2012年2月第27卷第2期
中国粮油学报
Journal of the Chinese Cereals and Oils Association Vol．27，No．2
Feb.2012
基于图像处理的花生荚果品种识别方法研究
韩仲志
邓立苗
于仁师
（青岛农业大学理学与信息科学学院，青岛266109）
摘
要为实现品种鉴定与真伪识别的自动化，基于图像识别的方法，采用扫描仪采集了20个品种，每
个品种100颗花生果正面和2个侧面的图像，分别获取每幅图像的形态、颜色和纹理三大类共50个特征，并对
这些特征进行主分量分析（PCA ）优化，针对优化和没有优化的特征，搭建了人工神经网络识别模型和支持向
量机模型，并采用两种模型进行品种识别，结果表明，采集的特征经PCA 优化后表现出更强的识别性能，SVM 较神经网络识别效果总体上得到提高，并且识别效果稳定。品种的数量对识别效果有影响，在通常情况下可
根据品种的数量来确定特征的数量，可以进一步提高效率，对20个品种，需要选择超过15个特征。颜色类特征比形态类和纹理类特征具有更好的识别效果，经过不同类别的特征组合后，整体上识别性能达到90%以上，基本可以推广到实际生产中使用。
关键词
花生荚果
品种识别
神经网络支持向量机主分量分析
中图分类号：S126
文献标识码：A 文章编号：1003－0174（2012）02－0100－05
基金项目：国家农业转化基金（2010GB2C600255）、山东省自然
科学基金（ZR2010CM039）、山东省科技攻关项目（2009GG10009057）、青岛市科技发展计划（11－2－3－20－nsh ）
收稿日期：2011－05－28
作者简介：韩仲志，男，1981年出生，讲师，农业图像处理通讯作者：于仁师，男，1963年出生，副教授，农业信息化
我国花生产量居世界第一，并且新品种的数目很多，花生品种鉴定与检测是花生新品种选育的重
要内容。我国的花生DUS 测试指南［1］
（简称指南）
规定花生荚果形态特征为主要性状，数据采集主要依靠目测分级及手工测量，存在速度慢、精度低、客观性差等问题。而且，随着注册品种增加，客观上要求添加新的性状以区别类似品种。
图像处理技术和生物化学技术与分子技术一样，是国际植物新品种保护联盟（UPOV ）认可的植物DUS 测试新技术［2］。图像处理技术通过采集种子外观特征数据，并根据这些特征鉴别不同品种。韩仲志等
［3－4］
基于图像的外观表现型提取了玉米种子的
数十个特征，基于这些特征采用软件分析方法，证实了图像处理技术在玉米种子检验过程的应用可能；作者曾深入探讨了花生籽仁在品种识别中的作用
［5－7］
，也得出了较好的结论。另外图像处理的方法
还用在了诸如小麦
［8］
、水稻［9］
等其他作物上，然而在
花生荚果种子品种识别检验过程中使用此方法较少。花生荚果作为花生重要的器官，具有重要植物分类学和作物学地位，
是新品种DUS 测试的重要对象。一些遗传因素和环境因素会反映在荚果外观表
现上，进而能够鉴别不同的品种。基于这一点，本研究主要探讨了花生荚果识别过程中特征数量、特征
优化算法、
识别模型、样本数量、以及特征组合等对识别率的影响，以进一步考察识别过程中的关键影
响因素。
1
材料与方法
1．1
试验材料
供试的花生品种共有20个，均来自农民自留
种，试样品种分别来自河北、山东日照、潍坊、青岛和莱阳主要花生产区，
主体北方大花生品种（表1）。每个品种选取正常无破损100粒带壳花生种子。
表1
试验材料
编号品种产地编号品种产地编号品种产地编号品种产地1冀花2号河北6潍花8号莱阳11矮2莱阳16鲁花9号日照2冀花4号河北7花育22莱阳12莱农13号莱阳17p12潍坊3冀花5号河北8花育25青岛13鲁花11青岛18未知1
潍坊4中农108河北9青花6号
青岛1416－2
青岛19未知2潍坊5天府3号河北10101花生日照15小白沙
日照20未知4
潍坊
用扫描仪采集图像，扫描式按固定次序与方向将种子摆放于扫描仪上，将扫描仪盖板完全打开进行图像扫描。因为背面图像很难获取，为获得更为全面的图像，分别对每一品种荚果进行正面和侧面扫描，如图1。
第27卷第2期韩仲志等
基于图像处理的花生荚果品种识别方法研究
图1
扫描图像样片
试验用的扫描仪型号为佳能CanoScan 8800F ，
平板式CCD 扫描仪，光学分辨：4800dpi ?9600dp ；最大分辨率：19200dpi ，扫描范围：216?297mm ；使用的计算机为联想ideaCentre Kx 8160：CPU 为Intel 酷睿2四核Q83002．5GHz ，内存DDRIII4G ；闪存1G ，硬盘500G ；Winows XP 操作系统。1．2
特征提取与特征优化
图像的预处理包括图像的增强、去噪、中值滤波、边缘检测、形态学操作和图像的色彩空间转换等常规的预处理方法。提取的外观特征共分3大类50个特征，其中颜色特征、形态特征和纹理特征分别从彩色图像、二值化图像和纹理图像获取。形态类包括反映大小的有8个：面积、长轴长、短轴长、长度、宽度、周长、等面圆直径、凸形面积；反映形状的有5个：椭圆度、矩形度、圆形度、紧凑度、凹凸比；颜色类包括RGB 颜色空间的三个分量的均值、方差、偏度和峰度与HSV 颜色空间三个分量的均值、方差、偏度和峰度；纹理类包括灰度图像均值、方差、平滑度、三阶矩、一致性、熵；及包括反映种子图像灰度值次数分布特点的7个统计不变矩。对这些特征的定义参见
相关文献［
10－12］。图像预处理和特征提取过程均基于Matlab R2008a 软件编程实现。
传统的特征降维与优化是基于二阶统计量进行
的主分量分析（PCA ）方法［10］
，
PCA 是统计学中分析数据的一种有效的方法，其目的是在数据空间中找
一组向量以尽可能地解释数据的方差，将数据从原来的R 维空间降维投影到M 维空间（R ＞M ），降维后保存了数据中的主要信息，从而使数据更易于处理。PCA 方法是沿数据集方差最大方向寻找一些相互正交的轴，主成分分析方法是一种最小均方误差下的最优维数压缩方法。
1．3
识别模型的构建
本试验所涉及的识别模型为BP 人工神经网络算法和支持向量机模型。BP （Back Propagation ）神经网络是一种按误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、隐层和输出层，共三层结构
［13］
。本试验所取各层神经元数
目为50－17－20，输入层为特征数共50个，输出层为20个品种，隐含层神经元数目目前没有理论上的指导，选用的17为多次实验得到最佳值。
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，以期获得最好的推广能力。支持向量机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。在分开数据的超平面的两边建有2个互相平行的超平面。建立方向合适的分隔超平面使2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［2］
。鉴于本试验
需要对多个品种进行识别，所以本试验需要构建一
个多类SVM 分类模型
［14］
，类别数为20。
2
结果与分析
2．1
特征对识别模型的影响
通过特征提取每个籽粒的50个特征，由于每个
品种100粒花生，共20个品种，所以得到2000?50
的统计特征矩阵。基于这些统计特征分别使用人工神经网络（ANN ）和支持向量机（SVM ）算法进行特征识别，由于上述统计特征数据量大，而且特征之间存在大量的信息冗余，所以有必要进行数据降维和特
征优化。试验中使用了PCA 方法进行优化，将优化后的特征，作为ANNs 和SVM 的输入，得到识别结
