小麦腥黑穗病鉴定的SVM方法毕业论文.doc

《小麦腥黑穗病鉴定的SVM方法毕业论文.doc》由会员分享，可在线阅读，更多相关《小麦腥黑穗病鉴定的SVM方法毕业论文.doc（35页珍藏版）》请在三一办公上搜索。

1、本科毕业论文小麦腥黑穗病鉴定的SVM方法摘 要纹理图像的自动分类在许多领域都是一项关键的任务，其中包括农作物产品等级分类、可视场景的目标检测、信息检索、医学应用等等。当直接在图像上进行操作时，传统的分类方法由于数据的高维特性表现差，很难取得较好的效果。但是支持向量机（Support Vector Machine，SVM）可以克服极高维表示的缺陷，被广泛运用到纹理图像分类中去。本文所做的主要工作如下：1.简要分析支持向量机的工作原理，分析支持向量机核函数中各个参数对分类模型的影响，比较各参数对SVM的寻优能力。同时简单介绍SVM在纹理图像分类中的应用。2.对灰度图像使用灰度共生矩阵法、Tamur

2、a方法和Gabor滤波方法分别提取图像的纹理特征，并对比三种方法对分类出石纹和树皮纹理两种图像的能力。本文着重分析了灰度共生矩阵这一种方法。3.应用SVM对纹理图像分类的算法对矮腥和网腥纹理这两种纹理图像进行样本训练和分类，并对SVM的分类能力进行测试和比较，分析了不同参数优化方法对图像分类准确率的影响。关键词：支持向量机 纹理图像特征 图像分类 腥黑穗病鉴定Wheat red in brand identification method of SVMLi Zongshang(College of Engineering, South China Agricultural University

3、, Guangzhou 510642, China)Abstract: Automatic classification of texture image is a key task in many fields, including agricultural products classification, visual scene detection, information retrieval, medical applications, and so on. When operating directly on the image, the traditional classifica

4、tion method as the data of high dimension characteristic performance is poor, it is difficult to obtain good effect. But the Support Vector Machine (SVM) can overcome the defects very high-dimensional said, was widely used in the texture image classification. In this paper, the main work done is as

5、follows:1. The brief analysis of the working principle of support vector machine, analyzing each parameter of kernel function of support vector machine on the classification model, the influence of comparing the parameters of the SVM optimization ability. At the same time simple introduces the appli

6、cation of SVM in the texture image classification.2. For gray image using gray level co-occurrence matrix method, Tamura method and Gabor filtering method respectively to extract image texture feature, and compared three methods of classification the stone and bark two texture image. This paper anal

7、yzes the graylevel co-occurrence matrix as a kind of method.3. Application of SVM for texture image classification algorithm for Dwarf bunt and Stinking sample training and these two kinds of texture image classification, and the classification ability of SVM for testing and comparison, analyzes the

8、 different influence on the accuracy of image classification parameters optimization method.Key words: Support vector machine Texture image features Image classification Red in brand identification目 录1 前言11.1 小麦腥黑穗病鉴定的研究意义11.2 图像分析技术在植物病害识别领域的研究现状.21.2.1 国外研究现状.21.2.2 国内研究现状.21.2.3 研究现状分析31.3 小麦腥黑穗病

9、鉴定的研究内容与技术路线.31.3.1 研究内容.31.3.2 技术路线.42 支持向量机（SVM）介绍.42.1 支持向量机的简单介绍.42.1.1 支持向量机的一般特征52.1.2 支持向量机的优点52.2 支持向量机的原理62.3 支持向量机的算法62.4 支持向量机的编程实现.73纹理描述及腥黑穗病的图像特征.83.1 纹理描述方法综述83.1.1 纹理的形成.83.1.2 纹理分析的研究内容.93.2 获取图像的纹理特征：灰度共生矩阵93.3 由灰度共生矩阵得到的各类纹理特征.103.4小麦腥黑穗病菌的直观特征.124 基于SVM的矮腥和网腥图像分类实验.134.1 SVM分类器的实

