树叶分类数字图像处理在树叶识别中的应用
植物叶片特征数字化在植物识别上的应用
植物叶片特征数字化在植物识别上的应用潘晓星;杨天天;穆立蔷【摘要】总结了基于叶片特征物种识别现阶段的应用，对已有的数字化叶片特征进行分析归类，并总结出新的拟可行的叶片特征指标。
对基于叶片特征物种识别技术进行前景展望，其必将会成为以后物种识别的发展趋势。
%Summarized the application of leaf characteristics of species identification based on leaf at the present stage, the digital characteristics of the classified analysis, and summed up the new quasi leaf characteristics index feasible. On leaf charac-teristics of species identification technique based on prospect, it will become the development trend of future species identification.【期刊名称】《国土与自然资源研究》【年(卷),期】2014(000)001【总页数】3页(P79-81)【关键词】植物叶片;叶片特征;数字化;植物识别;数据库【作者】潘晓星;杨天天;穆立蔷【作者单位】东北林业大学林学院，哈尔滨 150040;东北林业大学林学院，哈尔滨 150040;东北林业大学林学院，哈尔滨 150040【正文语种】中文【中图分类】TP391.41物种识别一般是通过对植物的外部形态描述，而对于某一植物物种形态懂得描述一般都是通过一系列的形态术语定性的表达。
但用形态术语来描述物种形态特征，专业性较强，普及性较差。
形态计量学（m o r p h o m e t r y）是一门运用图像测试及分析技术，取得描述生物组织宏观或微观形态的图像数据，并对它们进行数学处理或推理，以对生物组织的形态与结构进行定量分析，由形态学与数学相结合而产生的分支学科。
针叶植物叶片或叶小枝数字图像识别和分类
表1实验样本属种和数量观特征和图像特征，设计了能够将三者及其具体种分开的图像特征描述符。
它们中的大多数依据形态测量学设计，能够定量描述叶形特征；还有一小部分根据特征频数统计值设计，如邻域暗细节密度等，用于描述叶片/叶小枝凹陷的密度。
通过在这些描述符组合的特征空间里做图像监督分类，可以评估各描述符及其组合的有效性。
工作流程见图1。
2.2针叶图像预处理针叶植物叶图像预处理的有效算法包括平滑化、维纳滤波、锐化、大津法阈值计算和二值化、形态学开启和闭合、凸（凹）噪声面积过滤、Gaussian滤波和边缘检测等。
实验表明，对针叶植物叶图像有效的预处理包括：降噪，去毛刺，闭合裂隙、填补凹陷等，它们能给出比较完整的叶片二值图，以便特征提0892016·062.3描述符设计图2数字图像预处理（a）原图像；（b）维纳滤波降噪；（c）大津法分割和形态学处理；（d）Gaussian算子检测的边缘。
表2针叶植物识别描述符一览表注：除注明出处的描述符，其余为笔者新设计的。
2.4描述符测试和精度评估注：行、列名分别表示正确和实际分类。
表中类编码含义为：表4：1池杉、2柳杉、3大叶南洋杉、4智力南洋西本冷方白罗平头赤松、5湿地松、6雪松；表6：1中山柏、2圆柏、3侧柏、6蜀桧。
表中数值为样本数，如表3第“杉”有3个被误分为“柏”。
用户精度（UA）列和之比，全局精度（OA）为平均UA。
柏科种之间通过叶小枝形状、凹陷密度等较难划分，使得6种柏科植40.1%。
描述符的设计依据中的描述符设计基于叶图斑的某些图像特征，例如图斑凹陷、图斑面积对称性、图斑密度对称性、图斑几图斑与同参数几何图形的相似性等。
