基于数字图像处理的猕猴桃分类技术

1、应用数字图像处理的猕猴桃果实分类技术摘 要猕猴桃品种的分类识别对于猕猴桃优良品种的推广、原产地质量标示国际合作保护、猕猴桃遗传基因资源的保护及杂交品种的鉴定具有重要的意义。与传统人工鉴定相比，通过计算机辅助手法快速而准确的对猕猴桃品种进行分类可以带来极大的经济价值。研究的目标是输入猕猴桃图像可以通过提取纹理特征求出猕猴桃品种。围绕这一目标要研究的内容如下：研究了猕猴桃图像采集方法和图像的预处理方法通过灰度共生矩阵的方法对猕猴桃纹理进行提取，对于灰度共生矩阵提取的目标，选择从0到135每隔45提取一次。运用神经网络工具箱对提取出的纹理特征进行分类训练，最后利用提取的特征可以进行猕猴桃的分类工作，

2、得到一个神经网络。验证神经网络分类准确率。关键词：猕猴桃分类；灰度共生矩阵；BP神经网络Application of digital image processing classification techniques kiwifruitAbstractIdentification and classification recognition has important significance for excellent kiwifruit Kiwifruit Cultivars promotion, quality mark of international cooperation to

3、protect, protect the kiwifruit genetic resources and hybrid varieties. Compared with the traditional artificial identification by computer aided technique, fast and accurate for Kiwifruit Cultivars classification can bring great economic value.The objective of the study is the input image can be obt

4、ained by extraction of kiwifruit texture features are calculated kiwifruit cultivars. Around the research to this goal as follows:Study on the pretreatment methods of image acquisition and image.The gray level co-occurrence matrix method of kiwifruit texture extraction, the gray level co-occurrence

5、matrix to extract the target, choose from 0 to 135 every 45 extraction a.The application of neural network toolbox classification training on the texture features extracted, the extracted features can classify of kiwifruit.Keywords:kiwi fruit classification;gray level co-occurrence matrix;BP neural

6、network目录1.绪论- 1 -1.1 研究的目的和意义- 1 -1.2 国外研究现状- 1 -1.3 国内研究现状- 2 -1.4 研究内容及方法- 2 -2 猕猴桃品种识别系统总体设计- 4 -2.1 图像获取与预处理- 4 -2.2 图像增强- 5 -2.3 本章小结- 8 -3 猕猴桃果实图像特征提取- 9 -3.1 猕猴桃果实的形状特征- 9 -3.2 纹理特征- 10 -3.2 本章小结- 11 -4 分类算法与实验- 12 -4.1 分类器- 12 -4.2 实验与分析- 15 -4.3 分析与评价- 20 -4.4 本章小结- 20 -5 结论与展望- 21 -5.1 结论

7、- 21 -5.2 展望- 21 -参考文献- 22 -致 谢- 24 -1.绪论1.1 研究的目的和意义猕猴桃营养价值非常高,被誉为“水果之王”，是很多地方（中国陕西、河南、四川等地）发展当地经济、增加农民收入的一大产业。近年来我国的水果产业发展迅猛已在世界上占有一席之地，但由于国内猕猴桃产业化水平低下、果实果品质量不过关等原因，我国生产的猕猴桃大部分都以中低档产品在国内市场销售。由于猕猴桃的种植品种混种，故在采摘时混杂。这种混种混卖的方式会带来许多问题，在一种猕猴桃中混杂其它品种猕猴桃会影响一种猕猴桃资源的推广，还会使猕猴桃遗传资源难以鉴定，同时也给鉴定新品种带来困难，近年来国际基因资源的

8、争夺愈演愈烈，保护猕猴桃品种的多样非常重要。随着我国猕猴桃事业的发展，建立一个非专业人士专用的猕猴桃品种鉴别软件势在必行。在猕猴桃推广中，产地可以说是一种品牌标识，会带来巨大的利益。由此可见，猕猴桃是我国一项相当重要的产业，具有很深厚的研究与发展价值，但我国现在的猕猴桃产业化仍然处在粗放阶段，生产观念落后，缺乏对产品更高效的管理，所以研究自动化智能化的猕猴桃分类方法具有非常重要的实际意义。1.2 国外研究现状上世纪70年代开始外国研究者就开始使用计算机辅助分类方法研究植物分类，但是还无法仅从果实分辨出所属品种，大多采用叶子的形态学特征来建模，从而进行分析。从上世纪80年代起许多研究者便开始使用