10、现方法.134.1.1 LabWindowsCVI纹理特征提取及腥黑穗病纹理特征提取实验.134.1.2 MATLAB中使用向量机方法进行分类.144.2 LabWindowsCVI与MATLAB混合编程.174.3软件实现鉴定系统及腥黑穗病分类实验.194.4 实验结果分析.215 结论与讨论.22参 考 文 献23附 录24致 谢30毕业论文（或设计）成绩评定表1 前言1.1 小麦腥黑穗病鉴定的研究意义小麦矮腥黑穗病（Tilletia controversa Khn，简称TCK）和小麦网腥黑穗病（Tilletia caries Tul，简称TCT）是小麦的两类重要的真菌病害，是出入境检验检

11、疫中重要的植物检疫对象（郭同军，2007）。小麦矮腥黑穗病于1847年最初在捷克发现，后于1860年发现于美国，目前已传播至欧洲、北美和南美、中亚和西亚、南非及北非等31个国家，尤其是美国西北部的小麦染病尤为普遍。它是麦类黑穗病中危害最大、防治最难的一种国际性检疫病害，也是我国外检中禁止传入的一类危险性病害（张江洪，2001）。该病害危害很大，造成病株矮化、分蘖多、病穗密、病粒硬等症状，某些品种感病后减产一半以上，病菌能在土壤中存活67年，甚至10年，随着土壤和种子传播，很难根治。小麦网腥黑穗病（简称TCT）与小麦矮腥黑穗病是同属不同种，它主要危害小麦和黑麦， TCK与TCT病菌的形态学特征极

12、其相似，在检疫中很容易混淆，给口岸的检疫工作带来困难。其病株也表现出矮化、分蘖增多、黑粉病粒等症状。小麦腥黑粉菌含有毒素，不仅会造成小麦减产，而且因病菌产生的有毒物质三甲胺的污染还会降低面粉品质，使面粉不堪食用。人食用混有病菌孢子的面粉过多，可引起泄血、吐血，甚至小儿的死亡；吸入孢子过多，会出现呼吸器官过敏症。麦粒内或麦麸内混入的菌瘿或孢子含量过大，常引起家畜中毒，如含量超过0.6%，即可引起严重中毒现象。为保护粮食生产，防治TCK病菌的传入，快速准确的鉴别TCK和TCT及其近似种，成为一项十分重要的检疫工作。然而，出入境检验检疫人员在识别入境小麦病害时遇到了困难。由于小麦矮腥和小麦网腥的冬孢

13、子形态特征比较相似，给检疫造成困难。目前，国内主要通过显微镜观察，依据病原菌的冬孢子形态学特征、自发荧光显微学特征和萌发生理学特征来对其进行鉴定，难以保证检测的稳定性和客观性，效率也较低。小麦腥黑穗病鉴定的真菌形态学方法与分子生物学方法取得了很大进展，但仍存在鉴定步骤繁琐、周期长等问题，其中形态学方法的鉴定指标单一，缺乏进行定量描述的手段，可靠性不高。另外，由于小麦腥黑穗病菌的症状比较复杂，描述带有模糊性，无法采取精确的对症描述，造成病菌诊断标准含糊不清，妨碍了检疫人员的正确判断。随着计算机图像处理技术日益广泛的应用，将计算机等高新技术和植物物检验检疫相结合，能够克服传统检疫方式的缺点，使检验

14、检疫稳定、快速、客观。本论文以小麦矮腥黑穗病、小麦网腥黑穗病两种病虫害图像为研究对象，分析其病菌冬孢子图像的特征。综合分析、比较、测试多种图像预处理方法，提出适合于进出境小麦病虫害图像的预处理方法；研究提取部分进出境植物检疫病虫害图像特征的图像分割的有效算法；筛选出适合进出境植物检疫病虫害分类识别的纹理特征。在提取图像特征的基础上建立小麦矮腥黑穗病和王腥黑穗病的检定系统，并进行验证试验。1.2 图像分析技术在植物病害识别领域的研究现状1.2.1 国外研究现状Garbay（1986）深入分析了细胞图像的结构模型，比较了多种细胞的分割方法，提出了一种区域生长方法，并获得了较好的效果。Burks T