下面分廓形状和叶小枝的分布规律、密度和复杂程度等有效。
有：（见西哥落羽杉、白皮松为例，显示这类描述符为基于凸残差描述符的分割阈值范例。
图4凸残差相关参变量提取实例图1工作流程图图3将针叶植物分为松、杉、柏的规则表5松科植物属分类混淆矩阵表6柏科植物属分类混淆矩阵0902016·06图5图斑凹陷提取实例（龙柏和水杉）（a），（d）分别为龙柏和水杉叶小枝二值图，真元素个数即叶小枝图斑面积；（b），（e）为暗细节二值图，SE均为3×3菱形；（c），（f）为凹陷尺寸大于阈值的图斑，可以通过测量其中面积较大的主凹陷的密度、短长轴比、形状系数等，获得有参考价值的分类特征。
人工智能经典案例 叶片识别
人工智能经典案例叶片识别叶片识别是人工智能领域的一个经典案例，它主要用于辨识和分类不同类型的叶片。
叶片识别可以应用于植物学研究、农业生产、环境保护等领域，对于识别和分类叶片具有重要的意义。
下面列举了10个与叶片识别相关的经典案例。
1. 植物分类与识别：叶片是植物的重要特征之一，通过对叶片的形态、纹理、颜色等特征进行识别和分类，可以帮助植物学家更准确地鉴定植物的种类。
2. 农作物病虫害识别：不同病虫害对农作物的叶片造成不同的损害，通过识别受害叶片的形态和纹理特征，可以帮助农民及时采取合适的防治措施，提高农作物产量和质量。
3. 植被监测与评估：利用叶片的颜色和纹理特征，可以对植被覆盖、叶绿素含量、植物生长状态等进行监测和评估，为生态环境保护和生态恢复提供科学依据。
4. 林业资源调查：通过对森林中各种树木叶片的形态特征进行识别和分类，可以实现对森林资源的调查和监测，为林业管理和保护提供决策支持。
5. 植物药材鉴定：不同草药植物的叶片具有不同的形态和纹理特征，通过识别草药叶片的特征，可以帮助药材鉴定师准确识别和鉴别草药的真伪和质量。
6. 禾本科植物分类：禾本科植物是重要的农作物和牧草植物，通过对禾本科植物叶片的形态特征进行分类和识别，可以帮助农民和植物学家更好地管理和利用禾本科植物资源。
7. 地质勘探中的叶片识别：在地质勘探中，通过对叶片化石的形态特征进行识别和分类，可以判断化石所属的植物种类和生长环境，为古地理和古气候研究提供重要依据。
8. 环境污染监测：叶片是环境污染的重要指示物之一，通过对叶片的形态和生理指标进行识别和监测，可以评估环境污染程度，为环境保护和治理提供科学依据。
9. 叶片质量评估：通过对叶片的颜色、纹理和形态特征进行识别和分析，可以评估叶片的质量和生理状态，为植物生长状况的监测和管理提供参考。
10. 智能农业中的叶片识别：利用人工智能技术和图像识别算法，结合对叶片的形态和纹理特征进行识别和分类，可以实现智能农业中的自动化管理和决策，提高农作物的产量和质量。
基于数字图像处理的树叶识别论文---黄金版要点
目录摘要 (1)英文摘要 (2)1 引言 (2)1.1 选题背景及意义 (3)1.2 国内外研究的进展 (3)1.2.1 树叶识别的研究进展 (3)1.2.2 神经网络的研究进展 (4)1.3 论文的主要内容与组织结构 (4)1.3.1 论文的主要内容 (4)1.3.2 组织结构 (4)2 树叶图像预处理 (4)2.1 图像采集 (4)2.2 图像裁剪 (5)2.3 图像平滑 (6)2.4 图像分割 (8)2.4.1 最大类间方差法 (8)2.4.2 matlab实现及效果图 (8)2.5 边缘检测 (9)3 树叶图像特征提取 (11)4 基于神经网络的树叶识别 (13)4.1 BP网络基本理论 (13)4.2 隐含层数的选取 (13)4.3 节点数的选取 (13)4.4 BP网络的建立 (14)4.5 树叶识别 (14)4.6 GUI界面设计 (14)4.7 结果分析 (16)5 总结与展望 (16)5.1 总结论文的主要工作 (16)5.2 展望论文的不足 (16)参考文献 (16)致谢 (17)基于神经网络的树叶识别系统研究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）摘要：植物是生物圈的重要组成部分，其中，叶片是植物的一个重要特征，不同的植物叶片在叶形及叶脉等外部特征上都不尽相同，这就使我们能够很好地利用植物叶片的特征来对植物分类。