9、数字图像处理的方法对农产品进行研究，1986年Ingrouille和Laird通过分别叶子形状特征对北伦敦橡树进行了建模研究并建立了数据库【参看文献】。1993年Guyer和Miles等人【参考文献】通过提取叶子的形状特征如叶裂、最小叶裂角、叶裂数、主轴距、中心距等作为研究对象，研究通过叶片给植物分类的方法，但是后得到的最大成功率不到百分之七十，因为基于形状特征的分类计算法非常复杂而且识别率还不高。1998年日本东京大学的Im和Nishida等人【参考文献】的研究中便使用了与叶子形状相似的多边形来分辨叶片三角形数目，通过对叶片锯齿数目、大小和相似三角形的研究以及层次判别的方法，可以对植物种类进

10、行比较理想的分类。但是对于重叠、残缺的叶片却不能识别。1999年剑桥大学和萨利大学国际农业植物学研究中心【参考文献】在研究相关课题时加入了偏心率、圆形度、长宽比等全局形状参数作为分类特征，这是国际上首次加入全局参量在物种分类上，最终它的识别率超过了百分之95。近几年来，研究者引入了更多的特征参数，纹理特征逐渐显现了它在果实分辨上的优势，再加上神经网络和分类器等方法，可以取得较好的分类效果。1.3 国内研究现状在国内也有很多研究者对水果进行了研究，从20世纪90年代起我国就没有停止过计算机辅助植物分类这项研究。1994年中科院研究所的傅星等人【参考文献】展开了对于计算机辅助植物分类的研究。199

11、6年董洪斌和马光胜【参考文献】研究了蔷薇科植物的分类。2005年，马红梅【参考文献】在分类中使用了BP神经网络。之后还有一些研究采用了将多方向灰度共生矩阵来分析植物的表面纹理结构作为一项重要的纹理特征的方法研究叶片的分类。2010年阚江明【参考文献】使用了将植物叶片从0度到135度之间每45度取四个方向作为灰度共生矩阵参数的方法。2013年，詹文田、何东健、史世莲【参考文献】基于Adaboost算法，利用RGB、HIS、La*b*3对猕猴桃进行田间识别。综上所述，国内外大量学者都对水果的数字图像识别做出了巨大贡献，取得了很卓越的成效，但一直从事于通过叶片给植物分类这一方面，而且对于同一科目下的

12、不同品种分类研究较少。但很多的实践也表明利用数字图像技术可以高效自动化的对水果做出品种识别，我国对猕猴桃的分类研究方法还处于较初期的阶段，还需要进行进一步探索与研究，提取有效地检验特征，提高算法正确性，同时还要加大图像处理在猕猴桃分类等方面的应用度。从各方面研究现状可以得出，机器视觉在水果等农产品的自动检测中有着很方便的应用，现阶段国内对水果品质分级方面已经做过很多研究例如对苹果的分类方法等，但是对于单一产地单一水果五中的猕猴桃品种分类的研究却很少。1.4 研究内容及方法为实现对猕猴桃品种的准确、快速识别，本研究在前人对图像纹理研究的基础上，针对陕西省最普遍的集中猕猴桃进行分类研究。果实样品皆

13、为原产地出产、应季取材、绒毛完好，在探索适合猕猴桃纹理分析方法的基础上，对猕猴桃品种进行机器视觉分析。本文完成的工作主要有：1) 采集猕猴桃果实图像。考察了手机相机、普通照相机等硬件，多机实验和调试之后选择相对较清晰的猕猴桃图像。猕猴桃图像在同一高度、白色背景、相同光线、相同拍摄器械所拍。2) 对样本图像进行猕猴桃果实区域抠图、图像去噪、增强等一系列操作。3) 提取猕猴桃果实部分的特征。提取猕猴桃图像的基于灰度共生矩阵的纹理特征，包括能量、对比度、相关性、熵、差分矩。提取猕猴桃的形状特征，包括圆形度、最小外接矩形、角点。4) 建立猕猴桃特征库，训练分类器并进行分类识别。总体工作流程框图如图1.

