论文摘要
昆虫识别是农林作物病虫害防治的基础。传统的昆虫识别方法是专家观察昆虫的外部特征并与模式标本对照鉴定识别,费时费力。现有的昆虫自动识别方法功能单一,性能有待提高。本文以国家自然科学基金“基于医学图像数据挖掘技术的研究”和陕西省自然科学基金项目“文物的语义标注和本体检索技术研究”为背景,针对图像的昆虫识别过程中预处理、特征提取、识别分类的不同阶段,研究几何模型的图像分割、基于内容图像检索、基于降维的识别、本体建立、基于本体的识别等关键技术,具有理论意义和应用价值。论文主要研究成果如下:（1）构建了昆虫识别两层次的新体系。将昆虫识别分为基于低层视觉特征的昆虫识别、基于高层语义的昆虫识别两个层次,通过建立低层视觉特征和昆虫高层语义的映射,缩小两个层次的“语义鸿沟”,实现了基于本体的昆虫识别。（2）基于视觉特征的昆虫识别方法。从图像的纹理特征、局部特征、降维3种技术角度提取昆虫视觉特征,结合相应的分类算法,昆虫识别性能较好。a)给出了昆虫彩色图像的分割预处理方法。鉴于现有几何可变形模型主要用于灰度图像分割,提出并实现了对彩色图像快速几何可变形模型的分割算法。b)基于角度无关Gabor的SVM昆虫识别方法。应用角度无关的AIGabor提取昆虫纹理特征,形成纹理特征表示矩阵,利用SVM算法实现了昆虫识别。c)基于SURF多分辨率直方图的昆虫识别方法。针对同种昆虫图像拍摄时其光照、尺度往往不同,利用局部特征具有光照、尺度等不变性,应用SURF描述子提取昆虫图像局部特征,由于其局部特征点数不确定,应用多分辨率直方图算法实现特征点匹配。d)基于谱图回归LDA的KNN昆虫识别方法。针对昆虫高维数据空间识别容易导致“维数灾难”问题,应用谱图回归LDA降维,将昆虫投影到特征子空间。利用KNN分类实现昆虫识别。（3）基于本体的昆虫识别技术。利用基于视觉特征昆虫识别方法建立的视觉特征和昆虫种类之间的映射关系,引入本体技术途径实现昆虫识别。a)建立昆虫形态学分类知识本体。针对昆虫分类知识体系复杂的问题,抽取昆虫分类知识元数据,采用本体建立方法,实现昆虫知识形式化和共享。b)给出基于本体的昆虫识别新机制。分别建立昆虫图像视觉特征本体、介质特征本体、昆虫形态学分类知识本体,应用昆虫图像视觉特征和高层语义的映射关系,实现了基于本体指导下的昆虫识别。（4）昆虫识别系统原型设计。应用Protégé建立本体,以Visual C++6.0和Matlab相结合,实现了本文相关算法,完成了原型系统的集成,验证了算法的正确性和准确性,效果良好。
论文目录
摘要Abstract目录第一章 绪论§1.1 课题背景与研究意义§1.2 本论文的主要贡献§1.3 本论文的组织结构§1.4 小结第二章 国内外研究现状分析§2.1 基于图像的昆虫识别§2.2 基于内容的昆虫图像视觉特征提取§2.3 基于局部特征的对象识别§2.4 降维技术§2.5 本体方法§2.6 语义标注§2.7 对象识别技术§2.8 小结本章参考文献第三章 快速几何可变形模型的彩色昆虫图像分割§3.1 引言§3.2 GAC算法§3.3 彩色图像边缘检测子3.3.1 彩色图像标量化的边缘检测子3.3.2 Di Zenzo多值几何测度的边缘检测子§3.4 一种改进的昆虫彩色图像几何可变形模型分割算法3.4.1 CGAC算法3.4.2 算法的实现3.4.3 实验结果§3.5 一种快速昆虫彩色图像几何可变形模型分割算法3.5.1 快速几何可变形模型3.5.2 基于Di Zenzo多值几何测度边缘指示函数3.5.3 算法实现3.5.4 实验结果§3.6 CGAC算法和FLSECCIS算法的比较§3.7 小结本章参考文献第四章 基于内容的图像检索技术在昆虫识别中的应用§4.1 引言§4.2 基于形状特征的昆虫识别4.2.1 不变矩4.2.2 边界矩4.2.3 实验结果§4.3 基于纹理特征的昆虫识别4.3.1 灰度共生矩阵4.3.2 灰度-梯度共生矩阵4.3.3 Laws纹理特征提取4.3.4 傅立叶变换4.3.5 实验结果§4.4 小结本章参考文献第五章 基于AIGabor的SVM昆虫识别§5.1 引言§5.2 基于AIGabor的SVM昆虫识别技术框架§5.3 AIGabor滤波器纹理特征提取5.3.1 基于Gabor滤波器的纹理特征提取5.3.2 基于AIGabor滤波器纹理特征提取§5.4 SVM分类§5.5 实验结果§5.6 小结本章参考文献第六章基于SURF的多分辨率直方图昆虫识别§6.1 引言§6.2 基于局部特征的多分辨率直方图昆虫识别技术框架§6.3 昆虫局部特征提取6.3.1 Harris局部特征提取6.3.2 SIFT特征提取6.3.3 SURF特征提取6.3.4 局部特征提取结果§6.4 多分辨率直方图匹配§6.5 实验结果§6.6 小结本章参考文献第七章 基于谱图回归LDA的KNN昆虫识别§7.1 引言§7.2 基于降维技术的昆虫识别技术框架§7.3 昆虫图像预处理§7.4 特征昆虫7.4.1 SVD7.4.2 特征昆虫§7.5 基于LDA特征子空间7.5.1 LDA原理7.5.2 基于谱图回归LDA7.5.3 基于谱图回归LDA昆虫特征子空间§7.6 基于K近邻分类的昆虫识别§7.7 实验结果§7.8 小结本章参考文献第八章 昆虫形态学分类系统的本体开发§8.1 引言§8.2 本体和领域本体§8.3 基于昆虫形态学分类本体的知识管理框架§8.4 IMTO的目标§8.5 IMTO开发的方法§8.6 IMTO的实现8.6.1 开发工具8.6.2 结果§8.7 小结本章参考文献第九章 基于本体的昆虫识别§9.1 引言§9.2 基于本体的昆虫识别框架§9.3 本体层9.3.1 昆虫图像视觉特征本体9.3.2 昆虫形态学分类本体9.3.3 介质特征本体§9.4 训练层§9.5 识别层§9.6 基于本体的昆虫识别过程§9.7 小结本章参考文献第十章 总结与展望§10.1 本文工作总结§10.2 前景展望攻读博士期间发表的论文致谢
相关论文文献
标签：对象识别论文; 降维论文; 局部特征提取论文; 本体论文; 基于本体的昆虫识别论文;
