基于數(shù)字圖像處理的樹(shù)葉識(shí)別論文---黃金版

1、目 錄摘要1英文摘要21 引言31.1 選題背景及意義31.2 國(guó)內(nèi)外研究的進(jìn)展31.2.1 樹(shù)葉識(shí)別的研究進(jìn)展31.2.2 神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展41.3 論文的主要內(nèi)容與組織結(jié)構(gòu)41.3.1 論文的主要內(nèi)容41.3.2 組織結(jié)構(gòu)42 樹(shù)葉圖像預(yù)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82.4.2 matlab實(shí)現(xiàn)及效果圖82.5 邊緣檢測(cè)93 樹(shù)葉圖像特征提取114 基于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別134.1 BP網(wǎng)絡(luò)基本理論134.2 隱含層數(shù)的選取134.3 節(jié)點(diǎn)數(shù)的選取134.4 BP網(wǎng)絡(luò)的建立144.5 樹(shù)葉識(shí)別144.6 GUI界

2、面設(shè)計(jì)144.7 結(jié)果分析165 總結(jié)與展望165.1 總結(jié)論文的主要工作165.2 展望論文的不足16參考文獻(xiàn)16致謝17基于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別系統(tǒng)研究機(jī)電與信息工程學(xué)院 電子信息工程 曹文君（20903031002）指導(dǎo)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(gè)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(lái)對(duì)植物分類。過(guò)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(shù)的快速發(fā)展，我們可以有效地借助計(jì)算機(jī)進(jìn)行輔助操作，這樣可以提高識(shí)別的準(zhǔn)確性，從而提升了工作效率。本文重點(diǎn)工作有

3、：應(yīng)用數(shù)字圖像處理技術(shù)對(duì)采集到的葉片做圖像預(yù)處理；提出了基于BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行樹(shù)葉的識(shí)別，并構(gòu)造了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的集成分類器模型。最后，對(duì)本系統(tǒng)進(jìn)行了仿真測(cè)試，取得了較好的結(jié)果。關(guān)鍵詞：圖像處理；神經(jīng)網(wǎng)絡(luò)；集成分類器Recognition System of Leaf Images Based on Neuronal NetworkCao Wenjun Director：Lv Jun（Assistant）(School of Mechanical Electrical and Information Engineering ,Huangshan University , Huangsha

4、n, 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 the plant leaf to carry on the classification of the plant .In the past ,this

5、 kind of work was by completes artificially ,the work load was also very heavy ,moreover the working efficiency was relatively quite low .Along with the computer image processing technology's fast development ,we can use the computer to help us with this work ,then enhance the recognition accura

6、cy and promote the working efficiency .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 classifier .Finally ca

7、rried on the experiment test to this system ,hen get to the good result .Key Words： image processing；neural network；ensemble classifier1 引言1.1 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(jìn)化都經(jīng)歷了一個(gè)漫長(zhǎng)的階段。它們是維持人類生存的重要載體。因此，對(duì)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(wàn)種，其他的更是數(shù)不勝數(shù)。面對(duì)龐大的植物世界，目前植物分類可以通過(guò)植物葉型分類來(lái)實(shí)現(xiàn)植物種類的識(shí)別。植物葉形分類主要

8、依賴于分類學(xué)知識(shí)淵博且長(zhǎng)期從事植物分類工作的專家學(xué)者進(jìn)行人工分類，該方法存在著耗時(shí)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(duì)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(shù)廣泛用于農(nóng)業(yè)、工業(yè)、軍事等各個(gè)領(lǐng)域。利用數(shù)字圖像處理技術(shù)對(duì)植物葉片分類是完全可行的。本文擬對(duì)采集的植物葉片圖像進(jìn)行去噪、邊緣檢測(cè)等預(yù)處理，通過(guò)提取葉片圖像外部特征參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)植物葉片的自動(dòng)識(shí)別。本論文的主要任務(wù)是利用數(shù)字圖像處理技術(shù)及其神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法應(yīng)用到植物葉片分類應(yīng)用領(lǐng)域，該研究是工農(nóng)交叉性研究，在一定程度上促進(jìn)了植物學(xué)、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(xué)農(nóng)林業(yè)

