基于数字图像处理的树叶识别论文-黄金版要点

1、目 录摘要 . 1英文摘要 . 21 引言 . 21.1 选题背景及意义 . 31.2 国内外研究的进展 . 31.2.1 树叶识别的研究进展.31.2.2 神经网络的研究进展.41.3 论文的主要内容与组织结构 . 41.3.1 论文的主要内容.41.3.2 组织结构.42 树叶图像预处理 . 42.1 图像采集 . 42.2 图像裁剪 . 52.3 图像平滑 . 62.4 图像分割 . 82.4.1 最大类间方差法.82.4.2 matlab 实现及效果图.82.5 边缘检测 . 93 树叶图像特征提取 . 114 基于神经网络的树叶识别 . 134.1 BP 网络基本理论 . 134.2

2、 隐含层数的选取 . 134.3 节点数的选取 . 134.4 BP 网络的建立 . 144.5 树叶识别 . 144.6 GUI界面设计 . 144.7 结果分析 . 165 总结与展望 . 165.1 总结论文的主要工作 . 165.2 展望论文的不足 . 16参考文献 . 16致谢 . 17机电与信息工程学院 电子信息工程 曹文君（20903031002）指导老师：吕军（助教）： 神： 1 Cao Wenjun Director：Lv Junssistant） , ) aa . a . ： 1 引言21.1 选题背景及意义在地球上仅为人所知的有花植物有大约 25 万种，其他的更是数不胜数

3、。面对庞大的方法存在着耗时耗力、效率低、主观因素大等不足，再加上植物分类人才的匮乏，对植物分类的研究愈加困难。片图像进行去噪、边缘检测等预处理，通过提取叶片图像外部特征参数，利用BP神经网络实现植物叶片的自动识别。本论文的主要任务是利用数字图像处理技术及其神经网络模式识别方法应用到持，从而对推动经济的跨越发展起到了重要作用。1.2 国内外研究的进展1.2.1 树叶识别的研究进展虽然图像识别技术在十九世纪就有人研究，但真正开始受到人们关注的是在 60年代末，随着时间的推移，到80年代，图像识别技术广泛应用到各个领域，而且也取得了不错的成果。傅弘 学者提出了神经网络的叶脉提取方法，通过训练的神经网

4、络1准确地提取了叶脉图像，实现了叶脉的提取；朱静 学者提出了在Windows XP平台2上对叶片图像的输入、变换及分割等识别过程的设计,实现了叶缘特征的结果输出和叶片图像的形状。刘纯利 学者提出了树叶纹理建模的树叶识别方法，通过提取采集3模，再用高斯模型的参数作为树叶的特征，从而实现了树叶识别；王代琳 学者提出4java语言实现了树叶识别；朱宁 学者利用局部二进制模式方法，提出了将该方法应用于5 学者提出了一种利用树叶外形特征来对叶片6便得到了快速发展。31.2.2 神经网络的研究进展人工神经网络，简称ANN，它是由很多神经元相互连接而组成的一个信息处理系统。何术 学者提出了目前较常用的自组织

5、映射神经网络(SOM神经网络的方法，7相对应，从而得到分类结果。陈涓 学者提出了基于小生境技术的神经网络进化集成8 学者提出了基于神经网络的出版业量化分析9Kohonen 教授10学习效果非常显著。Hopfield 对神经网络介绍了能量函数的概念，提出了神经网络11的平衡稳定状态的判别方法，实现了优化计算途径。1.3 论文的主要内容与组织结构1.3.1 论文的主要内容该课题在参考理论基础上，利用MATLAB 语言实现树叶图像的去噪、分割、边试集验证分类器模型的性能。1.3.2 组织结构1 引言介绍了选题背景、意义、国内外研究进展、论文内容与组织结构。2 树叶图像预处理剪、去噪、边缘提取等操作的