果。图2是两种模型对不同处理特征的识别效果。可见随着特征数量的增加，识别率总体上是增加的，当特征数量达到一定数值后，数量的增加对识别率增加影响不太明显，进一步增加特征数量将不能有效的提高识别率。
1
01
中国粮油学报2012年第2
期
图2
两种模型对不同处理特征的识别效果
另外，
PCA 特征较原始的统计特征在同一种识别模型上都表现出一定的优越性，可见，在提取到反映作物本身的特征后，有必要对这些特征进行PCA 分析，进一步去除数据冗余，提高识别效果。容易发现神经网络的识别能力较SVM 的识别能
力要差很多，特别在特征数量较大的情况下，SVM 能充分发挥算法的优越性，而神经网络显得逊色不少。
还有就是神经网络由于初始权值是由系统随机给出，所以带来识别结果的不稳定性，图2中是识别每个数据为相应条件下识别10次得到的最高值。但还是不能有效消除不确定性，建议在将来的试验中，将识别次数重复200次以上，从而减少这种干扰。在使用PCA 特征时主分量的个数影响着识别结果，图3中列出了前5个主分量的贡献率和累积贡献率，可见当主分量个数达到5个时，此时测得累积贡献率大于85%，已经能够在很大程度上代表原始统计特征的主要信息
。
图3前5个主分量贡献率与累积贡献率
2．2
样本数量对识别结果的影响
试验中采集的品种数量共20个，随着样本数量
的增加，数量从1增加到20，识别效果总体上呈下降趋势。图4是选择5个特征时，
SVM 模型中统计特征和PCA 特征在样本增加时的识别率表现
。
图4
SVM 在样本增加时的识别率
容易看出总体上PCA 特征较原始统计特征在识
别率上能够提高10%左右，并且使用5个特征，在类别较少时能够区分不同的品种，如两个品种的二分类，原始统计特征和PCA 特征识别率分别达到88%和91%，当品种增加到20个时，这一数字下降到45．3%和51．6%。然而，在现实品种识别过程中，涉及的品种数目往往较少，采用较少的PCA 特征能够完成这一任务。基于PCA 特征的SVM 模型是一种识别过程中的优选模型。2．3
特征类别及组合对识别率的影响
为考察不同类别的特征对品种识别的影响，将
三大类特征分别计算，
得到的识别率效果如表2。针对20个品种，单独使用原始统计特征，形态类、颜色
类、纹理类特征的识别率分别达到了55．7%、97．9%和85%，经过PCA 优化后，识别率提高到98．7%、
99%和99．1%。PCA 优化对形态类和纹理类特征的优化效果明显，使用特征组合后不管是形态+纹理、颜色+纹理、还是形态+颜色，识别率都达到了99%以上，基本上能够对对所有品种进行检出。统计特征和PCA 优化特征对品种识别率的影响不大，究其原因是，当特征数量比较多的情况下识别率已经达到了较高的水平，而且特征之间纯在一定的冗余信息，特征的增加并不能进一步提高识别率。
表2特征组合的识别效果
统计特征
PCA 优化形态
颜色纹理形态颜色纹理形态55．7
10098．898．7
99．999．0颜色97．7
10099．0
99．5纹理
85．0
90．1
3
讨论
植物器官的大小取决于细胞的分裂与生长，形
状主要依赖于细胞分化，颜色则与显色物质的代谢密切相关，纹理则是细胞分裂、生长、分化与代谢相互作用的最终形态体现。因此，可以大体上认为这4种属性的性状之间是相互独立的，另外遗传力与识
2
01
第27卷第2期韩仲志等基于图像处理的花生荚果品种识别方法研究
别率之间存在高度的正相关关系［10］。本研究中花生荚果图像特征的确定就是基于这点认识。
采用图像处理方法的作物种子识别，不仅可以替代部分人工测量，获得更高精度的结果，而且还能够提供新的DUS候选性状［3］，供遗传育种家参考。本研究发现花生荚果图像的特征提供了有价值的品种性状，采用合适的模型能够对种子的真伪进行有效鉴别。PCA优化特征总体上比原始统计特征具有更好的识别性能，三大类特征中，颜色特征的识别效果明显较形态和纹理特征好。原因是采集的颜色特征数量较多，还有可能品种由于种植在不同地区土壤条件差别较大，以及品种本身遗传上的颜色差别所至。反映形态特征在品种识别中并不是好的特征，可能是由于产地的不同、土壤环境等影响着花生荚果的发育。前人在研究亚麻品种识别时证实了这一点，仅用4个形态性状无法正确区分53个亚麻品种类群，增加3个颜色性状后，获得了理想的类群［13］。
所采集的花生品种均来自农民的自留种，由于这些种子在多年的种植过程中不可避免的会产生品种的混叠，导致品种不纯，造成识别结果上的偏差，更多的采集育种家种子进行进一步测试将会使检测结果更好，更有说服力。
本研究主要是识别不同的品种，有涉及识别同一品种的良莠问题，对同一品种的良莠的鉴别是品种检测中的一个重要问题，对其准确鉴别仅使用图像识别的方法可能识别结果并不是太理想，品种的良莠更多的是反映在品种的生命力、品种环境适应性及品种的丰产基因上体现出来，可能还需要更多的化学以及生物培育方法来鉴别。
虽然本研究适用于品种的真伪测试，及适用于遗传育种及种质资源保护领域。然而只是这个领域的初步结果，所以，在正式用于品种测试和鉴定之前，有必要进一步扩大测试品种数量，进一步考察候选性状的品种间多样性、品种内一致性、地点年际间稳定性。
4结论
为实现品种鉴定与真伪识别的自动化，采用图像识别的方法，采集了20个品种，每个品种100颗花生果正面和2个侧面的图像，分别获取每幅图像的形态、颜色和纹理三大类共50个特征，对这些特征进行PCA优化，针对优化和没有优化的特征，搭建了人工神经网络识别模型和支持向量机模型进行品种识别，结果表明，采集的特征经PCA优化后表现出更强的识别性能，SVM较神经网络识别效果总体上得到提高，并且识别效果稳定。品种的数量对识别效果有影响，在通常情况下可根据品种的数量来确定特征的数量，可以进一步提高效率。颜色类特征比形态类和纹理类特征具有更好的识别效果，经过不同类别的特征组合后，整体上识别性能达到90%以上，已经基本可以推广到实际生产中使用。
参考文献
［1］农业部植物新品种测试（广州）分中心．花生新品种DUS 测试性状照片拍摄规范［S］．中国农业出版社，北京，2010，6
［2］杨雪．支持向量机多类分类方法的研究［D］．哈尔滨：哈尔滨工程大学，2006：17－22
［3］赵春明，韩仲志，杨锦忠，等．玉米果穗DUS性状测试的图像处理应用研究［J］．中国农业科学，2009，42（11）：4100－4105
［4］韩仲志，赵友刚，杨锦忠．基于籽粒RGB图像独立分量的玉米胚部特征检测［J］．农业工程学报，2010，26（3）：222－226
［5］韩仲志，赵友刚．基于计算机视觉的花生品质分级检测研究［J］．中国农业科学，2010，43（18）：3882－3891
［6］韩仲志，赵友刚．基于外观特征识别的花生品种与品质检测方法［J］．中国粮油学报，2009，24（5）：123－126
［7］韩仲志，赵友刚．花生外观品质品种图像分析与系统仿真［J］．中国粮油学报，2010，25（11）：114－118
［8］Sakai N，Yonekawa S，Matsuzaki A．Two－dimensional image analysis of the shape of rice and its application to separating varieties［J］．J Food Eng，1996，27：397－407
［9］Dubey B P，Bhagwat S G，Shouche S P，et al．Potential of arti-ficial neural networks in varietal identification using mor-phometry of wheat grains［J］．Biosyst Eng，2006，95（1）：61－67
［10］杨锦忠，张洪生，郝建平，等．玉米果穗图像单一特征的品种鉴别力评价［J］．农业工程学报，2011，27（1）：196－
