樹葉分類——數(shù)字圖像處理在樹葉識別中的應(yīng)用

1、精選優(yōu)質(zhì)文檔-傾情為你奉上數(shù)字圖像處理研究報告數(shù)字圖像處理在樹葉識別中的應(yīng)用 侯 杰：土木系 侯曉鵬：林科院蘇東川：航院張 偉：精儀 指導(dǎo)教師：馬慧敏 教授日期：2007.12.30專心-專注-專業(yè)數(shù)字圖像處理在樹葉識別中的應(yīng)用一、課題意義及背景1 課題背景植物的識別與分類對于區(qū)分植物種類，探索植物間的親緣關(guān)系，闡明植物系統(tǒng)的進(jìn)化規(guī)律具有重要意義。因此植物分類學(xué)是植物科學(xué)乃至整個生命科學(xué)的基礎(chǔ)學(xué)科。然而，由于學(xué)科發(fā)展和社會等原因，全世界范圍內(nèi)目前從事經(jīng)典分類（即傳統(tǒng)的形態(tài)分類）的人數(shù)急劇下降，且呈現(xiàn)出明顯的老齡化趨勢，后繼乏人，分類學(xué)已經(jīng)成為一個“瀕危學(xué)科”(Buyck,1999)。這不僅對于

2、植物分類學(xué)本身，而且對整個植物科學(xué)和國民經(jīng)濟(jì)的發(fā)展帶來重大的不利影響。目前植物識別和分類主要由人工完成。然而地球上僅為人所知的有花植物就有大約25萬種，面對如此龐大的植物世界，任何一個植物學(xué)家都不可能知道所有的物種和名稱，這就給進(jìn)一步的研究帶來了困難。在信息化的今天，我們提出的一種解決方案是：建立計算機(jī)化的植物識別系統(tǒng)，即利用計算機(jī)及相關(guān)技術(shù)對植物進(jìn)行識別和管理1。2 課題意義2-3（1） 人工進(jìn)行植物葉形的分類難度很大。這種傳統(tǒng)的判別方法要求操作者具有豐富的分類學(xué)知識和長期的實(shí)踐經(jīng)驗(yàn),才能開展工作。要做到準(zhǔn)確和快速地識別手中的植物是非常困難。并且相應(yīng)人才極為短缺。（2） 僅為人所知的有花植物

3、就有大約25萬種，面對如此龐大的植物世界，任何一個植物學(xué)家都不可能知道所有的物種和名稱。建立植物識別系統(tǒng)和數(shù)據(jù)庫十分必要。（3） 植物學(xué)研究人員在野外考察時, 時常需要獲取植物葉片面積等參數(shù)。（4） 葉子面積大小對植物的生長發(fā)育、作物產(chǎn)量以及栽培管理都具有十分重要的意義。因此，基于計算機(jī)圖像處理識別技術(shù)的樹葉圖像識別技術(shù)對于植物學(xué)，農(nóng)業(yè)科學(xué)等都具有重大意義。二、相關(guān)理論綜述1 圖像預(yù)處理（1）邊緣檢測4圖像的邊緣是指圖像局部亮度變化最顯著的部分，即在灰度級上發(fā)生急劇變化的區(qū)域。從空域角度看，二維圖像上的邊緣相鄰像素灰度從某一個值跳變到另一個差異較大的值。其灰度變化曲線呈現(xiàn)奇異信號波形：階躍信號

4、或屋脊形脈沖信號。圖像邊緣信息是圖像的重要特征，也是計算機(jī)視覺和圖像識別的基礎(chǔ)。對樹葉的邊緣進(jìn)行檢測是樹葉識別的基礎(chǔ)，從二維數(shù)字圖像上可得到的所有樹葉的特征都基于其輪廓信息的。因此對樹葉邊緣信息檢測情況的好壞直接影響到最終的處理結(jié)果。對于邊緣的檢測常常借助于空域微分算子進(jìn)行，通過將其模板與圖像卷積完成。兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣?；叶冗吘壥腔叶戎挡贿B續(xù)（或突變）的結(jié)果，這種不連續(xù)?？衫们笠浑A和二階導(dǎo)數(shù)方便地檢測到。已有的邊緣檢測方法，主要有一次微分（Sobel 算子、Roberts算子等）、二次微分（Laplace算子等）和模板操作（Prewitt 算子、Kirsch 算

