摘要：在對煙葉品質進行圖像處理過程中，借助MATLAB圖像處理工具箱和神經(jīng)網(wǎng)絡技術，對各種類型的煙葉的數(shù)字圖像進行計算機視覺分析，包括邊緣檢測、輪廓提取、用圖像工具箱抽取煙葉數(shù)字圖像特征，將待測煙葉樣本與標準煙葉樣本進行自適應學習訓練，最后迭到自動識別待測煙葉樣本的品質的智能評定，由此推進煙葉生產(chǎn)過程的技術創(chuàng)新。

1引言

煙葉是煙草工業(yè)的基礎原料，代寫論文 對煙草工業(yè)生產(chǎn)質量和煙草行業(yè)經(jīng)營效益具有舉足輕重的作用。對煙葉生產(chǎn)過程的各個環(huán)節(jié)包括煙葉品質的智能識別進行技術創(chuàng)新，提高品質和效率，是一個前沿研究方向[1][5]。

當前這一方面的研究，主要集中在數(shù)字圖像處理方面，把煙葉品質的數(shù)字圖像處理與神經(jīng)網(wǎng)絡技術相結合，實現(xiàn)煙葉品質的智能識別，是一個極有價值的工作。以下在此方面作出一個系統(tǒng)的、較為完備的、易于實際操作的研究。

2主要技術手段

2．1 MAⅡAB圖像處理工具箱

在MATLAB平臺上，借助圖像處理工具箱，可以簡易明快地實現(xiàn)對煙葉數(shù)字圖像的圖像處理。在煙葉生產(chǎn)一線，用數(shù)碼照相機對各種煙葉樣本進行拍照，輸入計算機，用MAT_LAB將它轉換為各(．bmp；．jpeg；．gif；．png；．t 圖片以便進行圖像處理。成本低，精確度高，宜于普及推廣。獲取各種類型的煙葉數(shù)字圖像以后，經(jīng)閾值使用權圖像二值化，可以當即辨識出這一圖像是否具有何種類型的病蟲害或品質異變。利用煙葉數(shù)字圖像的邊緣檢測、輪廓提取等分析命令，獲得待測煙葉的圖像參數(shù)和特征，再由神經(jīng)網(wǎng)絡技術，完成對煙葉品質的智能識別。

2．2神經(jīng)網(wǎng)絡技術

神經(jīng)網(wǎng)絡是一個新的智能識別工具。代寫畢業(yè)論文 經(jīng)過訓練的神經(jīng)網(wǎng)絡能夠存儲與過程有關的信息，能直接從歷史數(shù)據(jù)中學習，經(jīng)過用各種煙葉樣本訓練和學習的神經(jīng)網(wǎng)絡，能自動地識別出待測煙葉樣本的品質類型。而且，神經(jīng)網(wǎng)絡具有濾除噪聲及在有噪聲情況下得出正確結論的能力。這一點對于煙葉生產(chǎn)實際中大量存在各種噪聲信息的情況而言，特別重要。它特別適合在線識別。

3應用MATLAB圖像處理工具箱和神經(jīng)網(wǎng)絡技術對煙葉品質智能識別的操作過程

3．1煙葉圖片樣本庫的建立

用數(shù)碼相機或其它數(shù)字圖像采集工具，采集各種類型的煙葉的標準圖片，分類歸檔，借助MATLAB圖像變換功能，將各種類型的煙葉的標準圖片，轉換成各種圖片形式：．bmp；．jpeg；．sir；．png；．tif等，以便隨時調用。這些煙葉圖片，有不同品質的樣本；還有各種病蟲害標本和變異標本。

3．2用直方圖均衡來實現(xiàn)圖像增強

當從生產(chǎn)一線采集的煙葉待測樣本的圖像對比度較低，代寫碩士論文 即灰度直方圖分布區(qū)間較窄時，可用直方圖均衡實現(xiàn)灰度分布區(qū)間展寬而達到圖像增強的效果。

3．3煙葉圖像的邊緣檢測和特征提取

煙葉圖像的基本特征之一是圖像邊緣。圖像邊緣是圖像周圍像素灰度有階躍性變化或屋頂變化的像素的集合。煙葉的邊緣是由灰度的不連續(xù)性所致，因此考察圖像每個像素在某個鄰域內灰度的變化，利用邊緣鄰近一階或二階方向導數(shù)變化規(guī)律可以檢測煙葉圖像邊緣。圖像特征反映煙葉的幾何結構，如面積、周長、分形分維數(shù)、孔洞數(shù)、歐拉數(shù)等等。圖像特征的選擇是圖像識別的重要環(huán)節(jié)。運用二叉分類法在找出判別特征后，對不同的圖像特征由分類閾值按二分的方法進行分類；運用相似距離分類方法把待判圖像與一個標準圖像相比，標準圖像用樣本圖像特征向量的均值來表示。通過計算待判圖像與標準圖像之問的在相空間中的距離來判別圖像和進行分類。這一過程還為用神經(jīng)網(wǎng)絡技術實現(xiàn)對煙葉品質進行智能識別作出必要的準備。