9、的迅速發(fā)展提供了強(qiáng)有力的技術(shù)支持，從而對(duì)推動(dòng)經(jīng)濟(jì)的跨越發(fā)展起到了重要作用。1.2 國(guó)內(nèi)外研究的進(jìn)展1.2.1 樹(shù)葉識(shí)別的研究進(jìn)展雖然圖像識(shí)別技術(shù)在十九世紀(jì)就有人研究，但真正開(kāi)始受到人們關(guān)注的是在60年代末，隨著時(shí)間的推移，到80年代，圖像識(shí)別技術(shù)廣泛應(yīng)用到各個(gè)領(lǐng)域，而且也取得了不錯(cuò)的成果。傅弘1學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，通過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)準(zhǔn)確地提取了葉脈圖像，實(shí)現(xiàn)了葉脈的提??；朱靜2學(xué)者提出了在Windows XP平臺(tái)上對(duì)葉片圖像的輸入、變換及分割等識(shí)別過(guò)程的設(shè)計(jì),實(shí)現(xiàn)了葉緣特征的結(jié)果輸出和葉片圖像的形狀。劉純利3學(xué)者提出了樹(shù)葉紋理建模的樹(shù)葉識(shí)別方法，通過(guò)提取采集的樹(shù)葉的某些區(qū)域，利用

10、圖像處理對(duì)重要區(qū)域進(jìn)行變換，并用高斯模型對(duì)高頻子帶建模，再用高斯模型的參數(shù)作為樹(shù)葉的特征，從而實(shí)現(xiàn)了樹(shù)葉識(shí)別；王代琳4學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別方法，通過(guò)對(duì)不同樹(shù)葉進(jìn)行預(yù)處理來(lái)獲取外形特征，利用java語(yǔ)言實(shí)現(xiàn)了樹(shù)葉識(shí)別；朱寧5學(xué)者利用局部二進(jìn)制模式方法，提出了將該方法應(yīng)用于植物葉片圖像紋理特征的提取，實(shí)現(xiàn)了用于提取葉片樣本特征的各種算子，實(shí)現(xiàn)了基于局部二進(jìn)制模式的樹(shù)葉識(shí)別。王曉峰6學(xué)者提出了一種利用樹(shù)葉外形特征來(lái)對(duì)葉片進(jìn)行識(shí)別的方法，通過(guò)對(duì)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(jìn)行分類，實(shí)現(xiàn)了多種植物葉片的準(zhǔn)確識(shí)別。至此，樹(shù)葉識(shí)別技術(shù)便得到了快速發(fā)展。1.2.

11、2 神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱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)。何術(shù)7學(xué)者提出了目前較常用的自組織映射神經(jīng)網(wǎng)絡(luò)(SOM神經(jīng)網(wǎng)絡(luò))的方法，通過(guò)提取樹(shù)葉形狀特征值作為神經(jīng)網(wǎng)絡(luò)的輸入，在輸出端形成不同的輸出值與此類別相對(duì)應(yīng)，從而得到分類結(jié)果。陳涓8學(xué)者提出了基于小生境技術(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)化集成方法，通過(guò)個(gè)體間相似程度的共享函數(shù)來(lái)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。朱曉峰9學(xué)者提出了基于神經(jīng)網(wǎng)絡(luò)的出版業(yè)量化分析模型，對(duì)出版業(yè)的實(shí)際數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，結(jié)果顯示該方法是可行的。Kohonen10教授提出了映射具有拓?fù)浣Y(jié)構(gòu)的自組織映射模型，通過(guò)在計(jì)算機(jī)

12、上進(jìn)行實(shí)驗(yàn)，證明得出的學(xué)習(xí)效果非常顯著。Hopfield11對(duì)神經(jīng)網(wǎng)絡(luò)介紹了能量函數(shù)的概念，提出了神經(jīng)網(wǎng)絡(luò)的平衡穩(wěn)定狀態(tài)的判別方法，實(shí)現(xiàn)了優(yōu)化計(jì)算途徑。1.3 論文的主要內(nèi)容與組織結(jié)構(gòu)1.3.1 論文的主要內(nèi)容該課題在參考理論基礎(chǔ)上，利用MATLAB語(yǔ)言實(shí)現(xiàn)樹(shù)葉圖像的去噪、分割、邊緣檢測(cè)等操作，再進(jìn)行特征提取，最后借助訓(xùn)練集特征建立神經(jīng)網(wǎng)絡(luò)分類器，并以測(cè)試集驗(yàn)證分類器模型的性能。1.3.2 組織結(jié)構(gòu)1引言介紹了選題背景、意義、國(guó)內(nèi)外研究進(jìn)展、論文內(nèi)容與組織結(jié)構(gòu)。2樹(shù)葉圖像預(yù)處理首先闡述了基于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別流程圖，然后詳細(xì)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。3

