王淑芬，楊玲香(石河子大學(xué) 理學(xué)院，新疆 石河子 832003)

新疆棉花產(chǎn)量占全國棉花產(chǎn)量的1/6，田間雜草是影響棉花產(chǎn)量和品質(zhì)的一個重要因素。對棉田中不同植物進行有效識別、準(zhǔn)確分類，是實現(xiàn)智能化精準(zhǔn)除草至關(guān)重要的一步。葉片形態(tài)特征的準(zhǔn)確識別是區(qū)分雜草和農(nóng)作物的關(guān)鍵環(huán)節(jié)[1]，為提高不同雜草識別的準(zhǔn)確率，需要對植物多種特征(形狀特征、紋理特征、空間顏色特征等)融合應(yīng)用，但隨著特征維數(shù)的增加，識別時間及空間復(fù)雜度明顯提高。如何構(gòu)建合理有效的算法，實現(xiàn)在眾多相互關(guān)聯(lián)的特征中快速、準(zhǔn)確地提取有效特征是雜草識別的難點。近年來，遺傳算法(Genetic algorithm，GA)、人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)、支撐向量機(Support vector machine，SVM)等人工智能算法被廣泛應(yīng)用于雜草識別研究。李先鋒等[2]提出了基于SVM和D-S證據(jù)理論的多特征融合的雜草識別方法，解決了特征空間復(fù)雜度和分類維數(shù)過高的問題，試驗結(jié)果表明，多特征決策識別方法的識別率達97%以上。李慧等[3]利用主成分分析(Principal component analysis，PCA)降維得到3個主成分，不但能有效減少SVM的訓(xùn)練時間，而且提高了分類準(zhǔn)確率，效果良好。張新明等[4]提出了基于改進概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識別算法，可以實現(xiàn)最優(yōu)特征選擇，提高分類準(zhǔn)確率。利用特征融合進行降維研究雖然可以降低分類識別的復(fù)雜度，但難以分析特征參數(shù)對不同類別雜草影響的顯著性。本研究采用GA算法融合ANN的改進算法對棉花及雜草的多種特征參數(shù)進行降維提取，并利用自組織特征映射網(wǎng)絡(luò)(Self-organizing map，SOM)對選取的優(yōu)良特征參數(shù)組合進行網(wǎng)絡(luò)訓(xùn)練，分析各優(yōu)良特征之間的相互關(guān)系及對分類效果的影響，為通過提取棉花和雜草的顯著特征，提高雜草的識別率提供參考。

1　材料和方法

1.1　試驗材料

所用圖片(圖1)均為自然環(huán)境下，采用數(shù)碼相機拍攝的棉花、苘麻、田旋花、龍葵草、灰菜的圖像。圖像采集時間為2016年4月15日—5月16日。采集地點為石河子大學(xué)農(nóng)學(xué)院試驗站(45°19′N、86°03′E)。數(shù)碼相機的型號為SAMSUNG IT100/VLUU IT100/SAMSUNG SL820，分辨率為640×480像素，拍攝距離為離地面50 cm。

a.棉花；b.苘麻；c.田旋花；d.龍葵草；e.灰菜圖1　棉花及雜草圖像

1.2　圖像處理與特征提取

1.2.1圖像預(yù)處理為了克服光照和陰影的影響，應(yīng)用歸一化的2g-r-b算法[5-6]將彩色圖像轉(zhuǎn)化為灰度圖像，其中r、g、b由下式確定：

R(x,y)、G(x,y)、B(x,y)分別表示GRB圖像的紅、綠、藍三原色所對應(yīng)的值。然后使用Otsu[7]方法將圖像轉(zhuǎn)化為二值圖像，將植物從背景中分割出來。二值化后的圖像可能存在孔洞和噪聲，最后利用形態(tài)學(xué)算子進行后處理并分離出植物葉片，得到單葉二值圖像。