5、子、Robinson 算子等）等。Sobel算子：Sobel 邊緣算子的掩模模板是兩個3×3的卷積核。Sobel邊緣算子強(qiáng)調(diào)中心像素的4-鄰域?qū)ζ涞挠绊?，而削?個對角近鄰像素對其作用。它是有方向性的，在水平方向和垂直方向上形成最強(qiáng)烈的邊緣。-101-202-101Gx121000-1-2-1GyRoberts算子：Robert 邊緣算子是一種局部差分算子，采用兩個2 ×2 的掩模模板對圖像的邊緣進(jìn)行檢測。100-10-110Gx GyPrewitt算子：Prewitt算子與Sobel算子的方程一樣，只是常量c=1。-101-101-101Gx111000-1-1-1GyG

6、auss-Laplace算子：Laplace算子是二階微分算子，具有各項(xiàng)同性，只需要一個卷積核進(jìn)行計算即可。Laplace算子精度高，但是同時對噪聲更敏感，因此在檢測之前一般先進(jìn)行平滑，把高斯平滑濾波器和Laplace銳化濾波器結(jié)合起來形成Gauss-Laplace算子。正因?yàn)槿绱?，本文首選該算子預(yù)處理圖像。常用的Gauss-Laplace算子是5×5模板，如下圖所示。-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2Gauss-Laplace算子（2）圖像平滑在對圖像進(jìn)行邊緣檢測以及后續(xù)的處理時，由于噪聲的影響會使得處理結(jié)果不夠準(zhǔn)確。噪聲點(diǎn)和周圍像

7、素點(diǎn)灰度值差異較大，空間頻率比較高，因此可以利用空間濾波的方法抑制圖像的高頻分量，使噪聲點(diǎn)的影響減小，即平滑處理。圖像平滑一般采用的方法有均值濾波和中值濾波兩種。均值濾波: 對模板內(nèi)的所有像素點(diǎn)的灰度值取均值或加權(quán)均值。中值濾波: 對模板內(nèi)的像素點(diǎn)的灰度值排序，取中間值作為返回值。兩種濾波方法各有特點(diǎn)。相較來說，中值濾波對圖像的細(xì)節(jié)保存更好一些。同時，模板大小的選取對平滑的結(jié)果也有很大的影響，模板越大則處理后的圖像越模糊，細(xì)節(jié)損失越多，對圖像的邊緣也有不利的影響。綜合圖像的特點(diǎn)，邊緣檢測選用Gauss-Laplace算子作，圖像平滑選用5×5平滑模板，中值濾波選用8×8模板

8、。（3）Otsu最大類間方差法自適應(yīng)圖像分割5最大類間方差法是由Otsu在1978年提出的。它從一維灰度直方圖角度出發(fā)，利用類別方差作為判據(jù)，選取使類間方差最大的灰度值作為最佳閾值。最大類間方差閾值分割法的基本思路是將圖像的直方圖以某一灰度為閾值將圖像分成兩組并計算兩組的方差，當(dāng)被分成的兩組之間的方差最大時，就以這個灰度值為閾值分割圖像。Otsu最大類間方差法計算簡單，速度快，穩(wěn)定有效，我們采用此法對樹葉圖像進(jìn)行閾值分割。Otsu法求取圖像最佳閥值的公式如下：式中： 灰度值為的頻率；：目標(biāo)部分比例；：背景部分比例；：目標(biāo)均值；：背景均值；： 總均值。2 圖像特征提取3-4圖像特征提取是影響圖像

