全 文 ：作物学报 ACTA AGRONOMICA SINICA 2012, 38(2): 374379 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由河南省重点学科青年骨干教师建设项目(豫教高[2008]169号)资助。
* 通讯作者(Corresponding author): 艾志录, E-mail: zhila@163.com
第一作者联系方式: E-mail: zl_pan@126.com **同等贡献 (Contributed equally to the work)
Received(收稿日期): 2011-06-02; Accepted(接受日期): 2011-10-12; Published online(网络出版日期): 2011-12-01.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20111201.0921.011.html
DOI: 10.3724/SP.J.1006.2012.00374
基于图像处理和支持向量机的初烤烟叶颜色特征区域分类
潘治利 1,** 祁 萌 2,** 魏春阳 3,** 李 锋 3 张仕祥 3 王建伟 3 过伟民 3
艾志录 1,*
1 河南农业大学食品科学技术学院, 河南郑州 450002; 2 华北水利水电学院, 河南郑州 450008; 3中国烟草总公司郑州烟草研究院, 河
南郑州 450001
摘 要: 颜色是烤烟烟叶品质的重要外在指标之一, 在生产中, 同类颜色烟叶在不同产地却往往存在着较大的差异。
采用区域生长方法对烟叶图像进行分割预处理, 然后提取烟叶的颜色特征, 再运用一种新的机器学习算法—支持向
量机分类方法对我国烟叶颜色特征进行区域分类。结果发现在小样本情况下, 采用径向基函数作为支持向量模型的
核函数, 并确定了适当的模型参数, 所建立模型对烟叶颜色区域特征的回判识别率达 100%, 预测识别率达 86.67%。
支持向量机对典型产地烟叶颜色的分类识别具有良好的应用性能。
关键词: 烟叶; 支持向量机; 颜色; 分类
Color Region Classification of Flue-cured Tobacco Leaves Based on the Image
Processing and Support Vector Machine
PAN Zhi-Li1,**, QI Meng2,**, WEI Chun-Yang3,**, LI Feng3, ZHANG Shi-Xiang3, WANG Jian-Wei3, GUO
Wei-Min3, and AI Zhi-Lu1,*
1 College of Food Science and Technology, Henan Agricultural University, Zhengzhou 450002, China; 2 North China University of Water Conservancy
and Electric Power, Zhengzhou 450008, China; 3 Zhengzhou Tobacco Research Institute of China National Tobacco Corporation, Zhengzhou 450001,
China
Abstract: Leaf color is an important indicator of flue-cured tobacco quality; however, there is a big difference among similar color
tobacco leaves from different areas. Color features of tobacco leaves were obtained by using Region Growing Method in the
pre-processing, and then made region classification by using Support Vector Machine (SVM). The results showed that in the case of
small samples, radial basis function was the kernel function of the SVM, and the appropriate model parameters were determined. The
classification accuracies for training set and test set of the SVM model were 100% and 86.67%, showing that SVM has a perfect
performance in color region classification of tobacco leaves.
Keywords: Tobacco leaf; Support vector machine; Color; Classification
颜色是烤烟烟叶品质的重要外在指标之一。烟叶颜
色分为柠檬黄、桔黄和红棕等 [1], 但在实际烤烟生产中,
同类颜色烟叶在不同产地却存在较大差异。同为桔黄颜色
的烤烟, 黄淮地区多为浅色桔黄, 西南地区多为金黄, 而
东南地区则多为深色桔黄。实际上, 烤烟的桔黄颜色, 指
的是在桔黄色域范围内的所有颜色, 都是以桔黄色相为
主要特征的。目前, 这种区域性差异的产地归类主要由分
级专家认定。因此专业性和主观性较强, 不同的分级专家
之间往往存在着分歧。近年来, 运用计算机图像处理技
术、色度学理论等提取烟叶颜色特征的研究[2-3], 为揭示
相同颜色组烟叶的颜色在不同产地间的区域性差异提供
了新的技术手段。
支持向量机(support vector machine, SVM)是一种新
的用以解决小样本的机器学习方法, 是 20世纪 90年代中
期在统计学理论的基础上提出的一种新的学习方法, 应
用于分类问题 , 它采用结构风险最小化原则 , 同时考虑
减小训练集的误差和学习机的复杂性[4-6]。因其在解决小
样本、非线性、高维数等识别和分类问题中的特有优势,
已被人们广泛应用于图像分类、农产品分类等领域。邹小
波等 [7]应用支持向量机研究了苹果品种的识别问题; 田
有文等[8-9]基于图像处理和支持向量机方法研究了玉米和
葡萄叶部病害的识别问题。陈全胜等[10]针对茶叶的感官
第 2期 潘治利等: 基于图像处理和支持向量机的初烤烟叶颜色特征区域分类 375


