基于數(shù)字圖像處理的樹葉識別論文-黃金版要點(diǎn)

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(jìn)展 . 31.2.1 樹葉識別的研究進(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 . 93 樹葉圖像特征提取 . 114 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別 . 134.1 BP 網(wǎng)絡(luò)基本理論 . 134.2

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 樹葉識別 . 144.6 GUI界面設(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）： 神： 1 Cao Wenjun Director：Lv Junssistant） , ) aa . a . ： 1 引言21.1 選題背景及意義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)

3、。面對龐大的方法存在著耗時(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，對植物分類的研究愈加困難。片圖像進(jìn)行去噪、邊緣檢測等預(yù)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(luò)實(shí)現(xiàn)植物葉片的自動識別。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)模式識別方法應(yīng)用到持，從而對推動經(jīng)濟(jì)的跨越發(fā)展起到了重要作用。1.2 國內(nèi)外研究的進(jìn)展1.2.1 樹葉識別的研究進(jìn)展雖然圖像識別技術(shù)在十九世紀(jì)就有人研究，但真正開始受到人們關(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 學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，通過訓(xùn)練的神經(jīng)網(wǎng)

4、絡(luò)1準(zhǔn)確地提取了葉脈圖像，實(shí)現(xiàn)了葉脈的提取；朱靜 學(xué)者提出了在Windows XP平臺2上對葉片圖像的輸入、變換及分割等識別過程的設(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 學(xué)者提出了樹葉紋理建模的樹葉識別方法，通過提取采集3模，再用高斯模型的參數(shù)作為樹葉的特征，從而實(shí)現(xiàn)了樹葉識別；王代琳 學(xué)者提出4java語言實(shí)現(xiàn)了樹葉識別；朱寧 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5 學(xué)者提出了一種利用樹葉外形特征來對葉片6便得到了快速發(fā)展。31.2.2 神經(jīng)網(wǎng)絡(luò)的研究進(jìn)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(gè)信息處理系統(tǒng)。何術(shù) 學(xué)者提出了目前較常用的自組織

5、映射神經(jīng)網(wǎng)絡(luò)(SOM神經(jīng)網(wǎng)絡(luò)的方法，7相對應(yīng)，從而得到分類結(jié)果。陳涓 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8 學(xué)者提出了基于神經(jīng)網(wǎng)絡(luò)的出版業(yè)量化分析9Kohonen 教授10學(xué)習(xí)效果非常顯著。Hopfield 對神經(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)11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 語言實(shí)現(xiàn)樹葉圖像的去噪、分割、邊試集驗(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、國內(nèi)外研究進(jìn)展、論文內(nèi)容與組織結(jié)構(gòu)。2 樹葉圖像預(yù)處理剪、去噪、邊緣提取等操作的

6、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(gè)所選取的樣本的特征值。4 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別識別結(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 片原始樹葉，其中桂花20 片，桔樹葉20 片，楓樹葉20 片，夾竹桃 20 片。4圖 圖 2.2 圖像裁剪用 ACDSee 工具對采集的圖像進(jìn)行截取，統(tǒng)一截取圖像長寬為 600600 像素。其裁剪過程為：第一步：用 ACDSee打開采集的圖片，鼠標(biāo)右擊，進(jìn)入編輯界面：圖 第二步：調(diào)整寬度和高度為 600600 像素，移動十字光標(biāo)為最佳位置：5有噪

7、聲，而去噪平滑技術(shù)可以平滑圖像中的噪聲。 設(shè) , 是含有噪聲的圖像， , 是經(jīng)過理后的圖像，f i jg i j(2-1)12n (2-2)iivivY 稱為序列f , f , f , f 的中值。iiviivMatlab實(shí)現(xiàn)為：K1=filter2(fspecial(average,3),K)/255;K2=filter2(fspecial(average,5),K)/255;L1=medfilt2(K,3,3); %加入 中值濾波L2=medfilt2(K,5,5); %加入 中值濾波subplot(231),imshow(K),title(加噪);兩種濾波方法各有特點(diǎn)。相較來說，均值濾波

8、去噪效果不如中值濾波。中值濾波緣。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模糊，圖像邊緣損失也比較多，進(jìn)而帶來不利影響。模板太小去噪效果也不是很好。綜上，本文采用 模板的中值濾波方法。72.4 圖像分割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 的g公式如公式2-3：gargmax ( )( ( ) ) ( )( ( ) ) w t u t u w t u t u2200110tL1ipi)u t)wt)00it0ipi)u t)1wt)tiL11u w tu t)w tu t)（2-3）0011式中：p(i)：灰度值

9、為 的頻率；iw (t)：目標(biāo)部分比例；0w (t)：背景部分比例；1u (t)：目標(biāo)均值；0u t)：背景均值；1： 總均值。u2.4.2 matlab實(shí)現(xiàn)及效果圖I=imread(桂花葉.jpg);axis(0,600,0,600);grid on;axis on;%顯示網(wǎng)絡(luò)線%顯示坐標(biāo)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 o