过去这类工作是由人工完成，不但工作量大，而且工作效率比较低。
随着数字图像处理技术的快速发展，我们可以有效地借助计算机进行辅助操作，这样可以提高识别的准确性，从而提升了工作效率。
本文重点工作有：应用数字图像处理技术对采集到的叶片做图像预处理；提出了基于BP神经网络的方法进行树叶的识别，并构造了一个基于神经网络的集成分类器模型。
最后，对本系统进行了仿真测试，取得了较好的结果。
关键词：图像处理；神经网络；集成分类器Recognition System of Leaf Images Based onNeuronal NetworkCao Wenjun Director：Lv Jun（A ssistant）(School of Mechanical Electrical and Information Engineering ,Huangshan University , Huangshan,China, 245041)Abstract：The plant is an important component of the biosphere ,and a leaf is a key character of the plant ,different plant may be different in leaf type as well as the leaf vein ,and this enables us to use the plant leaf to carry on the classification of the plant .In the past ,this kind of work was by completes artificially ,the work load was also very heavy ,moreover the working efficiency was relatively quite low .Along with the computer image processing technology's fast development ,we can use the computer to help us with this work ,then enhance the recognition accuracy and promote the working efficiency .The main work of this article includes :use digital image processing technology to pretreat the leaf image ;propose method based on BP neural network recognition of the leaves ,besides ,constructed a model based on neural network ensemble classifier .Finally carried on the experiment test to this system ,hen get to the good result .Key Words：image processing；neural network；ensemble classifier1 引言1.1选题背景及意义大千世界，植物是普遍存在于自然界的。
基于图像分析的植物叶片识别技术综述
1
基于图像分析的植物叶片识别技术
基于图像分析的植物叶片识别主要有图像预处理 、 叶片特