200
［11］郝建平，杨锦忠，杜天庆，等．基于图像处理的玉米品种的种子形态分析及其分类研究［J］．中国农业科学，2008，41（4）：994－1002
［12］杨锦忠，郝建平，杜天庆，等．基于种子图像处理的大数目玉米品种形态识别［J］．作物学报，2008，34（6）：
1069－1073
［13］庞涛涛，姚建斌，杜黎明．人工神经网络分类鉴别苦丁茶红外光谱［J］．光谱学与光谱分析，2007，27（7），1336－
1339
［14］韩仲志，杨锦忠．多类SVM分类算法玉米品种识别中的应用研究［J］．农机化研究，2010，32（11）：159－163．
301
中国粮油学报2012年第2期Study on Variety Identification of Peanut Pods
Based on Image Processing
Han Zhongzhi Deng Limiao Yu Renshi
（College of Information Science and Engineering，Qingdao Agricultural University，Qingdao266109）
Abstract In order to realize the automation of peanuts variety identification and recognition，based on image rec-ognition method，we have obtained the20varieties images of peanut pods by scanner．Each pod includes one front and two side images of100peanuts respectively．For each image，we have acquired50characteristics including shape，color and texture categories and PCA optimization is conducted on these characteristics．Directed at the characteristics opti-mized by PCA and none，we construct the artificial neural network models and support vector machine model to identify different species．The results show that the acquisition features optimized by PCA show stronger recognition performance and SVM has higher recognition effect and more stability than neural network．The number of species affects the identifica-tion results．Under normal circumstances，we can determine the number of species by the number of features to improve the recognition efficiency．For20varieties，selecting more than15features is more appropriate．Features of color have better recognition results than texture and morphological character．Combining the characteristics of different categories，the overall recognition performance can reach more than90%，which basically can be extended to actual production use．Key words peanut pods，variety identification，neural network，support vector machine，
檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪
principal
（上接第99页）
［18］曾力，李妍琰．基于GIS的粮食物流配送系统［J］．计算机与数字工程，2009，37（7）：64－67
［19］甄彤，张秋闻．基于GIS的粮食配送决策支持系统分析与设计［J］．计算机应用研究，2009，26（4）：1398－1401［20］夏正茂，梁家荣．基于Rough集的物流决策支持系统的应用研究［J］．计算机应用，2006，26（S1）：272－274［21］王富忠，沈祖志．物流敏捷调运决策支持系统的研究［J］．中国管理科学，2011，19（1）：84－90．
Study on Agile Scheduling Optimization Technology
of Cereals，Oils and Food Logistics
Wang Fuzhong1Liu Yunxia1Shen Zuzhi2
（School of Economics and Management，Zhejiang University of Science and Technology1，Hangzhou310023）（School of Management，Zhejiang University2，Hangzhou310058）
Abstract In the current foreign and domestic researches，some useful knowledge rules urgently need to be stud-ied or proposed from theoretical and practical aspect，which can improve the distribution ability of cereals，oils and food logistics．The paper proposes seven knowledge rules which can support agile scheduling plan of cereals，oils and food logistics to produce and solve quickly，and based on these rules，the paper researches single type and multi－type of goods optimization problems．By decomposing the problems into four optimization sub－problems，the paper con-structs four general models and solving algorithms．The test example shows that the proposed algorithms in the paper has a low empty loading rate and freight turnover volume，and realize a good loading effect for single and multi－type goods under different vehicles tonnage sequence．
