基于广义Hough变换和聚类分析的粘连猪的头尾识别

发布时间：2021-08-06 22:08

　　为了对群养猪中个体进行行为分析,首先必须获得猪个体的完整轮廓和主要特征部位。本文利用机器视觉技术对粘连猪只进行分割并识别猪个体的头部和尾部,便于后续对群猪中个体分析等工作的探索。由于实验猪舍中光线不均匀、场景复杂,猪体图像质量不高,本文首先使用有限对比自适应直方图均衡化（CLAHE）来增强图像;为了减少猪舍中噪声对猪体目标提取的干扰,利用最大类间方差法（Otsu）和形态学组合操作得到较为理想的群猪二值图像;接着采用Canny算子提取群猪的二值轮廓;最后利用图像中连通区域的形状因子（SF）来选择出粘连猪只图像。考虑粘连现象对群猪中个体头尾识别带来的影响,本文针对传统分水岭算法在分割过程中易出现过分割的现象,提出将距离变换与分水岭算法相结合的方法对粘连猪进行分割。在分割的过程中通过对二值图像进行距离变换形成分割脊线图,将脊线图与原二值图像进行叠加处理,可以准确地找到粘连位置,减少过分割的现象,通过实验结果验证分割的准确性和复杂度都可以满足实验要求。头部和尾部作为猪的主要特征部位,在群猪中个体分析占有重要地位。因此,本文根据广义Hough变换可以识别任意形状目标的特点,结合聚类分析对猪个体的... 

【文章来源】：江苏大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究目的及意义
    1.2 国内外研究现状
        1.2.1 粘连目标的分割研究现状
        1.2.2 目标头尾识别的研究现状
        1.2.3 聚类算法的研究现状
        1.2.4 广义Hough变换的研究现状
    1.3 本文主要研究内容及结构安排
        1.3.1 本文主要研究内容
        1.3.2 论文的内容安排
第二章 视频采集及图像预处理
    2.1 视频图像采集
    2.2 图像预处理
        2.2.1 图像增强
        2.2.2 二值化处理
        2.2.3 形态学处理
        2.2.4 边缘检测
        2.2.5 粘连猪只图像的选择
    2.3 本章小结
第三章 粘连猪只的分割算法
    3.1 粘连目标图像的分割算法概述
    3.2 传统的分水岭分割算法
        3.2.1 分水岭分割算法原理
        3.2.2 分水岭算法的数学模型
        3.2.3 分水岭算法的缺点
    3.3 改进的分水岭分割算法
        3.3.1 距离的定义
        3.3.2 距离变换的原理
        3.3.3 基于距离变换的分水岭分割算法
    3.4 本章小结
第四章 群养猪中个体的头尾识别
    4.1 引言
    4.2 聚类分析
        4.2.1 聚类的定义
        4.2.2 聚类分析的数学描述
        4.2.3 聚类分析的方法
    4.3 Hough变换
        4.3.1 Hough变换的概述
        4.3.2 广义Hough变换
    4.4 基于广义Hough聚类的头尾识别
        4.4.1 猪个体头尾轮廓截取方法
        4.4.2 猪个体的头尾识别算法
    4.5 本章小结
第五章 实验结果分析
    5.1 实验数据
    5.2 粘连猪的分割结果分析
        5.2.1 分割结果示例
        5.2.2 分割结果的统计分析
    5.3 猪个体头尾识别的实验结果分析
        5.3.1 猪个体头尾轮廓的截取实验
        5.3.2 群猪中个体的头尾识别实验
    5.4 视频中基于猪个体头尾定位的活动轨迹分析
    5.5 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 研究工作展望
参考文献
致谢
攻读硕士学位期间完成的论文



本文编号：3326564