王宏艷　呂繼興

摘要：以玉米田間雜草圖像為研究對(duì)象，對(duì)采集的雜草葉片圖像進(jìn)行預(yù)處理，對(duì)圖像的多個(gè)紋理特征進(jìn)行篩選，以支持向量機(jī)進(jìn)行分類。針對(duì)傳統(tǒng)分類器的不足，以組合核函數(shù)對(duì)其性能進(jìn)行優(yōu)化。仿真結(jié)果表明，構(gòu)建優(yōu)化的組合核函數(shù)能使分類器性能得到顯著提升，且當(dāng)組合核函數(shù)中徑向基函數(shù)所占的權(quán)重為0.2、多項(xiàng)式核函數(shù)（二階）所占的權(quán)重為0.8時(shí)識(shí)別率最高，達(dá)86.00%，可以滿足雜草識(shí)別的需求。

關(guān)鍵詞：玉米；雜草識(shí)別；紋理特征；組合核函數(shù)

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2014）13-3163-04

Identifying Corn Weed Based on Texture Features and Optimized SVM

WANG Hong-yan1，L？譈 Ji-xing2

（1. Department of Basic Sciences， Hebei Finance University， Baoding 071051， Hebei，China；

2. College of Information Science & Technology， Agricultural University of Hebei， Baoding 071001， Hebei，China）

Abstract： Image preprocessing of corn field weed blade was used to extract texture characteristic. The support vector machine（SVM） was used for classification. Considering the shortcomings of the traditional classifier， the parameters were optimized via the composite kernel. The results of simulation showed that the new method improved the weed identification. The highest recognition rate of test samples was 86% when the weight of radial basis function was 0.8 and polynomial kernel function was 0.2.

Key words： corn； weed identification； texture feature； combination kernel function

玉米苗期的田間雜草有100余種，隸屬于30科，常見的包括刺兒菜、藜、馬塘、田旋花等，其中有20%左右直接影響玉米的產(chǎn)量與質(zhì)量。在過去很長(zhǎng)的一段時(shí)期，我國的除草方式多為人工除草，耗費(fèi)了大量勞動(dòng)力。近年來引入了除草劑進(jìn)行除草，大規(guī)模的除草劑對(duì)環(huán)境帶來比較嚴(yán)重的污染，且有些破壞是難以逆轉(zhuǎn)的。隨著圖像處理和人工智能等技術(shù)的不斷發(fā)展，借助圖像處理與識(shí)別技術(shù)實(shí)現(xiàn)農(nóng)田中除草劑的定向定量噴灑是目前的研究熱點(diǎn)之一，其中怎樣進(jìn)行雜草的圖像識(shí)別是最為關(guān)鍵的步驟。

當(dāng)前已經(jīng)開發(fā)出不少雜草識(shí)別的有效方法，這些方法往往結(jié)合作物中雜草的各類特征對(duì)其進(jìn)行識(shí)別，包括顏色特征[1-4]、形狀特征[5，6]、光譜特征[7-9]或者以上特征的組合等，而單獨(dú)針對(duì)雜草紋理特征對(duì)雜草進(jìn)行智能識(shí)別的研究目前比較少見。作物（尤其是葉片）的紋理特征能夠記錄作物在灰度特點(diǎn)以及顏色分布特征上的規(guī)律，因而也可以在玉米雜草圖像識(shí)別中取得較好效果[10]。為此，以玉米作物雜草圖像為研究對(duì)象，對(duì)采集的雜草葉片圖像進(jìn)行預(yù)處理，篩選雜草葉片的紋理特征，以支持向量機(jī)進(jìn)行分類，為了實(shí)現(xiàn)更好的分類效果，以組合核函數(shù)對(duì)傳統(tǒng)分類器性能進(jìn)行優(yōu)化。仿真結(jié)果證明對(duì)雜草的分類準(zhǔn)確度可以滿足需求。