评定分类存在主观性强和一致性差等缺点, 在机器视觉
技术定量描述茶叶的颜色特征的基础上, 根据支持向量
机模式识别原理构造了茶叶的分类识别模型, 取得了较
好的效果。郑一华等[11]采用支持向量分类方法研究了小
样本下的地下水水质的分类问题, 实验也获得了较好的
分类结果。目前, 国内外对于将支持向量机应用于烟叶颜
色的区域分类的研究尚未见报道。本研究采用图像处理技
术对烟叶图像进行分割预处理, 然后提取烟叶的颜色特
征, 再运用支持向量机对烟叶颜色特征进行识别和区域
分类, 以弥补专家分类方法的不足。
1 材料与方法
1.1 试验材料
选取 50个代表性烤烟产地选取的初烤烟叶, 样品等
级为 C3F, 基本涵盖我国不同生态的烤烟主产区(表 1)。
经烟叶分级专家鉴别, 将能够明显辨别出颜色差异的烟
叶图像归为训练集, 共计 35幅。训练集中的烟叶颜色, 第
1类具有明显的西南产区颜色特征, 第 2类具有明显的黄
淮产区颜色特征, 第 3类具有明显的东南产区颜色特征。
其余产地的烟叶图像归为测试集, 用于颜色分类。

表 1 试验样本的组成
Table 1 Compositions of test samples
类别
Category
样本量
Sample size
产地
Place of origin
备注
Remark
训练集 Training set
1 17 云南 Yunnan: 广南 Guangnan, 江川 Jiangchuan, 陆良 Luliang, 蒙自 Mengzhi, 弥
勒 Mile, 宁洱 Ning’er, 文山 Wenshan, 永胜 Yongsheng; 贵州 Guizhou: 施秉
Shibing, 威宁 Weining, 大方 Dafang, 西秀 Xixiu; 四川 Sichuan: 宁南 Ningnan,
会理 Huili, 德昌 Dechang, 会东 Huidong, 仁和 Renhe
具有明显的西南产区颜色特征
Color features obviously with south-
west area
2 7 河南 Henan: 郏县 Jiaxian, 襄城 Xiangcheng, 方城 Fangcheng, 洛宁 Luoning; 山
东 Shandong: 莒县 Juxian, 沂水 Yishui, 诸城 Zhucheng
具有明显的黄淮产区颜色特征
Color features obviously with Huang-
Huai area
3 11 福建 Fujian: 武平Wuping, 上杭 Shanghang, 浦城 Pucheng, 泰宁 Taining;
湖南 Hunan: 宁远 Ningyuan, 江华 Jianghua, 浏阳 Liuyang; 江西 Jiangxi: 石城
Shicheng; 安徽 Anhui: 宣城 Xuancheng; 广东 Guangdong: 始兴 Shixing, 南雄
Nanxiong
具有明显的东南产区颜色特征
Color features obviously with south-
east area
测试集 Test set
— 15 福建邵武 Shaowu, Fujian, 广西靖西 Jingxi, Guangxi, 云南凤庆 Fengqing, Yunnan,
贵州道真 Daozhen, Guizhou, 河南卢氏 Lushi, Henan, 河南确山 Queshan, Henan,
湖北保康 Baokang, Hubei, 湖北宣恩 Xuan’en, Hubei, 湖南桑植 Sangzhi, Hunan,
湖南龙山 Longshan, Hunan, 湖南石门 Shimen, Hunan, 吉林柳河 Liuhe, Jilin, 吉
林汪清Wangqing, Jilin, 辽宁宽甸 Kuandian, Liaoning, 四川叙永 Xuyong, Sichuan
颜色特征不明显, 待分类
Color feature is not apparent, un-
specified
C3F为中部烟叶代表性等级, 是试验中常用的烟叶等级。
C3F is a typical grade for the middle part of leaf.

