摘 要
金线莲作为我国一味珍稀中药材，对现代“三高”病症能够起到防治的措施，美名曰“药王”。金线莲对生长环境的要求极其严格苛刻且繁殖率较低，市场上的金线莲大多来自于种苗繁育和人工栽培等措施。金线莲的品质鉴定通常依赖于化学分析方法，主要包括显微鉴定法、高效液相色谱法、DNA分子鉴定法和近红外光谱检测技术等，这些都需要专业人员。若都采用人工识别不仅耗时费力而且需要专业人员来识别,这一系列操作过程也实属复杂。为此，如何提取叶片关键且有效的信息已经成为品系鉴别的关键所在。在叶片的特征提取方面，通常使用颜色、纹理特征来作为叶片的识别特征，为了更加充分表达叶片的信息，进一步提高叶片识别精度，特征融合在叶片识别中得到广泛的应用。本文将开展基于图像处理技术的金线莲叶片关键特征的提取方法研究,利用灰度共生矩阵的纹理特征提取和hsv颜色特征提取金线莲叶片品系之间的关联关系。
基于图像处理的金线莲叶片特征提取方法研究，该课题首先进行图像前期的预处理，预处理方法包括灰度化，滤波降噪，二值化，掩膜处理等处理操作；然后，再对预处理后的叶片进行多特征的提取，包括颜色、纹理等特征，经过设计的程序提取的特征就会变成数据；最后，再对数据进行相关性和主成分分析，观察是否存在差异，存在哪些方面的差异，得出准确且可靠的结论。
关 键 词：金线莲叶片；灰度共生矩阵；主元分析；皮尔逊相关分析
第1章 绪论
1.1研究背景
中医临床治疗效果不仅与医师能力有关，同时也受到中药材质量影响。在传承、发展中医过程中，有必要重视中药材所起到的基础性作用。除此外，产地对药效则具有显著的影响，在《神农本草经》、《用药法象》、以及“药王”孙思邈的《千金翼方》中均强调着中药材产地的重要性。金线莲株高8-18cm，是民间用于防治“三高”症状的药膳，为中国国家二级保护植物，享有“药王”的美称。金线莲味甘，在治疗小儿惊风、肾炎、糖尿病方面表现出了极高药效，在调理人体功能、疾病预防上也起到了显著作用。其基本形态为：根状茎匍匐，节上生根，肉质；茎直立，生2-4枚叶；叶呈黑紫色，卵形，具网脉；叶柄呈鞘状，花瓣质地薄，花序轴淡红色，气味清淡。金线莲喜潮湿肥沃土壤，多见于沟谷或林下。在林缘、林窗环境，呈散生状态。正是由于金线莲对生长环境的严格要求和自然状态下繁殖率较低，野生金线莲主要生长在福建、浙江、X、江西、贵州等地，因此市场上的金线莲大多来自于种苗繁育和人工栽培等方法。然而人工培育出的种苗品种多样，不同品种的金线莲药用价值不同，由于金线莲种类繁多且长相和叶片十分相像，不法商家以次充好、不良掺假等现象更是严重影响了金线莲的品系鉴定和临床疗效，因此实现不同品系金线莲鉴别是亟待解决的问题。
1.2研究意义
传统鉴别金线莲品系的方法大多是通过人工识别来完成的，这种鉴别方法耗时费力并且具有一定的主观能动性,鉴别效率低下而且正确鉴别的难度极大。而基于图像处理对金线莲品系进行有效的分类，通过对纹理、颜色来作为鉴别特征。为了提高对叶片的识别精度，提取叶片关键有效信息成为了品系鉴别的重点。该课题首先进行图像前期的预处理，预处理方法包括灰度化，滤波降噪，二值化，掩膜处理等处理操作；然后，再对预处理后的叶片进行多特征的提取，包括颜色、纹理等特征，经过设计的程序提取的特征就会变成数据；最后，再对数据进行相关性和主成分分析，观察是否存在差异，存在哪些方面的差异，得出准确且可靠的结论。
1.3 研究内容
由于金线莲种类繁多且长相相近，人工识别耗时费力，吃力不讨好，为此如何提取叶片的有效信息成为品系鉴别的关键所在。因此本课题拟开展基于图像处理技术的金线莲叶片关键特征的提取方法研究,并根据提取的特征分析特征与金线莲叶片品系之间的关联关系。本设计的主要要求有：
1、叶片特征提取
通过实际拍摄的金线莲图片,分别进行整片叶形的处理,获取颜色、纹理等多个特征。