10、n;axis on;%顯示網(wǎng)絡(luò)線%顯示坐標(biāo)系8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。現(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。制效果強(qiáng)于 Prewitt 算子，但得到的邊緣較寬。G G22xyxy G a 2a a a 2a ax234076 G a 2a a a 2a ay012654-1121a-2-17aa654Gx邊緣進(jìn)行檢測。去噪作用小，且邊緣檢測能力相對較差。 xyG f i, j f i j 1x G f i j f i, j 1y10001-10-1GGxyP

11、rewitt 算子：Prewitt 算子與 Sobel 算子的方程一樣。該算子既能檢測邊緣點(diǎn)，還能抑制噪聲的影響。10-1-1-1000111-1 -1 -1GGyxGauss-Laplace算子：Laplace一個(gè)卷積核。具有各項(xiàng)同性，Laplace 算子對噪聲比較敏感，所以在檢測前一般先進(jìn)行去噪處理，常用的 Gauss-Laplace算子是 55模板。-2 -4 -4 -4 -2-4 0-4 8 24 8 -4-4 0 0 -480 -48-2 -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);

12、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(

13、roberts 檢測);figure,imshow(BW_laplace),xlabel(laplace檢測);10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、延長度、似圓度、緊湊度及不變矩等。（1）矩形度葉對其外接矩形的充滿程度。則矩形度可定義為：R= S S（3-1）MERn式中， 為樹葉的面積，S為樹葉的最小外接矩形（MER）的面積。SiMERi1（2）延長度兩點(diǎn)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(diǎn)的距離和。（3）似圓度設(shè)樹葉周長和面積分別為 P 和 S，最小外接矩形的長軸長為，則似圓度被定義為：Roundness 4S 2（3-2）（4）緊湊度緊湊度可以表

14、示一個(gè)刻畫樹葉緊湊程度的參數(shù)，設(shè)樹葉的面積為 S，周長為 P，則緊湊度被定義為：Compactness S 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, ， 階矩p qf i j可以定義為：, i j f i jM1N1m pqpq（3-4）j0 i0其對應(yīng)的 階中心矩可以定義為：p q p ,y y q f x yM 1 N 1（3-5）x xj0 i0 式中， x m m 是二維圖像 , 的圖像灰度在水平方向上灰度質(zhì)心；f i j1000ym m 是圖像灰度在垂直方向上的灰度質(zhì)心。0100 f i, j 的歸一化 階中心矩可以定義為：p q（3-6）

15、u , p q 2,3, pq2 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。它們對旋轉(zhuǎn)、平移、鏡面及尺度變換都具有不變性。其定義為：12 uu12002（3-7） 2u 24uu 2112002u u 3u 2 3 2u21301203 4u 2uu212u301203u u u 2 uu 53uu 23u 2 3 u 32u30u30u21u21u03u21u30123012120303122103 u u u uu 6uu 2u 2 4u20u30u2102120311 301203 u 3 uu 23u 2 3 u 3u 22u21u03u30u3

16、0u21u21u03u21u30u2171212030312034 基于神經(jīng)網(wǎng)絡(luò)的樹葉識別人工神經(jīng)網(wǎng)絡(luò)，簡稱 ，它是由很多神經(jīng)元相互連接而組成的一個(gè)信息處理的網(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)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)過程是由輸入層特征向量通過非線性變換從輸入層傳達(dá)到隱含層，再進(jìn)行逐層處各神經(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)。圖 4.2 隱含層數(shù)的選取隱含層過多，會造成網(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

17、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)過數(shù)據(jù)降維后的樹葉特征矩陣是由前 6 個(gè)主成分表示的，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(yīng)關(guān)系為：00-桂花葉、01-桔子葉、10-楓樹葉、夾竹桃。通過不斷調(diào)整隱元，觀測實(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

18、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。4.5 樹葉識別和理解的過程。簡單的說圖像識別是把研究目標(biāo),根據(jù)其某些特征進(jìn)行識別和分類。圖像識別的目的就是設(shè)計(jì)程序或設(shè)備 ,代替人類自動處理圖像信息,自動對圖像進(jìn)行分辨和識別,實(shí)現(xiàn)較高的圖像識別率。本文的樹葉圖像識別分 4 個(gè)部分,其框圖如圖 4-2所示：理樹葉圖像特征神 經(jīng)網(wǎng) 絡(luò)結(jié) 果分 析圖 第一部分是樹葉圖像信息的采集,它相當(dāng)于對被研究對象的調(diào)查和了解。從中得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(jìn)行分類和識別,從而得到識別結(jié)果。4.6 GUI界面設(shè)計(jì) 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 界面來仿真基于神經(jīng)網(wǎng)絡(luò)的樹葉識別。仿真結(jié)果如圖 4-3,圖 4-4：14圖 4.7 結(jié)果分析通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)