1 材料與方法

1.1 圖像采集

玉米作物的苗期同時(shí)也是大量雜草生長(zhǎng)的關(guān)鍵期，因此進(jìn)行圖像采集的時(shí)間選取在玉米出現(xiàn)3～5片葉片的時(shí)候，在河北農(nóng)業(yè)大學(xué)農(nóng)作物實(shí)驗(yàn)教學(xué)基地采集刺兒菜、藜、馬塘、田旋花等雜草葉片標(biāo)本。在圖像采集時(shí)需要考慮拍攝高度和像素等參數(shù)，相機(jī)高度過高會(huì)影響圖像的清晰度，而過低則會(huì)增加圖像處理成本。經(jīng)過綜合考慮，將拍攝高度定為70 cm，鏡頭垂直向下，像素為640×320。

1.2 圖像預(yù)處理

預(yù)處理的目的是為了突出圖像的特征，增強(qiáng)其中的有用信息，此研究中圖像的預(yù)處理包括圖像增強(qiáng)、灰度處理以及濾波處理。

1.2.1 圖像增強(qiáng) 在圖像增強(qiáng)方法的選取上，對(duì)常見的頻率增強(qiáng)與空間增強(qiáng)進(jìn)行對(duì)比，為了提升識(shí)別效率，減少運(yùn)算量，選取效率更高的空間增強(qiáng)法[11]，對(duì)目標(biāo)圖像的每一個(gè)像素的灰度值進(jìn)行變換，最終實(shí)現(xiàn)整體對(duì)比度的提升，具體算法如下：

g（i，j）=■×[f（i，j）-fa]+ga

其中，f（i，j））與g（i，j）分別表示輸入、輸出圖像的灰度值；fa、fb分別是圖像樣本中線性變換區(qū)域的輸入灰度最大值與最小值； ga、 gb分別是輸出灰度最大值與最小值。通過空間增強(qiáng)發(fā)實(shí)現(xiàn)目標(biāo)圖像整體對(duì)比度的增加，為下一步的處理奠定基礎(chǔ)。

1.2.2 灰度化處理 對(duì)圖像紋理特征進(jìn)行分析，并不涉及目標(biāo)圖像的顏色屬性，僅涉及其亮度信息。為了減少顏色信息中的數(shù)據(jù)對(duì)圖像處理效率的影響，在圖像增強(qiáng)之后對(duì)其進(jìn)行灰度化處理。當(dāng)前的圖像是RGB模式，通過3個(gè)步驟實(shí)現(xiàn)圖像的灰度化：①分別提取目標(biāo)圖像RGB的具體值；②求出具體的灰度gray；③令R=B=G=gray，最終便實(shí)現(xiàn)了圖像灰度化。

目前效果較好的灰度化處理有3類，分別是最大值法、平均法以及加權(quán)法?？紤]到玉米田間雜草通常為綠色，且與周圍環(huán)境（土地顏色）差別較大，因此最終選取加權(quán)法。gray=W1R+W2B+W3G，灰度以gray表示，W1、W2、W3則分別表示R、G、B分量的加權(quán)系數(shù)。根據(jù)文獻(xiàn)[11]，當(dāng)W1=-1，W2=2，W3=-1，即gray=-R+2B-G時(shí)，能夠取得較滿意的效果，因此將加權(quán)系數(shù)定為W1=-1，W2=2，W3=-1。

1.2.3 濾波處理 通過濾波來優(yōu)化圖像質(zhì)量，濾波法一般包括鄰域和中值兩個(gè)類別。葉片邊緣輪廓信息量很大，同樣考慮到處理的效率和實(shí)時(shí)性，選取運(yùn)算量相對(duì)較低的中值濾波[12]。中值濾波的主要原理是，將圖像分為不同的窗口S，窗口里的所有像素進(jìn)行大小排列，將中位灰度作為該窗口的灰度。具體方法是：