14、1所示。获取猕猴桃图像去噪特征提取训练样本测试样本训练分类器训练好的分类器分类实验评价分析图1.1 流程图2 猕猴桃品种识别系统总体设计2.1 图像获取与预处理首先选取正常形态的四种猕猴桃果实各20个置于白板上，用三脚架支起相机对其拍照，按规定取得图像后，首先要提取猕猴桃果实，消除背景对目标的影响。图2.1为提取出的红阳猕猴桃三种视角图像样本。图2.1 猕猴桃果实俯视、果顶、果梗图像2.1.1 图像灰度处理一幅完整的图像是由红、绿、蓝三个通道组成的。红绿蓝三色通道的缩览图都是通过灰度来显示的，用不同的灰度色度来表示红绿蓝三色在图像中的比重。如果图像显示为纯白色则代表该色光在此处为最高亮度，即亮

15、度级别是255。灰度图像通常采用8位2进制数来表示即有256个灰度等级，它的具体数值是在单个电磁波频谱内测量每个像素的亮度得到的。这种精度刚好可以避免可见的条带失真，而且二进制也方便了编程的需要。 图2.2 rgb2gray后的猕猴桃俯视图 图2.3 二值化后的猕猴桃图像2.1.2 图像的二值化本文中对猕猴桃获取长宽比、最小矩形等活动需确定猕猴桃连通区域，以确定猕猴桃周长像素数以及图片上下极点差值，而图像二值化可以很好地描述图像轮廓又不用描述细节、占用空间少。2.1.3 图像归一化图像归一化就是通过一系列变换（即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响），将待处理的

16、原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。基于矩的图像归一化技术基本工作原理为：首先利用图像中对仿射变换具有不变性的矩来确定变换函数的参数， 然后利用此参数确定的变换函数把原始图像变换为一个标准形式的图像(该图像与仿射变换无关)。 一般说来，基于矩的图像归一化过程包括4个步骤，即坐标中心化、x-shearing 归一化、缩放归一化和旋转归一化。图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。为了研究方便，本文将猕猴桃图像全部归一化尺寸为200*200大小。2.2 图像增强2.

17、2.1 图像均衡化图像有用数据有时会相当接近，直方图均衡化可以通过使用累积函数对灰度值进行“调整”以实现对比度的增强，增加图像局部对比度而不影响整体的对比度，可以有效地扩展常用的亮度来实现。图2.4 原图与均衡化后的猕猴桃2.2.2 基于边缘检测的图像锐化图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Lapla

18、cian过零点或者非线性差分表示的过零点。2.2.3 去噪一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式:表示给定原始图象,表示图象信号,表示噪声。加性噪声,此类噪声与输入图像信号无关，含噪图像可表示为，信道噪声及光导摄像管的摄像机扫描图象时产生的噪声就属这类噪声。乘性噪声,此类噪声与图像信号有关，含噪图象可表示为，飞点扫描器扫描图象时的噪声，电视图象中的相关噪声，胶片中的颗粒噪声就属于此类噪声。图2.5 使用canny算子运算后的猕猴桃的边缘检测量化噪声，此类噪声与输入图像信号无关，是量化过程存在量化误差

19、，再反映到接收端而产生。均值滤波器采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声，同时也由于平均而引起了模糊现象，模糊程度与领域半径成正比。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。自适应维纳滤波器能根据图象的局部方差来调整滤波器的输

20、出，局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像与原始图像的均方误差最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。中值滤波器是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，且在实际运算过程中不需要图象的统计特性，这也

21、带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。形态学噪声滤除器将开启和闭合结合起来可用来滤除噪声，首先对有噪声图象进行开启操作，可选择结构要素矩阵比噪声的尺寸大，因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作，将图象上的噪声去掉。根据此方法的特点可以知道，此方法适用的图像类型是图象中的对象尺寸都比较大，且没有细小的细节，对这种类型的图像除噪的效果会比较好。小波去噪的方法保留了大部分包含信号的小波系数，因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤：(1)对图象信号进行小波分解。(2)对经过层次分解后的高频系数进行