9、識別效果的關(guān)鍵環(huán)節(jié)，需要充分考慮圖像的尺度及特征的種類、穩(wěn)定性和個數(shù)的選取。對于本課題，圖像尺度最初取樹葉最大高度對應(yīng)300像素，認(rèn)為圖像可識別的特征長度是最大高度的1/100，即3個像素，則像邊界點(diǎn)采樣頻率為每3像素取1個。但通過試算得知，一般模版尺度也基本是3個像素，這樣在前處理中的平滑運(yùn)算會消除圖像的一些邊界特征，并且在圖像縮放中，在圖像邊界局部也會產(chǎn)生2到3個像素級別的誤差，即誤差的級別與特征長度較近，容易引起特征提取錯誤，把局部誤差毛刺提取成邊界特征。另外，特征尺度主要與樹葉周長直接相關(guān)，取其為最大高的固定百分比也是不合適的，應(yīng)該直接與樹葉周長相關(guān)，而不是最大高度，因?yàn)閳D像周長特性比

10、最大高度要穩(wěn)定的多，比如葉柄的直、曲對樹葉周長影響很小，而對樹葉最大高度影響較大。正因?yàn)樽畲蟾叨炔环€(wěn)定，最后取消了第五個特征（最大高度/周長）對于識別的貢獻(xiàn)，對于所有樹葉該值均取為常數(shù)零。也就是說，如果圖像特征不穩(wěn)定，則增加特征個數(shù)對于識別效果是不利的，反之則有利。通過不斷調(diào)試，圖像總體尺度取樹葉周長對應(yīng)2000個像素，可識別的特征長度取為10，即總尺度的1/200。所提取得圖像特征如下：（1） roundness：歸1化圓形度 評價樹葉整體外形與圓形的近似程度，用于提取圖像的“胖瘦”特性。（2） ratio_anl_Nside：拐點(diǎn)平均間距與周長比描述樹葉周邊凹凸性的尺度，此值越小則表示樹葉

11、周邊凹凸越尖銳。（3） Ninflexion： 拐點(diǎn)數(shù)理論上應(yīng)為樹葉周邊凸包個數(shù)的兩倍，實(shí)際由于最小特征尺度的選取和邊界毛刺誤差，具體提取的拐點(diǎn)數(shù)會有一定的隨機(jī)性。（4） ave_sideEnergy： 平均邊界能量取為邊界上各采樣點(diǎn)處轉(zhuǎn)角平方和的平均，以能量的形式反映邊界的復(fù)雜程度。（5） ratio_Hm_Nside： 最大高度/周長考慮到圖像最大高度受葉柄的直、曲影響很大，其值很不穩(wěn)定，因而會降低樹葉識別效果，不再提取其實(shí)際值，直接賦值為常量零。3 圖像識別LVQ神經(jīng)網(wǎng)絡(luò)6-8神經(jīng)網(wǎng)絡(luò)通過尋找輸入/輸出數(shù)據(jù)之間的關(guān)系，來實(shí)現(xiàn)特征提取和統(tǒng)計分來等模式識別任務(wù)。經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)

12、點(diǎn)定了在模式識別領(lǐng)域不可或缺的位置。在模式識別的應(yīng)用中，單層感知器是能一致逼近線性連續(xù)函數(shù)空間的最簡單的神經(jīng)網(wǎng)絡(luò)，但是它具有其固有的局限性，即對非線性樣本空間不可分。BP網(wǎng)絡(luò)是一種應(yīng)用最為普遍的網(wǎng)絡(luò)，其缺點(diǎn)在于采用了基于的梯度下降的非線性優(yōu)化策略，有可能陷于局部最小問題，不能保證求出全局最小值。其他一些優(yōu)化策略如遺傳算法、模擬退火算法等，雖然可以求得全局最小，但是計算量很大，有時會出現(xiàn)效率問題。本論文嘗試?yán)肔VQ網(wǎng)絡(luò)來實(shí)現(xiàn)模式識別，LVQ網(wǎng)絡(luò)的優(yōu)點(diǎn)是不需要將輸入向量進(jìn)行歸一化、正交化，只需要直接計算輸入向量與競爭層之間的距離，從而實(shí)現(xiàn)樹葉圖像的模式識別。LVQ網(wǎng)絡(luò)簡介學(xué)習(xí)矢量量化的英文全稱是

