学位论文 > 优秀研究生学位论文题录展示

基于计算机视觉的蚜虫图像识别方法研究

作　者: 张继红
导　师: 赵惠燕
学　校: 西北农林科技大学
专　业: 计算机应用技术
关键词: DT-CWT Libsvm Harr特征蚜虫样本数学形态学
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 97次
引　用: 4次
阅　读: 论文下载

内容摘要

田间害虫信息采集技术是农业害虫预测预报的基础。近年来,国内外不断将先进的信息采集技术应用于病虫害的测报工作上,但对微小昆虫(例如:蚜虫)的信息进行采集时因无先进的识别技术和系统,加之田间抽样调查劳动量大,效率低,严重影响调查数据的准确和可靠性。随着计算机网络、人工智能、图像识别等高新技术的发展,利用害虫实时监测仪或数码相机等数字产品可以获取危害农作物叶片时的蚜虫群体图像,再利用图像处理、计算机视觉等技术,使得田间害虫信息自动化采集与分析成为可能。田间蚜虫信息自动化采集与分析首先对蚜虫图像进行分类识别,然后将蚜虫目标从图像背景中分割出来,获得种群数量,最后进行统计分析,这对蚜虫的预测预报和综合治理具有重要的理论意义和实践价值。本文主要对三种田间农作物蚜虫图像(麦蚜、豆蚜和棉蚜)进行图像识别分类,然后对其目标进行识别和计数。采用双树复小波变换(DT-CWT)、数学形态学等方法研究蚜虫图像的自动种间识别和种内计数,为蚜虫等微小型R对策害虫的预测预报及综合治理提供理论依据。研究得到以下结果:(1)通过比较基于经典Gabor变换和基于传统灰度共生矩阵的纹理特征提取方法,采用了一种基于DT-CWT和支持向量机(Libsvm)的蚜虫图像种间识别方法。(2)通过分析和研究数学形态学方法建立蚜虫计数模型,能够对清晰的麦蚜叶片图像进行准确识别,对背景复杂、目标大小各异的蚜虫样本进行测试计数,结果表明该方法有一定的实用性和可行性。(3)将基于Harr特征的目标检测算法应用于蚜虫图像目标的检测测试。(4)图像分割技术中分析对比了多种图像分割方法对复杂背景下小目标分割的实际效果,发现在蚜虫图像识别中,对彩色图像HSI模型中S分量采用自动阈值分割法或模糊C均值聚类技术有较好的效果。(5)采用VC++和OpenCV为测试开发平台,开发基于计算机视觉的蚜虫识别及计数系统,实现对多幅蚜虫采集图像的批处理识别和计数,降低了蚜虫信息采集的人力成本,提高了蚜虫信息采集的效率。本研究综合运用图像识别、支持向量机、数学形态学等技术,建立了蚜虫识别模型和自动计数系统,为田间蚜虫信息获取和发生情况预测及综合治理提供了理论依据和实践案例。

全文目录

摘要  4-5
ABSTRACT  5-10
第一章引言  10-17
  1.1 蚜虫图像识别研究的意义  10-11
  1.2 国内外研究现状  11-14
    1.2.1 计算机视觉的发展概况  11-12
    1.2.2 国外研究概况  12-13
      1.2.2.1 计算机视觉技术研究概况  12
      1.2.2.2 在农业方面的发展概况  12-13
      1.2.2.3 害虫管理方面的实际研究  13
    1.2.3 国内研究概况  13-14
      1.2.3.1 计算机视觉技术研究概况  13
      1.2.3.2 在农业方面的应用概况  13
      1.2.3.3 在昆虫学方面的应用  13-14
  1.3 研究中所需要解决的关键问题  14-15
  1.4 研究内容及方法  15-16
    1.4.1 研究的主要内容  15
    1.4.2 研究方法  15-16
  1.5 论文的组织结构  16-17
第二章基于纹理提取的蚜虫图像种间识别  17-26
  2.1 基于DT-CWT 的有效特征提取  17-19
    2.1.1 双树复小波变换（DT-CWT）原理  17-18
    2.1.2 基于DT-CWT 的纹理特征提取  18-19
  2.2 基于GABOR小波的纹理特征提取  19-20
  2.3 基于灰度共生矩阵的纹理特征提取  20-21
  2.4 基于LIBSVM的蚜虫种间识别模型  21-24
    2.4.1 线性可分情况下的分类  22-23
    2.4.2 线性不可分情况  23
    2.4.3 Libsvm 简介  23-24
  2.5 实验结果与讨论  24-25
  2.6 本章小结  25-26
第三章基于HARR 特征的蚜虫目标识别与检测  26-34
  3.1 基于HARR特征的目标检测方法  27-33
    3.1.1 蚜虫样本创建  27-28
    3.1.2 图像的积分图表示——Harr 特征  28-29
    3.1.3 学习算法  29-31
    3.1.4 检测算法  31-33
  3.2 本章小结  33-34
第四章基于数学形态学的蚜虫目标识别  34-42
  4.1 数学形态学概述  34-36
    4.1.1 膨胀和腐蚀  34-36
    4.1.2 开运算与闭运算  36
  4.2 基于形态学的麦蚜图像的目标计数  36-40
    4.2.1 麦蚜图像的预处理——过滤背景  36-37
    4.2.2 OTSU 阈值分割—最大类间方差法实现原理  37-38
    4.2.3 麦蚜图像的数学形态学处理  38-40
  4.3 目标轮廓提取及非蚜虫目标的过滤  40-41
    4.3.1 蚜虫的目标轮廓提取  40
    4.3.2 非蚜虫目标的过滤  40-41
  4.4 本章小结  41-42
第五章蚜虫图像的分割方法研究  42-48
  5.1 基于区域的分割技术  42-43
  5.2 基于边缘的分割技术  43-44
  5.3 基于特定理论的分割技术  44-45
  5.4 MATLAB 的仿真测试结果  45-47
  5.5 本章小结  47-48
第六章系统设计与实现  48-52
  6.1 系统实现流程  48-50
  6.2 测试及结果分析  50-52
    6.2.1 蚜虫目标识别及计数的评价标准  50
    6.2.2 结果分析  50-52
第七章总结与展望  52-54
  7.1 本文工作总结  52
  7.2 展望  52-54
参考文献  54-58
附录1 各方法提取纹理特征的部分数据  58-60
附录2 计数模型的核心代码及计数结果  60-64
致谢  64-65
作者简介  65

基于计算机视觉的蚜虫图像识别方法研究

内容摘要

全文目录

相似论文