将 CSS 匹配方式运用到叶片的进一步识别分类中 ， 保 基于上下文特征的匹配方法
证了识别的准确性。 2. 1. 2 形状上下文（ shape context） 的描述方法是指以目标轮廓的 有限点集合来表示物体特征的方法 。 基于上下文特征的匹配 方法的基本思想是以有限点集来表示待匹配的图像物体 ， 利用 得到匹 形状直方图计算与模板图像的形状上下文特征匹配度 ， 配度最小值的模板， 从而确定测试图像的类别 。 基于上下文特征的匹配方法进行植物叶片识别是一种利 用叶片形状轮廓上的一组离散点集表示叶片 ， 从而进行形状匹 配， 用匹配度实现植物叶片识别的方法 。 在植物叶片识别中， 对植物叶片图像进行轮廓提取 ， 选取叶片轮廓或者边缘上的一 p2 ， …， p n ｝ 表示叶片的形状信息， 组离散点集合 p = ｛ p1 ， 从而得 到 n 个形状直方图。对于叶片形状， 选取了 n 个边界离散点之 就可以用 n 个矩阵描述它的形状特征 。 得到形状直方图 后， 后， 需要对任意的两个目标对象进行相应形状直方图的匹配程 度计算， 即进行两个目标对象的相似度测量 。 相似度测量式为
［1 ］
人类以及环境的关系最为密切 。 由于人类生产活动造成了植 物物种的灭绝， 而植物在维持生物平衡 、 水土保持等方面又起 着重要作用； 同时， 植物农业作为国民经济的命脉 ， 是人们生活 提高农业生产需要农业植物的精细数据 ， 因 生产的基础部分， 此植物分类与识别具有非常重要的意义 。 植物的分类与识别一般选取植物的局部特征 ， 如植物的 叶、 花、 果、 茎、 纸条等特征。这些器官都有各自的分类价值 ， 但 是相比起植物其他的器官 ， 植物叶片的存活时间较长 ， 在一年 的大部分时间内都可较为方便地采集到 ， 所以常作为植物的识 别特征和认识植物的主要参照器官 ； 同时叶形是研究植物物种 的形态变异和分化的一个非常好的指标 ， 因此基于叶片的识别 是识别一种植物最直接有效且最简单的方法 。 传统的叶片分类识别需要操作者有丰富的分类学知识和 长期的实践经验， 且工作效率低、 工作量大、 数据存在一定的主 观性， 而这些都会影响到识别的客观性与精确性 。由于植物叶 片基本处于一个平面状态 ， 适合进行二维图像加工处理 。随着 计算机的应用， 探索如何利用计算机快速准确地识别植物叶 片， 是解决这些问题的一个切实可行的新途径 。因此研究基于
植物叶片图像分析方法的研究与实现
南京理工大学硕士学位论文植物叶片图像分析方法的研究与实现姓名：苏玉梅申请学位级别：硕士专业：计算机应用技术指导教师：张功萱20070601２叶片图像的采集要进行叶片图像处理，首先需进行图像采集，获得叶片图像。
由于计算机只能处理数字图像，而自然界提供的图像却是其它形式的，所以图像采集在整个图像处理系统中具有很重要的作用。
它负责将现实中的物体图像通过输入设备采集下来，并进行一系列的处理，将图像的模拟信号转换成数字信号，最终输入计算机并在输出设备中显示出来。
２．１硬件条件植物叶片图像处理的硬件组成包括扫描仪和普通ＰＣ机，扫描仪完成图像采集和数字化工作，ＰＣ机负责图像的显示和处理。
如图２．１．１所示：接铷时Ｊ辛挥本扫描仪谤雾枫图２．１．１系统硬件组成示意图植物叶片样本经过扫描仪扫描，以“位ＢＭＰ彩色图像文件格式存入计算机，然后由图像处理软件读取ＢＭＰ文件，之后通过处理，输出处理结果。
扫描仪可以直接把图形（工程图纸）和图像（如照片、广告画）等扫描输入到计算机中，以像素信息进行存储。
扫描仪是由光结构、控制电缆、感测器传动机结构以及软件技术组合而成的产品。
扫描图像过程就是扫描光源通过待扫描材料，再经一组镜面反射到ＣＣＤ（电荷耦合器件），由ＣＣＤ转换产生图像数据，然后，传输给计算机主机，最后，经过适当的软件处理，以图像数据文件的形式存储或使用。
图像扫描的基本流程如图２．１．２所示：６ＴＷ＿ＥＶＥＮＴ变量；根据返回消息的不同，决定下一步操作，一般只需关注ＭＳＧＸＦＥＲＲＥＡＤＹ（传输就绪）和ＭＳＧＣＬＯＳＥＤＳＲＥＱ（关闭数据源）即可。