13、Learning Vector Quantization，簡稱為LVQ。LVQ算法是在有教師狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)方法，它是從Kohonen競爭算法演化而來的。LVQ神經(jīng)網(wǎng)絡(luò)在模式識別和優(yōu)化領(lǐng)域有這廣泛的應(yīng)用。LVQ算法是對SOM算法的一種擴(kuò)展，它的基本思想源于SOM算法，它對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)與SOM很相似，但并不像SOM網(wǎng)絡(luò)那樣存在某種特定的拓?fù)浣Y(jié)構(gòu)。LVQ算法是一種監(jiān)督類型的聚類方法，該算法與SOM算法最大的區(qū)別在于提供給LVQ網(wǎng)絡(luò)的每個訓(xùn)練例都有一個“標(biāo)記”（label），該“標(biāo)記”用于知名每個訓(xùn)練例所屬的類別，在網(wǎng)絡(luò)的訓(xùn)練過程中起到一定的監(jiān)督作用。因此，LVQ算法實(shí)際上是SOM算

14、法基本思想在監(jiān)督學(xué)習(xí)領(lǐng)域中的一種應(yīng)用。學(xué)習(xí)矢量量化(LVQ)神經(jīng)網(wǎng)絡(luò)是在監(jiān)督狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，允許對輸入被分到哪一類進(jìn)行指定，競爭層將自動學(xué)習(xí)對輸入向量分類，同時LVQ算法建立的決策區(qū)是近似最優(yōu)的，另外由于LVQ 網(wǎng)絡(luò)結(jié)構(gòu)的特殊性，使得能夠通過訓(xùn)練來識別由幾個不連接區(qū)域構(gòu)成的類，同時能以較小的計算量處理大量輸入數(shù)據(jù)。Kohonen學(xué)習(xí)規(guī)則Kohonen網(wǎng)絡(luò)特征自動識別的聚類功能主要是通過以下兩個簡單的規(guī)則實(shí)現(xiàn)的2：記所有輸出神經(jīng)元C組成的集合為。神經(jīng)元C與輸入層神經(jīng)元之問的連接權(quán)向量為W(1) 對于提供給網(wǎng)絡(luò)的任一個輸入向量，確定相應(yīng)的輸出層獲勝神經(jīng)元s，其中(2) 確定獲

15、勝神經(jīng)元s的一個領(lǐng)域N，按照如下公式調(diào)整N，范圍內(nèi)神經(jīng)元的權(quán)向量：，該調(diào)整過程使得N內(nèi)神經(jīng)元的權(quán)向量朝著輸入向量的方向靠攏。隨著學(xué)習(xí)的不斷進(jìn)行，學(xué)習(xí)速率將不斷減小，領(lǐng)域N也將不斷縮小。所有權(quán)向量將在輸入向量空間相互分離，各自代表輸入空間的一類模式，這就是Kohonen網(wǎng)絡(luò)特征自動識別的聚類功能。LVQ網(wǎng)絡(luò)結(jié)構(gòu)LVQ網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。一個學(xué)習(xí)矢量量化（LVQ）網(wǎng)絡(luò)由三層神經(jīng)元組成，即輸入層、隱競爭層和輸出層。圖1 LVQ網(wǎng)絡(luò)結(jié)構(gòu)該網(wǎng)絡(luò)在輸入層與隱競爭層之間為完全連接，而在隱競爭層與輸出層之間為部分連接，每個輸出神經(jīng)元與隱競爭層神經(jīng)元的不同組相連接。隱競爭層和輸出神經(jīng)元之間的連接權(quán)值固定為1。輸