1.2.2形狀特征提取不同植物葉片的外觀存在一定的差異。在處理后的葉片上提取寬長比S1、伸長度S2、致密度S3共3個無量綱的幾何特征，具體公式如下：

其中，W表示葉片最小外接矩形的寬度，L表示葉片最小外接矩形的長度，A表示葉片區(qū)域面積，P表示葉片區(qū)域邊界的周長。

1962年，Hu首先提出代數(shù)不變矩的概念，并給出了7個代數(shù)矩不變量，被稱為Hu不變矩[8]。這個不變矩具有旋轉(zhuǎn)、縮放和平移(Rotation,scale,translation，RST)不變性，常作為有效的形狀特征被廣泛應(yīng)用于圖像識別領(lǐng)域。對于數(shù)字圖像f(x，y)，其7個Hu不變矩定義為:

其中，ηij由下列公式計算：

r=(p+q)/2+1

在計算時，為了便于區(qū)分，分別對以上7個不變矩取對數(shù)，即：

Hi=logφii=1,…,7

這樣，便可得到葉片的10個形狀特征：[S1，S2，S3，H1，H2，H3，H4，H5，H6，H7]。

1.2.3紋理特征提取選用葉片圖像上4個方向(0°、45°、90°、135°)的灰度共生矩陣[9]所對應(yīng)的特征值來提取紋理特征。設(shè)圖像f(x，y)的大小為M×N，灰度級為L，行列方向上的距離為dx、dy。灰度共生矩陣是一個二維相關(guān)矩陣，用來描述圖像在特定方向θ上，相隔為d=(dx，dy)且像素為i、j同時出現(xiàn)的聯(lián)合概率P(i，j|d，θ)，則4個方向的灰度共生矩陣定義如下[9-10]：

P(i,j|d,0°={(x,y)|f(x,y)=i,f(x+dx,y+dy=j),|dx|=d,dy=0}

P(i,j|d,45°={(x,y)|f(x,y)=i,f(x+dx,y+dy=j),|dx|=d,dy=-dx}

P(i,j|d,90°={(x,y)|f(x,y)=i,f(x+dx,y+dy=j),dx=0,|dy|=d}

P(i,j|d,135°={(x,y)|f(x,y)=i,f(x+dx,y+dy

=j),|dx|=d,dy=dx}

對上述灰度共生矩陣進行歸一化：

然后提取不同方向的特征值,并求平均作為最后的紋理特征[3]。所對應(yīng)的紋理特征對比度M1、能量M2、相關(guān)性M3、同質(zhì)性M4和熵M5的具體計算公式如下：

其中，μx、μy和σx、σy分別是相應(yīng)的邊緣分布的均值和標(biāo)準(zhǔn)差。

1.2.4顏色特征提取顏色信息也是區(qū)分植物的一類重要特征。文獻[11-12]給出了數(shù)字圖像的顏色矩的定義，即將圖像的各個像素點的顏色值當(dāng)作是一個概率分布，則可用其各階矩來描述圖像。本研究提取HSV空間的H和S分量的前3階矩共6個特征向量作為顏色特征參數(shù)[13]，具體表達式如下：

其中，i代表H或S分量，Pij為相應(yīng)分量的顏色值，N為像素個數(shù)。

綜上所述，本研究共提取了葉片的21個相關(guān)特征作為分類的依據(jù)。

1.3　算法理論

1.3.1GA算法GA算法是一種隨機搜索的智能方法，是模擬達爾文的遺傳學(xué)和自然界優(yōu)勝劣汰的生物進化過程的計算模型[14]。其思想的基本過程如下。