6、理论、程序及效果图。3 树叶图像特征提取介绍了选取的特征参数，然后陈列出几个所选取的样本的特征值。4 基于神经网络的树叶识别识别结果进行分析。5 总结与展望总结论文的主要工作以及展望论文的不足。2 树叶图像预处理2.1 图像采集采集 4 种共计 80 片原始树叶，其中桂花20 片，桔树叶20 片，枫树叶20 片，夹竹桃 20 片。4图 图 2.2 图像裁剪用 ACDSee 工具对采集的图像进行截取，统一截取图像长宽为 600600 像素。其裁剪过程为：第一步：用 ACDSee打开采集的图片，鼠标右击，进入编辑界面：图 第二步：调整宽度和高度为 600600 像素，移动十字光标为最佳位置：5有噪

7、声，而去噪平滑技术可以平滑图像中的噪声。 设 , 是含有噪声的图像， , 是经过理后的图像，f i jg i j(2-1)12n (2-2)iivivY 称为序列f , f , f , f 的中值。iiviivMatlab实现为：K1=filter2(fspecial(average,3),K)/255;K2=filter2(fspecial(average,5),K)/255;L1=medfilt2(K,3,3); %加入 中值滤波L2=medfilt2(K,5,5); %加入 中值滤波subplot(231),imshow(K),title(加噪);两种滤波方法各有特点。相较来说，均值滤波

8、去噪效果不如中值滤波。中值滤波缘。另外，去噪结果与模板大小选择是相关的，模板越大处理后的图像相对模糊，图像边缘损失也比较多，进而带来不利影响。模板太小去噪效果也不是很好。综上，本文采用 模板的中值滤波方法。72.4 图像分割图像分割方法主要包括：理论分割、边缘分割、区域分割以及阈值分割等12。2.4.1 最大类间方差法 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、为 的频率；iw (t)：目标部分比例；0w (t)：背景部分比例；1u (t)：目标均值；0u t)：背景均值；1： 总均值。u2.4.2 matlab实现及效果图I=imread(桂花叶.jpg);axis(0,600,0,600);grid on;axis on;%显示网络线%显示坐标系level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);BW1=BW;subplot(121),imshow(I);title(原图);subplot(122),imshow(BW1);title(Otsu 法阈值分割);axis(0,600,0,600);grid o

10、n;axis on;%显示网络线%显示坐标系8般是基于其轮廓信息的，所以对树叶边缘检测好坏直接影响最终的识别结果。现有的边缘检测方法主要包括 Sobel 算子检测、Roberts 算子检测、Prewitt 算子检测以及 Laplace算子检测等。制效果强于 Prewitt 算子，但得到的边缘较宽。G G22xyxy G a 2a a a 2a ax234076 G a 2a a a 2a ay012654-1121a-2-17aa654Gx边缘进行检测。去噪作用小，且边缘检测能力相对较差。 xyG f i, j f i j 1x G f i j f i, j 1y10001-10-1GGxyP

11、rewitt 算子：Prewitt 算子与 Sobel 算子的方程一样。该算子既能检测边缘点，还能抑制噪声的影响。10-1-1-1000111-1 -1 -1GGyxGauss-Laplace算子：Laplace一个卷积核。具有各项同性，Laplace 算子对噪声比较敏感，所以在检测前一般先进行去噪处理，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实现及效果图：I = imread(桂花叶.jpg);J=rgb2gray(I);

12、K = imnoise(I,gaussian,0,0.02);%加入高斯噪声（=0，2=0.02）L=medfilt2(J,5,5); %加入中值滤波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检测);figure,imshow(BW_prewitt),xlabel(prewitt检测);figure,imshow(BW_roberts),xlabel(

13、roberts 检测);figure,imshow(BW_laplace),xlabel(laplace检测);10性和个数的选取。形态特征是本文研究的重点，一般包括矩形度、延长度、似圆度、紧凑度及不变矩等。（1）矩形度叶对其外接矩形的充满程度。则矩形度可定义为：R= S S（3-1）MERn式中， 为树叶的面积，S为树叶的最小外接矩形（MER）的面积。SiMERi1（2）延长度两点直线的最长距离，短轴是长轴两侧与其距离最长的左右两点的距离和。（3）似圆度设树叶周长和面积分别为 P 和 S，最小外接矩形的长轴长为，则似圆度被定义为：Roundness 4S 2（3-2）（4）紧凑度紧凑度可以表