22、阈值量化。(3)利用二维小波重构图象信号。中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。为了有效提取猕猴桃边缘内侧的纹理，选择中值滤波的方法。图2.6 均匀滤波与中值滤波对比图由图2.5可看出与均匀滤波相比，中值滤波可更好保存猕猴桃的完整边缘并且不断裂，有利于进一步对周长的提取。图2.7 中值滤波后的图像2.3 本章小结本章研究了猕猴桃图像的获取方法与预处理方法。着重介绍了每种图像预处理方法的作用和在本文中的用法，重点研究了猕猴桃的增强方法。3 猕猴桃果实图像特征提取 3.1 猕猴桃果实的形状特征3.1.1 圆形度圆形度是图像处理中相当重

23、要的概念，用于特征的提取与描述。计算公式的描述是面积乘上除以周长的平方。猕猴桃是圆形的，圆形度可以体现出猕猴桃的形状特征，对于猕猴桃品种识别有很大作用。3.1.3 角点角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，有效地提高了计算的速度，有利于图像的可靠匹配。目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。本文中使用的方法是基于二值图像的角点检测。图3.1 猕猴桃角点3.1.4 最小外接矩最小外接矩也叫最小边界矩形、最小包含矩形、或最小外包矩形。最小外接矩形是指

24、以二维坐标表示的若干二维形状（例如点、直线、多边形）的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。这样的一个矩形包含给定的二维形状，且边与坐标轴平行。最小外接矩形是最小外接框(minimum bounding box)的二维形式。在二值图像的基础上得到猕猴桃的长、宽、高、底的极值像素做差得到猕猴桃最小外接矩形的长、宽，就此得到猕猴桃长宽比；在最高像素点与最低像素点处做一条横线，在最左与最右像素点处做竖线，得到四条线的交点，取消交点外的对象，得到最小外接矩。3.2 纹理特征常用的特征提取方法有：Fourier变换法、窗口Fourier变换（

25、Gabor）、小波变换法、最小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等方法。本文采用基于灰度矩阵的纹理特征法。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵是一种用灰度空间的相关特性来描述纹理的方法。图3.2 最小外接矩灰度直方图是对图像上单个象素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)中任意一点及偏离它的另一点，设该点对的灰度值为。令点在整个画面上移动，则会得到各种值，设灰度值的级数为

26、k，则的组合共有 k 的平方种。对于整个画面，统计出每一种值出现的次数，然后排列成一个方阵，再用出现的总次数将它们归一化为出现的概率，这样的方阵称为灰度共生矩阵。距离差分值取不同的数值组合，可以得到不同情况下的联合概率矩阵。取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取、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。于是就计算出了两个象素灰度级同时发生的概率，将的空间坐标转化为“灰度对” 的描述，形成了

27、灰度共生矩阵。 图3.3单个猕猴桃纹理特征 图3.4 全部猕猴桃纹理特征本研究在0、45、90、135分别提取猕猴桃能量、对比度、相关性、熵、差分矩，形成43*30维的矩阵，作为猕猴桃识别纹理特征。图3.3为单个猕猴桃纹理特增曲线，图3.4为全部猕猴桃纹理特征曲线。3.2 本章小结1 对猕猴桃进行圆形度的计算方法。2 讨论了通过找猕猴桃极点绘制计算猕猴桃最小外接矩的方法。3 描述了通过灰度矩阵方式对猕猴桃进行纹理提取的算法和具体提取特征。4 分类算法与实验在经过一系列运算之后得到猕猴桃果实数据，要对猕猴桃种类进行判定就必须进行分类器训练，验证出特征子集的分类能力。4.1 分类器分类器（Clas

28、sifier）是一种计算机程序。他的设计目标是在通过自动学习后，可自动将数据分到已知类别。Bayes分类器，BP神经网络分类器，决策树算法，支持向量机（Support Vector Machine）等。4.1.1 支持向量机该方法是Corinna Cortes和Vapnik等于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）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

29、，以求获得最好的推广能力 。支持向量机中引入核函数，将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的两边建立两个相互平行的超平面，建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。采用不同的核函数将导致不同的SVM算法。在确定了核函数之后，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此引入了松弛系数以及惩罚系数两个参变量来加以校正。在确定了核函数基础上，再经过大量对比实验等将这两个系数取定，该项研究就基本完成，适合相关学科或业务内应用，且有一定能力的推广性。4.1.3贝叶