15、.F.等（2000）利用彩色共生法（CCM）对土壤和5种杂草（巨狐尾草、蟹草、黎、绒毛叶、牵牛花叶）进行了识别。使用色调H和饱和度S的11个纹理特征参数区分土壤和5种杂草，准确率为93%。J.Paliwal等（2003）通过编写算法从五类小麦和五类油料种子染污的成分的高分辨率图像中提取总共230个特征（51个形态、123个颜色、56个纹理）进行人工神经网络分类，结果表明特征清晰易于分类，不同品种间如在形状与大小等相似的情况下会影响分类的准确性。Huang（2007）用人工神经网络和图像处理技术对蝴蝶兰（Phalaenopsis spp.）三种常见的苗木病虫害进行了识别和分类。提出用自适应性指数

16、变换方法分割病虫害区域。1.2.2 国内研究现状田有文,李成华（2004）用基于统计模式识别的植物病害彩色图像分割方法，根据植物病害彩色图像的特点,提出了用颜色空间作为特征空间,利用统计模式识别的监督分类方法,采用基于Fisher准则的线性判别函数来对彩色图像进行真彩色二值化分割。张静等（2006）对温室黄瓜斑疹病和角斑病的研究发现，利用灰度共生矩阵方法提取出来的惯性值是识别这两种病虫害较好的特征参量之一。赵玉霞，王克如，白中英等（2007）利用贝叶斯方法对玉米叶部病害图像进行识别，根据锈病、弯孢菌叶斑病、灰斑病、小斑病及褐斑病等五种玉米病斑图像的实际情况,在图像分割和特征提取的基础上,利用朴

17、素贝叶斯分类器的统计学习方法,实现玉米叶部病斑的分类识别。最后对五种玉米叶部病害的诊断精度在83%以上。赵玉霞，王克如等（2007）对基于图像识别的玉米叶部病害诊断研究，研究提取了五种玉米叶部主要病斑的识别特征，确定了诊断流程，并开发了识别系统。经检验，该系统对玉米叶部的锈病斑、弯孢菌病斑、灰斑、褐斑、小斑等五种主要病害的诊断准确率达80%以上。陈卫东，刘素华（2007）针对模式识别时，提取的特征参数量大而又有冗余的现象，提出了基于遗传算法的特征选择方法。李德杰（2008）进行了基于图像处理的玉米常见病害识别研究，以玉米叶部病害为试验材料,采用比传统算法更为简便、更实用的图像增强方法（先对彩图

18、求反,然后对得到的反色图像进行RGB通道分离）,总结了对玉米5种常见病害基本识别的方法。1.2.3 研究现状分析所查阅的资料还显示，图像处理技术在各种植物的病害识别方面应用非常广泛，包括玉米、黄瓜、甘蔗的病害识别等，但在小麦病害识别方面的应用却很少。再加上矮腥黑穗病在国内比较少见，只有在入境植物中才可能携带，因此国内对这种病害的相关研究就更少，这种病害的危害性特别大，一旦传入我国产生的损失将会很大，所以本文的研究将会有很好的实用价值。图像处理和识别技术在各方面的应用都已经比较成熟，在对玉米、黄瓜、甘蔗的病害识别中，用到的方法和流程都是类似的。首先是图像的预处理；然后是对目标物体的特征提取，包括

19、形状和纹理特征；再对提取到的特征进行筛选，选出区分度好的特征进行识别。但是目前对植物病害鉴定多数是利用模式识别或神经网络等方法进行分类识别，也有些通过遗传算法来进行选取的，它们的算法以及实现方法都很繁复，而且精确率不太高。而运用支持向量机的方法进行植物病害鉴定的研究很少，支持向量机具有它独特的优点，它的实现相对容易、识别率高、性能可靠，是本次论文的主要实现方法。本文主要是综合利用这些方法来进行不同病害的识别，把它们应用到小麦的几种腥黑穗病病害的识别方面。在将来图像识别技术在各种出入境植物的病害识别中得到很好的应用，识别的准确度得到明显的改善，能最大程度的保证出入境植物的安全性。1.3 小麦腥黑