在目標(biāo)圖像中設(shè)置濾波窗口A，其中心坐標(biāo)為（x，y）。通過以下方法對(duì)A進(jìn)行濾波處理：

d（x，y）=■{c（x，y）}

濾波平滑處理之后的向量以d（x，y）表示，濾波窗口中的目標(biāo)圖像灰度序列以c（x，y）表示，Med為對(duì)灰度序列取中值，于是有：

d（x，y）=■{R（x，y）}■{G（x，y）}■{B（x，y）}

其中R（x，y）、G（x，y）、B（x，y）分別表示目標(biāo)像素的紅、綠、藍(lán)通道。此處僅以刺兒菜標(biāo)本圖像為例，原圖以及預(yù)處理后的圖像如圖1所示。

2 紋理特征的提取

利用灰度共生矩陣提取紋理特征?；叶裙采仃嚨暮x是從圖像中某一個(gè)灰度為i的像素離開固定位置d=（Dx，Dy），并達(dá)到灰度值為j的可能性[13]。表示為Pd（i，j）（i，j=0，1，2，…，L-1）。式中，L是目標(biāo)圖像的灰度級(jí)別數(shù)，每一個(gè)像素灰度以i，j表示，不同位置的空間關(guān)系以d表示，通常選取0、π/4、π/2和3π/4方向[14]。

2.1 紋理特征的提取

選取以下的紋理特征：

1）P1：慣性矩，含義是目標(biāo)區(qū)域中灰度值變化的和，此參數(shù)能夠體現(xiàn)出目標(biāo)的灰度變化水平，慣性矩的值愈大，則該目標(biāo)圖像就擁有愈細(xì)致的紋理。該參數(shù)表示為：

CON=■■（i-j）p（i，j，d，？茲）

2）P2：熵，體現(xiàn)出目標(biāo)圖像的信息量。圖像所具備的紋理信息帶有隨機(jī)性，當(dāng)灰度共生矩陣的全部元素呈現(xiàn)分散性分布的時(shí)候，紋理信息隨機(jī)性較大，熵也較大。該參數(shù)表示為：

ENT=-■■p（i，j，d，？茲）lnp（i，j，d，？茲）

3）P3：角二階矩，含義是矩陣中所含有的全部像素值平方之和，該特征可以體現(xiàn)出目標(biāo)圖像在灰度方面的紋理粗細(xì)與均勻度。若灰度分布均勻，則能量較大，反之能量較??；若紋理較粗糙，則能量較大，反之較小。該參數(shù)表示為：

ASM=■■p（i，j，d，？茲）2

4）P4：差異熵，以目標(biāo)圖像的灰度概率系統(tǒng)的信息量差異體現(xiàn)出目標(biāo)圖像信息量的大小，表示為：

DENT=■px-y（i）log{px-y（i）}

5）P5：同質(zhì)性，同質(zhì)性體現(xiàn)出目標(biāo)圖像的局部平滑，表示為：

f=■■pd（i，j）/（1+|i-j|）

6）P6：相關(guān)性，相關(guān)度體現(xiàn)出目標(biāo)圖像的灰度矩陣所有元素在圖像的行方向以及列方向的相似度。目標(biāo)圖像的灰度共生矩陣值均勻相等的時(shí)候，相關(guān)度取較大值，灰度共生矩陣值相差很大則相關(guān)度取較小值。假若目標(biāo)圖像的水平紋理居多，則此方向的相關(guān)度取值會(huì)明顯大于其余方向。該參數(shù)表示為：

COR=■■（i-j）p（i，j，d，？茲）-μxμy/σxσy

其中，

μx=■■p（i，j，d，？茲）

μy=■■p（i，j，d，？茲）

σx=■（j-μx）2■p（i，j，d，？茲）

σy=■（j-μy）2■p（i，j，d，？茲）

7）P7：和方差，表示為：

SVAR=■（i-SENT）2Px+y（i）

8）P8：極大概率值，表示為：

MAXP=■■max（P（i，j，d，θ））

9）P9：標(biāo)準(zhǔn)差，體現(xiàn)出目標(biāo)圖像在紋理灰度方面的變化，表示為：

δ=■

10）P10：差異性，表示為：

DISS=■■P（i，j，d，θ）|i-j|

11）P11：逆差分，表示為：

INVD=■■P（i，j，d，θ）/1+|i-j|

12）P12：標(biāo)準(zhǔn)逆差，假設(shè)目標(biāo)圖像的灰度級(jí)為N個(gè)，表示為：

IDMN=■■P（i，j，d，θ）/[1+（i-j）2/N2]