(1)種群初始化：進化代數(shù)計數(shù)器t=0，最大進化代數(shù)T，隨機生成M個個體作為初始群體P(0)。

(2)計算個體適應(yīng)度：對不同問題設(shè)置針對性的評價函數(shù)，計算群體P(t)中各個個體的適應(yīng)度。

(3)選擇算子設(shè)計:對群體進行選擇操作。選擇的目的是保證群體中的優(yōu)秀個體能遺傳到下一代或通過交叉操作產(chǎn)生新的個體再遺傳到下一代。

(4)交叉算子設(shè)計：對群體進行交叉操作。交叉算子在遺傳算法中起核心作用。

(5)變異算子設(shè)計：對群體進行變異操作。變異算子可保持群體的多樣性，避免算法陷入局部搜索。

種群P(t)經(jīng)過選擇、交叉、變異運算之后得到下一代種群P(t+1)。

(6)終止條件判斷:若t=T,則以進化過程中所得到的具有最大適應(yīng)度的個體作為最優(yōu)解輸出，終止計算。

1.3.2ANN算法ANN[15-17]是一種模仿動物神經(jīng)網(wǎng)絡(luò)的工作特征，進行分布式并行信息處理的數(shù)學(xué)模型。這種數(shù)學(xué)模型網(wǎng)絡(luò)是根據(jù)系統(tǒng)的復(fù)雜程度，通過不斷調(diào)整內(nèi)部大量節(jié)點之間的相互連接關(guān)系，達到處理信息的目的。它具有自學(xué)習(xí)、自適應(yīng)、并行處理等優(yōu)良特點，在優(yōu)化計算、智能控制、模式識別、信號處理等方面具有廣泛的應(yīng)用。

BP(Back propagation)網(wǎng)絡(luò)作為應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，通過反向傳播不斷地調(diào)整網(wǎng)絡(luò)的參數(shù)，使網(wǎng)絡(luò)誤差平方和最小。在輸入模式樣本較少的情況下，2層BP網(wǎng)絡(luò)就可以了，當(dāng)輸入模式樣本很多時，需要增加一個隱層，隱層節(jié)點數(shù)如果太少，網(wǎng)絡(luò)容錯性差，在識別新的輸入樣本時效果不理想，隱層節(jié)點數(shù)如果太多，會導(dǎo)致學(xué)習(xí)時間過長。通常隱層節(jié)點數(shù)的設(shè)置與求解問題的具體要求、輸入輸出的單元數(shù)目都有密切的關(guān)系。

SOM網(wǎng)絡(luò)是一種無導(dǎo)師的學(xué)習(xí)網(wǎng)絡(luò)，接受外界的輸入模式時會分成不同的區(qū)域，各區(qū)域?qū)Σ煌斎肽Ｊ疆a(chǎn)生各自的響應(yīng)特征，實現(xiàn)分類的目的。其學(xué)習(xí)規(guī)則是“勝者為王”，當(dāng)輸入一個樣本時，尋找與其最為相似的競爭層神經(jīng)元，就是獲勝神經(jīng)元。以獲勝的神經(jīng)元為中心，調(diào)整周圍其他神經(jīng)元的權(quán)值，調(diào)整的結(jié)果是使競爭層的特定神經(jīng)元變得對輸入層的某些樣本敏感，從而達到分類的目的。自組織特征映射圖可保留各模式的拓撲關(guān)系，便于有效、直觀地研究各特征對分類結(jié)果影響的顯著性。

1.3.3GA-ANN融合算法在雜草分類識別中，如果利用全部特征參數(shù)，一方面加大了數(shù)據(jù)量的計算，另一方面由于某些特征的重復(fù)性和交叉顯現(xiàn)特點，容易導(dǎo)致分類識別率偏低的問題。當(dāng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本(即影響因素)維數(shù)過高、各變量因素不相互獨立時，容易導(dǎo)致所建立的模型精度低、建模時間長等問題。因此，在建立模型之前，有必要對輸入樣本的分量進行優(yōu)化選擇，將冗余自變量去掉。本研究考慮GA算法優(yōu)良的全局搜索性能、并行計算能力及可擴展性，融合神經(jīng)網(wǎng)絡(luò)模式識別功能及SOM神經(jīng)網(wǎng)絡(luò)多維圖形可視化優(yōu)勢，利用GA-ANN融合算法進行數(shù)據(jù)降維及分類識別。以樣本的21個特征參數(shù)進行遺傳編碼，為保證GA算法初始群體的均勻分布，采取rand函數(shù)生成初始群體，通過神經(jīng)網(wǎng)絡(luò)模式識別函數(shù)計算的分類精度可評估特征參數(shù)不同組合分類結(jié)果的優(yōu)劣，在求得最優(yōu)特征組合的基礎(chǔ)上，利用SOM神經(jīng)網(wǎng)絡(luò)的可視化優(yōu)勢，分析各個特征對分類結(jié)果的影響。圖2顯示了GA-ANN融合算法流程。