2、提取特征分析
采用相关性分析、主成分分析等算法，分析特征与品系之间的关联关系。
3、基于Python的仿真实现
利用Python编程实现图片特征提取与优选过程，完成仿真结果分析。
4、撰写毕业论文
按照规定计划安排，完成论文相关资料攥写。
5、作品成果提交
展示利用Python编辑后的程序以及对叶片的分析结果。
第2章 图像预处理
此次毕业设计，对金线莲的三类品种进行研究：红霞、尖叶、X金线莲。预处理图像时，则使用了下列方式：
灰度化处理：即将彩色图像（RBG图像）转换为灰度图像的行为；
图像滤波降噪：外部环境、成像设备对传输中的数字图像会造成噪声干扰，为改善实物目标与领域或背景之间的灰度反差，需通过滤波技术淡化部分无用信息，并对图像空间频率进行强化；
二值化处理即采用大律法（Otsu）来选取阈值T；
图像掩模：即使用滤光片、胶片等物体或多值图像遮挡图像，以提取结构特征、统计屏蔽区、获取感兴趣区的行为。未作任何处理的金线莲图像（前3张为红霞，中间3张为尖叶，后3张为X金线莲）如图2-1所示：
图2-1 未作任何处理的金线莲
2.1 灰度化处理
通过摄像头获取得到的图像为彩色图像，包括RGB与CMYK。前者为Red、Green、Blue的简写，后者则包括青、品红、黄、黑四种色。在印刷行业，为显示丰富的色彩，一般会使用CMYK图像。
在二维空间，存在与图像中各像素相对应的位置，而且所组成数值的采样值同该位置存在联系。在灰度图像中，以灰度级0~255代表各像素的亮度值。该值越小，说明越黑；越大，说明越白。
灰度化处理，即将彩色图像（RBG图像）转换为灰度图像的行为。对于RGB图像而言，若R=G=B，说明存在灰度色，此时，各像素中的灰度值大小为1Byte。因为R、G、G的亮度值最高为255，通过组合3个分量，那么彩色图像的单个像素的颜色可以达到“255*255*255”个，即超过1600万。由于在灰度图像中，R=G=B，单个像素仅存在255种变化。为此，考虑到简化后期计算量的需求，灰度化处理显得十分必要。
在分析图像亮度级别、色度范围时，彩色图像、灰度图像均具备描述价值。图2-2，为灰度化程序：
图2-2灰度化处理
2.2 滤波降噪处理
此次毕业设计所采用的图像滤波有低通滤波、高斯滤波、中值滤波等，这些方法都很好的起到了滤波降噪的效果，效果明显。
外部环境、成像设备对传输中的数字图像会造成噪声干扰，为改善实物目标与领域或背景之间的灰度反差，需通过滤波技术淡化部分无用信息，并对图像空间频率进行强化。在增强图像清晰度时，领域处理法表现出了很强的实用性，可对像元间的对比度进行调整、比较。
2.3 二值化处理
二值化可提高目标的对比度，凸显轮廓，减少图像的数据量。因为只存在0、255两个灰度值，无多级值，这不仅利于区分背景与目标，还能降低压缩量。阀值法是二值化的常用技术。在对分析目标的像素阀值进行判断后，即可确定其是否为特定物。比如，灰度值=0，该区域属于背景；灰度值=255，该目标为目标物。
在确定阀值T时，则应用了Otsu法（大律法）。
产生于1979年的Otsu法可通过设定阀值来区分图像中目标（前景）、背景（无相关区域）。该算法可将图像恢复设为两组，并以t作为假设的阀值。如果两组存在最大的类间方差，说明理想阀值即为t。在任意一张图像中，若灰度值数量是L，则灰度处于0~L-1间。任意设定一个灰度值T（T∈（0，L-1）），且将图像划分为包含了0~T个像素值的G1，及灰度值处于T+1~L-1的G2。灰度值为i的像素数量设为ni，图像总像素量为N。大律法程序处理过程如图2-3所示：
图2-3大律法
2.4 掩膜处理