20、穗病鉴定的研究内容与技术路线1.3.1 研究内容本文主要研究内容如下：以小麦矮腥黑穗病（Tilletia Controversa Kuhn）小麦网腥黑穗病（Tilletia cories （DC.） Tul.）三种病害图像为研究对象，分析、比较多种图像预处理方法，提出适合于入境小麦病害图像的预处理方法，改进对图像的处理效果；对小麦进行图像分割，以便能提取出需要的特征，通过对不同图像分割算法的效果及效率进行分析，选出适合于小麦病害图像分割的方法；对小麦病害图像的纹理特征进行分析，包括能量、熵、惯性矩、局部平稳性、相关性等；在提取形状、纹理特征的基础上，分析每种病害的唯一性识别特征，实现小麦病害的

21、分类识别。1.3.2 技术路线根据本研究的目的和要求，确定出技术路线为：先对获取到的细胞图像进行平滑和锐化处理，改善图像的质量；从细胞图像中分割出单个细胞；对这些细胞分别提取它们的颜色、形状和纹理特征；从中选出一部分特征归一化；利用归一化后的特征值进行病害识别。流程见图1。图像获取平滑处理锐化处理图像分割纹理特征特征选取并归一化病害识别及软件开发图1 技术路线流程图2 支持向量机（SVM）介绍2.1 支持向量机的简单介绍支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够

22、推广应用到函数拟合等其他机器学习问题中。 支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。SVM的主要思想可以概括为:它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。2.1.1 支持向量机的一般特征1.SVM学习问题可以表示为凸优

23、化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法（如基于规则的分类器和人工神经网络）都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。2.SVM通过最大化决策边界的边缘来控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。3.通过对数据中每个分类属性引入一个哑变量，SVM可以应用与分类数据。4.SVM一般只能用在二类问题，对于多类问题效果不好。2.1.2 支持向量机的优点1. 它是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。2. 算法最终将转化成为一个二次型寻优问题

24、，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题。3. 算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。4.利用大间隔的思想降低分类器的VC维，实现结构风险最小化原则，控制分类器的推广能力。 5.利用Mercer核实现线性算法的非线性化。 6.稀疏性，即少量样本（支持向量）的系数不为零，就推广性而言，较少的支持向量数在统计意义上对应好的推广能力，从计算角度看，支持向量减少了核形式判

25、别式的计算量。2.2 支持向量机的原理SVM方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。简单地说，就是升维和线性化。升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）。一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征

26、空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。这一切要归功于核函数的展开和计算理论。2.3 支持向量机的算法给定样本集, xiRn , yi- 1, 1, i= 1, ,l, 和核函数K (xi, xj)。K 对应某特征空间Z 中的内积, 即(xi) , (xj ) = K (xi, xj)。变换xz将样本从输入空间映射到特征空间。设计基于SVM的二分类器, 就是在Z 中寻找一定意义下的最优超平面w, (x) - b = 0。具体地说, 当样本集在Z 中线性可分时, 使分类间隔最大, 其求解如式（1）： ,st (1)当样本集在Z 中

27、线性不可分时, 使分类间隔和分类错误达到某种折衷, 其求解如式（2）： ,st , (2)其中, i是松弛变量；C为正则化参数。由于特征空间的维数可能很高, 甚至是无穷的,且变换5 并未直接给出, 大多数方法不直接求解问题(1) 和(2) , 而是求解它们的对偶问题，求解方法如式（3）和式（4） st (3) st (4)其中: A=(a1, a2, , al) T , ai 是问题(1) 中不等式约束yi (w,(xi) - b) 1 或者问题(2) 中不等式约束yi (w,(xi) - b) 1- i对应的拉格朗日乘子( 以下简称乘子)；赫赛矩阵Q 是半正定的, Qij =yiyj(xi)