Key words cereals and oils and food logistics，agile scheduling，knowledge rules
401
中北大学 课程设计说明书 学生：王瑞学号：39 学院：信息商务学院 专业：电子信息工程 题目：图像伪彩色处理方法研究 指导教师：英亮平职称: 副教授
2013 年12 月26 日 中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：王瑞学号：39 学生姓名：齐学号：36 学生姓名：穆志森学号：26 课程设计题目：专业综合实践之多维信息处理部分： 图像伪彩色处理方法研究 起迄日期：2013年12月16 日～2013年12月27日 课程设计地点：电子信息工程专业实验室 指导教师：英亮平 系主任：王浩全
下达任务书日期: 2013年12月15 日课程设计任务书
课程设计任务书
目录 1.1伪彩色图像处理原理 (1) 1.2伪彩色增加的目的 (2) 1.3伪彩色图像处理增强的方法 (2) 2.1 源程序执行原理 (4) 2.2 源程序 (5) 2.3实验结果 (6)
3.1学习心得 (7) 参考文献 (8) 1.1伪彩色图像处理原理 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术，又称为计算机图像处理。扩展了人眼的视觉围，使之跳出传统的可视界限，在人类生活发展的各个方面至关重要。如何用计算机系统解释图像，形成了图像的理解或称为计算机视觉的理解外部世界。 所谓伪彩色图像处理，就是将图像中的黑白灰度级编程不同的彩色，如过分层越多，人眼所能提取的信息也多，从而达到图像增强的效果。这是一种视觉效果明显，又不太复杂的图像增强技术。伪彩色图像处理技术不仅适用于航空摄影和遥感图片，也可用于x光片及云母的判读等处理中。实现伪彩色处理的主要方法主要有密度分割法、灰度级-伪彩色变换法、频域伪彩色处理等多种方法。我
花生优质高产栽培技术 花生为豆科，落花生属一年生双子叶草本植物。又名落花生、长生果、长生果、地豆、落花参、落地松、成寿果、番豆无花果、地果、唐人豆。起源于南美洲热带、亚热带地区。约于十六世纪传入我国，十九世纪末有所发展。现在全国各地均有种植，主要分布于辽宁、山东、河北、河南、江苏、福建、广东、广西、四川等省（区）。其中以山东省种植面积最大，产量最多。 一、生物形态特征 花生的品种类型很多，以生育期来分，有早熟种(100天以下)、晚熟种(160天以上)、中熟种(130-160天)；以荚果大小来分，有大花生(百仁重80克以上)；中粒型(百仁重50-80克)；小花生(百仁重50克以下)；根据花生的特征特性及经济性状等又可分为普通型、珍珠豆型、多粒型、龙生型四种类型。 花生为圆锥根系，入土可达2米,但主要分布在地面下30公分左右的耕作层中。根上着生直径1-3毫米的豇豆族根瘤菌。 主茎直立，绿色,有的品种带有不同深浅的花青素，中上部呈棱角状，中空。主茎高度因品种和栽培条件而异,高的可达1米以上。主茎上生第1次分枝,其与主茎的角度因品种类型而异，约30-90°。通常直立型花生主茎高于分枝，匍匐型或半蔓型则分枝比主茎长。1次分枝上着生2次分枝和花序。 叶互生，为4小叶偶数羽状复叶，某些品种也可见多小叶的畸形叶，有叶柄和托叶，小叶片椭圆、长椭圆、倒卵和宽倒卵形，也有细长披针形小叶，叶面较光滑,叶背略显灰色，主脉明显,有茸毛，叶柄和小叶基部都有叶枕，可以感受光线的刺激而使叶枕薄壁细胞的膨压发生变化，导致小叶昼开夜闭，闭合时叶柄下垂。 总状花序,每个花序一般可着生4-7朵花,多的可达10朵以上而形成长花枝，蝶形花，橙黄色，旗瓣上带有深浅程度不同的紫红色条纹。雄蕊10个，2个退化，8个具有花药。柱头羽毛状,子房基部有子房柄，受精后一群能分生的细胞迅速分裂，约经3-6天伸长形成绿色带紫的棍状物，称果针，一般长10-15公分。有时可见花萼管基部套在果针梢端上，顶着受精后已凋萎的花器。这时子房位于果针的梢端，外有若干层细胞的帽状物保护。 果针伸长后向地生长，将子房送入土中，达到一定深度后，子房开始向水平方向生长发育而形成荚果。这时需要黑暗条件。荚果本身也有一定的吸收功能，其发育所需要的钙质，都由荚果直接从土壤中吸收。果针入土的难易与花在植株上着生的位置有关。开花部位过高，或因茎枝过于纤弱，遇风雨时易变动位置，因而影响果针向地的角度，入土较难。匍匐型花生的果针由于距离土面近，角度适宜，入土结荚率最高。直立或丛生型花生如茎枝节间短,近主茎基部多分枝且能连续开花的,才有较高的入土结荚率。
醋泡花生米 【主要原料】 花生米、醋。 【制作方法】 将花生米浸泡入醋中，7天后取出，每晚7粒。 【主要功效】 主治高血压病。血压下降后可隔数日服一次。 花生含脂肪40％～50％，是大豆的两倍，比油菜籽还高。含蛋白质30％左右，相当于小麦的两倍多，是大米的三倍。而且花生易被人体吸收，消化系数在90％左右。此外，花生还含有核黄素、钙、磷、卵磷脂、胆碱、不饱和脂肪酸以及多种维生素，因此花生亦称“长生果”。 花生的益寿作用主要有：（1）食用花生可使人体肝内胆固醇分解为胆汁酸，使其排泄增强，从而降低胆固醇。（2）花生仁红衣（花生仁皮）能抑制纤维蛋白的溶解，促进血小板新生，加强毛细血管的收缩功能，对血小板减少、肺结核咳血和泌尿道出血等疾病患者有好处。 而作为花生的“绝配”——醋，不但可使菜增加鲜、甜及香味，而且具有增进食欲、促进消化、杀菌等功效，尤其是对过咸、过腻的食品，加上点醋可降咸味，减少腻感。 醋与花生的“天仙配”是科学的，这在于花生米的价值突出在含有人体所需要的不饱和脂肪酸，但毕竟脂类含量高、热量大、有油腻感。而醋中的多种有机酸恰是解腻又生香的，因此用醋浸泡花生米一周以上，每晚吃7～10粒，连吃一周为一个疗程，可降低血压，软化血管，减少胆固醇的堆积，可谓两全其美！但需注意的是，食用要适量，最多十几粒，吃后一定及时漱口，否则对牙齿不利。熟、生花生米均可（最好是生的连皮吃，效果更好）。 醋泡花生米降血压和血脂 用料：花生米、醋各适量。 制法：花生米放在醋中浸泡7天。 用法：每日早晚各吃10颗。血压下降后可隔数日服一次。 功效：清热、活血。对保护血管壁、阻止血栓形成有较好的作用。
图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning
黑花生简介 一、黑花生介绍 黑花生,也被称作富硒黑花生,黑粒花生，晴仁谷花生。黑花生是内含钙、钾、铜、锌、铁、硒、锰和8种维生素及19种人体所需的氨基酸等营养成分，还富含硒、铁、锌等微量元素和黑色素的新品种。黑花生与红花生相比，粗蛋白质含量高5%，精氨酸含量高23.9%，钾含量高l9%，锌含量高48%，硒含量高101%。黑花生富含18种氨基酸，氨基酸总量为27.57%，仅次于黑大豆，必需氨基酸比例占22.90%。 二、黑花生的价值 1、经济价值 山东莱阳一品蔬菜开发中心：黑花生报价9元/斤， 淄博裕然农业有限公司：黑花生报价9元/斤。 业内人士分析，后期嫩花生零售价将围绕每斤7元上下波动，但波动幅度不会很大。 2、药用价值 据医疗部门做理疗实验，黑粒花生具有延年益寿，益智养发，抗衰老，抗癌细胞扩散增生等疗效。还具有降压、减缓支气管炎的神奇药用价值。医学专家推荐，每天生食9粒（分3次吃）黑花生果仁，能使白发变黑，血压正常及预防因缺少人体需微量元素而造成的多种病症。有着极大的种植价值和作为保健食品开发的潜在市场，更是新春佳节馈赠亲朋好友的极佳的农特产品。 三、黑花生的栽培管理技术 一、种植黑花生前的四个准备：