圖2　GA-ANN融合算法流程

2　結(jié)果與分析

為了驗證GA-ANN融合算法對分類識別的有效性，本研究選用棉花和雜草共195個樣本的21個特征參數(shù)進行數(shù)值模擬，并與利用全部特征參數(shù)及PCA降維處理的識別準(zhǔn)確率進行了對比。結(jié)果表明，改進的GA-ANN融合算法不僅能減少數(shù)據(jù)冗余，簡化計算量，而且篩選出的主要特征具有獨立性、可區(qū)分性、數(shù)量少的特點，能有效應(yīng)用于分類識別，提高分類精度。

2.1　神經(jīng)網(wǎng)絡(luò)模式識別函數(shù)patternnet分析

模式識別函數(shù)patternnet中，通過采用經(jīng)驗公式與逐步試驗法，設(shè)置隱含層神經(jīng)元個數(shù)為20，trainFcn函數(shù)選擇trainlm，此訓(xùn)練函數(shù)對中等規(guī)模的前饋網(wǎng)絡(luò)(多達數(shù)百個連接權(quán))是最快速算法；Performance function默認值是crossentropy。圖3為模式識別網(wǎng)絡(luò)的訓(xùn)練模型，在遺傳算法初始群體的生成過程中，會選取不同特征組合，具體選取的特征個數(shù)為圖3中輸入變量的個數(shù)。圖4為混淆矩陣，行代表了預(yù)測類別，列代表了數(shù)據(jù)的真實歸屬類別，對角線元素為準(zhǔn)確預(yù)測的樣本數(shù)目。

2.2　GA-ANN融合算法結(jié)果分析

本研究對GA-ANN融合算法模型進行了仿真試驗。在GA-ANN融合算法中，種群個體數(shù)設(shè)置為30，迭代次數(shù)設(shè)置為20，采取精英保留策略，每次可得600個不同的特征組合，從中獲取全局最優(yōu)特征組合。進行隨機獨立仿真試驗100次，特征組合的總數(shù)可達60 000個，得到100組優(yōu)良特征組合，其平均分類準(zhǔn)確率穩(wěn)定在98%左右。表1列出了融合算法獲得的部分優(yōu)良特征組合。從表1可以看出，第8組特征組合的分類準(zhǔn)確率達到99.87%。與利用全部特征參數(shù)及PCA分析降維后的分類準(zhǔn)確率進行了對比，利用全部特征雖然分類準(zhǔn)確率可以達到一個相對較高的水平，但考慮樣本特征參數(shù)數(shù)量眾多，特征參數(shù)相互之間交叉的情況，很容易造成數(shù)據(jù)冗余，計算緩慢；而PCA分析降維法的分類準(zhǔn)確率相對較低。試驗結(jié)果表明，改進的GA-ANN融合算法可有效地將特征參數(shù)縮小為8～13維，并保證良好的分類效果。

