K)/255;% 行 33均 波K2=filter2(fspecial(average,5),K)/255;% 行 55均 波L1=medfilt2(K,3,3);%加入 33 中 波L2=medfilt2(K,5,5);%加入 55 中 波subplot(231),imshow(K),title( 加噪 );subplot(232),imshow(K1),title(3*3 均 波 );subplot(233),imshow(K2

17、),title(5*5 均 波 );subplot(234),imshow(L1),title(3*3 中 波 );subplot(235),imshow(L2),title(5*5 中 波 );圖 2-8去噪效果圖兩種 波方法各有特點。相 來 ，均 波去噪效果不如中 波。中 波 像的 保存相 更好些， 而且能 在去除噪聲的同 可以很好的保持 像的 。另外，去噪 果與模板大小 是相關的，模板越大 理后的 像相 模糊， 像 失也比 多， 而 來不利影響。模板太小去噪效果也不是很好。 上，本文采用 55 模板的中 波方法。72.4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

18、若干個特定區(qū)域。它是圖像進行預處理的關鍵一步，分割不好圖像分析便加大了難度。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。2.4.1最大類間方差法本文擬采用基于閾值的分割方法 （最大類間方差法） 。該方法求圖像最佳閥值g 的公式如公式 2-3：garg max w0 (t )(u0 (t ) u)2w1(t)(u1 (t ) u) 20 tL 1u0 (t)ip (i )i t w0 (t)0u1(t)ip (i )1 w1(t )ti Luw0 (t)u0(t) w1 (t )u1 (t)（ 2-3）式中：p(i) ：灰度值為 i 的頻率；w0 (t ) ：目

19、標部分比例；w1 (t ) ：背景部分比例；u0 (t ) ：目標均值；u1 (t) ：背景均值；u ：總均值。2.4.2 matlab實現(xiàn)及效果圖I=imread(桂花葉 .jpg);axis(0,600,0,600);grid on;%顯示網(wǎng)絡線axis on;%顯示坐標系level=graythresh(I);%確定灰度閾值BW=im2bw(I,level);BW1=BW;subplot(121),imshow(I);title( 原圖 );subplot(122),imshow(BW1);title(Otsu 法閾值分割 );axis(0,600,0,600);grid on;%顯示網(wǎng)

20、絡線axis on;%顯示坐標系8圖 2-9 Otsu 法分割圖2.5邊緣檢測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， 也是圖像識別和圖像分析的基礎。 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果?，F(xiàn)有的邊緣檢測方法主要包括Sobel 算子檢測、 Roberts算子檢測、 Prewitt 算子檢測以及 Laplace 算子檢測等。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。GGx2G y2G xG yGxa2

21、2a3a4a02a7a6G ya02a1a2a62a5a4a0a1a2-101121a7a3-202000a6a5a4-101-1-2-1GxGyRoberts 算子：Roberts算子是一種差分算子， 是利用兩個 22 的掩模模板對圖像邊緣進行檢測。去噪作用小，且邊緣檢測能力相對較差。G i , jG xG yGxf i, jf i 1, j1G yf i 1, jf i , j19100-10-110GxGyPrewitt 算子： Prewitt 算子與 Sobel 算子的方程一樣。該算子既能檢測邊緣點，還能抑制噪聲的影響。-101111-101000-101-1-1-1GxGyGauss

22、-Laplace算子： Laplace 算子是一個二階微分算子， 它的計算簡單， 只需要一個卷積核。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 Gauss-Laplace算子是 55 模板。-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2Gauss-Laplace算子Matlab 實現(xiàn)及效果圖：I = imread(桂花葉 .jpg); J=rgb2gray(I);K = imnoise(I,gaussian,0,0.02);%加入高斯噪聲（ =0， 2=0.02）L=medfilt2(J,5,5);%加入中值

23、濾波BW_sobel = edge(L,sobel);BW_prewitt = edge(L,prewitt);BW_roberts = edge(L,roberts);BW_laplace = edge(L,log);figure,imshow(BW_sobel),xlabel(sobel 檢測 );figure,imshow(BW_prewitt),xlabel(prewitt 檢測 );figure,imshow(BW_roberts),xlabel(roberts 檢測 );figure,imshow(BW_laplace),xlabel(laplace 檢測 );10圖 2-10so

24、bel 檢測圖 2-11prewitt 檢測圖 2-12roberts 檢測圖 2-13laplace 檢測3 樹葉圖像特征提取11圖像特征提取是影響圖像識別效果的關鍵環(huán)節(jié)，需要充分考慮圖像的特征、 穩(wěn)定性和個數(shù)的選取。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。（ 1）矩形度樹葉的矩形度是指樹葉的區(qū)域面積與其最小外接矩形的面積之比，反映了一片樹葉對其外接矩形的充滿程度。則矩形度可定義為：R = S SM E R（3-1）n式中， Si 為樹葉的面積， SMER 為樹葉的最小外接矩形（ MER）的面積。i 1（ 2）延長度樹葉延長度可以表示為短軸與長軸的比值。

25、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，短軸是長軸兩側與其距離最長的左右兩點的距離和。（ 3）似圓度設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：2R o u n d n e ss4S L（3-2）（ 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)，設樹葉的面積為S，周長為 P，則緊湊度被定義為：Compactness 4S P2（3-3）（ 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：M 1 N 1mpqi p j q fi, jj 0i 0（3-4）其對應的 p q 階中心矩可以定