1、种植地块选择：选择空气、土壤、水源没有受到任何污染的地块。 2、土壤选择：不可选用太肥沃的土地，以油沙地为最佳。要求地势平坦，排灌方便。 3、栽培时间：3月上旬至5月上旬均可种植。 4、种子处理：剥壳前先晒种3天，剥壳后把有病虫害、已发芽、损伤不能用的果仁剔出，其余分为大、小种子，分级播种。不宜将大小不同的种子混播。每亩用种子9公斤至10公斤，用“生物灵”营养液每支对水15公斤浸种3小时，以增加种子养分；同时用乐果50克进行种子消毒。在播种前每亩用400克多菌灵进行土壤消毒。 二、地块选择: 花生是地上开花，地下结果的作物，对土壤的要求是以耕作层疏松，活土层深厚砂壤土最为适宜。但以黄棕壤土适宜种黑花生。据正阳土壤普查测定每1／15公顷产荚果500kg以上的黄棕壤地块，其土体结构是全土层厚度的45cm以上，熟化耕作层在30cm左右，结荚层是松软的壤土层。土壤质地是l0cm以下的黏土层；10cm-30cm为粉砂黏土层。这样土体结构，其毛管孔隙上小下大，非毛管孔隙上大下小，上层土壤的透性能良好，下层土壤的蓄水保肥能力强，热容量高，使土壤中的水、肥、气、热得到协调统一，有利于花生生长和荚果形成。 三、整地施肥 : 在播种前选择好活土层深厚，土壤肥沃，排灌方便的黄棕壤地块。在秋收后进行深耕，开春后进行浅耕多耙，即耙深耙透，耙实耙平，地平土碎无坷垃、无暗岱，无杂物。每亩施优质有机肥2500kg-3000kg，二铵20kg-25kg，尿素10kg，氯化钾12.5kg-15kg。 四、起垄作畦:
花生汤的4种不同做法 花生汤的做法：猪手花生汤 材料 猪手，花生，香菜，胡椒粉，盐 做法 1.猪手，花生一起放高压锅煮30分钟 2.出锅前加入香菜，盐，胡椒粉 花生汤的做法：猪尾花生汤 材料 白糖，猪尾，花生，盐，鸡精。 做法 高压锅上炉，大火热油，爆香姜片，倒点白糖，等白糖呈淡棕色时倒入猪尾。盖盖，免得热油溅出伤人。摇摇锅，等爆炸声降低后开盖翻炒，倒入花生，再翻炒，加水。开着盖，等水开了，加盐，鸡精，调好味道，撇净浮沫。不撇浮沫的话有时候浮沫会堵住高压锅的出气孔，结果高压锅漏水，弄得灶台上很脏，还得擦半天。盖盖，调小火，高压锅小气闷20分钟。高压锅不用大气，免得汤汤水水喷的到处都是。20分钟后熄火，高压锅自来水凉水减压，开锅，倒出这花生猪尾汤。这猪尾没什么稀奇的，这花生其貌不扬，筷子夹一粒确是入嘴即化，说它软糯鲜香真是毫不为过。猪尾其实不用煸，凉水放姜片煮开就可以。我觉得这道汤用
牛尾，猪蹄，猪排，鸡块来做，花生都会一样好吃。 花生汤的做法：黑木耳生姜红枣花生汤 材料 黑木耳20克，生姜10克，红枣10克，花生米10克，清水500ml 做法 1.a.准备阶段 2.黑木耳提前用冷水泡发 3.红枣10克提前用冷水浸泡约10分钟洗净 4.洗净的红枣用刀在枣身上划一刀 5.剔除去里面的枣核 6.把所有的枣都剔核 7.花生米10克提前用冷水浸泡约10分钟 8.b.煮制过程 9.锅内放入清水500ml，放入准备好的所有食材，大火煮开 10.煮开后水面上会有大量的浮沫，用勺子撇去 11.再转小火煮至汤汁剩一半时即可 花生汤的做法：莲藕猪脚花生汤 菜谱简介莲藕猪脚花生汤，健脾养血，润肤美容，秋冬喝正合时宜。 材料 莲藕1节，猪蹄1只，火腿1小块，花生一把，蜜枣1-2颗做法 1、猪蹄、蜜枣、花生、水先煮;
一般来说，图像识别就是按照图像地外貌特征，把图像进行分类.图像识别地研究首先要考虑地当然是图像地预处理，随着小波变换地发展，其已经成为图像识别中非常重要地图像预处理方案，小波变换在信号分析识别领域得到了广泛应用. 现流行地算法主要还有有神经网络算法和霍夫变换.神经网络地方法，利用神经网络进行图像地分类，而且可以跟其他地技术相互融合.个人收集整理勿做商业用途 一神经网络算法 人工神经网络（，简写为）也简称为神经网络（）或称作连接模型（），它是一种模范动物神经网络行为特征，进行分布式并行信息处理地算法数学模型.这种网络依靠系统地复杂程度，通过调整内部大量节点之间相互连接地关系，从而达到处理信息地目地.个人收集整理勿做商业用途 在神经网络理论地基础上形成了神经网络算法，其基本地原理就是利用神经网络地学习和记忆功能，让神经网络学习各个模式识别中大量地训练样本，用以记住各个模式类别中地样本特征，然后在识别待识样本时，神经网络回忆起之前记住地各个模式类别地特征并将他们逐个于样本特征比较，从而确定样本所属地模式类别.他不需要给出有关模式地经验知识和判别函数，通过自身地学习机制形成决策区域，网络地特性由拓扑结构神经元特性决定，利用状态信息对不同状态地信息逐一训练获得某种映射，但该方法过分依赖特征向量地选取.许多神经网络都可用于数字识别，如多层神经网络用于数字识别：为尽可能全面描述数字图像地特征，从很多不同地角度抽取相应地特征，如结构特征、统计特征，对单一识别网络，其输入向量地维数往往又不能过高.但如果所选取地特征去抽取向量地各分量不具备足够地代表性，将很难取得较好地识别效果.因此神经网络地设计是识别地关键.个人收集整理勿做商业用途 神经网络在图像识别地应用跟图像分割一样，可以分为两大类： 第一类是基于像素数据地神经网络算法，基于像素地神经网络算法是用高维地原始图像数据作为神经网络训练样本.目前有很多神经网络算法是基于像素进行图像分割地，神经网络，前向反馈自适应神经网络，其他还有模糊神经网络、神经网络、神经网络、细胞神经网络等.个人收集整理勿做商业用途 第二类是基于特征数据地神经网络算法.此类算法中，神经网络是作为特征聚类器，有很多神经网络被研究人员运用，如神经网络、模糊神经网络、神经网络、自适应神经网络、细胞神经网络和神经网络.个人收集整理勿做商业用途 例如神经网络地方法在人脸识别上比其他类别地方法有独到地优势，它具有自学习、自适应能力，特别是它地自学能力在模式识别方面表现尤为突出.神经网络方法可以通过学习地过程来获得其他方法难以实现地关于人脸识别规律和规则地隐性表达.但该方法可能存在训练时间长、收敛速度慢地缺点.个人收集整理勿做商业用途 二小波变换 小波理论兴起于上世纪年代中期，并迅速发展成为数学、物理、天文、生物多个学科地重要分析工具之一；其具有良好地时、频局域分析能力，对一维有界变差函数类地“最优”逼近性能，多分辨分析概念地引入以及快速算法地存在，是小波理论迅猛发展地重要原因.小波分析地巨大成功尤其表现在信号处理、图像压缩等应用领域.小波变换是一种非常优秀地、具有较强时、频局部分析功能地非平稳信号分析方法，近年来已在应用数序和信号处理有很大地发展，并取得了较好地应用效果.在频域里提取信号里地相关信息，通过伸缩和平移算法，对信号进行多尺度分类和分析，达到高频处时间细分、低频处频率细分、适应时频信号分解地要求.小波变换在图像识别地应用，包括图形去噪、图像增强、图像融合、图像压缩、图像分解和图像边缘检测等.小波变换在生物特征识别方面(例如掌纹特征提取和识别)同样得到了成功应用，部分研究结果表明在生物特征识别方面效果优于、、傅里叶变换等方
花生品种简介 鲁花11号 概述 鲁花11号是通过有性杂交育成的大花生新品种。1993年经山东省农作物品种审定委员会推广，1998年获山东省科技进步二等奖。 产量水平 该品种高产，稳产，适应性广，中等肥力亩产400公斤左右，丰产栽培500公斤/亩，92年高产示范亩产625公斤。 特征特性 属中熟直立大花生，春播生育期130天左右，夏播生育期110天左右。株高45厘米左右，分枝8-10条，株型紧凑，结果整齐集中，百果重210克左右，百仁重90克以上，该品种抗早性强，较抗叶部病害，适应性广，高产稳产。 栽培措施 适宜中等以上肥力水平春播，高产地块覆膜栽培更能发挥其增产潜力。春播种植密度9000穴／亩，麦套10000—11000穴／亩，每穴2粒，其它措施同当地品种。 鲁花12号 产量表现 一般亩产220?280公斤，春播有膜栽培每亩350公斤左右，比白沙1016增产27%-44%。 主要性状 春播生育期125天，夏播110天，较白沙1016早熟5?7天，株型直立，株高45厘米左右，分枝数7?8条，结果整齐集中；易收获，百果重165克左右，百仁重70克左右，抗旱耐涝、耐瘠，适应性广。 栽培要点 旱薄地栽培每亩12000穴，高产栽培每亩10000穴。每穴2粒。 适宜地区 适宜山东省推广品种。
