圖像分割和邊緣檢測(cè)方法在昆蟲(chóng)圖像中的應(yīng)用.pdf

1、本文所研究的內(nèi)容是昆蟲(chóng)識(shí)別的前期工作，為昆蟲(chóng)識(shí)別提供有利于特征提取的分割圖像。由于昆蟲(chóng)的主要識(shí)別特征包括幾何特征、顏色特征、紋理特征等，可以通過(guò)一系列的特征數(shù)據(jù)進(jìn)行判斷（如區(qū)域面積、邊界周長(zhǎng)、孔洞數(shù)、似圓度、偏心率等），這些數(shù)據(jù)間接反映了昆蟲(chóng)的許多自然特點(diǎn)，如身體的形狀、顏色、體斑的多少、有無(wú)顎、觸角及其形狀如何等。因此需要首先對(duì)于昆蟲(chóng)圖像進(jìn)行分割操作，提取到便于進(jìn)行特征數(shù)據(jù)計(jì)算的昆蟲(chóng)分割圖像。主要進(jìn)行三個(gè)步驟的操作并獲得相應(yīng)的分割圖像

2、：
　　1、從復(fù)雜的彩色圖像中分離昆蟲(chóng)對(duì)象。要研究的對(duì)象是昆蟲(chóng)，在提取昆蟲(chóng)的識(shí)別特征前應(yīng)首先去除圖像中除昆蟲(chóng)外的背景部分，以避免干擾。自然彩色圖像的背景較為復(fù)雜，在去除時(shí)使用基于透明度的景物提取方法，本文中比較了Ruzon&Tomasi方法以及Poisson方法，并取得了實(shí)驗(yàn)結(jié)果，其結(jié)果圖像的質(zhì)量能夠滿足邊緣檢測(cè)和分割的要求。
　　2、使用邊緣檢測(cè)和分割算法提取昆蟲(chóng)的邊界圖像和有較好斑特征或翅紋特征的分割圖像。根據(jù)要提取的幾

3、何特征（區(qū)域面積、區(qū)域周長(zhǎng)、偏心率、孔洞數(shù)、似圓度等）的要求，使用邊緣檢測(cè)方法獲得昆蟲(chóng)的邊界，以提取昆蟲(chóng)的整體形狀，使用圖像分割方法提取昆蟲(chóng)身體上的斑或翅紋，為計(jì)算孔洞數(shù)、似圓度等判斷昆蟲(chóng)的斑特征和翅紋特征的數(shù)據(jù)提供了依據(jù)。在邊緣檢測(cè)算法的選擇上，比較了幾種常用的一階微分算子的優(yōu)劣，并在Canny算子的基礎(chǔ)上提出了基于最大類(lèi)間、類(lèi)內(nèi)距離比值的自動(dòng)雙閾值改進(jìn)算法。在提取斑和翅紋的分割算法的選擇上，對(duì)鱗翅目昆蟲(chóng)使用基于模糊集合的熵方法，為改

4、善帶有陰影的鞘翅目昆蟲(chóng)圖像分割的效果，本文提出了基于局部閾值的最佳熵閾值分割方法。
　　3、獲得軀干和足、觸角、顎的分離圖像。一些昆蟲(chóng)在分類(lèi)時(shí)只使用整體幾何特征還不能夠完全準(zhǔn)確地進(jìn)行分類(lèi)，需要一些局部特征的輔助，如足、觸角、顎等，并且對(duì)于鞘翅目昆蟲(chóng)來(lái)說(shuō)，足、觸角的擺放位置在一定程度上影響了整體幾何特征數(shù)據(jù)的測(cè)量，因此需要將足、觸角、顎與軀干進(jìn)行分離。本文提出了基于數(shù)學(xué)形態(tài)學(xué)的自適應(yīng)分割操作方法，采用了數(shù)學(xué)形態(tài)學(xué)中的開(kāi)運(yùn)算方法進(jìn)行分