阶段⑥到⑦是获取图像的过程，相关参数是ＤＧ＿ＩＭＡＧＥ／ＤＡＴ＿ＩＭＡＧＥＮＡＴＩＶＥＸＦＥＲ／ＭＳＧ＿ＧＥＴ。
这一过程需要应用程序考虑的工作比较多，如果希望能够输出ｗｉｎｄ０Ｗｓ可识别的Ｂ肝图像文件，则需要构造ＢＭＰ文件头，然后和获取的图像数据一起存放到文件中。
２．２．２扫描叶片本系统利用ＴＷＡＩＮ连接扫描仪进行扫描叶片，获得叶片图像的过程如图２．２．２．１至图２．２．２．３所示：图２．２．２．１选择扫描操作图２．２．２．１是选择扫描新的叶片图像时所显示的界面，可以有三种选择：显示扫描界面形式、按照８．５＂１１（英寸）的固定尺寸扫描和按照８．５＂１４（英寸）的固定尺寸扫描。
图像处理技术在林业中的应用
现代园艺2019年第2期[11]何凌南,胡灵舒,李威,等.“标题党”与“负能量”———媒体类微信公众号的语言风格分析[J].新闻战线,2016(13):42-47.[12]李少丹.微信文本标题修辞特征与修辞过度现象探析[J].福建师范大学学报(哲学社会科学版),2015(03):70-75+169.蔡名浏（1994-），女，浙江金华人，在读研究生，研究方向：风景园林工程。
图像处理技术在林业中的应用王利宏，刘纪建（河北省塞罕坝机械林场，河北围场068450）介绍了图像处理技术在林业中的应用，详细阐述了利用数字图像处理的原理和方法，通过该文的研究，初步探索了数字图像处理在林地的应用领域，分析了图像处理技术在林业中的应用意义，总结了图像技术在林业生产的前景，为以后进一步实现基于数字图像的林地分类系统打下基础。
数字图像处理；林地分类系统；近景摄影；远景摄影；计算机视觉靠的图像资料，然后就可以算出某指定地点的森林面积。
目前我国正在开发大面积使用的影像地图，这将大大挖掘遥感信息技术的潜力，提高林业生产的图像质量，满足林业生产的需要。
2.1.2林地分类。
在林业生产，可以利用遥感技术实时获取某一地点林木生长环境、生长状况和空间差异的大量时空变化图像，通过这些图像的对比，可以清晰看出森林的全貌和生长状况信息，如树种的分类、龄级、郁闭度等因子。
再根据这些因子规划森林小班，进行林地分类。
2.1.3野外工作的位置图。
目前GIS 技术联系航空图像可以作为工作人员的向导，野外工作手机GPS 信息较弱时，可以利用GIS 控制野外的联络图，可以提前规划好行动的路线，节省作业时间，提高工作效率。
同时GIS 提供的航拍航空像片也是外业调绘工作的草图，实现小班轮廓的现地验证，提供内业成图的基础[2]。
2.2近景图像的应用近景图像的应用主要在测树。
传统的测树方法主要利用机械以及光学原理，然而在实际工作中，因为树木间距过密、树冠互相遮挡，造成一定的测量误差，后因自动化技术的发展，衍生了基于摄影测量技术的自动测树系统，可以方便、快捷、有效地测量树木的直径、树高、树冠等参数，提高获取立木信息的效率。
幼儿园数学教案大班数学活动《树叶分类》学习图形教学反思
幼儿园数学教案大班数学活动《树叶分类》学习图形教学反思引言《树叶分类》是幼儿园数学教案中的一项大班数学活动，旨在通过观察和分类树叶的不同形状和大小，培养幼儿的观察力、分类能力和图形认知能力。
本次活动中，我们选取了不同形状和大小的树叶，并引导幼儿进行分类，并反思这一教学活动的有效性和改进之处。
活动设计1.活动目标：培养幼儿的观察力、分类能力和图形认知能力。
2.活动准备材料：不同形状和大小的树叶，纸板，彩笔。
3.活动流程：–步骤一：教师出示一些不同形状和大小的树叶，引导幼儿观察这些树叶的形状和大小特点。
–步骤二：教师向幼儿提问，让他们自己思考树叶可以按照什么方式进行分类，例如按照形状、大小等。
–步骤三：教师引导幼儿一起分类树叶，可以使用纸板上画出相应的分类，让幼儿将树叶放到正确的分类下。
–步骤四：教师总结本次活动，再次强调树叶分类的重要性，并鼓励幼儿在日常生活中观察和分类事物。