圖3　模式識別網(wǎng)絡(luò)訓(xùn)練模型

圖4　混淆矩陣

表1　融合算法獲得的部分優(yōu)良特征組合

2.3　降維特征參數(shù)組合的SOM神經(jīng)網(wǎng)絡(luò)分析

為深入研究選取的各特征參數(shù)對分類準(zhǔn)確率的影響以及它們之間的相關(guān)性，利用SOM神經(jīng)網(wǎng)絡(luò)對選取特征參數(shù)組合進行網(wǎng)絡(luò)訓(xùn)練，195個樣本分為5類：原始樣本1—55為棉花樣本，56—79為苘麻樣本，80—125為田旋花樣本，126—158為龍葵草樣本，159—195為灰菜樣本。選取表1中特征組合分組相對均勻、準(zhǔn)確率最高的第8組進行SOM分析。在第8組中序號1、4、6、7、8、13、14、16、18、21分別對應(yīng)參數(shù)寬長比、Hu不變矩1、Hu不變矩3、Hu不變矩4、Hu不變矩5、能量、同質(zhì)性、H一階矩、H三階矩、S三階矩。在selforgmap函數(shù)中，網(wǎng)絡(luò)輸出層拓撲結(jié)構(gòu)設(shè)置為[5,1]，鄰域大小的初始值為1，拓撲函數(shù)為hextop，距離函數(shù)為linkdist，最大迭代次數(shù)設(shè)定為200次。

分類結(jié)果如圖5所示，第1類55個為棉花樣本，第2類24個中包含23個苘麻樣本和1個錯分樣本，第3類43個中包含31個龍葵草樣本和12個錯分樣本，第4類29個中包含25個灰菜樣本和4個錯分樣本，第5類44個中包含43個田旋花樣本和1個錯分樣本。分類準(zhǔn)確率為90.70%。

神經(jīng)元形狀為六邊形，其位置依次為(0,0)、(1,0)、(2,0)、(3,0)、(4,0)，六邊形內(nèi)數(shù)字為該類別包含樣本數(shù)量圖5　樣本分類結(jié)果

圖6中從左到右5個神經(jīng)元(棉花、苘麻、龍葵草、灰菜、田旋花)依次通過不同顏色的六邊形相連，六邊形顏色從黑色到紅色到黃色表示不同神經(jīng)元之間距離的遠近，可以看出，第2類(苘麻)、第3類(龍葵草)和第4類(灰菜)樣本神經(jīng)元相鄰，特征差異性較小，在分類中容易出現(xiàn)錯分的現(xiàn)象，而第1類(棉花)和第5類(田旋花)樣本神經(jīng)元不相鄰，有顯著的特征差異性，因而分類效果較好。

小六邊形為神經(jīng)元，大六邊形表示兩神經(jīng)元鄰近，大六邊形顏色表示神經(jīng)元距離的遠近圖6　神經(jīng)元鄰域加權(quán)距離映射圖

圖7中的輸入變量1—10分別對應(yīng)表1中第8組的特征參數(shù)1、4、6、7、8、13、14、16、18、21。每一個特征參數(shù)權(quán)重分布圖中，六邊形顏色從黃色到紅色到黑色依次表示特征參數(shù)對不同類別雜草分類影響的強弱?？傮w從顏色上觀察，不同樣本差異性顯著，表明經(jīng)過融合算法降維后選取的特征，對各個類別的影響呈現(xiàn)出獨立性、可區(qū)分性的顯著特點。苘麻、龍葵草、灰菜樣本的各參數(shù)權(quán)重，大多2類或3類顏色接近，說明這3類樣本特征差異性不明顯，在分類中易混淆。而棉花和田旋花的各參數(shù)權(quán)重圖顏色與其余3類差異性明顯，因而分類效果較好。棉花樣本神經(jīng)元在1、18序號對應(yīng)的寬長比、H三階矩權(quán)重圖中呈現(xiàn)黃色，表明寬長比、H三階矩與棉花樣本的分類準(zhǔn)確率呈強相關(guān)性；在4、13、16、21序號對應(yīng)的Hu不變矩1、能量、H一階矩、S三階矩權(quán)重圖中呈現(xiàn)黑色，表明這4類特征與棉花樣本的分類準(zhǔn)確率相關(guān)性不顯著；其余特征參數(shù)根據(jù)神經(jīng)元顏色從黑色到紅色再到黃色的變化，對棉花樣本分類準(zhǔn)確率的影響逐步加強。