1.2 烟叶数字图像获取
在烟叶分级实验室采集烟叶数字图像, 该实验室具
标准环境条件[12]。以计算机、数码相机为硬件系统。采
用佳能 EOS40D数码单反相机(1 050万像素)。sRGB色彩
空间, 自动白平衡, ISO100~800。为模拟人眼观烟叶的角
度, 相机镜头与工作台面呈 45°夹角。
1.3 烟叶图像预处理
由于烟叶在烘烤过程中失水引起皱缩, 所以即使在
烟叶自然平铺的舒展状态时 , 烟叶表面也并非平整 , 拍
摄的烟叶图像会在皱缩的地方出现局部的暗光; 另外烟
叶表面存在的微小病斑、破损以及烟叶主支脉的颜色都不
能作为烟叶颜色。因此, 为获取真实的烟叶颜色, 需要将
获取的数字烟叶图像分割预处理。首先, 用类差影法从图
像中去除背景, 如式(1)所示:
( , ) ( , ) ( , )g x y f x y b x y= - (1)
式中, f(x, y)为获取的原始烟叶图像; b(x, y)为背景图像。
其次, 采用基于子区域的区域生长方法 [13], 对经过
背景去除的烟叶图像进行分割。
1.4 烟叶表面颜色特征参数的提取
在所有的颜色空间模型中, RGB 颜色空间是最常用
的, 此模型是依照人类视觉的呈色机理表达物体的颜色
信息, 使用方便且易于表达。RGB 模型可以建立在笛卡
尔坐标系里, 如图 1所示。其中 3个轴分别为 R、G、B。
RGB 模型的空间是个正方体, 原点对应黑色, 离原点最

图 1 RGB颜色空间模型
Fig. 1 RGB color space model
376 作 物 学 报 第 38卷

远的点对应白色 , 其余各点对应不同的颜色 , 可用从原
点到该点的向量(R, G, B)表示。
通过直方图(Histogram)获取红(R)、绿(G)、蓝(B)各
个通道的图像均值; 为降低光照环境变化对颜色特征值
的影响, 分析中分别采用 r=R/(R+G+B)、g=G/(R+G+B)、
b=B/(R+G+B)、G/R、G/B、R/B 等 6 个参数[14]; 为消除
RGB三色的相关性, 将 RGB值通过以下公式转换计算得
到 HSI颜色系统中的色调(H)、饱和度(S)和亮度(I)也作为
烟叶颜色特征的参数。RGB到 HSI的变换公式如下。
2
2
( ) ( )arccos
2 ( ) ( )( )
( ) ( )2 arccos
2 ( ) ( )( )
R G R B R G R B
R G R B G B
H
R G R B B G
R G R B G B
p
ì - + -ïï ¹ ¹ïï - + - -ïï=íï - + -ï - >ïïï - + - -ïî
或
(2)
31 min( , , )
( )
S R G B
R G B
= -
+ +
(3)
( ) / 3I R G B= + + (4)
1.5 用支持向量机(SVM)方法分类
支持向量机是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 , 将向量
映射到一个更高维的空间里 , 在这个空间里建有一个
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。对于线形样本,
建立一个超平面使得可分的两类数据到该平面的距离最
小, 通常称该平面为最优分离超平面。对于非线性问题,
是通过一个非线性映射把原始数据映射到另一个称之为
特征空间的新数据集上, 使新数据集在该特征空间上是
线性可分的, 由此建立的最优分离超平面在原始空间内
就是一个超曲面。
1.5.1 线性可分样本集 对线性可分样本集, (xi, yi),
i=1 … n, x∈Rd, y∈{+1, –1}, 可被一个分类面正确地分开,
分类面方程表示为w·x+b=0, 使分类间隔最大的分类面为
最优分类面。这样, 求最优分类面的问题可归结为以下的
二次规划问题。