14、示一个刻画树叶紧凑程度的参数，设树叶的面积为 S，周长为 P，则紧凑度被定义为：Compactness S P2（3-3）（5）不变矩 不变矩是描述区域的方法之一。对于二维(NM)数字化图像, ， 阶矩p qf i j可以定义为：, i j f i jM1N1m pqpq（3-4）j0 i0其对应的 阶中心矩可以定义为：p q p ,y y q f x yM 1 N 1（3-5）x xj0 i0 式中， x m m 是二维图像 , 的图像灰度在水平方向上灰度质心；f i j1000ym m 是图像灰度在垂直方向上的灰度质心。0100 f i, j 的归一化 阶中心矩可以定义为：p q（3-6）

15、u , p q 2,3, pq2 M.K.Hu 提出的不变矩理论是由三阶规格化的中心矩非线性组合构成的 7 个量值。它们对旋转、平移、镜面及尺度变换都具有不变性。其定义为：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 基于神经网络的树叶识别人工神经网络，简称 ，它是由很多神经元相互连接而组成的一个信息处理的网络输入和输出之间的一种非线性映射。常用的人工神经网络包括 RBF网络、BP网络、Hopfield网络等。4.1 BP 网络基本理论BP 神经网络是一种多层前馈网络，其结构包括输入层、隐含层和输出层，其学习过程是由输入层特征向量通过非线性变换从输入层传达到隐含层，再进行逐层处各神经元间的权值系数，以及修正网络参数，使系统识别误差降到允许范围内。图 4.2 隐含层数的选取隐含层过多，会造成网络训练缓慢，使误差曲线不稳定。一般情况下，取一个隐

17、含层就能完成映射。本文拟采用三层神经网络。4.3 节点数的选取经过数据降维后的树叶特征矩阵是由前 6 个主成分表示的，即特征变量为 6 个，所以 BP 网络输入层单元数为 6。本文研究对象是桂花叶、桔子叶、枫树叶和夹竹桃134 种植物树叶，所以输出层单元数确定为 2，输出的排列组合分别代表了 4 种不同的识别种类，对应关系为：00-桂花叶、01-桔子叶、10-枫树叶、夹竹桃。通过不断调整隐元，观测实验结果获取最佳的隐含层单元数为 8。4.4 BP网络的建立（1）网络进行初始化，即随机设置三层神经元的权值；（2）给定网络的输入向量和目标输出，即将降维后的数据作为BP网络的输入，同时确定每个样本对

18、应的实际输出值；（3）计算 BP网络隐含层、输出层各单元的输出；（4）计算实际输出和相应的理论输出之间的偏差；（5）调整各层神经元的权值矩阵；（6）若达不到训练要求则转至步骤 3，重新学习，直到理想值与实际输出值的偏差满足训练精度要求。4.5 树叶识别和理解的过程。简单的说图像识别是把研究目标,根据其某些特征进行识别和分类。图像识别的目的就是设计程序或设备 ,代替人类自动处理图像信息,自动对图像进行分辨和识别,实现较高的图像识别率。本文的树叶图像识别分 4 个部分,其框图如图 4-2所示：理树叶图像特征神 经网 络结 果分 析图 第一部分是树叶图像信息的采集,它相当于对被研究对象的调查和了解。从中得采用的判决方法也是有很大的关系。第四部分是神经网络识别,即根据提取的特征参数,采用多特征神经网络集成分类器的规则,对图像信息进行分类和识别,从而得到识别结果。4.6 GUI界面设计 少公司应用。它提供了很多工具用于仿真及设计，本文拟采用 GUI 界面来仿真基于神经网络的树叶识别。仿真结果如图 4-3,图 4-4：14图 4.7 结果分析通过BP神经网络进