26、義為：M 1 N 1pq（3-5）x xypqy f x , yj0 i 0式中， xm10m00 是 二維圖像 fi , j的圖像灰度在水平方向上灰度質(zhì)心；ymm 是圖像灰度在垂直方向上的灰度質(zhì)心。0 10 0f i , j 的歸一化 p q階中心矩可以定義為：u pqpqq2,3,（3-6）p q 2 /2 , p00M.K.Hu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成的7 個量值。它們對旋轉、平移、鏡面及尺度變換都具有不變性。其定義為：121u20u02u2024u112（3-7）2u02u3023u21233u12u03u302u2124u12u03u303u12u30u1

27、2u3023 u2123u21u03u21u033 u302u2125u12u03u12u03u20u02u30u12224u11u30 u12u21u036u21u033u21 u03u30u12u3023 u2123u21u03u21u033 u302u2127u12u03u12u034 基于神經(jīng)網(wǎng)絡的樹葉識別人工神經(jīng)網(wǎng)絡，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)絡的并行結構和交叉處理能力在圖像處理與分析中應用廣泛。其是基于一定學習方法得到的特征參數(shù)與識別種類關系，這種關系是通過網(wǎng)絡連接權得到的網(wǎng)絡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)絡包括RB

28、F 網(wǎng)絡、 BP網(wǎng)絡、 Hopfield 網(wǎng)絡等。4.1BP 網(wǎng)絡基本理論BP 神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，其結構包括輸入層、隱含層和輸出層，其學習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)。 當神經(jīng)網(wǎng)絡輸出層的輸出值與其期望值相差較大時， 就會轉入反向傳播， 然后通過修正各神經(jīng)元間的權值系數(shù)，以及修正網(wǎng)絡參數(shù)，使系統(tǒng)識別誤差降到允許范圍內(nèi)。圖 4-1三層 BP 網(wǎng)絡結構圖4.2隱含層數(shù)的選取隱含層過多，會造成網(wǎng)絡訓練緩慢，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

29、經(jīng)網(wǎng)絡。4.3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134 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，對應關系為：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，觀測實驗結果獲取最佳的隱含層單元數(shù)為8。4.4BP 網(wǎng)絡的建立（ 1）網(wǎng)絡進行初始化，即隨機設置三層神經(jīng)元的權值；（ 2）給定網(wǎng)絡的輸入向量和目標輸出，即將降維后的數(shù)據(jù)作為 BP 網(wǎng)絡的輸入，同時確定每個樣本對應的實際輸出值；（ 3）計算

30、 BP 網(wǎng)絡隱含層、輸出層各單元的輸出；（ 4）計算實際輸出和相應的理論輸出之間的偏差；（ 5）調(diào)整各層神經(jīng)元的權值矩陣；（ 6）若達不到訓練要求則轉至步驟 3，重新學習，直到理想值與實際輸出值的偏差滿足訓練精度要求。4.5樹葉識別圖像識別是用數(shù)字圖像處理技術與計算機處理技術結合起來， 繼而完成人的認識和理解的過程。簡單的說圖像識別是把研究目標 , 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計程序或設備 , 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 4-2 所示：樹 葉樹葉圖樹 葉 圖神 經(jīng)結 果采

31、 集像預處像 特 征網(wǎng) 絡分 析理提取識別圖 4-2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處理， 預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處理后的樣本進行選擇某些特征參數(shù) , 并進行分析。當然 , 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系。第四部分是神經(jīng)網(wǎng)絡識別, 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 , 從而得到識別結果。4.6GUI 界面設計圖形用戶界面， 簡稱 G

32、UI 。它是一種結合各種學科的人機系統(tǒng)工程。目前也有不少公司應用。它提供了很多工具用于仿真及設計，本文擬采用GUI 界面來仿真基于神經(jīng)網(wǎng)絡的樹葉識別。仿真結果如圖4-3,圖 4-4：14圖 4-3神經(jīng)網(wǎng)絡訓練圖 4-4樹葉識別系統(tǒng)界面154.7結果分析通過 BP 神經(jīng)網(wǎng)絡進行了四種樹葉的識別，得到比較滿意的結果。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。樹葉識別結果見表4-1：表 4-1識別結果樣本識別結果識別錯誤識別率數(shù)桂花葉2018290%桔子葉2018290%楓樹葉20200100%夾竹桃20200100%平均識別率95%5 總結與展望5.1總結論文的主要工作本人廣泛收

33、集和查閱了模式識別、 數(shù)字圖像處理和人工神經(jīng)網(wǎng)絡的相關資料和文獻 , 實現(xiàn)了不同目標的識別。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。（ 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，以及識別結果。5.2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)絡訓練樣本選擇的優(yōu)劣對目標識別性能影響較大。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

34、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)絡模型最優(yōu)化是一個難點, 也是神經(jīng)網(wǎng)絡廣泛應用的瓶頸。最后是目標特征量的選擇與提取直接影響動態(tài)圖像識別的準確性和實時性，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)絡的葉脈信息提取植物活體機器識別研究 J. 植物學通報 , 2004, 21(4):429-436.2朱靜，田興軍，陳彬，呂勁紫植物葉形的計算機識別系統(tǒng) J. 植物學通報 , 2005 ，22(5) ：599-604.163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，2012,39（ 11）： 289-290.4王代琳 . 基于神經(jīng)網(wǎng)絡的樹葉識別系統(tǒng)研究（英文） C. 東北林業(yè)大學， 2005.5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， 2007(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的研究 J. 計算機工程與應用 , 2003, 3:190-193.7何術 SOM神經(jīng)網(wǎng)絡在樹葉形狀分類中的應用 J. 電腦開發(fā)與應用 ,2004,1