28、 ,(xj )= yiyjK (xi, xj ) ；e= (1, 1, ,1) T。求解上述规划问题，得到一个二分类器如式（5）： (5)若ai =0,样本xi称为非支持向量(non-support vector)；若ai 0, xi称为支持向量(support vector)；若ai=C, xi称为有界支持向量(bounded support vector) ；若C ai0,xi称为非有界支持向量(non-bounded support vector)。2.4 支持向量机的编程实现由于matlab有自带的SVM函数svmtrain和svmclassify，因此本次设计直接在matlab开发环

29、境下完成图像的分类。主要的编程实现如下：%读取用于训练和分类的数据,其中fisheries是matlab自带数据，在这里仅作举例；load fisheriris%提取原始数据meas的第一和第二列数据，放到data中；data=meas(:,1),meas(:,2);%对样本进行标记；groups= ismember(species,setoas);%把百分之八十的样本用于训练，剩余的用于分类；train, test = crossvalind(holdOut,groups，20/100);cp = classperf(groups);%样本训练；svmStruct = svmtrain(da

30、ta(train,:),groups(train),showplot,true);%样本分类；classes = svmclassify(svmStruct,data(test,:),showplot,true);%分类准确率的估算；classperf(cp,classes,test);3 纹理描述及腥黑穗病的图像特征3.1 纹理描述方法综述纹理特征提取是计算机视觉和模式识别研究领域的一个非常重要的研究内容，有着非常广阔的应用背景，其应用领域包括遥感图像分析、医学图像分析、工业表面检测、文档处理和图像检索等领域。在这里将系统地论述纹理的定义、研究热点以及主流纹理特征描述子，并指出各类纹理特征的

31、优缺点。3.1.1 纹理的形成由于物体表面的物性特征不同，反映在图像上，表现为亮度、颜色的变化。因此，纹理是由问题表面的物理属性不同所引起的能够表示某个特定表面特征的灰度或者颜色信息，不同的物理表面会产生不同的纹理图像，而且很容易被人所感知，我们可以从文纹理上获得非常丰富的视觉场景信息，并能通过纹理分析方法来完成计算机视觉和图像理解研究领域的一些研究任务。一般来讲，场景中一些潜在的物理变化会引起（例如水中的波纹，天空的云彩）图像中的灰度变化，而后者表述了这些多样化和难于描述的物理变化在视觉中的反映，这种在视觉上的反映就是纹理。用图像中的二维灰度变化来表征多种多样的纹理本身就是一个非常复杂的过程

32、，因此，很难给纹理一个精确的定义。尽管从纹理研究初期起就有许多纹理方面的研究成果，然而到目前为止，在计算机视觉研究文献中还没有一个大家都能接受的精确定义。当看到两种不同的纹理，我们可以清楚地区别它们的相似性或差异性，但是很难用语言或数字来精确地来描述。虽然很难给纹理下一个非常精确的定义，但是为了研究方便，许多学者试图发现反映纹理的本质属性。例如，Tabmur等人将纹理看成一个宏观区域的组成，其结构可简单地归于那些重复的模式，在这些模式中，元素或基元根据一个置放规则而排列；Sklansky认为如果在一个图像的某个区域中，一个局部统计量的集合或图像函数的某些属性是常量、缓慢变化或近似周期性，那么该

33、区域就具有反映一定的纹理内在特征;Haralick则认为图像纹理可以通过纹理基元及其空间组织或布局来描述;Hawkins指出纹理的表述看起来好像依赖于三个成分:1)一些局部的“序”在一个相对于序的尺寸足够大的区域中重复，2)序基于基本部分的非随机排列，3)在纹理区域内任何地方都具有近似同样维数的均一实体部分。这些不同的定义是由于不同学者对纹理的不同理解而形成并且依赖于具体的应用。这从另一个角度反映出进行纹理特征的研究十分具有挑战性。虽然纹理研究者提出了各种各样的纹理定义，这些定义都具有两个方面:一是纹理可以理解为由基元组成:二是纹理基元具有一定的排列关系。例如，Cross和Jain也认为:“纹