白沙1016 特征特性 属早熟中粒珍珠豆型品种。生育期春播120天左右，淮北地区夏播95天左右。株高35厘米左右，分枝8个左右。出苗快而整齐，幼苗直立，叶片淡绿较大，宽椭圆形，节间短，茎杆粗壮，果柄短而韧，开花早而集中，不易落果。荚果整齐饱满，为茧形，双仁果多，百果重190克，百仁重80克左右，出仁率75%左右，种皮粉红色，有光泽，含油率52.7%。抗逆性强，耐粘耐涝，抗旱抗病，耐瘠性较差。试种最高亩产达300公斤以上。 栽培要点 春夏播皆可，每亩密度1.2-1.5万穴，每穴2粒种子。施足肥料，保证密度，清沟沥水，有利大果饱果。使用包衣种子，防病防虫，增产幅度明显。 四粒红花生 四粒红花生是吉林省松原市特有的农产品之一。四粒红花生营养丰富，含有大量脂肪蛋白质，碳水化合物及维生素E，钙，铁，锌，锶等微量元素，还含有人体必要的各种氨基酸，能促进人体发育，降低胆固醇，预防高血压，动脉硬化之功效。果仁鲜红色，粒度均匀，有光泽，味道香纯可口，无论炒食，煮食或制成各种食品，都受到人们普遍欢迎。 花育32号 特征特性 春播生育期120天，主茎高36.0厘米，侧枝长39.4厘米，总分枝8条；单株结果12个，单株生产力21克，荚果普通型，百果重173.0克，百仁重67克，公斤果数775个，公斤仁数1602个，出米率71.3%。抗旱及耐涝性中等。2007年经农业部食品质量监督检验测试中心(济南)品质分析:蛋白质含量26.3%，脂肪50.7%，水分3.9%，油酸77.8%，亚油酸6.3%，O/L值12.3。经山东省花生研究所抗病性鉴定:网斑病病情指数36.7，褐斑病病情指数26.4。 产量表现 在2006-2007全省花生品种小粒组区域试验中，两年平均亩产荚果273.9公斤、籽仁196.5公斤，分别比对照鲁花12号增产4.5%和4.0%；2008年生产试验平均亩产荚果286.1公斤、籽仁211.41公斤，分别比对照花育20号增产11.3%和10.9%。 栽培要点 适宜沙质土壤或壤土。适宜密度每亩10000-11000墩，每墩播2粒。生育期间注意防治病虫草害，注意排灌。成熟时及时收晒。其它管理措施同一般大田。 种植区域: 在全省适宜地区作为春播小花生品种推广利用。 辽宁地区花生品种种植概况
图像处理技术的研究现状和发展趋势 庄振帅 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开
春播花生高产种植技术 一、播前准备 （一）土壤选择 花生适宜的土壤条件是耕作层疏松、活土层深厚、中性偏酸、排水和肥力特性良好的沙壤土（既不太沙又不太粘）。 （二）轮作地 花生重茬减产，据试验，花生重茬一年，荚果减产15%以上，重茬两年减产30%以上。所以选择三年以上未种过花生的地块。 （三）品种选择 选择适宜的品种是花生获得高产、高效的关键。如粤油7号、粤油13号、航花2号等。 （四）播前整地 花生种子较大，脂肪含量高，发芽出苗需要较多的水分和氧气。因此，播种前整地的要求是土壤疏松、细碎、不板结、含水量适中、排灌方便。起高垄，方便排水。整地与下基肥结合起来。 （五）种子准备 1.晒种。花生播种前一周左右，将荚果连晒2-3日。一是提高种子生活力和发芽力，出苗整齐；二是杀死荚果上的病菌，减轻花生田间发病率。 2.选种。一是选果，在剥壳时随时去掉与品种特征不符的异形果及秕、芽、虫、烂果。二是选仁，选择发育充分饱满的花生仁。 3.剥壳。花生剥壳不宜太早。因剥壳后的种子容易吸收水分，增强呼吸作用，加快酶的活动，促进物质转化，消耗大量的养分，降低发芽能力。因此，花生的剥壳时间离播种期越近越好。
4.拌种。通过不同药剂的拌种，或提高花生的抗病虫能力，或补充营养元素，增强花生种子的活力，或增强其抗旱性等，保证花生苗齐、苗全、苗壮，为花生优质高产打下良好基础。用50%多菌灵可湿性粉剂，或40%拌种灵可湿性粉剂按种子重量的0.3%-0.5%拌种可有效防止烂根死苗；用50%辛硫磷或氯丹乳剂，按农药∶水∶种子1∶50∶500的比例拌种，可防治苗期地下害虫。用乳剂农药拌种，先将农药按比例加水稀释成药液，再与种子混合拌匀，堆闷5～6小时，摊凉后即可播种。 二、适时播种 （一）播种时间 花生种子萌发要求的最低温度为12-15℃，所以播种要在土壤5厘米地温稳定在12℃以上时才可进行。在允许的条件下适期早播可使花生生长期相对延长，开花早、侧枝多、根系发达，为高产创造条件。 （二）播种方法 按照种植方式可分为露地播种和薄膜覆盖播种。 （三）播种密度 株距20cm，行距25cm，单粒直播，每垄种5行左右。 （四）播种深度 一般以5厘米左右为宜。要掌握“干不种深，湿不种浅”和土质粘的要浅，沙土地或沙性大的地块要深的原则。 三、施肥技术 （一）需肥特点 花生吸收的氮>钾>钙>磷，吸收的比例是3：1：0.6 ：0.4。花生靠根瘤菌供氮可达70-80%，实际上要求施氮水平不高，根据花生喜钾、钙的营养特性，有针对性地增施钾肥、钙肥可有效提
醋泡花生米等七例降血压特效偏方 醋泡花生米 【主要原料】花生米、醋。 【制作方法】将花生米浸泡入醋中，7 天后取出，每晚7 粒。 【主要功效】主治高血压病。血压下降后可隔数日服一次。 花生含脂肪40％～50％，是大豆的两倍，比油菜籽还高。含蛋白质30％左右，相当于小麦的两倍多，是大米的三倍。而且花生易被人体吸收，消化系数在90％左右。此外，花生还含有核黄素、钙、磷、卵磷脂、胆碱、不饱和脂肪酸以及多种维生素，因此花生亦称“长生果”。 花生的益寿作用主要有：（1）食用花生可使人体肝内胆固醇分解为胆汁酸，使其排泄增强，从而降低胆固醇。（2）花生仁红衣（花生仁皮）能抑制纤维蛋白的溶解，促进血小板新生，加强毛细血管的收缩功能，对血小板减少、肺结核咳血和泌尿道出血等疾病患者有好处。而作为花生的“绝配”——醋，不但可使菜增加鲜、甜及香味，而且具有增进食欲、促进消化、杀菌等功效，尤其是对过咸、过腻的食品，加上点醋可降咸味，减少腻感。 醋与花生的“天仙配”是科学的，这在于花生米的价值突出在含有人体所需要的不饱和脂肪酸，但毕竟脂类含量高、热量大、有油腻感。而醋中的多种有机酸恰是解腻又生香的，因此用醋浸泡花生米一周以上，每晚吃7～10 粒，连吃一周为一个疗程，可降低血压，软化血管，减少胆固醇的堆积，但需注意的是，食用要适量，最多十几粒，吃后一
定及时漱口，否则对牙齿不利。 熟、生花生米均可（最好是生的连皮吃，效果更好）。血压下降后可隔数日服一次。 功效：清热、活血。对保护血管壁、阻止血栓形成有较好的作用。 1 醋是人们常用的调味品，其药用价值也非常高。醋，味酸微苦，性温，有散淤、止血、解毒、杀虫等功效。近代医学发现醋浸泡的食物有防治疾病的作用，特别是对高血压、冠心病、糖尿病、肥胖症、感冒、干咳及延缓衰老有特殊作用。 ◆醋泡香菇 将洁净的香菇放入盛器内，倒入醋放冰箱冷藏，一个月后即可食用。醋浸香菇能降低人体内胆固醇的含量，改善高血压和动脉硬化患者的症状。 ◆醋泡黄豆 将炒熟黄豆放入瓷瓶中，倒入食醋浸泡。黄豆与食醋的比例为1：2，严密封口后置于阴凉通风干燥处，7 天后食用。每次服15 —20 粒，每日3 次，空腹嚼服。有防治高血压与降血脂、降胆固醇的作用，可预防动脉粥样硬化。 ◆醋泡大蒜 将干净、去皮大蒜瓣放水中浸泡一夜，滤干倒入食醋浸泡50 天后