16、入層和隱競爭層間的連接權(quán)值建立參考矢量的分量（對每個隱競爭層神經(jīng)元指定一個參考矢量）。在網(wǎng)絡(luò)訓(xùn)練的過程中，這些權(quán)值被修改。隱競爭層神經(jīng)元和輸出神經(jīng)元都具有二進(jìn)制輸出值。與競爭網(wǎng)絡(luò)一樣，LVQ網(wǎng)絡(luò)隱競爭層的每個神經(jīng)元通過學(xué)習(xí)原型向量對輸入空間的區(qū)域分類。LVQ是通過直接計算距離的方法模擬LVQ網(wǎng)絡(luò)。直接計算距離的優(yōu)點(diǎn)是向量不必規(guī)格化。這里用Euclidean距離矩陣來選擇和輸入向量最近的權(quán)值向量。在隱競爭層中，權(quán)值向量與輸入向量最接近的神經(jīng)元輸出為1，而其他神經(jīng)元的輸出為0，競爭獲勝的神經(jīng)元表示一個子類而非一個類，這是它和競爭網(wǎng)絡(luò)的區(qū)別；輸出層將子類組合成一個類，一個類可能有幾個不同的神經(jīng)元(子

17、類)組成。隱含層的神經(jīng)元數(shù)量依賴于輸入一輸出間關(guān)系的復(fù)雜度并且它的數(shù)量對分類效果的影響比較大。隱含神經(jīng)元的選擇很大程度上依賴于輸入模式的變化程度，一般是根據(jù)經(jīng)驗(yàn)或仿真實(shí)驗(yàn)選擇。LVQ網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則LVQ算法對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)如下：Ø 包含n個輸入神經(jīng)元，其輸入向量為 X所對應(yīng)的類別記為T。Ø 每個輸出神經(jīng)元j都對應(yīng)一個權(quán)向量，記所有輸出神經(jīng)元j構(gòu)成的集合為Ø Cj為輸出神經(jīng)元j所代表的類別，不同的輸出神經(jīng)元可以代表一個類別。LVQ網(wǎng)絡(luò)期望通過對帶有“標(biāo)記”的訓(xùn)練例的學(xué)習(xí)能夠正確預(yù)測提供給網(wǎng)絡(luò)的測試?yán)姆诸?。LVQ 網(wǎng)絡(luò)的訓(xùn)練過程如下2：(1) 初始化權(quán)向量Wj，對于任

18、意j，設(shè)置初始學(xué)習(xí)率(2) 從訓(xùn)練集中選取一輸入向量X，找出與X具有最小Euclidean距離的權(quán)向量Wk，(3) 按如下規(guī)則調(diào)整神經(jīng)元k的權(quán)向量：·如果 (即輸出神經(jīng)元k所代表的類別與輸入模式一致)，則獲勝的隱競爭層神經(jīng)元沿著X的方向移動，按照下式修正隱競爭層權(quán)值向量：·如果(即輸出神經(jīng)元k所代表的類別與輸入模式不一致)，表示錯誤的隱競爭層神經(jīng)元競爭獲勝，則移動該神經(jīng)元的權(quán)值遠(yuǎn)離X，修改隱競爭層權(quán)值向量：(4) 訓(xùn)練集中選取另外一個輸入向量提供給LVQ網(wǎng)絡(luò)返回步驟（2）直到所有的向量都提供了一遍為止。(5) 減小學(xué)習(xí)率，并且測試停止條件是否滿足，如果滿足則停止訓(xùn)練，否則返

19、回步驟（2）。由過程（3）中所采用的權(quán)向量調(diào)整策略可以看出當(dāng)被選中的輸出神經(jīng)元 對應(yīng)的類別和輸入向量X所對應(yīng)的類別一致時，將調(diào)整權(quán)向量使其向輸入向量的方向靠攏反之，調(diào)整權(quán)向量使其偏離輸入向量。過程（5）中所指的停止條件一般為訓(xùn)練達(dá)到了固定的迭代次數(shù)或者學(xué)習(xí)率降至預(yù)設(shè)的最小值。三、軟件系統(tǒng)開發(fā)本識別系統(tǒng)由三個模塊組成：主控模塊、Access數(shù)據(jù)庫和Matlab引擎。主控模塊Dada Base（Access）Matlab（LVQ網(wǎng)絡(luò)）圖2 系統(tǒng)模塊構(gòu)成主控模塊：是基于VC03實(shí)現(xiàn)的，協(xié)調(diào)控制整個系統(tǒng)，負(fù)責(zé)整個圖像處理過程的算法實(shí)現(xiàn)，包括圖像數(shù)據(jù)的預(yù)處理算法、特征提取算法、讀寫數(shù)據(jù)庫信息及調(diào)用Mat

