本文關(guān)鍵詞：基于數(shù)字圖像的蝴蝶種類自動識別研究

  更多相關(guān)文章： 蝴蝶 自動識別 多尺度輪廓曲率直方圖 圖像分塊 灰度共生矩陣 KNN分類器

【摘要】：昆蟲種類自動識別技術(shù)在解決傳統(tǒng)分類方法專業(yè)人員少、效率低、成本高、普及性差等問題上有十分重要的意義。近年來,隨計算機視覺技術(shù)、模式識別技術(shù)的快速發(fā)展及廣泛應(yīng)用,結(jié)合傳統(tǒng)分類學理論,開發(fā)快速、準確的昆蟲種類自動識別鑒定系統(tǒng),已經(jīng)成為一個十分重要的研究新領(lǐng)域。蝴蝶作為昆蟲界中一個重要的分支,其分布范圍廣、數(shù)量龐大(已知種類多達14000余種),對其進行分類和鑒定是一項非常困難的工作。此外,大多數(shù)蝴蝶種類的幼蟲是農(nóng)林害蟲,對人類、動物生存的環(huán)境和食物的來源產(chǎn)生直接影響。因此,研究蝴蝶種類的自動識別方法,不僅在物種鑒定研究方面有重要意義,而且在環(huán)境保護、農(nóng)林業(yè)病蟲害防治、邊境檢疫等實際工作有很高的應(yīng)用價值。本文以50種蝴蝶為研究對象,共收集了750張蝴蝶標本的數(shù)字圖像(每種蝴蝶15個樣本)用于自動識別方法的研究。我們一方面研究了基于蝴蝶形態(tài)特點與紋理分布規(guī)律的特征提取與優(yōu)化方法；另一方面設(shè)計并實現(xiàn)了高效的串聯(lián)分類器用于蝴蝶種類的自動識別。特征提取與優(yōu)化方面,根據(jù)蝴蝶標本輪廓形狀具有種間差異大、種內(nèi)差異小,并且較紋理特征和顏色特征受季節(jié)變化影響較小的特點,本文采用輪廓特征作為初級識別特征。該特征的計算通過“多尺度輪廓曲率直方圖”算法實現(xiàn)。與常用的輪廓曲率計算方法不同,該方法不受圖像方向和大小的影響,并且算法復雜度僅為O(N)。此外,本文提出的方法可以有效的反應(yīng)蝴蝶輪廓的凹凸變化,與傳統(tǒng)的形狀特征相比,更為準確的反應(yīng)了蝴蝶輪廓形狀整體與細節(jié)的特征。在初次識別結(jié)果基礎(chǔ)上,本文將“基于圖像分塊的灰度共生矩陣(GLCM)特征”作為二次識別的分類特征,描述了蝴蝶前、后翅在整體和局部的紋理分布規(guī)律,實現(xiàn)了對外形特征相似的蝴蝶種類間的區(qū)分。該方法不但描述了整幅圖像的紋理律和特點,還反映了蝴蝶局部特殊紋理變化。在保證全局特征和局部特征的完整性的同時,降低了計算量,提高了特征提取的效率。分類器設(shè)計方面,根據(jù)提取的分類特征維度高、樣本少的特點,本文采用K最近鄰(k-NearestNeighbor)分類算法進行分類。該算法在分類決策時通常根據(jù)相鄰的樣本中的數(shù)量最多的一類作為分類結(jié)果,而本文通過對不同距離的相鄰樣本點賦權(quán)值的方法使“數(shù)量”和“距離”共同參與決策,是識別結(jié)果更為合理和準確。此外,本文還基于數(shù)字圖像分割與圖像預(yù)處理技術(shù)對蝴蝶圖像進行了預(yù)處理方面的研究,從整幅蝴蝶圖像中分割出蝴蝶單翅的區(qū)域作為研究的操作區(qū)域,不但提高了分類特征的提取效率,還加快了自動識別系統(tǒng)的計算速度�；谝陨戏椒ǖ难芯�,本文通過windows平臺,利用visual C++和Qt4編程實現(xiàn)了一個蝴蝶自動識別系統(tǒng)。經(jīng)測試,該系統(tǒng)對50種蝴蝶的初次識別準確率為96.8%,前十的識別率準確為100%；通過系統(tǒng)的二次識別,最終的識別準確率為98%。實驗結(jié)果表明,本文提出的特征提取方法和分類決策方法在蝴蝶種類自動識別研究中取得了較好結(jié)果,也為今后其它昆蟲種類的自動識別研究提供了思路。
【關(guān)鍵詞】：蝴蝶 自動識別 多尺度輪廓曲率直方圖 圖像分塊 灰度共生矩陣 KNN分類器
【學位授予單位】：北京林業(yè)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 1 緒論10-13
• 1.1 研究背景及意義10-11
• 1.2 本文主要研究內(nèi)容11-12
• 1.3 本文組織結(jié)構(gòu)12-13
• 2 相關(guān)工作13-43
• 2.1 基于數(shù)字圖像的昆蟲種類識別研究國內(nèi)外現(xiàn)狀13-15
• 2.1.1 國外研究現(xiàn)狀13-14
• 2.1.2 國內(nèi)研究現(xiàn)狀14-15
• 2.1.3 優(yōu)缺點分析15
• 2.2 相關(guān)研究方法15-43
• 2.2.1 昆蟲自動識別系統(tǒng)流程15-16
• 2.2.2 預(yù)處理方法16-32
• 2.2.2.1 邊緣提取方法17-19
• 2.2.2.2 圖像分割19-29
• 2.2.2.3 幾何變換29-30
• 2.2.2.4 顏色校正30-32
• 2.2.3 特征提取相關(guān)技術(shù)32-40
• 2.2.3.1 形狀特征32-37
• 2.2.3.2 紋理特征的提取37-39
• 2.2.3.3 顏色特征提取相關(guān)方法39-40
• 2.2.4 常用分類器介紹40-43
• 2.2.4.1 最鄰近(K-Nearest Neighbor,KNN)分類算法40-41
• 2.2.4.2 Adaboost分類算法41
• 2.2.4.3 支持向量機(SVM)分類算法41-42
• 2.2.4.4 人工神經(jīng)網(wǎng)絡(luò)分類算法42-43
• 3 蝴蝶數(shù)字圖像特征分析及算法流程設(shè)計43-50
• 3.1 研究對象43-45
• 3.2 蝴蝶數(shù)字圖像特征分析45-48
• 3.2.1 蝴蝶形態(tài)特征分析45-46
• 3.2.2 蝴蝶紋理特征分析46-47
• 3.2.3 蝴蝶顏色特征分析47-48
• 3.3 算法流程設(shè)計48-50
• 4. 本文關(guān)鍵技術(shù)50-76
• 4.1 圖像預(yù)處理50-51
• 4.1.1 圖像規(guī)范化調(diào)整50
• 4.1.2 蝴蝶標本前、后翅區(qū)域分割50-51
• 4.2 特征提取與比較方法51-59
• 4.2.1 多尺度輪廓曲率直方圖特征51-54
• 4.2.1.1 特征提取方法51-53
• 4.2.1.2 特征向量的構(gòu)建53-54
• 4.2.1.3 特征向量相似性比較方法54
• 4.2.2 基于圖像分塊的灰度共生矩特征54-59
• 4.2.2.1 圖像分塊方法55-56
• 4.2.2.2 特征提取方法56-57
• 4.2.2.3 特征向量的構(gòu)建57-59
• 4.3 分類器設(shè)計與優(yōu)化59-60
• 4.3.1 分類器的構(gòu)建與優(yōu)化(初次識別)59-60
• 4.3.2 二級分類器的構(gòu)建與優(yōu)化(二次識別)60
• 4.4 實驗結(jié)果與分析60-76
• 4.4.1 初次分類識別結(jié)果60-70
• 4.4.1.1 初次分類識別結(jié)果60-61
• 4.4.1.2 不同形狀特征提取方法識別結(jié)果對比61-65
• 4.4.1.3 不同分類器識別結(jié)果對比65-70
• 4.4.2 二次分類識別結(jié)果70-73
• 4.4.2.1 二級分類器的決策范圍70
• 4.4.2.2 最終識別結(jié)果與分析70
• 4.4.2.3 圖像分塊處理對識別結(jié)果的影響70-71
• 4.4.2.4 灰度共生矩陣距離d值對識別結(jié)果的影響71-72
• 4.4.2.5 不同分類器識別結(jié)果對比72-73
• 4.4.3 識別結(jié)果分析73-76
• 4.4.3.1 實驗材料的缺陷73-74
• 4.4.3.2 訓練樣本量小74-76
• 5 結(jié)論與展望76-79
• 5.1 本文主要工作76-78
• 5.2 未來工作及展望78-79
• 附錄79-81
• 參考文獻81-85
• 個人簡介85-86
• 導師簡介86-87
• 致謝87