The research of digital image processing technique 1 Introduction Interest in digital image processing methods stems from two principal application areas: improvement of pictorial information for human interpretation; and processing of image data for storage, transmission, and representation for autonomous machine perception. This chapter has several objectives: (1)to define the scope of the field that we call image processing; (2)to give a historical perspective of the origins of this field; (3)to give an idea of the state of the art in image processing by examining some of the principal area in which it is applied; (4)to discuss briefly the principal approaches used in digital image processing; (5)to give an overview of the components contained in a typical, general-purpose image processing system; and (6) to provide direction to the books and other literature where image processing work normally is reporter. 1.1What Is Digital Image Processing? An image may be defined as a two-dimensional function, f(x, y), where x and y are spatial (plane) coordinates, and the amplitude of f at any pair of coordinates (x, y) is called the intensity or gray level of the image at that point. When x, y, and digital image. The field of digital image processing refers to processing digital images by means of a digital computer. Note that a digital image is composed of a finite number of elements, each of which has a particular location and value. These elements are referred to as picture elements, image elements, pels, and pixels. Pixel is the term most widely used to denote the elements of a digital image. We consider these definitions in more formal terms in Chapter2. Vision is the most advanced of our senses, so it is not surprising that images play the single most important role in human perception. However, unlike human who are limited to the visual band of the electromagnetic (EM) spectrum, imaging machines cover almost the entire EM spectrum, ranging from gamma to radio waves. They can operate on images generated by sources that human are not accustomed to associating with image. These include ultrasound, electron microscopy, and computer-generated images. Thus, digital image processing encompasses a wide and varied field of application. There is no general agreement among authors regarding where image processing stops and other related areas, such as image analysis and computer vision, start. Sometimes a distinction is made by defining image processing as a discipline in which both the input and output of a process are images. We believe this to be a limiting and somewhat artificial boundary. For example, under this definition, even the trivial task of computing the average intensity of an image (which yields a single number) would not be considered an image processing operation. On the other hand, there are fields such as computer vision whose ultimate goal is to use computer to
i=imread('D:\00001.jpg'); >> j=rgb2gray(i); >> warning off >> imshow(j); >> u=edge(j,'roberts'); >> v=edge(j,'sobel'); >> w=edge(j,'canny'); >> x=edge(j,'prewitt'); >> y=edge(j,'log'); >> h=fspecial('gaussian',5); >> z=edge(j,'zerocross',[],h); >> subplot(2,4,1),imshow(j) >> subplot(2,4,2),imshow(u) >> subplot(2,4,3),imshow(v) >> subplot(2,4,4),imshow(w) >> subplot(2,4,5),imshow(x) >> subplot(2,4,6),imshow(y) >> subplot(2,4,7),imshow(z)