PCB制版活动为图像掩模指明了方向。在光刻技术下，能够在介质层、单晶表面得到功能图形。“掩模”，即为图形“底片”。在硅片的特定区域，通过遮盖不透明图形模板，并利用光刻胶，即可在基片的特定区转移或扩散掩模板图形。
基于光刻技术流程，行业专家也在图像掩模中应用了类似技术。即使用滤光片、胶片等物体或多值图像遮挡图像，以提取结构特征、统计屏蔽区、获取感兴趣区。可见，模板是主要功能是对特定物体进行掩盖处理。通常，滤光片、胶片等都可以在处理光学图像时作为掩模存在。而二维矩阵数组则是处理数字图像的常见掩模。下面，简要总结掩模技术在处理数字图像时的作用：
获取感兴趣区。首先，计算待处理图像与感兴趣区掩模的乘积，从而求得感兴趣区图像；其次，根据图像值判定感兴趣区。若图像值为0，说明为背景或区外。脱图像值固定，可判定为干感兴趣区。
提取结构特征。为了使获取的结构特征同掩模相似，可采用匹配法、相似性变量法。
屏蔽功能。在屏蔽指定区域后，处理图像时将不会计算该区域，从而降低计算量。
生成形状特殊的图像。
掩膜程序处理过程如图2-4所示：
图2-4掩膜处理
通过灰度化、滤波降噪、二值化、掩膜处理的预处理过程后，金线莲叶片得到很好的处理。预处理后的金线莲图像（前3张为红霞，中间3张为尖叶，后3张为X金线莲）如图2-5所示：
图2-5 预处理后的金线莲
第3章 特征提取
3.1 颜色特征提取
颜色特征从本质上讲为像素点特征，是整个图像或图像局部全部像素点的综合特征，能够反映目标物体表现性质，具有描述全局特征的作用。通常，对象或目标物的局部特征很难通过颜色特征来描述，因为图像的大小、方向发生变化时，并不会引起颜色的改变。在庞大的数据库中，若查询的条件设为颜色特征，则会检索得到诸多非目标图像。
为了更直观的说明颜色特征，研究者给出了一种全新的表达方式——颜色直方图。该表达形式比较稳定，平移、旋转图像也不会影响图形结果。同时，在归一化之后，即使改变图像尺寸也能反映颜色特征。但是，颜色空间分布信息无法在直方图中显示。
如果所研究的图像不涉及到物体空间位置，或者图像内容无法分割，则可以借助直方图说明图像中各种色彩的占比，即颜色全局特征。在科研活动中，一般通过中心距法、相交法、颜色累加法、距离法匹配颜色直方图特征。直方图的基本优势：表现出了旋转不变性，能对多模态特征分布进行说明；提取颜色特征的难度小，操作便捷。由于直方图表现出的明显优势，研究界长期进行了直方图的创新与探索，并推出了各种直方图。如颜色直方图、亮度直方图。颜色直方图表现出了一些不足，如忽略了像素的位置，即无法表述各种色彩的空间位置及局部分布特征；对光线敏感。
在生活或工作中，大多会接触到HSV。比如，在ipad上绘画时使用的调色板，在WPS上选择字体颜色，或者调节视频亮度，都会调用到颜色系统。HSV为使用者提供了直观的颜色描述方案，即颜色亮度、深度，及什么颜色问题。
H——色调，0°~360°。如果按逆时针旋转，且以Red为起点，那么0°即为Red，120°为Green，240°为Blue。除了R、G、B色以外，在不同的度数下还会呈现出各种颜色，如草绿、粉红。
S——饱和度。肉眼所见的任何色彩，均可将其视为白色与光谱色混合的产物。通过S，即可判断出所分析的色彩与光谱色的趋近程度。S越高，说明该色彩鲜艳，且同光谱色非常趋近。比如，浅红到紫红，说明饱和度逐渐上升。S在0%~100%范围内。从理论上讲，白色不存在于光谱色中。
V——明度、色彩的亮度(0-100%)，这个在调整屏幕亮度的时候比较常见。如果时物体，其V值同反射存在联系。若为光源，如LCD屏幕，则与液晶亮度有关联。
S、V的取值均在0~1间。若S=V=1，则存在纯色；
若V=0，说明存在最暗的颜色，即Black。H、S无意义；
若S=0，则仅存在灰度，且V决定了灰度的亮度。
