本发明涉及药材鉴别领域，具体涉及利用图像识别标识纤维的随机分布以区分药用植物特征的方法。
背景技术：
中药材传统性状鉴别有以下缺点：
1.传统的性状鉴定依赖于中药鉴定专家的感官评测，尤其主观性强，不能精确量化及客观测定，只能进行粗略地估计及简略的语言描述，在大批量工业生产中可操作性差。不可避免的受感官差异和监测环境的影响。
2.目前市场上的视觉仿生系统以提取中药材颜色特征为主，但未对其形状、纹理进行提取分析。
3.目前市场上的视觉仿生系统的工作原理主要基于颜色的色度差异进行分析，因此对药材“染色制伪”无法有效识别。
技术实现要素：
发明目的：本发明将图像识别技术首次应用于中药材鉴别，创造性地利用图像识别标识纤维在药用植物中的随机分布以区分其特征，可有效解决中药材染色掺伪等用市场现有视觉仿生系统等技术无法区分鉴别的问题。
技术方案：为了实现以上目的，本发明采用如下技术方案：
1.从相机获取中药材的图像。
2.对中药材图像进行处理，对指示器区域子图像进行红色增强处理，得到去除了周边噪声的指示条灰度图像。
3.剔除背景干扰和分割出鉴别中药材的关键区域图像，针对不同规格的药材，提取的方法会略有差异。
4.图像处理方法，创新性地运用超大规模回馈式神经网络识别系统，精确提取出图像特征，并与标准中药材图像特征进行特征匹配，根据匹配率，并结合其他传感器特征，对中药材进行质量划分。
其中，本发明首次采用超大规模回馈式的神经网络，反馈到上一层链接权重输入，使得神经网络具备了类似于大脑的“短期记忆能力”，有效提高了对中药材标识纤维随机分布产生的纹理特征信息识别的敏感度、精确度与准确率。通过提取中药材的颜色值分布特征，色差对比特征，进行色度学和统计学的统计，同时创新性地利用颜色过渡特征，有效鉴别颜色过度均匀且渗透明显的伪制药材，解决染色制伪难以鉴别的问题。另外，通过基于矩的支持向量机分类器进行中药材图像的特征分类，可高效提取中药材尺寸大小特征、纹理特征、表面特征的向量，而非单一地对中药材颜色特征进行提取，将这些特征数据来作为判断中药材真伪优劣的重要指标因素，更为全面科学。
本发明的有益效果体现在以下方面：
1.本发明首次将超大规模回馈式神经网络模式识别技术应用在中药材鉴定上，提取中药材颜色特征，同时创新性地利用色度差异原理，可有效解决中药材染色制伪的问题。
2.本发明首次利用自适应阈值分割、模糊聚类及轮廓追踪技术等科学方法，精准化地处理中药材图像，大大提升其清晰度与准确性。在很大程度上弥补了人眼可视范围的局限，减少了对专业性较强的中药技术人员的依赖。
3.本发明在提取中药材颜色特征的基础上，并对其形状、纹理特征进行提取分析。其中，创新性地采用svm分类方法对标识纤维随机分布形成的纹理进行等级的判定，较为科学地说明了标识纤维随机分布的图像识别区分药用植物的方法具有较好的推广性能。
附图说明
图1黄芪饮片图
图2r分量灰度直方图
图3去除黑色背景的灰度图像
图4分割后菊花心图像
图5是图像识别系统图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
如附图所示，本发明由摄像头1、主板2和超大规模回馈式神经网络模式识别系统3构成。
根据下述实施例，可以更好地理解本发明。然而，本领域的技术人员容易理解，实施例所描述的具体的物料配比、工艺条件及其结果仅用于说明本发明，而不应当也不会限制权力要求书中所详细描述的本发明。
本发明以中药饮片为实施对象，下面以黄芪饮片为例说明本发明的具体实施方式。
摄像头1获取的黄芪饮片图像，由主板2提供图像处理模块功能：预处理(对应技术方案中的第3步)和特征提取(对应技术方案中的第4步)。其中特征包括尺寸大小特征、表面纹理特征、孔洞信息等。最后根据特征信息进行药材品质鉴别。
实施例1图像背景消除和药材饮片纤维图像的分割
本发明采用自适应阈值分割方法。图像背景消除是利用饮片图像的r分量灰度直方图以去除饮片图像中的黑色背景。图像背景去除后，需要分割饮片中菊花心和外皮等区域。为有效地提高图像分割的精度，本发明采用基于模糊集合理论的模糊聚类法。先运用轮廓追踪技术，追踪出饮片最外层轮廓，在轮廓内进行方向投影，根据投影信息，划定出菊花心的大致范围。图2是图1所示饮片样本的r分量灰度直方图，图1经过消除黑色背景后的图像如图3所示。图4是菊花心分割结果图。
实施例2提取黄芪饮片标识纤维-菊花心的图像
提取黄芪饮片标识纤维—菊花心的图像主要包含以下三个步骤：
1.从整幅图像中提取出菊花心的实体区域(包括明显的形成层花纹及放射状纹理)；
2.从外皮等结构中分离出菊花心有效判定部位(即形成层花纹及放射状纹理)；
3.提取出标识纤维菊花心。
提取方法概述：先运用轮廓追踪技术，追踪出饮片最外层轮廓，在轮廓内进行方向投影，根据投影信息，划定出菊花心的大致范围。从而判定黄芪的标识纤维菊花心的丰富程度及纹理等级。
实施例3菊花心的特征提取
通过实地考察中药材市场，发现黄芪饮片的大小对菊花心情况影响较大。且同一级别、不同样本大小的菊花心中亦存在较大差别。因而，本发明选取与饮片样本大小、形状的图像特征像素灰度矩特征来作为菊花心图像特征,同时提高了计算机视觉检测系统的鲁棒性。数字图像的二维函数的(m+n)阶几何矩定义为：
二维函数的(m+n)阶中心矩定义为：
实施例4菊花心的svm分类方法
本发明利用“一对多”的算法建立基于矩的支持向量机分类器，将黄芪进行分级，即对于n类问题构造n个svm分类器。第i个svm用第i类中的训练集作为正的训练样本，而其余的样本作为负的训练集。svm的结构参数为核函数为径向基函数，错分惩罚常数c＝100。将图像的矩特征p1、p2和q1作为输入参数，则测试样本的训练结果如表1所示。
本发明采用交叉校验中的k-折交叉验证(k-cv)以判断建模是否合理：将样本点集合平均分为k个样。令每个子集数据分别做一次验证集，其余的k-1组子集数据作为训练集得到k个模型，用这k个模型最终的验证集的分类准确率的平均数作为此k-cv下分类器的性能指标。本交叉效验正确率如表1所示。由此可见，基于标识纤维随机分布的图像识别区分药用植物的方法具有较好的推广性能。
表1测试样本训练结果
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。