>> %phi:地理纬度lambda:地理经度delta：赤纬omega：时角lx 影子长，ly 杆长 >> data=xlsread('D:\附件1-3.xls','附件1'); >> X = data(:,2); >> Y = data(:,3); >> [x,y]=meshgrid(X,Y); %生成计算网格 >> fxy = sqrt(x.^2+y.^2); >> %[Dx,Dy] = gradient(fxy); >> Dx = x./fxy; >> Dy = y./fxy; >> quiver(X,Y,Dx,Dy); %用矢量绘图函数绘出梯度矢量大小分布>> hold on >> contour(X,Y,fxy); %与梯度值对应,绘出原函数的等值线图
图像处理的基本步骤 针对不同的目的，图像处理的方法不经相同。大体包括图像预处理和图像识别两大模块。 一、图像预处理： 结合识别复杂环境下的成熟黄瓜进行阐述，具体步骤如下： · 图像预处理阶段的流程图 对以上的图像流程进行详细的补充说明: 图像预处理的概念: 将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。 图像装换和图像分割以及区域形态学处理都是属于图像处理的基本内容之一。 图像转换：方法：对原图像进行灰度化处理生成灰度矩阵——降低运算速度（有具体的公式和方程），中值滤波去噪声——去除色彩和光照的影响等等。 图像分割：传统方法：基于阈值分割、基于梯度分割、基于边缘检测分割和基于区域图像割等方法。脉冲耦合神经网络 （ＰＣＮＮ）是针对复杂环境下 图像采集 图像采集中注意采集的方法、工具进行介绍。目的是怎样获取有代表性的样本。（包括天气、相机的位置等） 对采集的图像进行特征分析 目标的颜色和周围环境的颜色是否存在干涉的问题、平整度影响相机的拍摄效果、形状 图像转换 图像分割 区域形态学处理
的有效分割方法，分割的时候如果将一个数字图像输入ＰＣＮＮ，则能基于空间邻近性和亮度相似性将图像像素分组，在基于窗口的图像处理应用中具有很好的性能。 区域形态学处理：对ＰＣＮＮ分割结果后还存在噪声的情况下，对剩余的噪声进行分析，归类属于哪一种噪声。是孤立噪声还是黏连噪声。采用区域面积统计法可以消除孤立噪声。对于黏连噪声，可以采用先腐蚀切断黏连部分，再膨胀复原目标对象，在进行面积阙值去噪，通过前景空洞填充目标，最后通过形态学运算，二值图像形成众多独立的区域，进行各连通区域标识，利于区域几何特征的提取。 二、图像识别： 针对预处理图像提取 目标特征 建立LS SVM分类器 得到结果 图像识别流程图 提取目标特征：目标特征就是的研究对象的典型特点，可以包括几何特征和纹理特征。 对于几何特征采用的方法：采用LS-SVM支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。 纹理特征方法：纹理特征中的几个参数可以作为最小二乘支持向量机的辅助特征参数，提高模型的精准度。 最小二乘支持向量机介绍：首先选择非线性映射将样本从原空间映射到特征空间，以解决原空间中线性不可分问题，在此高维空间中把最优决策问题转化为等式约束条件，构造最优决策函数，并引入拉格朗日乘子求解最优化问题，对各个变量求偏微分。 LS SVM分类器：对于p种特征选择q个图像连通区域，作为训练样本。依
基于小波变换的图像处理方法研究 摘要 图像增强是图像处理的一个重要分支，它对提高图像的质量起着重要的作用。它通过有选择地强调图像中某些信息而抑制另一些信息，以改善图像的视觉效果，将图像转换成一种更适合于人眼观察和计算机进行分析处理的形式。传统的方法在增强图像对比度的同时也会增强图像噪声，而小波变换是多尺度多分辨率的分解方式，可以将噪声和信号在不同尺度上分开，根据噪声分布的规律就可以达到图像增强的目的。 本文首先对传统图像增强理论进行概述，并给出直方图均衡化与灰度变换算法，通过matlab来观察其处理效果的特点，然后提出四种基于小波变换的图像增强方法，并分析它们与传统图像增强方法相比的优缺点，最后基于传统小波变换只能增强图像边缘部分而无法增强细节部分的缺点，引出了基于分数阶微分和小波分解的图像增强方法，并通过matlab观察了这种算法的处理效果。 关键词：图像增强；直方图均衡化；小波变换；分数阶微分
Image enhancement based on wavelet transformation Abstract Image enhancement is an important branch in image processing.It plays an important role in improving the quality of the images.It will improve the image visual effect through emphasizing the image information and inhibitting some other information selectively.It will converse images into a form more suitable for the human eye observation and computer analysis processing.The traditional method of image enhancement will enhance image contrast,image noise as well,while wavelet transform is a decompositon method of multi-scale and multi-resolution,it can separet noise from signal in different scale so that it can arrive the purpose of image enhancement according to the distribution of the noise. In the paper,firstly, I will summarize the image enhancement theory and give the Histogram equalization algorithm,at the same time,I will analyze the disadvantages of the treatment effect through the Matlab.Then,I will give an image enhancement method based on the wavelet transform and analyze its advantages and disadvantages compared with traditional methods.Finally,because traditional wavelet transformation can only strengthen the edge of images instead of the details,we will introduce the image enhancement based on wavelet decomposition and fractional differentials.At the same time,we will observe the treatment effect of this algorithm by the matlab.. Keywords: Image enhancement; Histogram equalization; Wavelet transform; Fractional differenti