,
1min ( ) ( )
2
T
w b
Y =w w w (5)
应用二次规划方法可求出此最优分类函数
1
( ) sgn ( )
l
i i
i
f y ba
=
é ù
ê ú= +ê úê úë û
å ix x ,x (6)
式(6)中, i为 Lagrange乘子; b为分类阈值。
1.5.2 非线性可分样本集 对于样本不是线性可分的
情况, 需要引入一个非负的松弛项和惩罚系数 C。此时
的最优分类函数
1
( ) sgn ( )
l
i i
i
f y K ba
=
é ù
ê ú= +ê úê úë û
å ix x ,x (7)
目前常用的核函数如下。
1)多项式核函数 ( , ) [( , ) 1]qi iK = +x x x x (8)
2)径向基核函数
2
2( , ) exp 2
i
iK s
ì üï ï-ï ïï ï= -í ï ïï ïï ïî 
x x
x x (9)
3) Sigmoid核函数 K(x, x i)=tanh[v(x·x i)+c] (10)
其中 q、、和 c均为核参数。
1.6 计算软件
软件工具是基于 SVM算法的 Winsvm2.0[15]。
2 结果与分析
2.1 预处理后图像与图像特征参数
按照 1.3的方法处理图像, 结果见图 2。提取的图像
特征, 结果见表 2, 对预处理后的每幅图像分别提取并计
算其颜色特征参数。共有 12 个颜色特征参数作为支持向
量的输入向量; 将颜色类别作为输出参数。样品烟叶的
RGB 颜色特征参数值的统计数据见表 3, 样品烟叶的

图 2 烟叶原图像及处理后图像
Fig. 2 Original and processed digital images of tobacco leaf
第 2期 潘治利等: 基于图像处理和支持向量机的初烤烟叶颜色特征区域分类 377


表 2 基于 RGB的训练集样品烟叶颜色特征参数描述统计
Table 2 Characteristic parameters descriptive statistics of tobacco leaf color of training set samples based on RGB color model
平均值 Mean 中位数 Median 标准差 SD 变异系数 CV (%) 特征及样品数
Features and number I II III I II III I II III I II III
红 R 159.71 a 155.67 a 154.65 a 160.13 152.64 155.27 7.00 8.18 4.52 4.38 5.26 2.92
绿 G 102.78 a 101.03 ab 94.64 b 101.98 96.07 96.73 7.74 9.3 6.45 7.53 9.20 6.82
蓝 B 13.47 ab 14.79 a 12.77 b 14.50 13.96 11.26 3.84 4.69 4.71 28.50 31.71 36.92
r 0.58 ab 0.57 b 0.59 a 0.58 0.58 0.60 0.01 0.02 0.02 2.48 2.92 3.20
g 0.37 a 0.37 a 0.36 b 0.37 0.37 0.36 0.01 0 0.01 2.01 1.22 2.23
b 0.05 a 0.05 a 0.05 a 0.05 0.05 0.04 0.01 0.01 0.02 27.11 24.53 33.53
G/R 0.64 a 0.65 a 0.61 b 0.64 0.64 0.62 0.02 0.03 0.03 3.77 4.04 4.70
G/B 8.20 a 7.31 a 8.22 a 8.07 6.74 8.53 2.23 1.91 2.50 27.25 26.20 30.46
R/B 12.83 a 11.29 a 13.54 a 11.90 10.49 14.11 3.73 3.33 4.36 29.11 29.45 32.20
色调 H 0.65 a 0.66 a 0.61 b 0.64 0.64 0.62 0.03 0.02 0.03 3.96 3.37 4.37
饱和度 S 0.85 a 0.84 a 0.86 a 0.86 0.84 0.87 0.04 0.04 0.05 4.64 4.74 5.68
亮度 I 91.99 a 90.12 ab 87.30 b 90.83 86.11 88.70 5.22 7.15 4.40 5.67 7.93 5.05
数值后标以不同小写字母代表差异显著水平为 0.05; I: 具有明显的西南产区颜色特征(17); II: 具有明显的黄淮产区颜色特征(7); III: 具
有明显的东南产区颜色特征(11)。
Values followed by different small letters are significantly different at the 0.05 probability level. I: Color features obviously with south-west
area(17); II: Color features obviously with Huang-Huai area(7); III: Color features obviously with south-east area(11). r=R/(R+G+B), g=G/(R+G+B),
b=B/(R+G+B).