1978年，HSV的诞生为人们进行颜色识别及信息时代下的机器视觉技术的发展提供了重要支持。在HSV空间模型中，可以对色彩明度、饱和度、色调进行直观的描述，比RGB空间更具有表达力。当然，也具体应用时，也要注意规避其缺陷。比如，显示器不能获得颜色值；转换时，存在资源消耗问题。
通过对颜色特征进行提取后，得到Hsv数据，为9行15列矩阵。
3.2 纹理特征提取
纹理特征是图像的重要底层特征之一。在进行提取活动中，文章引入了SGLDM或GLCM矩阵（灰度共生矩阵），企图在统计基础上完成提取任务。如果两个像素灰度在空间位置上表现出了联合分布的特征，则将其视为GLCM矩阵中的元素。根据相邻像素点之间距离参数D不同可以得到不同距离的灰度共生矩阵。
当图像中的各像素灰度值比较接近时，说明GLCM存在较大的元素值。可以用来说明GLCM矩阵特征的标量包括：熵、对比度、ASM能量、自相关、逆差距等。
基于对纹理特征描述的需要，Haralick通过多次尝试，于1973年推出了在特征分类、纹理分析上表现出了优秀性能的灰度共生矩阵（GLCM）。在空间中，当反复出现灰度分布时，即可产生纹理。在统计当个像素灰度后，可生成灰度直方图。GLCM，即通过统计两个像素灰度关系，从而实现对灰度空间纹理特征进行描述的方法。GLCM促进了图像局部特征的研究，能够更好的了解排列规则，也为认识灰度的变化幅度、方向提供了支持。
利用GLCM，可以求得起点像素灰度值是i，并在离开某固定位置的点时，灰度值为j的概率。学术研究证明，如果图像存在缓慢的纹理变化，则能够得到对角线较大的GLCM；如果图像纹理变化较为迅速，则说明GLCM存在较小的对角线。如果要区分纹理特征，一般不推荐存在大量数据的GLCM。以GLCM为基础，Haralick构建了诸多统计量，如和方差、均匀性、能量、差评君、对比度等。GLCM的生成流程：
假设点（x，y）位于某图像上，（x+a,y+b）为与该点存在距离或偏离的点。此时，存在（c1，c2）灰度值。在移动点（x，y）后，灰度值也会发生相应的变化。
若将k视为灰度值级数，则存在k²种（c1，c2）组合；
（2）在图像范围内，对每种（c1，c2）出现的次数进行统计，并以方阵形式排列；
（3）归一化处理出现的总数，从而得出P(c1,c2)。在截取数值组合时，如果将差分值设为（a,b），那么联合概率矩阵也会表现出众多差异。
国外一研究以肿瘤图像为研究对象，首先利用旋转不变性对肿瘤图像进行局部二值模式特征提取。当图像移动和旋转改变时，图像相对于坐标系是静止的。该方法能够准确描述肿瘤图像浅层的纹理特征，从而增强图像区域描述的鲁棒性。针对基于卷积神经网络的图像特征提取，建立了卷积神经网络的基本框架[1]。
以图像处理为指导的玉米叶片特征提取研究[2]中，作者邓立苗，马文杰采用VC++的方法，来编制玉米种子的特征参数提取系统。在对提取需求进行详细研究后，研究者通过应用专业软件Matlab，成功构建能能够识别并批量提取玉米叶片特征的系统。通过测试发现，该系统具备批量预处理能力，可识别48个特征，如纹理、色彩。同时，在识别品种时，还能调用神经网络、支持向量机，使得速度、准确度大为提升。在现代设备支持下，人员能够对阀值的设定、计算一目了然，进一步强化了研究的可视化程度。本系统界面友好，各模块布局合理，操作风格统一。在屏幕上，直接设置参数既能完成识别、处理操作。如果需要应用于其它场景，仅需做细微的修改即可，扩展性较强。所以，不仅是玉米叶片，在提取、识别其它图像特征时，该系统也能提供支持。