30、斯分类器贝叶斯分类器通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。是最小错误率意义上的优化。目前研究较多的贝叶斯分类器主要有四种，Naive Bayes、TAN、BAN和GBN。贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包含类结点C，其中C 的取值来自于类集合，还包含一组结点，表示用于分类的特征。对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为，则样本D属于类别的概率，应满足下式：而由贝叶斯公式：其中，可由领域专家的经验得到，而和的计算则较困难。应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶

31、斯网络分类器的学习，即从样本数据中构造分类器，包括结构学习和CPT 学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。这两个阶段的时间复杂性均取决于特征值间的依赖程度，甚至可以是NP 完全问题，因而在实际应用中，往往需要对贝叶斯网络分类器进行简化。根据对特征值间不同关联程度的假设，可以得出各种贝叶斯分类器。在具有模式的完整统计知识条件下，按照贝叶斯决策理论进行设计的一种最优分类器。分类器是对每一个输入模式赋予一个类别名称的软件或硬件装置，而贝叶斯分类器是各种分类器中分类错误概率最小或者在预先给定代价的情况下平均风险最小的分类器。它的设计方法是一种最基本的统计分

32、类方法。X(1)X(2)X(3)X(4)y(s)y(2)y(1)w(1,1)w(s,u)u1图4.1 贝叶斯分类器识别模型4.1.4 人工神经网络人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误

33、差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。BP (Back Propagation)神经网络的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层的神经元负责接收来自外界的输入信息，并将它传递给中间层的各神经元，中间层是内部信息处理层，负责信息变换，根据信息变化

34、能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出值与期望输出值不同时，则进入误差的反向传播阶段。误差通过输出层按误差梯度下降的方式修正各层权值，向隐层与输入层逐层反传，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。（1）节点输出模型隐节点输出模型：(1)输出节点输出模型：(2)非线形作用函数；神经单元阈值。（2）作用函数模型作用函数是反映下层输

35、入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为内连续取值Sigmoid函数：（3）（3）误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：节点的期望输出值；节点计算输出值。（4）自学习模型神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。BP网络有有导师学习方式需要设定期望值和无导师学习方式只需输入模式之分。特征值a特征值b输入层隐含层输出层B1-RADS分级结果通过训练调节连接权值图4.2 BP神经网络工作示意图4.2 实验与分析实验部分包括对猕猴桃形状方面的纹理特征提取和分类器的构造，选用BP神经网络训练分类器，训练内容包

36、括形状特征的分析、纹理特征分析、灰度矩阵选取分析、特征矩阵的获得、分类器分类能力分析、不同种类猕猴桃的分类情况分析。4.2.1 实验环境本研究选择的主要研究软件环境是美国MathWorks公司出品的商业数学软件MATLAB，使用的具体版本是Matlabr2010a,硬件环境为Windows 7 旗舰版 32位 ( DirectX 11 )，CPU i5-2430M 2.40GHz，内存4G,HD Graphics Family显卡。4.2.2 BP神经网络分类器的设计在本研究中输入层单元数据输入的是图像，因此输入层输入的是处理后的图像特征参数。从猕猴桃果实图像中提取了43个特征参数，其中包括3

37、个外貌特征参数与40个纹理特征参数，一般来说纹理总特征就是输入层节点数。输出层所输出的数目就是目标图像类别数，本研究中选用了4中猕猴桃，因此分类目标为4类，输出为确定的某种猕猴桃种类即输出为一个数据，那么输出层个数就为1。隐含层数及隐含层上神经元的数量是决定BP神经网络分类器效果的重要参数，它的单元数过大则使得神经网络过于复杂，单元数过小则会使之容错性差不能正确识别出样本，先计算输入层节点数与输出层节点数的积开平方，然后在此基础上加自然数（自然数大于0小于10），通过实验法找出误差最小的自然数，最终确定隐含层神经元个数。4.2.3 系统实现首先输入训练数据P(P为10组43维的列向量)与验证数

