基于数字图像的蝴蝶种类自动识别研究

发布时间：2017-08-17 04:00

  本文关键词：基于数字图像的蝴蝶种类自动识别研究

  更多相关文章： 蝴蝶 自动识别 多尺度轮廓曲率直方图 图像分块 灰度共生矩阵 KNN分类器

【摘要】：昆虫种类自动识别技术在解决传统分类方法专业人员少、效率低、成本高、普及性差等问题上有十分重要的意义。近年来,随计算机视觉技术、模式识别技术的快速发展及广泛应用,结合传统分类学理论,开发快速、准确的昆虫种类自动识别鉴定系统,已经成为一个十分重要的研究新领域。蝴蝶作为昆虫界中一个重要的分支,其分布范围广、数量庞大(已知种类多达14000余种),对其进行分类和鉴定是一项非常困难的工作。此外,大多数蝴蝶种类的幼虫是农林害虫,对人类、动物生存的环境和食物的来源产生直接影响。因此,研究蝴蝶种类的自动识别方法,不仅在物种鉴定研究方面有重要意义,而且在环境保护、农林业病虫害防治、边境检疫等实际工作有很高的应用价值。本文以50种蝴蝶为研究对象,共收集了750张蝴蝶标本的数字图像(每种蝴蝶15个样本)用于自动识别方法的研究。我们一方面研究了基于蝴蝶形态特点与纹理分布规律的特征提取与优化方法；另一方面设计并实现了高效的串联分类器用于蝴蝶种类的自动识别。特征提取与优化方面,根据蝴蝶标本轮廓形状具有种间差异大、种内差异小,并且较纹理特征和颜色特征受季节变化影响较小的特点,本文采用轮廓特征作为初级识别特征。该特征的计算通过“多尺度轮廓曲率直方图”算法实现。与常用的轮廓曲率计算方法不同,该方法不受图像方向和大小的影响,并且算法复杂度仅为O(N)。此外,本文提出的方法可以有效的反应蝴蝶轮廓的凹凸变化,与传统的形状特征相比,更为准确的反应了蝴蝶轮廓形状整体与细节的特征。在初次识别结果基础上,本文将“基于图像分块的灰度共生矩阵(GLCM)特征”作为二次识别的分类特征,描述了蝴蝶前、后翅在整体和局部的纹理分布规律,实现了对外形特征相似的蝴蝶种类间的区分。该方法不但描述了整幅图像的纹理律和特点,还反映了蝴蝶局部特殊纹理变化。在保证全局特征和局部特征的完整性的同时,降低了计算量,提高了特征提取的效率。分类器设计方面,根据提取的分类特征维度高、样本少的特点,本文采用K最近邻(k-NearestNeighbor)分类算法进行分类。该算法在分类决策时通常根据相邻的样本中的数量最多的一类作为分类结果,而本文通过对不同距离的相邻样本点赋权值的方法使“数量”和“距离”共同参与决策,是识别结果更为合理和准确。此外,本文还基于数字图像分割与图像预处理技术对蝴蝶图像进行了预处理方面的研究,从整幅蝴蝶图像中分割出蝴蝶单翅的区域作为研究的操作区域,不但提高了分类特征的提取效率,还加快了自动识别系统的计算速度。基于以上方法的研究,本文通过windows平台,利用visual C++和Qt4编程实现了一个蝴蝶自动识别系统。经测试,该系统对50种蝴蝶的初次识别准确率为96.8%,前十的识别率准确为100%；通过系统的二次识别,最终的识别准确率为98%。实验结果表明,本文提出的特征提取方法和分类决策方法在蝴蝶种类自动识别研究中取得了较好结果,也为今后其它昆虫种类的自动识别研究提供了思路。
【关键词】：蝴蝶 自动识别 多尺度轮廓曲率直方图 图像分块 灰度共生矩阵 KNN分类器
【学位授予单位】：北京林业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 1 绪论10-13
• 1.1 研究背景及意义10-11
• 1.2 本文主要研究内容11-12
• 1.3 本文组织结构12-13
• 2 相关工作13-43
• 2.1 基于数字图像的昆虫种类识别研究国内外现状13-15
• 2.1.1 国外研究现状13-14
• 2.1.2 国内研究现状14-15
• 2.1.3 优缺点分析15
• 2.2 相关研究方法15-43
• 2.2.1 昆虫自动识别系统流程15-16
• 2.2.2 预处理方法16-32
• 2.2.2.1 边缘提取方法17-19
• 2.2.2.2 图像分割19-29
• 2.2.2.3 几何变换29-30
• 2.2.2.4 颜色校正30-32
• 2.2.3 特征提取相关技术32-40
• 2.2.3.1 形状特征32-37
• 2.2.3.2 纹理特征的提取37-39
• 2.2.3.3 颜色特征提取相关方法39-40
• 2.2.4 常用分类器介绍40-43
• 2.2.4.1 最邻近(K-Nearest Neighbor,KNN)分类算法40-41
• 2.2.4.2 Adaboost分类算法41
• 2.2.4.3 支持向量机(SVM)分类算法41-42
• 2.2.4.4 人工神经网络分类算法42-43
• 3 蝴蝶数字图像特征分析及算法流程设计43-50
• 3.1 研究对象43-45
• 3.2 蝴蝶数字图像特征分析45-48
• 3.2.1 蝴蝶形态特征分析45-46
• 3.2.2 蝴蝶纹理特征分析46-47
• 3.2.3 蝴蝶颜色特征分析47-48
• 3.3 算法流程设计48-50
• 4. 本文关键技术50-76
• 4.1 图像预处理50-51
• 4.1.1 图像规范化调整50
• 4.1.2 蝴蝶标本前、后翅区域分割50-51
• 4.2 特征提取与比较方法51-59
• 4.2.1 多尺度轮廓曲率直方图特征51-54
• 4.2.1.1 特征提取方法51-53
• 4.2.1.2 特征向量的构建53-54
• 4.2.1.3 特征向量相似性比较方法54
• 4.2.2 基于图像分块的灰度共生矩特征54-59
• 4.2.2.1 图像分块方法55-56
• 4.2.2.2 特征提取方法56-57
• 4.2.2.3 特征向量的构建57-59
• 4.3 分类器设计与优化59-60
• 4.3.1 分类器的构建与优化(初次识别)59-60
• 4.3.2 二级分类器的构建与优化(二次识别)60
• 4.4 实验结果与分析60-76
• 4.4.1 初次分类识别结果60-70
• 4.4.1.1 初次分类识别结果60-61
• 4.4.1.2 不同形状特征提取方法识别结果对比61-65
• 4.4.1.3 不同分类器识别结果对比65-70
• 4.4.2 二次分类识别结果70-73
• 4.4.2.1 二级分类器的决策范围70
• 4.4.2.2 最终识别结果与分析70
• 4.4.2.3 图像分块处理对识别结果的影响70-71
• 4.4.2.4 灰度共生矩阵距离d值对识别结果的影响71-72
• 4.4.2.5 不同分类器识别结果对比72-73
• 4.4.3 识别结果分析73-76
• 4.4.3.1 实验材料的缺陷73-74
• 4.4.3.2 训练样本量小74-76
• 5 结论与展望76-79
• 5.1 本文主要工作76-78
• 5.2 未来工作及展望78-79
• 附录79-81
• 参考文献81-85
• 个人简介85-86
• 导师简介86-87
• 致谢87