13、樹(shù)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(gè)所選取的樣本的特征值。4基于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)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(shù)葉識(shí)別的實(shí)現(xiàn)，最后對(duì)樹(shù)葉識(shí)別結(jié)果進(jìn)行分析。5總結(jié)與展望總結(jié)論文的主要工作以及展望論文的不足。2 樹(shù)葉圖像預(yù)處理2.1 圖像采集采集4種共計(jì)80片原始樹(shù)葉，其中桂花20片，桔樹(shù)葉20片，楓樹(shù)葉20片，夾竹桃20片。 圖2-1 桂花葉 圖2-2 桔樹(shù)葉 圖2-3 楓樹(shù)葉 圖2-4 夾竹桃2.2 圖像裁剪用ACDSee工具對(duì)采集的圖像進(jìn)行截取，統(tǒng)一截取圖像長(zhǎng)寬為600×600像素。其裁剪過(guò)程為：第一步：用ACDSee打開(kāi)采集的圖片，鼠標(biāo)右擊，進(jìn)入編

14、輯界面：圖2-5 編輯圖第二步：調(diào)整寬度和高度為600×600像素，移動(dòng)十字光標(biāo)為最佳位置：圖2-6 裁剪圖第三步：點(diǎn)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(guò)程中，常常會(huì)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。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(lái)進(jìn)行圖像去噪。均值濾波是用模板內(nèi)的全體像素點(diǎn)的均值或加權(quán)均值來(lái)代替原始值；其數(shù)學(xué)公式如2-1：設(shè)是含有噪聲的圖像，是經(jīng)過(guò)理后的圖像， (2-1)其中M是鄰域內(nèi)各鄰近像素的坐標(biāo)值，N是鄰域中臨近像素的個(gè)數(shù)。對(duì)于均值濾波法，在實(shí)際

15、應(yīng)用中，常用的模板尺寸有3×3、5×5等。中值濾波可以表示為一個(gè)序列模板內(nèi)的所有像素點(diǎn)按某種規(guī)則排序，再選取中間值作為其使用值。設(shè)一個(gè)序列 ,取其長(zhǎng)度為m(m為奇數(shù)),數(shù)學(xué)公式表示為2-2: (2-2) 稱為序列的中值。Matlab實(shí)現(xiàn)為：I=imread('桂花葉.jpg');J=rgb2gray(I);K=imnoise(J,'gaussian',0.02); %加入高斯噪聲K1=filter2(fspecial('average',3),K)/255; %進(jìn)行3×3均值濾波K2=filter2(fspecial

16、('average',5),K)/255; %進(jìn)行5×5均值濾波L1=medfilt2(K,3,3); %加入3×3中值濾波L2=medfilt2(K,5,5); %加入5×5中值濾波subplot(231),imshow(K),title('加噪');subplot(232),imshow(K1),title('3*3均值濾波');subplot(233),imshow(K2),title('5*5均值濾波');subplot(234),imshow(L1),title('3*3中值濾波&#

17、39;);subplot(235),imshow(L2),title('5*5中值濾波');圖2-8 去噪效果圖兩種濾波方法各有特點(diǎn)。相較來(lái)說(shuō)，均值濾波去噪效果不如中值濾波。中值濾波對(duì)圖像的細(xì)節(jié)保存相對(duì)更好些，而且能夠在去除噪聲的同時(shí)可以很好的保持圖像的邊緣。另外，去噪結(jié)果與模板大小選擇是相關(guān)的，模板越大處理后的圖像相對(duì)模糊，圖像邊緣損失也比較多，進(jìn)而帶來(lái)不利影響。模板太小去噪效果也不是很好。綜上，本文采用5×5模板的中值濾波方法。2.4 圖像分割從圖像采集到圖像分析必然要進(jìn)行圖像分割，圖像分割是把圖像分成若干個(gè)特定區(qū)域。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

18、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的公式如公式2-3： （2-3） 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。2.4.2 matlab實(shí)現(xiàn)及效果圖I=imread('桂花葉.jpg');axis(0,600,0,600);grid on; %顯示網(wǎng)絡(luò)線axis on; %顯示坐標(biāo)系level=graythresh(I); %確定灰度閾值BW=im2bw(I,level);BW