根據(jù)各參數(shù)權(quán)重分布圖顏色的差異，對各特征參數(shù)與苘麻、龍葵草、灰菜、田旋花4類樣本的分類準(zhǔn)確率進行同樣的相關(guān)性分析。1序號對應(yīng)的寬長比與苘麻樣本分類準(zhǔn)確率呈強相關(guān)性，16、18、21序號對應(yīng)的H一階矩、H三階矩、S三階矩與苘麻樣本分類準(zhǔn)確率具有一定的相關(guān)性，其余特征參數(shù)對苘麻樣本分類準(zhǔn)確率的影響不顯著。1、16、21序號對應(yīng)的寬長比、H一階矩、S三階矩與龍葵草樣本的分類準(zhǔn)確率呈較強相關(guān)性，6、13、14、18序號對應(yīng)的Hu不變矩3、能量、同質(zhì)性、H三階矩與龍葵草樣本的分類準(zhǔn)確率具有一定的相關(guān)性。6、16、21序號對應(yīng)的Hu不變矩3、H一階矩、S三階矩與灰菜樣本的分類準(zhǔn)確率呈強相關(guān)性，其余特征參數(shù)與灰菜樣本的分類準(zhǔn)確率具有一定的相關(guān)性。對比苘麻、龍葵草、灰菜樣本的顯著性特征參數(shù)發(fā)現(xiàn)，H一階矩、S三階矩對3類樣本的影響呈現(xiàn)共性，導(dǎo)致分類效果不理想。4、7、8、13、14序號對應(yīng)的Hu不變矩1、Hu不變矩4、Hu不變矩5、能量、同質(zhì)性與田旋花樣本的分類準(zhǔn)確率呈強相關(guān)性，6、16、21序號對應(yīng)的Hu不變矩3、H一階矩、S三階矩與田旋花樣本的分類準(zhǔn)確率具有一定相關(guān)性，1、18序號對應(yīng)的寬長比、H三階矩特征與田旋花樣本的分類準(zhǔn)確率相關(guān)性較弱。對比1、18序號特征對棉花和田旋花的影響可以發(fā)現(xiàn)，差異性顯著，因此這2類樣本特征區(qū)分明顯，分類效果良好。

10個小圖形中六邊形顏色反映不同特征參數(shù)對5種植物分類影響的權(quán)重大小圖7　輸入?yún)?shù)權(quán)重分布圖

3　結(jié)論與討論

提高田間雜草的識別率在高效、精準(zhǔn)除草工作中起著至關(guān)重要的作用，為農(nóng)作物的優(yōu)質(zhì)高產(chǎn)奠定基礎(chǔ)。植物葉片的形狀特征、紋理特征、空間顏色特征等參數(shù)可用于區(qū)分農(nóng)作物與不同類別雜草，研究人員利用模式識別算法開展了大量雜草分類研究工作[1-4]，然而，對于植物葉片提取后的優(yōu)良特征參數(shù)與植物類別的相關(guān)性研究較少。本研究提取了棉花與4類雜草葉片的21種特征參數(shù)，將特征參數(shù)進行遺傳編碼，利用神經(jīng)網(wǎng)絡(luò)模式識別算法構(gòu)造適應(yīng)度函數(shù)，遺傳算法收斂的最優(yōu)解對應(yīng)提取的優(yōu)良特征組合，可有效降低特征參數(shù)空間的復(fù)雜度。仿真試驗結(jié)果表明，融合算法降維后獲得的100組優(yōu)良特征組合模型分類準(zhǔn)確率穩(wěn)定在98%左右，特征參數(shù)維數(shù)縮小為8～13維。融合算法與利用全部特征參數(shù)的模型比較，在保證分類準(zhǔn)確率的前提下，特征空間復(fù)雜度明顯降低，與PCA分析法降維的分類準(zhǔn)確率相比，提高了約18個百分點。進一步采用SOM對降維后的特征參數(shù)進行了網(wǎng)絡(luò)訓(xùn)練，結(jié)果表明：寬長比、H三階矩特征對棉花樣本分類影響顯著，H一階矩、S三階矩對棉花樣本分類影響不顯著，而對苘麻、龍葵草、灰菜樣本的分類影響顯著，同時其也是田旋花樣本多個顯著特征參數(shù)中的2個。此結(jié)果與李先鋒等[18]在特征優(yōu)化后保留的最優(yōu)特征子集相似程度較高，建議棉田雜草數(shù)據(jù)采集和圖像處理階段，加強與棉花樣本分類準(zhǔn)確率有強相關(guān)性特征參數(shù)的提取。