20、lab引擎實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識別。Access數(shù)據(jù)庫9：是樹葉特征的存放倉庫。VC提供了MFC的DAO（Data Access Object）數(shù)據(jù)庫類，封裝了底層的API，從而大大簡化了程序的開發(fā)。利用MFC的DAO類，用戶可以編寫?yīng)毩⒂贒BMS的應(yīng)用程序。本系統(tǒng)使用DAO實(shí)現(xiàn)了對桌面數(shù)據(jù)庫文件TreeLeaf.mdb的打開、數(shù)據(jù)讀寫等操作。數(shù)據(jù)庫中只包含了一個數(shù)據(jù)表leaf，其字段除包含樹葉特征信息外，還包含樹葉標(biāo)識（Name）、樹葉類型（type）和識別結(jié)果（result）。Access數(shù)據(jù)庫信息見圖3。圖3 Access數(shù)據(jù)庫信息Matlab引擎10-12：Visual C+ 是當(dāng)前主流

21、的應(yīng)用程序開發(fā)環(huán)境之一，開發(fā)環(huán)境強(qiáng)大，開發(fā)的程序執(zhí)行速度快。但在科學(xué)計算方面函數(shù)庫顯得不夠豐富、讀取、顯示數(shù)據(jù)圖形不方便。 Matlab 是一款將數(shù)值分析、矩陣計算、信號處理和圖形顯示結(jié)合在一起，包含大量高度集成的函數(shù)可供調(diào)用，適合科學(xué)研究、工程設(shè)計等眾多學(xué)科領(lǐng)域使用的一種簡潔、高效的編程工具。不過由于 Matlab使用的是解釋性語言，大大限制了它的執(zhí)行速度和應(yīng)用場合?；?VC 和 Matlab混合編程是很多熟悉 VC+ 編程而又需要進(jìn)行科學(xué)計算、數(shù)據(jù)仿真的科研人員常用的一種方式，其中最簡單也最直接的方法就是調(diào)用 Matlab引擎。在VC03開發(fā)平臺下，本系統(tǒng)實(shí)現(xiàn)了Matlab引擎的調(diào)用，具

22、體步驟如下：1）主控模塊調(diào)出Access數(shù)據(jù)庫中的樹葉特征樣本信息，進(jìn)行組織整理；2） 啟動Matlab引擎，按照Matlab語言格式寫入訓(xùn)練/識別信息，調(diào)用Matlab環(huán)境中的學(xué)習(xí)向量化神經(jīng)網(wǎng)絡(luò)LVQ，進(jìn)行網(wǎng)絡(luò)訓(xùn)練/識別；3）對于網(wǎng)絡(luò)訓(xùn)練，結(jié)束后要保存網(wǎng)絡(luò)輸出層對應(yīng)的樹葉類型字串，本系統(tǒng)采用中間文件的形式，保存在TypeInfo.txt文件中；對于網(wǎng)絡(luò)識別，在讀取Matlab網(wǎng)絡(luò)輸出層數(shù)據(jù)后，再根據(jù)此數(shù)據(jù)，在TypeInfo.txt文件中找到對應(yīng)的類型字串，然后顯示在主控界面上，并提示是否把識別結(jié)果存入數(shù)據(jù)庫。系統(tǒng)運(yùn)行基本界面如下：圖4 系統(tǒng)界面：文件操作圖5 系統(tǒng)界面：預(yù)處理圖6 系統(tǒng)界面

