PAGEPAGE1目錄摘要 1英文摘要 21引言 31.1選題背景及意義 31.2國內外研究的進展 31.2.1樹葉識別的研究進展 31.2.2神經網絡的研究進展 41.3論文的主要內容與組織結構 41.3.1論文的主要內容 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實現及效果圖 82.5邊緣檢測 93樹葉圖像特征提取 114基于神經網絡的樹葉識別 134.1BP網絡基本理論 134.2隱含層數的選取 134.3節點數的選取 134.4BP網絡的建立 144.5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基于神經網絡的樹葉識別系統研究摘要：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。隨著數字圖像處理技術的快速發展，我們可以有效地借助計算機進行輔助操作，這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神經網絡的方法進行樹葉的識別，并構造了一個基于神經網絡的集成分類器模型。最后，對本系統進行了仿真測試，取得了較好的結果。關鍵詞：圖像處理；神經網絡；集成分類器RecognitionSystemofLeafImagesBasedonNeuronalNetworkCaoWenjunDirector：LvJun（Assistant）(SchoolofMechanicalElectricalandInformationEngineering,HuangshanUniversity,Huangshan,China,245041)Abstract：Theplantisanimportantcomponentofthebiosphere,andaleafisakeycharacteroftheplant,differentplantmaybedifferentinleaftypeaswellastheleafvein,andthisenablesustousetheplantleaftocarryontheclassificationoftheplant.Inthepast,thiskindofworkwasbycompletesartificially,theworkloadwasalsoveryheavy,moreovertheworkingefficiencywasrelativelyquitelow.Alongwiththecomputerimageprocessingtechnology'sfastdevelopment,wecanusethecomputertohelpuswiththiswork,thenenhancetherecognitionaccuracyandpromotetheworkingefficiency.Themainworkofthisarticleincludes:usedigitalimageprocessingtechnologytopretreattheleafimage;proposemethodbasedonBPneuralnetworkrecognitionoftheleaves,besides,constructedamodelbasedonneuralnetworkensembleclassifier.Finallycarriedontheexperimenttesttothissystem,hengettothegoodresult.KeyWords：imageprocessing；neuralnetwork；ensembleclassifier1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。植物的發展及進化都經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，其他的更是數不勝數。面對龐大的植物世界，目前植物分類可以通過植物葉型分類來實現植物種類的識別。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，數字圖像處理技術廣泛用于農業、工業、軍事等各個領域。利用數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，利用BP神經網絡實現植物葉片的自動識別。本論文的主要任務是利用數字圖像處理技術及其神經網絡模式識別方法應用到植物葉片分類應用領域，該研究是工農交叉性研究，在一定程度上促進了植物學、農業及林業領域信息化的發展建設，為植物學農林業的迅速發展提供了強有力的技術支持，從而對推動經濟的跨越發展起到了重要作用。1.2國內外研究的進展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，而且也取得了不錯的成果。傅弘[1]學者提出了神經網絡的葉脈提取方法，通過訓練的神經網絡準確地提取了葉脈圖像，實現了葉脈的提取；朱靜[2]學者提出了在WindowsXP平臺上對葉片圖像的輸入、變換及分割等識別過程的設計,實現了葉緣特征的結果輸出和葉片圖像的形狀。劉純利[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域，利用圖像處理對重要區域進行變換，并用高斯模型對高頻子帶建模，再用高斯模型的參數作為樹葉的特征，從而實現了樹葉識別；王代琳[4]學者提出了神經網絡的樹葉識別方法，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，實現了用于提取葉片樣本特征的各種算子，實現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域，利用其得到的外部特征進行分類，實現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展。1.2.2神經網絡的研究進展人工神經網絡，簡稱ANN，它是由很多神經元相互連接而組成的一個信息處理系統。何術[7]學者提出了目前較常用的自組織映射神經網絡(SOM神經網絡)的方法，通過提取樹葉形狀特征值作為神經網絡的輸入，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網絡進化集成方法，通過個體間相似程度的共享函數來調整網絡的適應度，從而使神經網絡集成系統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網絡的出版業量化分析模型，對出版業的實際數據進行了實驗，結果顯示該方法是可行的。Kohonen[10]教授提出了映射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]對神經網絡介紹了能量函數的概念，提出了神經網絡的平衡穩定狀態的判別方法，實現了優化計算途徑。1.3論文的主要內容與組織結構1.3.1論文的主要內容該課題在參考理論基礎上，利用MATLAB語言實現樹葉圖像的去噪、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網絡分類器，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、國內外研究進展、論文內容與組織結構。2樹葉圖像預處理首先闡述了基于神經網絡的樹葉識別流程圖，然后詳細介紹了有關圖像采集、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，然后陳列出幾個所選取的樣本的特征值。4基于神經網絡的樹葉識別首先介紹了神經網絡，然后介紹了基于神經網絡的樹葉識別的實現，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。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，統一截取圖像長寬為600×600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：調整寬度和高度為600×600像素，移動十字光標為最佳位置：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的全體像素點的均值或加權均值來代替原始值；其數學公式如2-1：設是含有噪聲的圖像，是經過理后的圖像，(2-1)其中M是鄰域內各鄰近像素的坐標值，N是鄰域中臨近像素的個數。對于均值濾波法，在實際應用中，常用的模板尺寸有3×3、5×5等。中值濾波可以表示為一個序列模板內的所有像素點按某種規則排序，再選取中間值作為其使用值。設一個序列,取其長度為m(m為奇數),數學公式表示為2-2:(2-2)稱為序列的中值。