34、理是由基元所组成。这些基元的形状可以是变化的，也可以是确定的，诸如圆和方形等。宏纹理具有大的基元而微纹理有小的基元”。非常容易理解，同样的基元由于排列方式的不同，有可能构成不同的纹理。从一定程度上看，基元以及基元的空间排列关系产生不同的均匀性、光滑度、规则度以及方向性等，因此呈现出不同的纹理特征。3.1.2 纹理分析的研究内容特征提取是纹理分析的基础，好的纹理特征具有四个主要用途:纹理分类(Texture Classification)、纹理分割(Texture Segmentation) 、纹理检索(Texture Retrieval) 以及纹理形状抽取(Shape from Texture

35、)。纹理分类是从一个给定纹理类别中识别出给定纹理区域(纹理图像)。例如，一幅卫星图像中的一个特定区域可能属于农田、森林或城区。每一个这样的区域都有不同的纹理特征，纹理分析算法从每个区域中抽取纹理特征来对这些模式进行分类。相对于纹理分类中一个均一纹理区域的类别可以通过从该区域中计算出的纹理特征所确定，纹理分割关注自动确定一幅纹理图像中不同纹理区域的边界。纹理分类和纹理分割是纹理分析研究领域的重要研究方向，受到了众多学者的广泛关注。纹理检索是研究关于利用纹理相似度进行图像检索，是基于内容的图像检索(Content-based Image Retrieval,CBIR)的一个很重要的研究内容。本文我

36、们重点关注纹理图像分类问题。3.2 获取图像的纹理特征：灰度共生矩阵纹理分析的一个核心问题是纹理描述(Texture Description)，在模式识别领域即为纹理特征提取(Texture Feature Extraction)。目前己经有许多纹理特征提取方法，将这些方法大致归为四大类:统计分析方法（也就是灰度共生矩阵方法），几何特征方法，信号处理方法及关键点方法。其中统计分析方法、几何特征方法和信号处理方法在纹理分析中因为提出较早，所以影响很大。关键点方法产生较晚，但是由于纹理特征的鲁棒性，无疑具有很大的发展空间。本文主要分析灰度共生矩阵方法。灰度共生矩阵方法：灰度直方图是对图像上单个象素

37、具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。取图像(NN)中任意一点（x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）值，设灰度值的级数为 k，则（g1，g2）的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值

38、要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。当 a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当 a=-1，b=1时，像素对是左对角线，即135度扫描。这样，两个象素灰度级同时发生的概率，就将 （x，y）的空间坐标转化为“灰度对” （g1，g2）的描述，形成了灰度共生矩阵。实验中对灰度共生矩阵进行了如下的归一化如式（6）： (6)3.3 由灰度共生矩阵得到的各类纹理特征直觉上来说，如果图像的是由具有相似灰度值的像素块构成，则灰度共生

39、矩阵的对角元素会有比较大的值；如果图像像素灰度值在局部有变化，那么偏离对角线的元素会有比较大的值。通常可以用一些标量来表征灰度共生矩阵的特征，令G表示灰度共生矩阵常用的特征有: ASM能量（angular second moment）计算公式如式（7） (7)也即每个矩阵元素的平方和。如果灰度共生矩阵中的值集中在某一块（比如对连续灰度值图像，值集中在对角线；对结构化的图像，值集中在偏离对角线的位置），则ASM有较大值，若G中的值分布较均匀（如噪声严重的图像），则ASM有较小的值。能量是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，

40、则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。对比度（contrast）计算公式如式（8） (8)如果偏离对角线的元素有较大值，即图像亮度值变化很快，则CON会有较大取值，这也符合对比度的定义。其中 。反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。IDM相关度（inverse different moment）计算公式如式（9

41、） (9)如果灰度共生矩阵对角元素有较大值，IDM就会取较大的值。因此连续灰度的图像会有较大IDM值。它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。熵（entropy）计算公式如式（10） (10)若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵会有较大值。熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度