学习反思教学目标达成情况通过本次活动，幼儿能够较好地完成树叶分类的任务，观察并分类不同形状和大小的树叶。
他们能够理解形状和大小是树叶分类的两个重要标准，并能够将树叶放到正确的分类下。
因此，本次活动的教学目标基本达成。
教学方法分析本次活动采用了多种教学方法，包括观察、思考、分类和互动交流等。
通过观察树叶的不同形状和大小，幼儿能够深入了解树叶的特点。
同时，引导他们思考树叶的分类方式，培养了他们的分类能力和思维能力。
通过互动交流的方式，激发了幼儿的学习兴趣和参与度。
综合评价，本次活动的教学方法较为合理和有效。
存在问题及改进措施在实施本次活动的过程中，存在一些问题，主要包括以下几个方面： 1. 某些幼儿在分类树叶时出现困难，不清楚如何确定分类标准。
这可能与幼儿的观察力和分类能力有关。
在以后的类似活动中，应该提前引导幼儿进行观察和思考，培养他们的观察力和分类能力。
2.活动时间安排不合理，导致有些幼儿没有充分参与活动。
在以后的活动中，可以适当延长活动时间，确保每个幼儿都有充分的时间参与活动，提高活动的有效性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
树叶分类数字图像处理在树叶识别中的应用 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】数字图像处理研究报告数字图像处理在树叶识别中的应用侯杰：土木系侯晓鹏：林科院苏东川：航院张伟：精仪指导教师：马慧敏教授日期：数字图像处理在树叶识别中的应用一、课题意义及背景1 课题背景植物的识别与分类对于区分植物种类，探索植物间的亲缘关系，阐明植物系统的进化规律具有重要意义。
因此植物分类学是植物科学乃至整个生命科学的基础学科。
然而，由于学科发展和社会等原因，全世界范围内目前从事经典分类（即传统的形态分类）的人数急剧下降，且呈现出明显的老龄化趋势，后继乏人，分类学已经成为一个“濒危学科”(Buyck,1999)。
这不仅对于植物分类学本身，而且对整个植物科学和国民经济的发展带来重大的不利影响。
目前植物识别和分类主要由人工完成。
然而地球上仅为人所知的有花植物就有大约25万种，面对如此庞大的植物世界，任何一个植物学家都不可能知道所有的物种和名称，这就给进一步的研究带来了困难。
在信息化的今天，我们提出的一种解决方案是：建立计算机化的植物识别系统，即利用计算机及相关技术对植物进行识别和管理[1]。
2 课题意义[2-3]（1）人工进行植物叶形的分类难度很大。
这种传统的判别方法要求操作者具有丰富的分类学知识和长期的实践经验,才能开展工作。
要做到准确和快速地识别手中的植物是非常困难。
并且相应人才极为短缺。
（2）仅为人所知的有花植物就有大约25万种，面对如此庞大的植物世界，任何一个植物学家都不可能知道所有的物种和名称。
建立植物识别系统和数据库十分必要。
（3）植物学研究人员在野外考察时, 时常需要获取植物叶片面积等参数。
（4）叶子面积大小对植物的生长发育、作物产量以及栽培管理都具有十分重要的意义。
因此，基于计算机图像处理识别技术的树叶图像识别技术对于植物学，农业科学等都具有重大意义。
二、相关理论综述1 图像预处理（1）边缘检测[4]图像的边缘是指图像局部亮度变化最显着的部分，即在灰度级上发生急剧变化的区域。
从空域角度看，二维图像上的边缘相邻像素灰度从某一个值跳变到另一个差异较大的值。
其灰度变化曲线呈现奇异信号波形：阶跃信号或屋脊形脉冲信号。
图像边缘信息是图像的重要特征，也是计算机视觉和图像识别的基础。
对树叶的边缘进行检测是树叶识别的基础，从二维数字图像上可得到的所有树叶的特征都基于其轮廓信息的。
因此对树叶边缘信息检测情况的好坏直接影响到最终的处理结果。
对于边缘的检测常常借助于空域微分算子进行，通过将其模板与图像卷积完成。
两个具有不同灰度值的相邻区域之间总存在灰度边缘。