Matlab實現為：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;%進行3×3均值濾波K2=filter2(fspecial('average',5),K)/255;%進行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');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。相較來說，均值濾波去噪效果不如中值濾波。中值濾波對圖像的細節保存相對更好些，而且能夠在去除噪聲的同時可以很好的保持圖像的邊緣。另外，去噪結果與模板大小選擇是相關的，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行圖像分割，圖像分割是把圖像分成若干個特定區域。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。而現有的圖像分割方法主要包括：理論分割、邊緣分割、區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；：目標部分比例；：背景部分比例；：目標均值；：背景均值；：總均值。2.4.2matlab實現及效果圖I=imread('桂花葉.jpg');axis([0,600,0,600]);gridon;%顯示網絡線axison;%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]);gridon;%顯示網絡線axison;%顯示坐標系圖2-9Otsu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3×3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。-101-202-101121000-1-2-1Roberts算子：Roberts算子是一種差分算子，是利用兩個2×2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。100-10-110Prewitt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。-101-101-101111000-1-1-1Gauss-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實現及效果圖：I=imread('桂花葉.jpg');J=rgb2gray(I);K=imnoise(I,'gaussian',0,0.02);%加入高斯噪聲（μ=0，σ^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('roberts檢測');figure,imshow(BW_laplace),xlabel('laplace檢測');圖2-10sobel檢測圖2-11prewitt檢測圖2-12roberts檢測圖2-13laplace檢測3樹葉圖像特征提取圖像特征提取是影響圖像識別效果的關鍵環節，需要充分考慮圖像的特征、穩定性和個數的選取。形態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：（3-1）式中，為樹葉的面積，SMER為樹葉的最小外接矩形（MER）的面積。（2）延長度樹葉延長度可以表示為短軸與長軸的比值。其中長軸是樹葉輪廓上任意過質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：（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，設樹葉的面積為S，周長為P，則緊湊度被定義為：（3-3）（5）不變矩不變矩是描述區域的方法之一。對于二維(N×M)數字化圖像，階矩可以定義為：（3-4）其對應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向上灰度質心；是圖像灰度在垂直方向上的灰度質心。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：（3-7）4基于神經網絡的樹葉識別人工神經網絡，簡稱ANN，它是由很多神經元相互連接而組成的一個信息處理系統。人工神經網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與識別種類關系，這種關系是通過網絡連接權得到的網絡輸入和輸出之間的一種非線性映射。常用的人工神經網絡包括RBF網絡、BP網絡、Hopfield網絡等。4.1BP網絡基本理論BP神經網絡是一種多層前饋網絡，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，另外每一層的神經元狀態都會直接影響下一層神經元狀態。當神經網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元間的權值系數，以及修正網絡參數，使系統識別誤差降到允許范圍內。圖4-1三層BP網絡結構圖4.2隱含層數的選取隱含層過多，會造成網絡訓練緩慢，使誤差曲線不穩定。一般情況下，取一個隱含層就能完成映射。本文擬采用三層神經網絡。4.3節點數的選取經過數據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網絡輸入層單元數為6。本文研究對象是桂花葉、桔子葉、楓樹葉和夾竹桃4種植物樹葉，所以輸出層單元數確定為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。通過不斷調整隱元，觀測實驗結果獲取最佳的隱含層單元數為8。4.4BP網絡的建立（1）網絡進行初始化，即隨機設置三層神經元的權值；（2）給定網絡的輸入向量和目標輸出，即將降維后的數據作為BP網絡的輸入，同時確定每個樣本對應的實際輸出值；（3）計算BP網絡隱含層、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）調整各層神經元的權值矩陣；（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：結果分析神經網絡識別樹葉圖像特征提取樹葉圖像預處理樹葉采集結果分析神經網絡識別樹葉圖像特征提取樹葉圖像預處理樹葉采集圖4-2圖像識別系統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查和了解。從中得到數據。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,并進行分析。當然,抽取特征參數的數目與采用的判決方法也是有很大的關系。第四部分是神經網絡識別,即根據提取的特征參數,采用多特征神經網絡集成分類器的規則,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GUI。它是一種結合各種學科的人機系統工程。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網絡的樹葉識別。仿真結果如圖4-3,圖4-4：圖4-3神經網絡訓練圖4-4樹葉識別系統界面4.7結果分析通過BP神經網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特征存在差異，也出現了識別錯誤的現象。樹葉識別結果見表4-1：表4-1識別結果樣本數識別結果識別錯誤識別率桂花葉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集和查閱了模式識別、數字圖像處理和人工神經網絡的相關資料和文獻,實現了不同目標的識別。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）介紹并建立了神經網絡分類器，對樹葉圖像進行了訓練與識別，并且比較了數據進行分析，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,但是一些環節仍有不足，待進一步研究和完善:首先是樣本選擇，神經網絡訓練樣本選擇的優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。其次是現在神經網絡模型的確定還沒有成熟的理論依據,在理論上如何實現神經網絡模型最優化是一個難點,也是神經網絡廣泛應用的瓶頸。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．基于人工神經網絡的葉脈信息提取——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[J].植物學通報,2005，22(5)：599-604.[3]劉純利，劉少斌.基于紋理建模的樹葉識別系統[J].計算機科學，2012,39（11）：289-290.[4]王代琳