13）P13：和平均，表示為：

SAVE=■iPx+y（i）

14）P14：和熵，表示為：

SENT=-■Px+y（i）log{Px+y（i）}

15）P15：均值，體現(xiàn)出目標(biāo)圖像的平均灰度，表示為：

μy=■■P（i，j，d，θ）， μx=■■P（i，j，d，θ）

16）P16：方差，表示為：

σ2x=■（i-μx）2■P（i，j，d，θ），

σ2y=■（j-μy）2■P（i，j，d，θ）

2.2 紋理特征的約簡(jiǎn)

對(duì)以上的紋理特征進(jìn)行簡(jiǎn)化，步驟為：

1）把經(jīng)過預(yù)處理的目標(biāo)圖像從基于RGB的空間平移到基于HSV的空間，并對(duì)其H、S以及V分量進(jìn)行分離。

2）為降低算法復(fù)雜度，對(duì)目標(biāo)圖像灰度級(jí)進(jìn)行處理，壓縮其至64。

3）將目標(biāo)圖像的相鄰像素之間的距離設(shè)定為1，取θ=0、π/4、π/2、3π/4，分別對(duì)目標(biāo)圖像提取紋理特征值，并分別獲取其4個(gè)角度的均方差和平均值，從而消除紋理特征值的方向性。

4）以15個(gè)雜草類別，每類10幅圖像，共計(jì)150幅雜草圖像作為樣本，獲取所有圖像的紋理特征，對(duì)所獲取的紋理特征集進(jìn)行逐步判別分析。設(shè)定臨界值為1.35[14]，對(duì)參數(shù)進(jìn)行約簡(jiǎn)。結(jié)果如表1所示。

從表1可知，經(jīng)過約簡(jiǎn)，一些作用不大的冗余特征被丟棄。對(duì)于H分量與S分量，均由最初的16個(gè)減少到11個(gè)，減少至68.8%，而V分量則減少到6個(gè)，減少至37.5%。由此可知，在雜草圖像的HSV模型中，與紋理參數(shù)較為關(guān)聯(lián)的是H分量與S分量，V分量的關(guān)聯(lián)度最小。

此外，在H、S與V分量約簡(jiǎn)后紋理參數(shù)中，均含有P6（相關(guān)性）、P8（極大概率值）、P9（標(biāo)準(zhǔn)差）、P14（和熵）幾個(gè)參數(shù)，說明在玉米苗期的田間雜草中，這幾個(gè)參數(shù)與其紋理特征關(guān)聯(lián)度較高。

3 雜草識(shí)別

考慮到作物和雜草的紋理參數(shù)多，需要的計(jì)算也較多，為增強(qiáng)實(shí)時(shí)性，選取專門針對(duì) “二類模式”識(shí)別問題的支持向量機(jī)進(jìn)行識(shí)別[15]。

3.1 數(shù)據(jù)預(yù)處理

引入Stprtool對(duì)玉米添加雜草的目標(biāo)圖像進(jìn)行分類。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，Stprtool的數(shù)據(jù)格式為…，擬對(duì)玉米苗期常見的15類雜草圖像進(jìn)行區(qū)分，因此將Stprtool的目標(biāo)值設(shè)置為1～15共計(jì)15種結(jié)果。隨后結(jié)合48個(gè)紋理特征經(jīng)過約簡(jiǎn)之后的28個(gè)參數(shù)，作為代表目標(biāo)圖像紋理的28個(gè)特征向量。為了提升運(yùn)算效率，避免由于部分特征參數(shù)過大或者過小對(duì)識(shí)別結(jié)果造成影響，對(duì)所有的數(shù)據(jù)進(jìn)行歸一化處理。