玉米叶片病斑多光谱特征提取及识别方法[3]中，总结了各种方法的优缺点，并进行了方法创新。学者在多重分形去趋势波动分析基础上，对油菜缺素叶片作了模型分析。在文中，作者给出了具备识别像素点多重分形特征的hij（q）指标。同时，在图像多重分形特征的描述上，则选用了Lhq指标（全部像素点hij（q）的均值）。为了进行指标的可靠性验证，作者在试验中准备了4类油菜缺素片样品。观察所有试验结论得知，Lhq为叶片的区分提供了可靠指导，具备了很强的参考性。在方差分析中，发现Lhq的最佳区分效果出现在q={-10,-9,-8,-7,-6}的条件下。文献中，作者还在Fuzzy C-Means算法中引入了hij（q），并将模糊分割的结果与Holder指数下的分割进行了比较，发现hij（q）的分割效果最为理想。
在GLCM的应用中，考虑到对纹理特征的直观、详细描述需要，业界还给出了诸多的统计量，如和方差、均匀性、能量、差评君、对比度等。
能量：可用于评价纹理的粗细度、分布的均匀性。若GLCM中存在集中分布的元素，说明ASM大。此时，纹理特征比较规则。若GLCM中存在相等值，说明ASM小；若呈现出离散式分布，说明ASM小。表达式为：
公式（3-1）
对比度：对比度偏大，说明图片清晰，存在较深的纹沟。对比度偏小，说明图片模糊，存在较浅的纹沟。表达式为：
公式（3-2）
相关性：针对针对图像局部的灰度相关性，多以“相关值”加以评估。相关值的大小同矩阵元素值的均匀度呈反比。若纹理呈水平向布局，那么横向矩阵比其它方向矩阵的COR偏高。表达式为：
公式（3-3）
熵值：在图像中，纹理信息具有随机性。通过学界的长期钻研，在度量图像信息量时，研究者提出了熵值的概念。若共生矩阵存在分散的元素，或者各元素的随机性都处于极大值状态，此时，存在较大熵值。借助该统计量，能够直观的了解纹理复杂性及分布的均匀性。表达式为：
公式（3-4）
（5）逆差距：利用该统计量，能够对纹理的局部变化进行度量。若局部处于均匀状态，说明有着较大的逆差距。表达式为：
公式（3-5）
图3-5 灰度共生矩阵
通过对纹理特征进行提取后，得到GLCM数据，为9行16列矩阵。
第4章 分析特征与品系的关联关系
4.1 相关性分析
相关性分析主要采用皮尔逊相关系数（Pearson correlation coefficient，PCCs），该指标能够从-1~+1对X、Y变量表现出的相关度进行衡量。
通过PCCs系数，能够确保变量间的相关性维持稳定。也就是说，即使改变变量尺度或者X、Y的位置，也不会对PCCs系数造成影响。由此可见，PCCs系数属于不变量。比如，即使把Y向X移动，把X向Y移动，PCCs系数也不会受到位置的变动而发生变化。即使是PCCs样本系数、总体系数，也同样的表现出了不变性。
变量间的协方差与标准差的商，即为PCCs系数。在进行统计分析中，有文献在研究随机变量的相关性时使用了协方差指标，并根据协方差的正负判断相关性。比如，协方差＜0，存在负相关性；协方差＞0，存在正相关性。在具体应用中，由于其他因素干扰，对随机变量间的相关性进行评估时，协方差表现出了一定的滞后性或不足。比如，在二维空间存在大量数据，且各数据的X、Y轴表现出了相关性。若各数据较为分散，且相关性小。通过计算，可得到大值协方差。但是，此时的协方差根本无法反映出相关性特征。其中，文献[4]是叶片截面线特征点的快速提取及其实验研究，以PCCs系数评估了各像素点的相关性。文献[5]是基于面向对象特征提取的植物叶片面积测量方法，该措施较为可靠，测量效果好，适用范围较广。而文献[6]是基于WLLE和极坐标特征提取的叶片图像识别方法，在介绍了该方法特征后，作者以仿真方式加以了论证。因此，对于相关性分析来说，我选择采用皮尔逊相关系数。
4.2 主成分分析