19、1=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)絡(luò)線axis on; %顯示坐標(biāo)系圖2-9 Otsu法分割圖2.5 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)。在圖像處理時(shí)得到的樹(shù)葉特征一般是基于其輪廓信息的，所以對(duì)樹(shù)葉邊緣檢測(cè)好壞直接影響最終的識(shí)別結(jié)果?，F(xiàn)有的邊緣檢測(cè)方法主要包括Sobel算子檢測(cè)、Ro

20、berts算子檢測(cè)、Prewitt算子檢測(cè)以及Laplace算子檢測(cè)等。Sobel算子：Sobel算子的掩模模板是利用兩個(gè)3×3的卷積核得到的，且噪聲抑制效果強(qiáng)于Prewitt算子，但得到的邊緣較寬。-101-202-101121000-1-2-1 Roberts算子：Roberts算子是一種差分算子，是利用兩個(gè)2×2的掩模模板對(duì)圖像邊緣進(jìn)行檢測(cè)。去噪作用小，且邊緣檢測(cè)能力相對(duì)較差。100-10-110 Prewitt算子：Prewitt算子與Sobel算子的方程一樣。該算子既能檢測(cè)邊緣點(diǎn)，還能抑制噪聲的影響。-101-101-101111000-1-1-1 Gauss-L

21、aplace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。具有各項(xiàng)同性，Laplace算子對(duì)噪聲比較敏感，所以在檢測(cè)前一般先進(jìn)行去噪處理，常用的Gauss-Laplace算子是5×5模板。-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2Gauss-Laplace算子Matlab實(shí)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(

22、J,5,5); %加入中值濾波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(cè)');figure,imshow(BW_prewitt),xlabel('prewitt檢測(cè)');figure,imshow(BW_roberts),xlabel(

23、'roberts檢測(cè)');figure,imshow(BW_laplace),xlabel('laplace檢測(cè)'); 圖2-10 sobel檢測(cè) 圖2-11 prewitt檢測(cè) 圖2-12 roberts檢測(cè) 圖2-13 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)定性和個(gè)數(shù)的選取。形態(tài)特征是本文研究的重點(diǎn)，一般包括矩形度、延長(zhǎng)度、似圓度、緊湊度及不變矩等。（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。則矩形度可定義為： （3-1）式中，

24、為樹(shù)葉的面積，SMER為樹(shù)葉的最小外接矩形（MER）的面積。（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。其中長(zhǎng)軸是樹(shù)葉輪廓上任意過(guò)質(zhì)心的兩點(diǎn)直線的最長(zhǎng)距離，短軸是長(zhǎng)軸兩側(cè)與其距離最長(zhǎng)的左右兩點(diǎn)的距離和。（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(zhǎng)，則似圓度被定義為： （3-2）（4）緊湊度緊湊度可以表示一個(gè)刻畫樹(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： （3-3）（5）不變矩不變矩是描述區(qū)域的方法之一。對(duì)于二維(N×M)數(shù)字化圖像，階矩可以定義為： （3-4）其對(duì)應(yīng)的階中心矩可以定義為： （3-5）式中，是二維圖像的圖像灰度在水平方

25、向上灰度質(zhì)心； 是圖像灰度在垂直方向上的灰度質(zhì)心。的歸一化階中心矩可以定義為： （3-6）M.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(gòu)成的7個(gè)量值。它們對(duì)旋轉(zhuǎn)、平移、鏡面及尺度變換都具有不變性。其定義為： （3-7）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)。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。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。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。4.1 BP網(wǎng)絡(luò)

26、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)。當(dāng)神經(jīng)網(wǎng)絡(luò)輸出層的輸出值與其期望值相差較大時(shí)，就會(huì)轉(zhuǎn)入反向傳播，然后通過(guò)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(shí)別誤差降到允許范圍內(nèi)。圖4-1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖4.2 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。一般情況下，取一個(gè)隱含層就能完成映射。本文擬采用三層神經(jīng)網(wǎng)絡(luò)。4.3 節(jié)點(diǎn)數(shù)的選取經(jīng)過(guò)數(shù)據(jù)降維后的樹(shù)葉特征矩陣是由前6個(gè)主成分表示的