3.2 核函數(shù)的比較與選擇

以MATLAB實(shí)現(xiàn)所有的算法。選取玉米苗期常見的15類雜草，每類的目標(biāo)圖像為10幅，共計(jì)150幅。以隨機(jī)抽取的方式選取50%（75幅）的圖像作為構(gòu)建SVM的訓(xùn)練集，其余50%（75幅）作為測(cè)試集。為了觀察支持向量機(jī)的識(shí)別精度，分別以不同的核函數(shù)進(jìn)行測(cè)試并比較結(jié)果。選取的核函數(shù)有徑向基函數(shù)、線性核函數(shù)和多項(xiàng)式核函數(shù)。表2為不同核函數(shù)的識(shí)別試驗(yàn)數(shù)據(jù)及對(duì)比。

由表2中數(shù)據(jù)可知，徑向基函數(shù)識(shí)別率最高，達(dá)80.00%；其次是線性核函數(shù)和多項(xiàng)式核函數(shù)（二階），識(shí)別率均為74.67%。高階多項(xiàng)式核函數(shù)識(shí)別率則不太理想。分析其原因，主要是由于高階多項(xiàng)式核函數(shù)使復(fù)雜度提升，導(dǎo)致“過學(xué)習(xí)”而影響了識(shí)別性能。

3.3 分類器的優(yōu)化

考慮到每種核函數(shù)均有其優(yōu)勢(shì)，徑向基函數(shù)屬于局部核，所以其影響范疇局限于數(shù)據(jù)點(diǎn)周圍，插值能力很強(qiáng)；而多項(xiàng)式核函數(shù)的優(yōu)勢(shì)則在于推廣能力強(qiáng)。結(jié)合二者的優(yōu)勢(shì)對(duì)其進(jìn)行組合，提升SVM的推廣能力以及學(xué)習(xí)能力，增加對(duì)雜草圖像的分類準(zhǔn)確度[16，17]?；谝陨系姆治觯瑯?gòu)建優(yōu)化的組合核函數(shù)如下：

K（x，y）=λ1（xy+1）q+λ2exp{-■}

其中，K（x，y）為核函數(shù)，x∈Rd，y∈[-1，1]為類別標(biāo)識(shí)；（xy+1）q為徑向基函數(shù)； exp{-■}為多項(xiàng)式核函數(shù)；λ1及λ2分別為徑向基函數(shù)和多項(xiàng)式核函數(shù)（二階）在組合核函數(shù)中所占的權(quán)重，且滿足λ1+λ2=1。組合而成的核函數(shù)分別具備了較好的推廣能力以及學(xué)習(xí)能力。選取不同的λ權(quán)重，識(shí)別試驗(yàn)數(shù)據(jù)及對(duì)比如表3所示。

由表3可知，λ1=0.2、λ2=0.8時(shí)識(shí)別率最高，達(dá)86.00%，該識(shí)別率也為不同核函數(shù)之間及不同權(quán)重組合之間的最高值。因此優(yōu)化之后的分類器性能得到了較大程度的提升。經(jīng)查證，識(shí)別錯(cuò)誤的圖片為將馬塘誤識(shí)別為玉米，經(jīng)分析，可能存在的原因是兩者紋理特征相近，在圖像清晰度不足的情況下容易導(dǎo)致系統(tǒng)誤判。為了進(jìn)一步提升識(shí)別準(zhǔn)確率，可以將紋理特征的識(shí)別結(jié)果與其他的特征相互組合，實(shí)現(xiàn)準(zhǔn)確率更高的識(shí)別。

4 小結(jié)

結(jié)合玉米作物田間雜草的識(shí)別問題，提出了以紋理特征進(jìn)行智能識(shí)別的方法，并提出了一種支持向量機(jī)分類器的優(yōu)化方法。試驗(yàn)結(jié)果表明，優(yōu)化之后的支持向量機(jī)對(duì)于玉米田間雜草紋理特征識(shí)別精度達(dá)到86.00%，能滿足識(shí)別要求。試驗(yàn)結(jié)果有助于實(shí)現(xiàn)除草系統(tǒng)的自動(dòng)化和智能化，并有利于減少除草劑噴灑量。

參考文獻(xiàn)：

[1] EL-FAKI M S，ZHANG N，PETERSON D E.Factors affecting color based weed detection[J]. Transactions of the ASAE， 2000， 43（4）：1001-1009.