灰度边缘是灰度值不连续（或突变）的结果，这种不连续常可利用求一阶和二阶导数方便地检测到。
已有的边缘检测方法，主要有一次微分（Sobel 算子、Roberts算子等）、二次微分（Laplace算子等）和模板操作（Prewitt 算子、Kirsch 算子、Robinson 算子等）等。
Sobel算子：Sobel 边缘算子的掩模模板是两个3×3的卷积核。
Sobel边缘算子强调中心像素的4-邻域对其的影响，而削弱4个对角近邻像素对其作用。
它是有方向性的，在水平方向和垂直方向上形成最强烈的边缘。
G xG yRoberts算子：Robert 边缘算子是一种局部差分算子，采用两个2 ×2 的掩模模板对图像的边缘进行检测。
G x G yPrewitt算子：Prewitt算子与Sobel算子的方程一样，只是常量c=1。
G xG yGauss-Laplace算子：Laplace算子是二阶微分算子，具有各项同性，只需要一个卷积核进行计算即可。
Laplace算子精度高，但是同时对噪声更敏感，因此在检测之前一般先进行平滑，把高斯平滑滤波器和Laplace锐化滤波器结合起来形成Gauss-Laplace算子。
正因为如此，本文首选该算子预处理图像。
常用的Gauss-Laplace算子是5×5模板，如下图所示。
Gauss-Laplace算子（2）图像平滑在对图像进行边缘检测以及后续的处理时，由于噪声的影响会使得处理结果不够准确。
噪声点和周围像素点灰度值差异较大，空间频率比较高，因此可以利用空间滤波的方法抑制图像的高频分量，使噪声点的影响减小，即平滑处理。
图像平滑一般采用的方法有均值滤波和中值滤波两种。
均值滤波:对模板内的所有像素点的灰度值取均值或加权均值。
中值滤波: 对模板内的像素点的灰度值排序，取中间值作为返回值。
两种滤波方法各有特点。
相较来说，中值滤波对图像的细节保存更好一些。
同时，模板大小的选取对平滑的结果也有很大的影响，模板越大则处理后的图像越模糊，细节损失越多，对图像的边缘也有不利的影响。
综合图像的特点，边缘检测选用Gauss-Laplace算子作，图像平滑选用5×5平滑模板，中值滤波选用8×8模板。
（3）Otsu最大类间方差法自适应图像分割[5]最大类间方差法是由Otsu在1978年提出的。
它从一维灰度直方图角度出发，利用类别方差作为判据，选取使类间方差最大的灰度值作为最佳阈值。
最大类间方差阈值分割法的基本思路是将图像的直方图以某一灰度为阈值将图像分成两组并计算两组的方差，当被分成的两组之间的方差最大时，就以这个灰度值为阈值分割图像。
Otsu最大类间方差法计算简单，速度快，稳定有效，我们采用此法对树叶图像进行阈值分割。
Otsu法求取图像最佳阀值g的公式如下：式中：()p i：灰度值为i的频率；0()w t：目标部分比例；1()w t：背景部分比例；0()u t：目标均值；1()u t：背景均值；u：总均值。
2 图像特征提取[3-4]图像特征提取是影响图像识别效果的关键环节，需要充分考虑图像的尺度及特征的种类、稳定性和个数的选取。
对于本课题，图像尺度最初取树叶最大高度对应300像素，认为图像可识别的特征长度是最大高度的1/100，即3个像素，则像边界点采样频率为每3像素取1个。
但通过试算得知，一般模版尺度也基本是3个像素，这样在前处理中的平滑运算会消除图像的一些边界特征，并且在图像缩放中，在图像边界局部也会产生2到3个像素级别的误差，即误差的级别与特征长度较近，容易引起特征提取错误，把局部误差毛刺提取成边界特征。
另外，特征尺度主要与树叶周长直接相关，取其为最大高的固定百分比也是不合适的，应该直接与树叶周长相关，而不是最大高度，因为图像周长特性比最大高度要稳定的多，比如叶柄的直、曲对树叶周长影响很小，而对树叶最大高度影响较大。
正因为最大高度不稳定，最后取消了第五个特征（最大高度/周长）对于识别的贡献，对于所有树叶该值均取为常数零。