3．4數(shù)字圖像矩陣數(shù)據(jù)的顯示及其傅立葉

變換這一變換的目的是為提取特征、進行神經(jīng)網(wǎng)絡模式識別等作出必要的準備。

這是使煙葉圖像性質更為優(yōu)良而采取的一個技術操作，源代碼如下：

I=imread ("yangshuo．tif#39;)；imshow (I)；

figure，imhist(I)；

[J，T]=histeq (I，64)；

％圖像灰度擴展到0-255，但是只有64個灰度級

figure，imshow (J)；

figure，imhist(J)；

figure，Dlot((0：255)／255，T)；％轉移函數(shù)的變換曲線

J=histeq (I，32)；

figure，imshow 0)；

％圖像灰度擴展到0～255，但是只有32個灰度級

figure，imhist(J)；

3．6采用二維中值濾波函數(shù)對受椒鹽噪聲干擾的圖像濾波

MATLA圖像處理工具箱具有強大的功能，能夠對噪聲干擾的煙葉圖片進行消噪處理，模擬源代碼如下：

I=imread ("eight．tif#39;)；

imshow (I)；

J2=imnoise (I，"salt&pepper ，0．04)；

％疊加密度為0．04 的椒鹽噪聲

figure，imshow 02)；

I_Filterl=medfdt2 （J2，[3 ，3])；

％窗口大小為3x3

figure．imshow (I Fiher1)；

I_Filter 2=medfdt2 （J2，[5， 5])；

％窗口大小為5x5

figure，imshow (I_Filter2)；

I_Filter3=medf#39;dt2 （J2，[7， 7])；

％窗口大小為7x7

figure，imshow (I_Filter3)；

3．7用神經(jīng)網(wǎng)絡技術對煙葉圖像進行智能識別

神經(jīng)網(wǎng)絡作為一種自適應的模式識別技術，并不需要預選給定有關模式的經(jīng)驗知識和判別函數(shù)，它能通過自身的學習機制自動形成所要求的決策區(qū)域。網(wǎng)絡的我由其拓樸結構、神經(jīng)元特性、學習和訓練規(guī)則所決定，它可以充分利用狀態(tài)信息，對不同狀態(tài)一一進行訓練而獲得某種映射關系，并且，網(wǎng)絡可以連續(xù)學習，即使環(huán)境變異，這咱映射關系可以自適應調整。在上面各節(jié)獲取煙葉圖像特征基礎之上，可以用神經(jīng)網(wǎng)絡技術進行圖像模式識別。例如，基于概率神經(jīng)網(wǎng)絡PNN的煙葉品質智能識別，它的主要優(yōu)點是：快速訓練，訓練時問僅略大于讀取數(shù)據(jù)時間；無論分類多么復雜，只要有足夠的訓練數(shù)據(jù)(而這是煙葉生產(chǎn)一線可以做到的)，就可以保證獲得貝斯葉準則下的最優(yōu)解，允許增加或減少訓練數(shù)據(jù)而無需重新進行長時間訓練。這一神經(jīng)網(wǎng)絡對于煙葉品質的圖像識別，具有重要意義。

4結論

基于計算機視覺和神經(jīng)網(wǎng)絡技術的煙葉品質識別的數(shù)字圖像處理方法，代寫醫(yī)學論文 是煙葉生產(chǎn)環(huán)節(jié)的一種技術創(chuàng)新，它可以在煙葉生產(chǎn)一線普及推廣，簡便易行，能夠較大地提高煙葉品質檢測的效率和質量，以及自動化程度和智能化水平。

參考文獻

[1]于潤偉．基于圖像處理的稻米堊白自動檢測研究[J]．中國糧油學報，2007，1：122—124．

[2]章毓晉-圖像處理和分析[M]．北京：清華大學出版社，1999．

[3]崔屹．圖像處理與分析——數(shù)學形態(tài)學方法及其應用[M]．北京：科學出版社，2000．

更多計算機與外設信息請關注：21ic計算機與外設頻道