论文部分内容阅读
本文应用数字图像处理技术与模式识别技术,对储粮昆虫进行图像模式识别研究,实现了储粮昆虫的自动判别。主要研究内容及成果如下: (1)储粮昆虫图像预处理。本文着重在平滑去噪、位置归一化、图像分割等方面进行了研究。结果表明,使用中值滤波进行平滑去噪,效果明显。通过计算惯性主轴及图像旋转完成了位置归一化处理。由于背景比较干净,选用边缘法进行储粮昆虫图像分割,效果良好。同时还分析了不同颜色分量对边缘检测及图像分割的影响,结果表明使用蓝色分量效果最好。应用两种方法实现了足和触角的分割。 (2)储粮昆虫图像的特征提取。本文根据专家系统提供的信息,提取了储粮昆虫的形状、颜色、纹理等特征.形状特征包括不变矩、几何形状特征和投影量统计特征等全局形状特征,以及触角与躯体长度之比、触角统计投影特征等局部形状特征.提取了鞘翅上黄斑颜色特征以及前胸背板和鞘翅的纹理特征。实际应用结果表明这些特征是典型的、有效的,它们不随图像位移、旋转,伸缩变化而变化。 (3)储粮昆虫图像特征优选。本文考虑到有限样本问题以及识别的实时性,没有选择K-L变换等常用的特征优化方法,而选用了具有对不完整数据进行分析、推理、发现数据间的关系、优选条件属性组合的能力的粗糙集理论进行特征优选。应用结果表明该方法是有效的。 (4)储粮昆虫分类。依照降低误识率、提高实时处理能力以及误分类损失最小的原则,本文选用了多级分类的方式进行储粮昆虫分类。同时,与传统统计模式识别方法相比,利用人工神经网络方法进行模式识别具有自适应、并行性、鲁棒性、分类能力强等优势。因此本文选用BP神经网络进行初级分类。实验表明,利用BP神经网络分类器作初级分类器的树分类结构进行分类,是一种行之有效的方法。