【参考文献】

中国期刊全文数据库 前10条

1 焦振;;误差反向传播神经网络(BP网络)算法的启发式改进[J];安阳师范学院学报;2008年05期

2 许燕青;;基于平均距离的K-近邻分类改进算法[J];电脑编程技巧与维护;2010年24期

3 柳林霞,陈杰,窦丽华;不变矩理论及其在目标识别中的应用[J];火力与指挥控制;2003年02期

4 张红涛;胡玉霞;赵明茜;邱道尹;张孝远;张恒源;;田间害虫图像识别中的特征提取与分类器设计研究[J];河南农业科学;2008年09期

5 王正宏;宋蛰存;;基于分形理论的林业害虫图像的边缘检测[J];机电产品开发与创新;2009年06期

6 张红梅,韩萍;仓储物害虫分类识别中纹理特征的提取[J];计算机工程与应用;2003年01期

7 张继红;赵惠燕;;复杂背景下蚜虫目标识别方法研究[J];计算机工程与应用;2009年11期

8 雷方元 ,郝重阳 ,王海南 ,郑建铧 ,樊养余;一种基于颜色块直方图的图像检索方法[J];计算机应用研究;2004年05期

9 李海军;徐凤生;;蝶类昆虫识别算法的研究与分析[J];计算机应用与软件;2009年10期

10 赵汗青,沈佐锐,于新文;数学形态学在昆虫分类学上的应用研究.Ⅱ.在总科阶元上的应用研究[J];昆虫学报;2003年02期

中国博士学位论文全文数据库 前3条

1 刘海容;形状的曲率表示与分解[D];华中科技大学;2009年

2 姜波;多通道卫星云图的图像处理技术研究[D];哈尔滨工程大学;2012年

3 张楠;低秩鉴别分析与回归分类方法研究[D];南京理工大学;2012年

中国硕士学位论文全文数据库 前4条

1 刘燕;储粮昆虫图像模式识别研究[D];成都理工大学;2002年

2 梁晶;基于颜色特征的图像检索技术研究[D];厦门大学;2009年

3 曹慧媛;人工神经网络在认知诊断中的应用研究[D];江西师范大学;2009年

4 宋怡焕;苹果果梗/花萼与缺陷的纹理特征识别方法[D];浙江大学;2012年

，

本文编号：686963