[2] TANG L，TIAN L，STEWARD B L.Color image segmentation with genetic algorithm for in-field weed sensing[J].Transactions of the ASAE，2000，43（4）：1019-1027.

[3] WOEBBECKE D M， MEYER G E，VON BARGEN K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J].Transactions of the ASAE，1995，38（1）：259-269.

[4] EL-FAKI M S，ZHANG N，PETERSON D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000， 43（6）：1969-1978.

[5] FRANZ E，GEBHARDT M R，UNKLESBAY K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J].Transactions of the ASAE，1991，34（2）：673-681.

[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.

[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.

[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10] 周 平，汪亞明，趙 勻.基于顏色分量運(yùn)算與色域壓縮的雜草實(shí)時(shí)檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（1）：116-119.

[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.

[12] 劉立宏，胡可剛，劉立欣.目標(biāo)檢測(cè)中的快速中值濾波法[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2004，22（3）：232-235.

[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據(jù)理論的多特征融合雜草識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（11）：163，164-168.

[14] 范德耀.基于DSP的水稻雜草識(shí)別研究[D].杭州：浙江理工大學(xué)，2011.

[15] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[16] 任 東，于海業(yè)，王紀(jì)華.基于線性組合核函數(shù)支持向量機(jī)的病害圖像識(shí)別研究[J].農(nóng)機(jī)化研究，2007（9）：41-43.

[17] 曲昆鵬. 基于支持向量機(jī)的雜草識(shí)別研究[D].哈爾濱：哈爾濱工程大學(xué)，2010.

[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.

[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.

[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10] 周 平，汪亞明，趙 勻.基于顏色分量運(yùn)算與色域壓縮的雜草實(shí)時(shí)檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（1）：116-119.

[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.

[12] 劉立宏，胡可剛，劉立欣.目標(biāo)檢測(cè)中的快速中值濾波法[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2004，22（3）：232-235.

[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據(jù)理論的多特征融合雜草識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（11）：163，164-168.

[14] 范德耀.基于DSP的水稻雜草識(shí)別研究[D].杭州：浙江理工大學(xué)，2011.

[15] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[16] 任 東，于海業(yè)，王紀(jì)華.基于線性組合核函數(shù)支持向量機(jī)的病害圖像識(shí)別研究[J].農(nóng)機(jī)化研究，2007（9）：41-43.

[17] 曲昆鵬. 基于支持向量機(jī)的雜草識(shí)別研究[D].哈爾濱：哈爾濱工程大學(xué)，2010.

[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.

[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.

[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10] 周 平，汪亞明，趙 勻.基于顏色分量運(yùn)算與色域壓縮的雜草實(shí)時(shí)檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（1）：116-119.

[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.

[12] 劉立宏，胡可剛，劉立欣.目標(biāo)檢測(cè)中的快速中值濾波法[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2004，22（3）：232-235.

[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據(jù)理論的多特征融合雜草識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（11）：163，164-168.

[14] 范德耀.基于DSP的水稻雜草識(shí)別研究[D].杭州：浙江理工大學(xué)，2011.

[15] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法：支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[16] 任 東，于海業(yè)，王紀(jì)華.基于線性組合核函數(shù)支持向量機(jī)的病害圖像識(shí)別研究[J].農(nóng)機(jī)化研究，2007（9）：41-43.

[17] 曲昆鵬. 基于支持向量機(jī)的雜草識(shí)別研究[D].哈爾濱：哈爾濱工程大學(xué)，2010.