小麦腥黑穗病鉴定的svm方法毕业论文(编辑修改稿)

小麦腥黑穗病鉴定的svm方法毕业论文(编辑修改稿)内容摘要：

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, Φ(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） ： min,bw2||||21 w , st ,1))(,(  bxwy ii  li ,2,1  (1) 当样本集在 Z 中线性不可分时 , 使分类间隔和分类错误达到某种折衷 , 其求解如式 （ 2） ： min, bw   li iCw 12||||21 , st   iii bxwy   1)(, , ,0i li ,2,1  (2) 其中 , ξi 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） 7   ,21m i n  TT eQW  st ,0Ty ,0i li ,2,1  (3)   ,21m i n  TT eQW  st ,0Ty ,0 iC  li ,2,1  (4) 其中 : A=(a1, a2, ⋯, al) T , ai 是问题 (1) 中不等式约束 yi (〈 w,Φ(xi) 〉 b) ≥1 或者问题 (2) 中不等式约束 yi (〈 w,Φ(xi) 〉 b) ≥1 ξi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〈 Φ(xi) ,Φ(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） ：     lj jjj bxxKyxu 1 ,     xusignxy  (5) 若 ai =0,样本 xi称为非支持向量 (nonsupport 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 (nonbounded support vector)。 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； 8 [train, test] = crossvalind(39。 holdOut39。 ,groups， 20/100)。 cp = classperf(groups)。 %样本训练； svmStruct = svmtrain(data(train,:),groups(train),39。 showplot39。 ,true)。 %样本分类； classes = svmclassify(svmStruct,data(test,:),39。 showplot39。 ,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 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优缺点。 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，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，那么该区域就 9 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。 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)。 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 (Contentbased Image Retrieval,CBIR)的一个很重要的研究内容。 本文我们重点关注纹理图像分类问题。 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。 10 灰度共生矩阵方法： 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 （ 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) 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） 错误 !未找到引用源。 (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。 11 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，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） 错误 !未找到引用源。 (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） 错误 !未找到引用源。 (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） 错误 !未找到引用源。 (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。