發(fā)布時(shí)間：2017-08-17 04:00

  本文關(guān)鍵詞：基于數(shù)字圖像的蝴蝶種類自動(dòng)識(shí)別研究

  更多相關(guān)文章： 蝴蝶 自動(dòng)識(shí)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(dòng)識(shí)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(jì)算機(jī)視覺技術(shù)、模式識(shí)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(xué)理論,開發(fā)快速、準(zhǔn)確的昆蟲種類自動(dòng)識(shí)別鑒定系統(tǒng),已經(jīng)成為一個(gè)十分重要的研究新領(lǐng)域。蝴蝶作為昆蟲界中一個(gè)重要的分支,其分布范圍廣、數(shù)量龐大(已知種類多達(dá)14000余種),對(duì)其進(jìn)行分類和鑒定是一項(xiàng)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(duì)人類、動(dòng)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(dòng)識(shí)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(hù)、農(nóng)林業(yè)病蟲害防治、邊境檢疫等實(shí)際工作有很高的應(yīng)用價(jià)值。本文以50種蝴蝶為研究對(duì)象,共收集了750張蝴蝶標(biāo)本的數(shù)字圖像(每種蝴蝶15個(gè)樣本)用于自動(dòng)識(shí)別方法的研究。我們一方面研究了基于蝴蝶形態(tài)特點(diǎn)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(jì)并實(shí)現(xiàn)了高效的串聯(lián)分類器用于蝴蝶種類的自動(dòng)識(shí)別。特征提取與優(yōu)化方面,根據(jù)蝴蝶標(biāo)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(diǎn),本文采用輪廓特征作為初級(jí)識(shí)別特征。該特征的計(jì)算通過“多尺度輪廓曲率直方圖”算法實(shí)現(xiàn)。與常用的輪廓曲率計(jì)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(fù)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(zhǔn)確的反應(yīng)了蝴蝶輪廓形狀整體與細(xì)節(jié)的特征。在初次識(shí)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(shí)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(shí)現(xiàn)了對(duì)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(diǎn),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(shí),降低了計(jì)算量,提高了特征提取的效率。分類器設(shè)計(jì)方面,根據(jù)提取的分類特征維度高、樣本少的特點(diǎn),本文采用K最近鄰(k-NearestNeighbor)分類算法進(jìn)行分類。該算法在分類決策時(shí)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(duì)不同距離的相鄰樣本點(diǎn)賦權(quán)值的方法使“數(shù)量”和“距離”共同參與決策,是識(shí)別結(jié)果更為合理和準(zhǔn)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(duì)蝴蝶圖像進(jìn)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(dòng)識(shí)別系統(tǒng)的計(jì)算速度。基于以上方法的研究,本文通過windows平臺(tái),利用visual C++和Qt4編程實(shí)現(xiàn)了一個(gè)蝴蝶自動(dòng)識(shí)別系統(tǒng)。經(jīng)測(cè)試,該系統(tǒng)對(duì)50種蝴蝶的初次識(shí)別準(zhǔn)確率為96.8%,前十的識(shí)別率準(zhǔn)確為100%；通過系統(tǒng)的二次識(shí)別,最終的識(shí)別準(zhǔn)確率為98%。實(shí)驗(yàn)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(dòng)識(shí)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(dòng)識(shí)別研究提供了思路。
【關(guān)鍵詞】：蝴蝶 自動(dòng)識(shí)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(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：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?jī)?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(shí)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(diǎn)分析15
• 2.2 相關(guān)研究方法15-43
• 2.2.1 昆蟲自動(dòng)識(shí)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(jī)(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(jì)43-50
• 3.1 研究對(duì)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(jì)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(biāo)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(jì)與優(yōu)化59-60
• 4.3.1 分類器的構(gòu)建與優(yōu)化(初次識(shí)別)59-60
• 4.3.2 二級(jí)分類器的構(gòu)建與優(yōu)化(二次識(shí)別)60
• 4.4 實(shí)驗(yàn)結(jié)果與分析60-76
• 4.4.1 初次分類識(shí)別結(jié)果60-70
• 4.4.1.1 初次分類識(shí)別結(jié)果60-61
• 4.4.1.2 不同形狀特征提取方法識(shí)別結(jié)果對(duì)比61-65
• 4.4.1.3 不同分類器識(shí)別結(jié)果對(duì)比65-70
• 4.4.2 二次分類識(shí)別結(jié)果70-73
• 4.4.2.1 二級(jí)分類器的決策范圍70
• 4.4.2.2 最終識(shí)別結(jié)果與分析70
• 4.4.2.3 圖像分塊處理對(duì)識(shí)別結(jié)果的影響70-71
• 4.4.2.4 灰度共生矩陣距離d值對(duì)識(shí)別結(jié)果的影響71-72
• 4.4.2.5 不同分類器識(shí)別結(jié)果對(duì)比72-73
• 4.4.3 識(shí)別結(jié)果分析73-76
• 4.4.3.1 實(shí)驗(yàn)材料的缺陷73-74
• 4.4.3.2 訓(xùn)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(xiàn)81-85
• 個(gè)人簡(jiǎn)介85-86
• 導(dǎo)師簡(jiǎn)介86-87
• 致謝87

【參考文獻(xiàn)】

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(jìn)[J];安陽師范學(xué)院學(xué)報(bào);2008年05期

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

3 柳林霞,陳杰,竇麗華;不變矩理論及其在目標(biāo)識(shí)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(yuǎn);張恒源;;田間害蟲圖像識(shí)別中的特征提取與分類器設(shè)計(jì)研究[J];河南農(nóng)業(yè)科學(xué);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(cè)[J];機(jī)電產(chǎn)品開發(fā)與創(chuàng)新;2009年06期

6 張紅梅,韓萍;倉儲(chǔ)物害蟲分類識(shí)別中紋理特征的提取[J];計(jì)算機(jī)工程與應(yīng)用;2003年01期

7 張繼紅;趙惠燕;;復(fù)雜背景下蚜蟲目標(biāo)識(shí)別方法研究[J];計(jì)算機(jī)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(jì)算機(jī)應(yīng)用研究;2004年05期

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

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

中國博士學(xué)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(xué);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(xué);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(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 劉燕;儲(chǔ)糧昆蟲圖像模式識(shí)別研究[D];成都理工大學(xué);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(xué);2009年

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

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

，

本文編號(hào)：686963