參考文獻:

[1]金小俊,陳勇,孫艷霞.農(nóng)田雜草識別方法研究進展[J].農(nóng)機化研究,2011,33(7):23-27.

[2]李先鋒,朱偉興,孔令東,等.基于SVM和D-S證據(jù)理論的多特征融合的雜草識別方法[J].農(nóng)業(yè)機械學(xué)報,2011,42(11):164-168.

[3]李慧,祁力鈞,張建華,等.基于PCA-SVM 的棉花出苗期雜草類型識別[J].農(nóng)業(yè)機械學(xué)報,2012,43(9):184-189.

[4]張新明,涂強,馮夢清.基于改進概率神經(jīng)網(wǎng)絡(luò)的玉米與雜草識別[J].山西大學(xué)學(xué)報(自然科學(xué)版),2015,38(3):432-438.

[5]呂朝輝,陳曉光,吳文福,等.用BP神經(jīng)網(wǎng)絡(luò)進行秧苗圖像分割[J].農(nóng)業(yè)工程學(xué)報,2001,17(3):146-148.

[6]Woebbecke D M,Meyer G E,Von Bargen K,etal.Color indices for weed identification under various soil,residue,and lighting conditions[J].Transactions of the ASABE,1995,38(1):259-269.

[7]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybemetics,1979,9(1):62-66.

[8]李先鋒.基于特征優(yōu)化和多特征融合的雜草識別方法研究[D].鎮(zhèn)江:江蘇大學(xué),2010.

[9]Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybemetics,1973,3(6):610-621.

[10]黃艷麗.基于整體局部顏色特征和紋理特征的圖像檢索算法研究[D].蘭州:蘭州大學(xué),2012.

[11]Stricker M A,Orengo M.Similarity of color images[C]//Proceeding of SPIE 2420-Storage and retrieval for image and video databases Ⅲ.San Jose,USA:The International Society for Optical Engineering,1995:381-392.

[12]Stricker M,Dimai A.Spectral covariance and fuzzy regions for image indexing[J].Machine Vision and Applications,1997,10(2):66-73.

[13]張少博,全書海,石英,等.基于顏色矩的圖像檢索算法研究[J].計算機工程,2014,40(6):252-255.

[14]王小平,曹立明.遺傳算法：理論、應(yīng)用與軟件的實現(xiàn)[M].西安:西安交通大學(xué)出版社,2002.

[15]樓順天,施陽.基于Matlab的系統(tǒng)分析與設(shè)計：神經(jīng)網(wǎng)絡(luò)[M].西安:西安電子科技大學(xué)出版社,2000.

[16]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001.

[17]周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京:清華大學(xué)出版社,2006.

[18]李先鋒,朱偉興,紀濱,等.基于特征優(yōu)化和LS-SVM的棉田雜草識別方法[J].農(nóng)業(yè)機械學(xué)報,2010,41(11):168-172.