主成分分析（PCA）可以降低特征维度，使结果精度更高，从而得到降的维数所占百分比。在消除变量相关性时，会使用到正交变换法。PCA在图像压缩、经济发展评测、模式识别上展现出了积极作用，为数学降维提供了支持[7]。从“主元分析”的称谓便能对该方法的基本功能有所了解，即在多种措施下，确定数据“主元”（主要元素或结构），并达到消除冗余、噪声，降维数据的目的。依托PCA，可以化繁为简，消除复杂元素，直接获取简单的结构。PCA法无参数限制，是满意度评测、人口统计、数学建模、神经科学研究等活动的重要工具。
总结业界有关PCA法的应用经验，发现该方法对过程精确机理模型没有依赖性。Pearson[7]是主元分析的开创者，并在非随机变量的独立性研究上进行了首次尝试。而Fish和Hotelling等则基于随机变量的特征给出了推导模式，为学界通过模型的方式应用主成分法提供了参考[8]。当前，PCA的应用范围已经进一步扩大，在数学建模、图像分析、数量地理学、信号处理等学科上表现出了巨大优势[9]。在过程监测领域，得益于设备功能的丰富，也为主元分析提供了坚实的应用基础。PCA能够简化数据，即数据降维，消除冗余，继而成为图形学不可获取的工具。
从PCA的实际应用效果可以看出，PCA有降维数据的功能，也能有效将冗余、噪声去除，提取“主元”（主要结构、元素），化繁为简。从本质上看，PCA可以提取特征信息，压缩数据，通过寻找变量规律，达到以典型变量表示所有变量的目的。典型变量或特征变量间无相关性，但却包含了以往变量的信息。在实际生产条件下，存在较多的共线性操作数据。在建模时，设X为数据集。由于X存在冗余，所以必须通过PCA法提取特征数据子集。这既能降维，也能以“主元”反映全部信息。
文献[10]是中国野生山梨叶片形态及光合特性，其在PCA的应用上做了成功的尝试。作者认为，该研究可以进一步深化对野生山梨性状的认知。而文献[11]不同抗旱性花生品种的叶片形态及生理特性，作者利用现代扫描设备，并依托PCA等图像处理技术，成功获取了叶片的各项特征。文献[12]认为也是野生樱花不仅能够增加浙江的植物多样性，也能美化环境。为合理保护该树种，作者探讨了其生长特征、气候要求。同时，还收集了野生樱花上的50个形态性状，如叶片、树枝、花瓣，并进行了主元分析。
结论
中药材作为中医药传承和发展的物质和基础，其质量的好坏直接影响着中药材的临床疗效，而产地对药效则具有显著的影响，导致极品或优质金线莲产量稀缺，有时还难得一遇。并且由于金线莲种类繁多且长相和叶片十分相像，不法商家以次充好、不良掺假等现象更是严重影响了金线莲的品系鉴定和临床疗效，因此实现不同品系金线莲鉴别是亟待解决的问题。
本次课题介绍了通过学习图像的特征提取方式，确立了预处理以及多特征提取的必要性。在对图片进行预处理后，可以简单的先看到图片的一些信息，择优选择处理后的图片，再对它进行颜色、纹理、形状等特征的提取，提取后的图片，会生成矩阵数据，再对数据进行更进一步的分析，也为下一步主成分和相关性分析做了铺垫。这样提取出来的数据就可以对金线莲叶片做品系分析，能够更精准且更迅速的辨别出金线莲叶片质量的好坏。本设计的主要要求有：
1、叶片特征提取
通过实际拍摄的金线莲图片,分别进行整片叶形的处理,获取颜色、纹理等多个特征。
2、提取特征分析
采用相关性分析、主成分分析等算法，分析特征与品系之间的关联关系。
3、基于Python的仿真实现
利用Python编程实现图片特征提取与优选过程，完成仿真结果分析。
4、撰写毕业论文
按照规定计划安排，完成论文相关资料攥写。
5、作品成果提交
展示利用Python编辑后的程序以及对叶片的分析结果。
但由于时间有限，加上笔者学识较为浅薄，缺乏充分的文献准备，论文依旧有很多地方需要改进。比如，算法方面可能还有些许的不完善，可能能够做到更加全面的分析。这可能还是由于个人能力的限制再加上时间的制约，导致不能做得特别完善，不能进行更多的尝试和实践。所以，笔者希望在将来能够不断强化专业知识，学习成功的研究经验，不断强化自身的提取能力。