也就是说，如果图像特征不稳定，则增加特征个数对于识别效果是不利的，反之则有利。
通过不断调试，图像总体尺度取树叶周长对应2000个像素，可识别的特征长度取为10，即总尺度的1/200。
所提取得图像特征如下：（1）roundness：归1化圆形度2 4CA评价树叶整体外形与圆形的近似程度，用于提取图像的“胖瘦”特性。
（2）ratio_anl_Nside：拐点平均间距与周长比描述树叶周边凹凸性的尺度，此值越小则表示树叶周边凹凸越尖锐。
（3）Ninflexion：拐点数理论上应为树叶周边凸包个数的两倍，实际由于最小特征尺度的选取和边界毛刺误差，具体提取的拐点数会有一定的随机性。
（4）ave_sideEnergy：平均边界能量取为边界上各采样点处转角平方和的平均，以能量的形式反映边界的复杂程度。
（5）ratio_Hm_Nside：最大高度/周长考虑到图像最大高度受叶柄的直、曲影响很大，其值很不稳定，因而会降低树叶识别效果，不再提取其实际值，直接赋值为常量零。
3 图像识别——LVQ神经网络[6-8]神经网络通过寻找输入/输出数据之间的关系，来实现特征提取和统计分来等模式识别任务。
经过几十年的发展，神经网络已经点定了在模式识别领域不可或缺的位置。
在模式识别的应用中，单层感知器是能一致逼近线性连续函数空间的最简单的神经网络，但是它具有其固有的局限性，即对非线性样本空间不可分。
BP网络是一种应用最为普遍的网络，其缺点在于采用了基于的梯度下降的非线性优化策略，有可能陷于局部最小问题，不能保证求出全局最小值。
其他一些优化策略如遗传算法、模拟退火算法等，虽然可以求得全局最小，但是计算量很大，有时会出现效率问题。
本论文尝试利用LVQ网络来实现模式识别，LVQ网络的优点是不需要将输入向量进行归一化、正交化，只需要直接计算输入向量与竞争层之间的距离，从而实现树叶图像的模式识别。
LVQ网络简介学习矢量量化的英文全称是Learning Vector Quantization，简称为LVQ。
LVQ算法是在有教师状态下对竞争层进行训练的一种学习方法，它是从Kohonen竞争算法演化而来的。
LVQ神经网络在模式识别和优化领域有这广泛的应用。
LVQ算法是对SOM算法的一种扩展，它的基本思想源于SOM算法，它对应的网络结构与SOM很相似，但并不像SOM网络那样存在某种特定的拓扑结构。
LVQ算法是一种监督类型的聚类方法，该算法与SOM算法最大的区别在于提供给LVQ网络的每个训练例都有一个“标记”（label），该“标记”用于知名每个训练例所属的类别，在网络的训练过程中起到一定的监督作用。
因此，LVQ算法实际上是SOM算法基本思想在监督学习领域中的一种应用。
学习矢量量化(LVQ)神经网络是在监督状态下对竞争层进行训练的一种学习算法，允许对输入被分到哪一类进行指定，竞争层将自动学习对输入向量分类，同时LVQ算法建立的决策区是近似最优的，另外由于LVQ 网络结构的特殊性，使得能够通过训练来识别由几个不连接区域构成的类，同时能以较小的计算量处理大量输入数据。
Kohonen学习规则Kohonen网络特征自动识别的聚类功能主要是通过以下两个简单的规则实现的[2]：记所有输出神经元C 组成的集合为Φ。
神经元C 与输入层神经元之问的连接权向量为W(1) 对于提供给网络的任一个输入向量ξ，确定相应的输出层获胜神经元s ，其中Φξ∈∀-=r W min arg s r r(2) 确定获胜神经元s 的一个领域N ，按照如下公式调整N ，范围内神经元的权向量：N c ))old (W ()old (W )new (W c c c ∈∀-+=ξα，该调整过程使得N 内神经元的权向量朝着输入向量ξ的方向靠拢。
随着学习的不断进行，学习速率α将不断减小，领域N 也将不断缩小。
所有权向量将在输入向量空间相互分离，各自代表输入空间的一类模式，这就是Kohonen 网络特征自动识别的聚类功能。