23、：特征分析四、系統(tǒng)使用1 樹葉圖像獲取采集5種共計154片原始樹葉，其中銀杏32片，加楊48片，梧桐21片，大葉黃楊28片，針葉松25根。所有樹葉圖像均采自校內(nèi)，拍攝條件如下：地點(diǎn)：敞亮室內(nèi)；光照：白天無日光燈，數(shù)碼相機(jī)無閃光垂直拍攝；像素：2048×1536；背景：厚打印白紙鋪于水平桌面，潔凈玻璃壓緊樹葉。2 預(yù)處理圖像要求ACDSee中對原始圖像進(jìn)行灰度變換，由彩圖變?yōu)榛叶葓D；矩形框截取樹葉圖像，統(tǒng)一等比調(diào)整圖像長寬均在500-600像素之間，選取圖像時保證樹葉與邊框間距不小于1/10對應(yīng)邊長，以便在掃除圖像邊框處噪聲點(diǎn)時，不至于掃除樹葉像素。3 系統(tǒng)識別結(jié)果 由于所提取的樹葉特

24、征，除圓形度和平均邊界能量外，其他特征穩(wěn)定性很差，特別是樹葉最大高度與周長比，因此，最終取消了該特征對于識別的貢獻(xiàn)，將其賦值常數(shù)零。因而只提取了14片樹葉的比較穩(wěn)定的特征，其中加楊5片，銀杏2片，大葉黃楊4片，梧桐3片，對于長條形針葉松葉無法提取特征，原因有待進(jìn)一步研究?？赡苡捎跇淙~特征不穩(wěn)定，網(wǎng)絡(luò)訓(xùn)練也不能達(dá)到理想精度，如圖7 所示。樹葉識別結(jié)果見表1，加楊識別效果相對最好，但可提取的效樣本數(shù)量不多（5個），識別最差的是銀杏，兩片樣本均不能識別，可能原因是銀杏樹葉頂部的細(xì)小褶皺程度和范圍隨機(jī)性很大，且葉柄較柔弱，易形成很多局部彎折，而這些因素直接影響特征2、3、4、5值的穩(wěn)定性。銀杏典型樹葉

25、如圖8所示。表1 樹葉識別結(jié)果樣本數(shù)識別正確識別錯誤加楊55 (100%)0銀杏202 (100%)大葉黃楊44 (100%)0梧桐32 (66%)1 (33%)圖7 Matlab訓(xùn)練 (a) (b)圖8 典型銀杏葉4 系統(tǒng)不足及特色綜合以上分析可知，該系統(tǒng)在樹葉特征的選取上存在不足，導(dǎo)致所提取樹葉特征穩(wěn)定性不好，從而限制了訓(xùn)練樣本的數(shù)量和網(wǎng)絡(luò)訓(xùn)練的精度，最終導(dǎo)致樹葉識別效果不理想。此外，樹葉最小特征尺度的選取也可能存在可以調(diào)節(jié)的余地?？赡茉驓w結(jié)如下：（1） 所提取得樹葉特征本身不穩(wěn)定（主要原因）；（2） 樹葉特征尺度選取不夠合理(1/200)；（3） 神經(jīng)網(wǎng)絡(luò)模型隱競爭層單元數(shù)沒進(jìn)行大量試

26、算確定（暫取為樹葉類型數(shù)的平方）。雖識別效果不理想，但該系統(tǒng)還是有自己的特色：（1） 在VC03中實(shí)現(xiàn)了數(shù)字圖像處理的基本代碼，特別是使用Otsu最大類間方差法實(shí)現(xiàn)了圖像自適應(yīng)閥值分割，效果顯著；（2） 實(shí)現(xiàn)VC03+Access+Matlab的混合編程，形成了數(shù)字圖像處理與識別的總體結(jié)構(gòu)，并且系統(tǒng)功能合理且精簡，對以后類似系統(tǒng)開發(fā)具有一定的參考價值。五、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)器識別研究J.植物學(xué)通報, 2004, 21(4):429-4362 朱靜，田興軍，陳彬，呂勁紫植物葉形的計算機(jī)識別系統(tǒng)J.植物學(xué)通報, 2005, 22(5):599-6043 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(jī)工程與應(yīng)用, 2003, 3:190-1934 求是科技Visual C數(shù)字圖像處理典型算法及實(shí)現(xiàn)M北京：人民郵電出版社，20065 陳瑩 基于圖像處理的火災(zāi)監(jiān)測系統(tǒng)軟件設(shè)計J低壓電器，2006,1:32-356 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,2004,17