27、，即特征變量為6個(gè)，所以BP網(wǎng)絡(luò)輸入層單元數(shù)為6。本文研究對(duì)象是桂花葉、桔子葉、楓樹(shù)葉和夾竹桃4種植物樹(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，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。通過(guò)不斷調(diào)整隱元，觀測(cè)實(shí)驗(yàn)結(jié)果獲取最佳的隱含層單元數(shù)為8。4.4 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

28、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。4.5 樹(shù)葉識(shí)別圖像識(shí)別是用數(shù)字圖像處理技術(shù)與計(jì)算機(jī)處理技術(shù)結(jié)合起來(lái)，繼而完成人的認(rèn)識(shí)和理解的過(guò)程。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。圖像識(shí)別的目的就是設(shè)計(jì)程序或設(shè)備,代替人類自動(dòng)處理圖像信息,自動(dòng)對(duì)圖像進(jìn)行分辨和識(shí)別,實(shí)現(xiàn)較高的圖像識(shí)別率。本文的樹(shù)葉圖像識(shí)別分4個(gè)部分,其框圖如圖4-2所示：結(jié)果分 析神經(jīng)網(wǎng)絡(luò)識(shí)別樹(shù)葉圖像特征提取樹(shù)葉圖像預(yù)處理樹(shù)葉采 集圖4-2 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。從中得到數(shù)據(jù)。第二部分是樹(shù)葉圖

29、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。第三部分是樹(shù)葉圖像特征提取，它的作用是把圖像預(yù)處理后的樣本進(jìn)行選擇某些特征參數(shù),并進(jìn)行分析。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。第四部分是神經(jīng)網(wǎng)絡(luò)識(shí)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(duì)圖像信息進(jìn)行分類和識(shí)別,從而得到識(shí)別結(jié)果。4.6 GUI界面設(shè)計(jì)圖形用戶界面，簡(jiǎn)稱GUI。它是一種結(jié)合各種學(xué)科的人機(jī)系統(tǒng)工程。目前也有不少公司應(yīng)用。它提供了很多工具用于仿真及設(shè)計(jì)，本文擬采用GUI界面來(lái)仿真基于神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別。仿真結(jié)果如圖4-3,圖4-4：圖4-3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

30、4-4 樹(shù)葉識(shí)別系統(tǒng)界面4.7 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。但由于所提取的樹(shù)葉形態(tài)特征存在差異，也出現(xiàn)了識(shí)別錯(cuò)誤的現(xiàn)象。樹(shù)葉識(shí)別結(jié)果見(jiàn)表4-1：表4-1 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2018290% 桔子葉2018290% 楓樹(shù)葉2020 0100% 夾竹桃20200100%平均識(shí)別率95%5 總結(jié)與展望5.1 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。論文主要完成了:（1）目標(biāo)樣本的采集，對(duì)樹(shù)葉圖像進(jìn)行預(yù)處理，包括裁剪、平滑、分割及邊緣檢測(cè)等。（2）對(duì)樹(shù)葉圖像特征的

31、選擇和提取進(jìn)行了分析。（3）介紹并建立了神經(jīng)網(wǎng)絡(luò)分類器，對(duì)樹(shù)葉圖像進(jìn)行了訓(xùn)練與識(shí)別，并且比較了數(shù)據(jù)進(jìn)行分析，以及識(shí)別結(jié)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(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。論文采用的目標(biāo)圖像背景相對(duì)比較簡(jiǎn)單,噪聲小,與實(shí)際工程要求有一定差距并且樣本的完備性也有所不足。如何建立抗干擾性更強(qiáng)是下一步研究的重點(diǎn)。其次是現(xiàn)在神經(jīng)網(wǎng)絡(luò)模型的確定還沒(méi)有成熟的理論依據(jù),在理論上如何實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型最優(yōu)化是一個(gè)難點(diǎn),也是神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用的瓶頸。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

32、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。因此如何選擇與提取目標(biāo)特征還需進(jìn)一步研究。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), 2004, 21(4):429-436.2 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), 2005，22(5)：599-604.3 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)，2012,39（11）：289-290.4 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)，2005.5 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)，2007(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, 2003, 3:190-193.7 何術(shù)SOM神經(jīng)網(wǎng)絡(luò)在樹(shù)葉形狀分類中的應(yīng)用J.電腦開(kāi)發(fā)與應(yīng)用,2004,17(2):23-24.