表 3 基于 RGB的全部样品烟叶颜色特征参数描述统计
Table 3 Characteristic parameters descriptive statistics of tobacco leaf color based on RGB color model
颜色特征参数
Color characteristics parameters
最小值
Min
最大值
Max
平均
Mean
标准差
SD
变异系数
CV (%)
红 R 143.76 172.58 157.75 7.16 4.54
绿 G 81.82 118.02 101.63 8.12 7.99
蓝 B 8.20 25.46 14.27 4.26 29.87
r 0.54 0.62 0.58 0.02 2.86
g 0.35 0.38 0.37 0.01 2.10
b 0.03 0.09 0.05 0.01 26.18
G/R 0.56 0.71 0.64 0.03 4.41
G/B 4.25 12.62 7.65 1.99 25.97
R/B 6.21 19.28 11.98 3.39 28.32
色调 H 0.56 0.71 0.65 0.03 4.39
饱和度 S 0.74 0.91 0.84 0.04 4.82
亮度 I 78.83 104.34 91.22 5.71 6.26

RGB 值均表现为 R>G>B; 不同产地的烟叶颜色之间存在
较大的差异, 其中变异最大的为蓝色分量值。
2.3 模型的建立及参数选择
采用支持向量机本身需要确定, 一是核函数的确定,
二是核参数。分别采用径向基函数、多项式、Sigmoid核
函数 3 种不同的核函数, 运用网格 5-折交叉确认的方法,
以及广度优先搜索算法(BFS)进行核参数选择, 用得到的
支持向量机模型对训练集进行回判; 对测试集进行测试,
并与专家的判断比对。以回判识别率和测试识别率来确定
哪种核函数更适用于烟叶颜色的分类。如表 4所示, 径向
基函数识别性能最好 , 多项式核函数的识别性能次之 ,
Sigmoid核函数识别性能最差。有文献表明[16], 对分类问
题采用径向基函数能够得到较好的分类效果, 该试验结
果与之相吻合。因此, 本研究最终选择用径向基函数作为
支持向量机的核函数建立识别模型 , 模型参数选择为
C=1, =0.01, 2=5/4, 其回判识别率和预测识别率分别为
100%和 86.67%。
2.4 烟叶表面颜色特征区域分类
如表 5所示 , 这一分类结果与烟叶专家的分类结果
基本吻合 , 东北地区烟叶颜色偏向西南产区颜色特征 ,
湖南、福建和广西地区烟叶颜色偏向东南产区颜色特征。
贵州道真和辽宁宽甸产地烟叶颜色被判为黄淮产区颜色
特征 , 与实际状况有所不同 , 这可能与样品自身的代表
性不强有关。
378 作 物 学 报 第 38卷

表 4 比较三种不同核函数回判识别率
Table 4 Comparison of recognition rates of three kinds of kernel functions
优化后的核参数 Kernel parameters after optimization核函数
Kernel
function
支持向量数
Support
vector
交叉验证精度
Cross validation
accuracy (%) C  q 2  c
回判识别率
Return
discrimination
(%)
测试识别率
Recognition rate
(%)
多项式 POL 18 97.14 201 0.001 3 — — — 100.00 73.33
径向基 RBF 19 85.71 1 0.001 — 5/4 — — 100.00 86.67
Sigmoid 27 68.57 1 0.001 — — 0.067 0.13 85.71 60.00