致 谢
从论文选题到收集资料，再到写提纲，其中经历了聒噪、痛苦和彷徨，在写论文的过程中心情是五味杂陈的。开始选题时很迷茫，不知该怎么选好，幸而在同学和任课老师的帮助下，才得以确定。然后就是最难的找资料，由于首次写论文，不懂该怎么着手去收集、归纳资料，因而花费了好多时间在这上面，但收集到的资料真正能用上的却没多少。这时得感谢我的指导老师，他始终给予我细心的指导和不懈的支持。从论文框架到细节修改，都给予了细致的指导，提出了很多宝贵的意见与建议。老师以其严肃的科学态度，严谨的治学精神，精益求精的工作作风和大胆创新的进取精神深深地感染和激励着我。他渊博的知识、开阔的视野和敏锐的思维给了我深深的启迪，这篇论文是在老师的精心指导和大力支持下才完成的。在此谨向老师致以诚挚的谢意和崇高的敬意。
参考文献
[1] Aimin Yang;Xiaolei Yang;Wenrui Wu;Huixiang Liu;Yunxi Zhuansun.Research on Feature Extraction of Tumor Image Based on Convolutional Neural Network[J].IEEE Access,2019,(7): 24204-24213.
[2] 邓立苗，唐俊，马文杰.基于图像处理的玉米叶片特征提取与识别系统[J].中国农机化学报,2014,(6): 72-75，79
[3] 李妍，朱景福，罗文博，王孟博，高寒，于成江.玉米叶片病斑多光谱特征提取及识别方法[J].江苏农业科学,2017,第45卷(9): 184-187
[4] 刘佳，赵继，杨旭，张良.叶片截面线特征点的快速提取及其实验研究[J].东北大学学报(自然科学版),2015,(7): 996-999，1009
[5] 刘时城，温仲明，戚德辉，王红霞，郭茹.基于面向对象特征提取的植物叶片面积测量方法[J].西北农林科技大学学报(自然科学版),2017,第45卷(5): 161-167
[6] 丁娇，张天飞，龙海燕，张磊.基于WLLE和极坐标特征提取的叶片图像识别方法[J].太原师范学院学报(自然科学版),2019,(3): 45-49
[7] JOHN S T,NELLO C.Kernel Methods for Pattern Analysis[M].England:Cambridge University Press,2004:52-50.
[8] 孙文爽，陈兰祥.多元统计分析[M].北京:高等教育出版社,1994:55-58.
[9] HARKAT M F,GILLES M,Nonlinear PCA Combining Principal Curves and RBF-Networks for Process Monitoring[C].Processings of the 42th IEEE Conference on Decision and Control,2003:125-137.
[10] 董星光，曹玉芬，田路明，王昆，张莹，齐丹.中国野生山梨叶片形态及光合特性[J].应用生态学报,2015,(5): 1327-1334
[11] 厉广辉，张昆，刘风珍，刘丹丹，万勇善.不同抗旱性花生品种的叶片形态及生理特性[J].中国农业科学,2014,(4): 644-654
[12] 蒋冬月，沈鑫，陈雅静，邹宜含，吴帆，李因刚，柳新红.浙江野生樱花枝干及叶片形态变异分析[J].浙江农林大学学报,2019,第36卷(4): 723-732
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/163413.html,
