基于LCV和SVM的小麥害蟲圖像識別方法研究.pdf

1、農(nóng)業(yè)生產(chǎn)歷來關(guān)系到我國的社會穩(wěn)定、經(jīng)濟繁榮以及國家安全。我國的耕地面積占不到世界總耕地面積的7％，但是卻要為占世界總?cè)丝跀?shù)的20％人口解決吃飯的問題。所謂“無農(nóng)不穩(wěn)，無糧則亂”，體現(xiàn)了糧食生產(chǎn)在我們國家各項工作中的重要地位。小麥作為我國主要的糧食作物之一，在其整個生長周期中，經(jīng)常會受到小麥害蟲的影響，嚴重制約和影響了小麥的產(chǎn)量和質(zhì)量。為了解決這一問題，計算機視覺、圖像處理以及模式識別等技術(shù)逐漸被用于小麥害蟲的識別研究。本文正是在這個方面

2、的一個具體嘗試，其主要的研究內(nèi)容如下:
　　 害蟲庫的建立以及系統(tǒng)的總體設(shè)計。本文對常見的小麥蚜蟲、小麥粘蟲、麥種蠅、麥稈蠅、吸漿蟲、麥葉蜂、麥蜘蛛、金針蟲和螻蛄等8種小麥害蟲圖像建立其圖像數(shù)據(jù)庫。以PC機為硬件平臺，以MATLAB7.7為軟件平臺，分析了小麥害蟲圖像識別系統(tǒng)從圖像獲取、圖像分割、特征提取以及圖像識別的整個技術(shù)流程，完成系統(tǒng)的總體功能設(shè)計。
　　 小麥害蟲圖像分割:為了得到更好的圖像分割結(jié)果，首先對某些品

3、質(zhì)不好的圖像做簡單的圖像預(yù)處理;然后將基于LCV模型的圖像分割方法用于小麥害蟲圖像的分割，主要是用圖像局部加權(quán)均值來取代C-V模型中的全局均值，同時把約束水平集函數(shù)作為符號距離函數(shù)的能量項，以此來避免水平集函數(shù)的重新初始化;在此基礎(chǔ)上，用形態(tài)學(xué)處理方法做腐蝕或膨脹處理，得到最終的小麥害蟲圖像分割結(jié)果。實驗表明，該方法可以有效地分割小麥害蟲圖像，且計算過程穩(wěn)定，演化速度快速，反應(yīng)圖像灰度變化準確。
　　 小麥害蟲圖像特征提取:將主

4、成分分析(PCA)方法用于提取小麥害蟲圖像的特征，主要是用特征的線性組合實現(xiàn)圖像的降維，從而提取小麥害蟲圖像的10個主成分。實驗表明，主成分分析方法可以有效地提取小麥害蟲的特征，且該特征可以有效地表征小麥害蟲圖像。
　　 小麥害蟲圖像模式識別:將支持向量機(SVM)方法用于構(gòu)建小麥害蟲圖像分類器。支持向量機是在樣本空間或特征空間定義最優(yōu)線性超平面，使得最優(yōu)超平面和不同類樣本集間的距離最大，以此達到最好的泛化能力。實驗表明，支持向