论文摘要
随着昆虫学研究对象的不断深入和扩展,昆虫学领域产生了越来越多的图像数据,使得图像数据库开始急速膨胀,从而使研究人员难以方便、快速、准确地查询和检索到所需要的图像信息。因此,昆虫图像标注是昆虫图像检索领域一个具有重要价值的研究热点。本文主要对鳞翅目、鞘翅目和直翅目三类昆虫图像标注技术进行了深入的研究。论文的主要工作如下：(1)设计了针对三类昆虫图像的预处理模型。该模型主要通过平滑滤波、背景滤除及孤立噪声点处理三部分结合实现。实验结果表明该过程不仅能较好完成预处理操作,同时也较好地将对象从图像背景中分割出来。(2)提取了直翅目和鞘翅目昆虫的躯体形状特征。实现主要操作包括：形态学膨胀与腐蚀处理、CANNY边缘检测,最后提取了躯体轮廓的全局形状特征。实验结果表明,在获取了较准确的躯体轮廓后,能够较好地提取到全局形状特征。(3)提取了三类昆虫图像的纹理特征。实现方法是直接计算三类滤除背景的昆虫图像共生矩阵的特征值。实验结果表明在固定图像大小的情况下可以实现快速提取,但是当图像的尺寸变大时,灰度共生矩阵算法的时间复杂度会急速增长,提取时延也会明显变大。(4)研究了神经网络算法和SVM支持向量机算法的实现原理,并分析对比了这两种算法的优劣势,并使用SVM支持向量机完成了基于纹理特征和形状特征的分类识别。实验结果表明使用SVM支持向量机对三类图像的分类准确率达到了85%,而后两类图像的分类准确率达到88.33%。(5)三类昆虫图像目级语义信息的标注。在分类识别结果的基础上,利用数据库表级映射机制可以实现对三类图像进行目级信息标注,实现的查全率达到了95%以上,查准率达到了86%以上。(6)蝗虫图像的科级语义标注。实现方法是：利用XML语言存储直翅目蝗虫的14大形态特征,在用户手工提供特征后,计算机通过读取XML文件来推理当前蝗虫图像的科级语义信息,从而实现对当前处理对象科级语义的标注。其查全率和查准率都达到了80%以上。
论文目录
中文摘要ABSTRACT1 绪论1.1 课题研究的背景及意义1.2 国内外研究现状及发展趋势1.2.1 图像标注的国内外研究现状及发展1.2.2 昆虫图像标注技术的研究现状及发展1.3 本文主要研究内容及章节安排1.3.1 主要内容1.3.2 章节安排2 昆虫图像预处理2.1 引言2.2 昆虫图像的特点2.3 昆虫图像的平滑处理2.3.1 均值滤波2.3.1.1 3*3均值滤波2.3.1.2 超限领域平均滤波2.3.1.3 选择式掩模滤波2.3.2 中值滤波2.3.2.1 N*N中值滤波器2.3.2.2 十字型中值滤波器2.3.3 均值滤波器和中值滤波器的分析比较2.4 背景处理2.5 黑白点噪声处理2.6 实验结果分析2.6.1 滤波处理实验结果分析2.6.2 背景处理实验结果分析2.6.3 孤立黑白点实验结果分析3 昆虫图像特征提取3.1 引言3.2 形状特征提取3.2.1 区域填充3.2.2 形态学处理3.2.3 边缘提取3.2.3.1 Sobel边缘检测算子3.2.3.2 拉普拉斯边缘检测算子3.2.3.3 CANNY边缘检测算子3.2.3.4 实验结果与比较分析3.2.4 特征提取3.3 纹理特征提取3.3.1 基于图像灰度共生矩阵的纹理特征提取3.4 实验结果分析4 图像分类4.1 引言4.2 BP神经网络分类器算法介绍4.2.1 BP神经网络结构的设计4.2.2 BP神经网络的学习训练4.3 SVM支持向量机算法介绍4.3.1 线性可分支持向量机4.3.2 线性不可分支持向量机4.3.3 非线性可分支持向量机4.4 BP分类器与SVM分类器的对比分析4.4.1 BP神经网络的性能分析4.4.2 SVM支持向量机的性能分析4.5 SVM支持向量机训练学习4.6 分类识别4.7 实验结果分析5 昆虫图像的语义标注5.1 引言5.2 图像语义标注技术介绍5.2.1 无监督语义标注5.2.2 监督语义标注5.2.3 两种模型的比较分析5.3 昆虫图像语义标注模型5.3.1 目级语义标注模型5.3.2 科级语义标注模型5.3.2.1 直翅目昆虫的形态特征分析5.3.2.2 科级语义标注5.4 标注性能评价机制5.5 实验结果分析5.5.1 目级语义标注性能分析5.5.2 科级语义标注性能分析6 总结与展望6.1 本文的主要工作与总结6.2 下一步的展望参考文献攻读学位论文期间发表的学术论文参与的科研项目致谢
相关论文文献
标签：图像处理论文; 特征提取论文; 分类识别论文; 语义标注论文;