38、据T（为10组43维的列向量）。这样就算出每种猕猴桃的最佳隐含层数为。整合求出4种猕猴桃的最佳隐含层数，提取它们的非线性算法，就得到了一个可识别4种猕猴桃的分类器。引用动量因子traingdm算法训练BP网络。建立网络时，样本数据经预处理后网络输入取值范围为：隐层节点数9，输出层节点数1。隐含层中神经元采用logsig转换函数，输出层采用purelin转换函数，选择trainlm学习算法。调用traingdm算法训练BP网络，根据网络学习误差逆传递算法，利用阻尼最小二乘算法迭代，由前一次训练得到的网络权重及阈值训练得到新的网络权重及阈值。最后根据训练好的网络及输入向量进行模拟网络输出。图4.3

39、为编程法求出猕猴桃误差变化图。图4.3 徐香俯视误差变化图具体训练参数如图4.4所示，每隔500步显示一次训练结果，学习速率为0.05，动量因子为0.9，允许最大训练步数为2000步，训练目标最小误差为0.001。 图4.4 训练模块图 4.5 实际输出与仿真输出结果在提取出训练参数与测试参数后用nntool试验箱实现分类器的训练，工具箱页面如图4.6。图4.6 工具箱界面图4.7显示在隐含层为9时最佳性能验证值为0.79978。图4.7 performance表现图训练过程如图4.8，在隐含层为6时梯度为7.5845：图4.8 training state表现图得到输出的误差图4.9。图4.

40、9 regression表现图利用Weka数据分析工具，用不同特征对猕猴桃进行品种分类。分类的准确率如表1所示。表1 分类准确率分类器分类准确率（%）俯视果顶果梗Nave Bayes42.50.6056.410.5437.500.62多层感知器49.300.4742.300.5227.780.54Logistic49.300.4651.280.4934.720.503-NN43.660.4742.300.4938.890.50由表1可知，俯视和果顶特征对猕猴桃分类效果较好，而果梗较差。因此后续可选择俯视和果顶特征进一步研究提高分类准确率。4.3 分析与评价实验结果表明，在猕猴桃识别方面可以凭借

41、猕猴桃纹理和外形特征来识别猕猴桃，但由于猕猴桃本身的体貌特征为光滑、多毛且颜色不同，为了得到更为精确的结论，拍摄装置像素要高一些，使得纹理提取更为精确。5 结论与展望5.1 结论本文对猕猴桃果实图像进行运算使得纹理特征明显，再对它进行计算，得出其形状特征参数与纹理特征参数，对其参数进行灰度共生矩阵分析以提取其统计特征，再利用BP神经网络分析这些特征的分类能力，得到训练好的分类器，再对训练好的分类器进行测试最终完成本实验。不同分类器下的实验结果表明，猕猴桃果体和果梗部位特征对分类作用更大。5.2 展望由于图像的提取并没有在自然光下进行，所以整体图像偏暗，猕猴桃的纹理特征并没有表现的比较明显，导致

42、最后提取纹理特征时特征值不够明显。如何提取到更能反映猕猴桃真实情况的特征是一个较大的挑战，仍需日后进行更加深入的研究。本研究中只选择了猕猴桃的圆形度、最小矩形、角点、四个方向上猕猴桃的能量、熵等作为特征参数，参数不够充足是一个大问题，在日后的研究中也可以加入对于猕猴桃色调参数的分析，或加入一些更为具体的参数，例如通过高光谱、三维扫描、X光图等渠道获取的特征参数。参考文献1 韩世明.2011(2).猕猴桃产业的市场现状及发展对策，黑龙江农业科学.2 徐小彪.2007.2.世界猕猴桃产销进展，果品销售.3 雷玉山.2012(1).陕西秦岭北麓猕猴桃产业现状及技术需求分析.4 韩礼星、李明、黄贞光等.2004(3):27-28世界猕猴桃仅出口状况J.世界农业.5 吴永红、李辰.2013(2).基于SWOT比较的中国猕猴桃产业发展现状分析及对策建议，农村经济.6 张学工.2005.模式识别.第二版.北京：清华大学出版社：73-105.7 董宏斌，马光胜.1996.基于神经网络的植物分类专家系统.小型微型计算机系统，17（3）：42-16.8 傅星，卢汉清，卢曼丽.1994.应用计算机进行植物自动分类的初步研究.生态学杂志，13（2）：69