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 焦振;;誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))算法的啟發(fā)式改進[J];安陽師范學院學報;2008年05期

2 許燕青;;基于平均距離的K-近鄰分類改進算法[J];電腦編程技巧與維護;2010年24期

3 柳林霞,陳杰,竇麗華;不變矩理論及其在目標識別中的應(yīng)用[J];火力與指揮控制;2003年02期

4 張紅濤;胡玉霞;趙明茜;邱道尹;張孝遠;張恒源;;田間害蟲圖像識別中的特征提取與分類器設(shè)計研究[J];河南農(nóng)業(yè)科學;2008年09期

5 王正宏;宋蟄存;;基于分形理論的林業(yè)害蟲圖像的邊緣檢測[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2009年06期

6 張紅梅,韓萍;倉儲物害蟲分類識別中紋理特征的提取[J];計算機工程與應(yīng)用;2003年01期

7 張繼紅;趙惠燕;;復雜背景下蚜蟲目標識別方法研究[J];計算機工程與應(yīng)用;2009年11期

8 雷方元 ,郝重陽 ,王海南 ,鄭建鏵 ,樊養(yǎng)余;一種基于顏色塊直方圖的圖像檢索方法[J];計算機應(yīng)用研究;2004年05期

9 李海軍;徐鳳生;;蝶類昆蟲識別算法的研究與分析[J];計算機應(yīng)用與軟件;2009年10期

10 趙汗青,沈佐銳,于新文;數(shù)學形態(tài)學在昆蟲分類學上的應(yīng)用研究.Ⅱ.在總科階元上的應(yīng)用研究[J];昆蟲學報;2003年02期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 劉海容;形狀的曲率表示與分解[D];華中科技大學;2009年

2 姜波;多通道衛(wèi)星云圖的圖像處理技術(shù)研究[D];哈爾濱工程大學;2012年

3 張楠;低秩鑒別分析與回歸分類方法研究[D];南京理工大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 劉燕;儲糧昆蟲圖像模式識別研究[D];成都理工大學;2002年

2 梁晶;基于顏色特征的圖像檢索技術(shù)研究[D];廈門大學;2009年

3 曹慧媛;人工神經(jīng)網(wǎng)絡(luò)在認知診斷中的應(yīng)用研究[D];江西師范大學;2009年

4 宋怡煥;蘋果果梗/花萼與缺陷的紋理特征識別方法[D];浙江大學;2012年

，

本文編號：686963