42、或复杂程度。自相关（correlation）计算公式如式（11）和（12）所示 (11)其中 (12)自相关反应了图像纹理的一致性。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。逆差矩（co-occurrence matrix）计算公式如式（13） (13)反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。均值（average）计算公式如式（14） (14) 反映图像像素点的平均灰度值。方差（variance）计算公式如式（15） (15)反映图像各个像素点的离散程度，方差越大，说明图像像素点之间的灰度值差距就越

43、大。3.4 小麦腥黑穗病菌的直观特征小麦网腥黑穗病的冬孢子多数为球形或近球形，直径为13.2-21.5微米，平均为18.5微米，黑色至淡褐色。孢子堆为黑色。冬孢子表面有网状纹，网眼宽2-4微米，网脊高0.5-1.2微米。小麦矮腥黑穗病的冬孢子球形至扁球形，淡黄色至浅黄色；成堆时则成深黄褐色，大小为15.5-17.015.5-16.0微米，或14.5-18.514.5-16.5微米。壁表网眼高0.7-1.5-2.0微米，网眼径3.0-4.5微米。网眼外有一层透明的胶质鞘，厚度为0-1.0微米（指网脊顶部以外的厚度）（刘惕若，1984）。由以上描述看出，小麦网腥和小麦矮腥两种种黑穗病菌的冬孢子在颜

44、色、形状和纹理特征方面都有区别，但是特征值间也存在重叠，因此，我们还需要通过详细的特征分析来确定能用于病菌分类的有效特征。4 基于SVM的矮腥与网腥图像分类实验4.1 SVM分类器的实现方法 支持向量机实现分类的方法在MATLAB中早已有人做出来了，而且台湾大学的林智仁教授所带领的实验室小组团队对支持向量机的研究相当的成熟，只不过他们原本使用C语言编写的，后来有人把他改写成MATLAB的m文件了。因此，MATLAB实现svm也不是一件难事。但是，作为研究，我们要有创新，突出新意。所以，本文运用LabWindowsCVI和MATLAB两种开发平台来共同实现支持向量机这一种分类算法的实现。下面是关

45、于对两种开发平台的两种开发方法的阐述与比较。4.1.1 LabWindowsCVI纹理特征提取及腥黑穗病纹理特征提取实验LabWindowsCVI开发平台运行速度快，界面功能强大；而MATLAB开发平台内部可运用资源丰富。由LabWindowsCVI独立处理图片信息，提取出图片的纹理特征，再把这些特征输入到MATLAB中进行训练和分类，这样就可实现图像的分类。本文运用LabWindowsCVI和MATLAB独立开来进行树皮纹理和石纹的分类。纹理特征提取主要是对图像进行操作，生成灰度共生矩阵，由灰度共生矩阵的特征而得到可量化的图像纹理特征。本次设计提取了图像的纹理特征有：均值、方差、逆差矩、相似

46、度、一致性、对比度、相关性和熵。提取出来这8个特征后，把对应的数据保存到exl空间里，然后由exl文档输出这8个纹理特征。cvi的界面如下面图2所示：图2 纹理特征提取工作界面由cvi输出的exl文档如图3所示：图3 cvi获得的腥黑穗病纹理特征数据由于cvi软件一次性只能处理15张图片，故而实验中只是输入了12张图片，并提取出了这12张图片相对应的纹理特征值。4.1.2 MATLAB中使用支持向量机方法进行分类Matlab是一个强大的编程软件，它里面囊括了许许多多的图形图像处理函数。对于本次设计中的svm分类，只需要在matlab中调用svmtrain和svmclassify这两个函数就能将cvi得到的纹理特征数据进行分类。本文先易后难，先是选取容易区分的石纹和树皮这两种纹理图像进行预分类，待成功后再对小麦的矮腥黑穗病和网腥黑穗病这两种近亲植物病菌进行分类。svm分类器的工作界面如下图4所示：图4 svm分类器工作界面对图像纹理进行分类