基于LCV和SVM的小麥害蟲(chóng)圖像識(shí)別方法研究.pdf

1、農(nóng)業(yè)生產(chǎn)歷來(lái)關(guān)系到我國(guó)的社會(huì)穩(wěn)定、經(jīng)濟(jì)繁榮以及國(guó)家安全。我國(guó)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(wèn)題。所謂“無(wú)農(nóng)不穩(wěn)，無(wú)糧則亂”，體現(xiàn)了糧食生產(chǎn)在我們國(guó)家各項(xiàng)工作中的重要地位。小麥作為我國(guó)主要的糧食作物之一，在其整個(gè)生長(zhǎng)周期中，經(jīng)常會(huì)受到小麥害蟲(chóng)的影響，嚴(yán)重制約和影響了小麥的產(chǎn)量和質(zhì)量。為了解決這一問(wèn)題，計(jì)算機(jī)視覺(jué)、圖像處理以及模式識(shí)別等技術(shù)逐漸被用于小麥害蟲(chóng)的識(shí)別研究。本文正是在這個(gè)方面

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

3、質(zhì)不好的圖像做簡(jiǎn)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(chóng)圖像的分割，主要是用圖像局部加權(quán)均值來(lái)取代C-V模型中的全局均值，同時(shí)把約束水平集函數(shù)作為符號(hào)距離函數(shù)的能量項(xiàng)，以此來(lái)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(chóng)圖像分割結(jié)果。實(shí)驗(yàn)表明，該方法可以有效地分割小麥害蟲(chóng)圖像，且計(jì)算過(guò)程穩(wěn)定，演化速度快速，反應(yīng)圖像灰度變化準(zhǔn)確。
　　 小麥害蟲(chóng)圖像特征提取:將主

4、成分分析(PCA)方法用于提取小麥害蟲(chóng)圖像的特征，主要是用特征的線性組合實(shí)現(xiàn)圖像的降維，從而提取小麥害蟲(chóng)圖像的10個(gè)主成分。實(shí)驗(yàn)表明，主成分分析方法可以有效地提取小麥害蟲(chóng)的特征，且該特征可以有效地表征小麥害蟲(chóng)圖像。
　　 小麥害蟲(chóng)圖像模式識(shí)別:將支持向量機(jī)(SVM)方法用于構(gòu)建小麥害蟲(chóng)圖像分類(lèi)器。支持向量機(jī)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(lèi)樣本集間的距離最大，以此達(dá)到最好的泛化能力。實(shí)驗(yàn)表明，支持向