表 5 测试集样本分类情况
Table 5 Classification of test set samples
类别
Category
样本量
Sample size
产地
Place of origin
备注
Remark
1 7 云南凤庆 Fengqing, Yunnan, 吉林柳河 Liuhe, Jilin, 吉林汪清 Wangqing, Jilin,
四川叙永 Xuyong, Sichuan, 湖北保康 Baokang, Hubei, 湖南石门 Shimen, Hunan,
河南卢氏 Lushi, Henan
具有西南产区颜色特征
Color features obviously with
south-west area
2 3 贵州道真 Daozhen, Guizhou, 河南确山 Queshan, Henan, 辽宁宽甸 Kuandian,
Liaoning
具有黄淮产区颜色特征
Color features obviously with
Huang-Huai area
3 5 湖北宣恩 Xuan’en, Hubei, 福建邵武 Shaowu, Hujian, 广西靖西 Jingxi, Guangxi,
湖南桑植 Sangzhi, Hunan, 湖南龙山 Longshan, Hunan
具有东南产区颜色特征
Color features obviously with
south-east area

3 讨论
本文采用图像处理技术以及支持向量机方法, 达到
较好的效果。目前, 图像处理技术以及支持向量机方法,
在农产品分类识别方面取得了一些进展, 采用支持向量
机的方法 , 赵杰文等 [16]通过分析不同苹果的风味 , 进行
了分类, 袁哲明等[17]分析 15 个品种、24 个生理指标, 对
水稻的抗旱指标进行了筛选。图像方面, 李明等[18]研究了
在小麦叶面积指数提取上的应用, 通过动态阈值分割法
提取叶面积, 计算出了叶面积指数; 李睿等 [18]研究了在
大米外观品质分析中的应用, 从粒型、大小、透明度、垩
白等多方面进行测定, 克服了以往人工进行外观品质检
测的缺陷。但目前大多数的研究是某一方面的单独应用,
而综合研究的较少。烟叶的外观颜色是表征烟叶质量的重
要指标 , 本文在前人研究的基础上 , 将两种技术相结合
有效实现了典型烟叶颜色的分类识别。但本实验是在模拟
烟叶评审专家观察的特定条件下进行的, 对于其他农产
品应采取不同的实验条件。此外, 图像特征是在特定的照
明条件、相机类型、相机设置下得到的, 然后建立的分类
器对于其他不同的农产品并不适用, 需要重新进行分类
器的训练。在图像获取方面, 本实验是在同一个实验室环
境和照明条件下 , 采用自动白平衡模式下进行的 , 可能
会因照明等条件差异, 自动白平衡时拍照成像参数差异,
导致图像 RGB 颜色差异, 这样颜色差异极有可能来源于
成像参数, 而不是反射特性。因此, 为避免这种差异, 在
以后农产品图像的获取时, 可选用固定的手动成像模式。
References
[1] Hang Y(黄勇), Zhou J-H(周冀衡), Yang H-Q(杨虹琦), Liu
J-L(刘建利), Wang Y(王勇), Zhou Y-H(周义和), Huang Y(黄琰),
He X-L(何小力). Cytological observation of leaf and chloroplast
during the flue-cured tobacco maturation. Acta Agron Sin (作物
学报 ), 2006, 32(11): 17671770 (in Chinese with English
abstract)
[2] Liu H-B(刘华波), He L-Y(贺立源), Ma W-J(马文杰), Li C-Y(李
翠英). Color features of transmittance images applied in the
classification of tobacco leaves. Trans CSAE (农业工程学报),
2007, 23(9): 169171 (in Chinese with English abstract)
[3] Zhang F(张帆), Fang R-M(方如明), Cai J-R(蔡健荣). Image re-
trieval of standard tobacco leaf database. Transact Chin Soc
Agric Machin (农业机械学报), 2001, 32(1): 6668 (in Chinese
with English abstract)
[4] Vapnik V. The Nature of Statistical Learning Theory. New York:
Springer-Verlag, 1995. pp 2060
[5] Deng N-Y(邓乃扬), Tian Y-J(田英杰). Support Vector Machine
—a New Method in Data Mining (数据挖掘中的新方法——支
持向量机). Beijing: Science Press, 2004. pp 1228 (in Chinese)
[6] Cristianini N, Shawe-Taylor J, eds. Li G-Z(李国正), Wang M(王
猛), Zeng H-J(曾华军), trans. An Introduction to Support Vector
Machines and Other Kernel-based Learning Methods (支持向量
机导论). Beijing: Electronics Industry Press, 2004. pp 80140
(in Chinese)
[7] Zou X-B(邹小波), Zhao J-W(赵杰文). Distinguishing culti-
var apples by electronic nose based on multi-resolution de-
composition and support vector machine. Chin J Sci Instrum
(仪器仪表学报 ), 2007, 28(3): 534538 (in Chinese with
English abstract)
第 2期 潘治利等: 基于图像处理和支持向量机的初烤烟叶颜色特征区域分类 379


