点特征配准算法及其在储粮害虫种类识别中的应用研究

论文摘要

图像配准技术是自动导航、医学诊断、模式识别和计算机视觉的重要组成部分，在实现图像校正、变化检测和图像融合的过程中起着至关重要的作用。经过多年的研究与发展，图像配准技术已经取得了丰硕的成果，特别是在模式识别、遥感和运动分析等领域发挥着越来越重要的作用。图像配准算法的强鲁棒性、高精度、自动化和配准的高速性是图像配准技术一直不断追求的目标。储粮害虫检测技术主要是研究利用昆虫化学生态学原理、现代计算机模式识别技术、图象采集、传输及压缩技术，对储粮害虫进行监测、预报、预警，适时了解掌握害虫发生、发展动态，其目的是及时掌握储粮害虫发生的种类、密度、分布、危害情况等，根据这些信息再结合害虫的生物学和生态学特性及环境条件，预测害虫的发展趋势，从而为防治决策提供科学的依据。本文对图像配准技术进行了较深入的研究，并利用点特征图像配准算法中的尺度不变特征转换算法（Scale Invariant Feature Transform，简称SIFT）及其改进后的算法在储粮害虫种类识别领域进行了尝试性的应用，效果明显。本文首先对Harris、SUSAN和SIFT三种点特征提取算法的技术原理和细节进行深入细致的分析，通过实例进行了实验结果对比，并在此研究基础上，对SIFT算法在运算效率方面进行了优化和改进，最后将改进后的SIFT点特征提取算子应用在储粮害虫种类识别中，并对SIFT在这一领域中应用进行了可行性分析和实验结果分析，实验结果很好的支持了SIFT特征提取算子在这一领域的应用，本文最后对一个完整的在线储粮害虫种类识别系统定义了一个框架。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 图像配准技术研究现状和应用领域
• 1.2 储粮害虫种类识别研究的背景及意义
• 1.3 储粮害虫种类识别国内外研究现状
• 1.4 本课题研究的内容及结构安排
• 第二章 图像配准
• 2.1 图像预处理
• 2.1.1 图像增强
• 2.1.2 图像压缩
• 2.1.3 图像复原与图像分割
• 2.2 图像配准
• 2.3 图像配准的框架
• 2.3.1 特征空间
• 2.3.2 搜索空间
• 2.3.3 相似度测量
• 2.3.4 搜索策略
• 2.4 图像配准分类
• 2.4.1 特征配准
• 2.4.2 灰度配准
• 2.5 点特征匹配策略
• 2.6 图相配准技术及图像配准系统组成
• 2.7 本章小结
• 第三章 点特征配准算法
• 3.1 SUSAN 算法
• 3.1.1 SUSAN 算法基本原理
• 3.1.2 SUSAN 算法特点
• 3.2 Harris 算子
• 3.2.1 Harris 算子介绍
• 3.2.2 Harris 算法步骤
• 3.2.3 Harris 特点
• 3.3 SIFT 算法
• 3.3.1 SIFT 算法特点
• 3.3.2 SIFT 算法详细步骤
• 3.3.2.1 生成尺度空间
• 3.3.2.2 检测空间极值点
• 3.3.2.3 精确确定极值点位置
• 3.3.2.4 关键点方向分配
• 3.3.2.5 生成特征点描述子
• 3.4 SUSAN、Harris 和 SIFT 算法分析
• 3.5 本章小结
• 第四章 点特征算法实验与 SIFT 算法优化
• 4.1 点特征算法实验与结果分析
• 4.2 SIFT 算法优化
• 4.2.1 SIFT 算法优化方法
• 4.2.2 优化前后数据对比
• 4.3 本章小结
• 第五章 SIFT 算法在储粮害虫种类识别中的应用
• 5.1 害虫图像识别实验
• 5.2 算法分析
• 5.3 储粮害虫种类在线识别系统
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 展望
• 参考文献
• 致谢
• 作者个人简历及论文发表情况