[8] Tian Y-W(田有文), Wang L-D(王立地), Jiang S-H(姜淑华).
Recognition of maize disease based on image processing and
SVM. Chin J Sci Instrum (仪器仪表学报 ), 2006, 27(3):
21232124 (in Chinese with English abstract)
[9] Tian Y-W(田有文). A method of recognizing grape disease based
on texture feature and support vector machine. Chin J Sci In-
strum (仪器仪表学报), 2005, 26(1): 606608 (in Chinese with
English abstract)
[10] Chen Q-S(陈全胜), Zhao J-W(赵杰文), Cai J-R(蔡健荣), Wang
X-Y(王新宇). Study on identification of tea using computer vi-
sion based on support vector machine. Chin J Sci Instrum (仪器
仪表学报), 2006, 27(12): 17041706 (in Chinese with English
abstract)
[11] Zheng Y-H(郑一华), Xu L-Z(徐立中), Huang F-Z(黄凤辰).
Study of water quality analysis based on support vector classifi-
cation. Chin J Sci Instrum (仪器仪表学报 ), 2006, 27(3):
22912292 (in Chinese with English abstract)
[12] National Standardization Technical Committee of Tobacco (全国
烟草标准化技术委员会). YC/T 291-2009, Ambient Condition
of Tobacco Grading Laboratory (烟叶分级实验室环境条件).
Beijing: Standards Press of China (in Chinese)
[13] Wang Y-J(王艳娟), Chen X-H(陈晓红), Huang X-X(黄晓欣).
Automatic extraction of regions of interest. Sci Tech Eng (科学技
术与工程), 2007, 7(12): 28672871 (in Chinese with English
abstract)
[14] Cai H-C(蔡鸿昌), Cui H-X(崔海信), Song W-T(宋卫堂), Gao
L-H(高丽红). Preliminary study on photosynthetic pigment con-
tent and color feature of cucumber initial bloom stage. Transact
CSAE (农业工程学报), 2006, 22(9): 3438 (in Chinese with
English abstract)
[15] Winsvm software [EB/OL]. [2010-10]http://www.live-share.com/
files/363163/winsvm2.88.rar.html.2009-08.
[16] Zhao J-W(赵杰文 ), Hu H-P(呼怀平 ), Zou X-B(邹小波 ).
Application of support vector machine to apple classification
with near-infrared spectroscopy. Transact CSAE (农业工程学报),
2007, 23(4): 149152 (in Chinese with English abstract) .
[17] Yuan Z-M(袁哲明), Tan X-S(谭显胜). Nonlinear screening
indexes of drought resistance at rice seedling stage based on
support vector machine. Acta Agron Sin (作物学报), 2010, 36(7):
11671182 (in Chinese with English abstract)
[18] Li M(李明), Zhang C-L(张长利), Fang J-L(房俊龙). Extraction
of leaf area index of wheat based on image processing technique.
Trans CSAE (农业工程学报), 2010, 26(1): 205209 (in Chinese
with English abstract)
[19] Li R(李睿), Peng X-D(彭新德), Min J(闵军), Xiao F-H(肖放华).
Analysis on the txterior quality of rice by digital image process-
ing. Comp Syst Appl (计算机系统与应用), 2011, 20(4): 194198
(in Chinese with English abstract)