基于拓扑结构的杂草种子特征提取及其识别研究

摘要

计算机自动分类和识别是近年来模式识别和图像处理领域的研究热点。图像的本质属性之一是拓扑结构，对比单纯的角点、拐点等特征点，它往往含有丰富更准确的图像信息，本文主要研究一种基于拓扑结构建模的模式识别方法，从人类认识事物的角度，基于拓扑结构模式识别原理，分析事物的局部结构特征和整体拓扑结构关系，以此实现识别与分类，并且建立一个用于图像识别的框架。此识别框架由三个关键环节组成:局部结构特征的提取、空间拓扑结构关系的构造、对局部结构和整体结构建模。
　　农田杂草在农作物的生长过程中，作为外来有害生物和非目的植物，对农作物的生长造成严重干扰，其危害非常严重。全世界每年都会因杂草危害农作物使其减产造成巨大损失，对农林业的安全形成了威胁。杂草种子主要混入粮食等种子中传入我国，为了从源头上限制杂草和减少草害，快速并准确的判别杂草种子，加强对杂草种子的自动鉴定识别研究工作则非常重要。
　　本文根据出入境检验检疫中杂草种子鉴定识别的需求，选用豆科类杂草种子图像为识别对象，建立初步的杂草种子图像数据库，根据本文提出的识别框架，利用滑动窗的方式将二维静态的图像转换成一个特征序列，采用不变矩等特征提取方法对每一个滑动窗内的局部结构特征进行提取。由于滑动过程从左往右有先有后，形成的这种先后顺序构造出了整体的空间拓扑结构关系。最后分别采用人工神经网络(ANN)模型对局部结构特征进行建模，隐马尔可夫模型(HMM)对整体的空间拓扑构造关系进行建模。人工神经网络模型具有很强的学习能力，良好的自适应性，同时具有抗变异性和抗噪声等特点，它的识别速度很快，非常适合对局部结构进行建模。隐马尔可夫模型对于时序性的处理能力较强，所以采用它对整体空间拓扑结构关系进行建模。通过人工神经网络模型和隐马尔可夫模型的结合，完成对杂草种子图像的建模和分类识别。实验结果表明，基于拓扑结构的特征提取研究可以有效地提高杂草种子的分类识别效率。

目录

摘要

1 绪论

1．1 研究目的及意义

1．2 国内外研究概况

1．3 论文研究内容

1．4 本章小结

2 拓扑结构模式识别理论

2．1 基本原理

2．2 识别方法的框架分析

2．2．1 识别方法的可行性

2．2．2 识别方法的框架组成

2．3 特征提取方法概述

2．4 分类器设计方法概述

2．5 本章小结

3 局部结构特征与空间拓扑结构关系构造

3．1 图像预处理

3．1．1 图像灰度化

3．1．2 图像增强

3．1．3 图像分割

3．1．4 边缘检测提取

3．2 空间拓扑结构关系构造

3．2．1 理论基础

3．2．2 滑动窗的建立

3．3 局部结构特征提取

3．3．1 局部特征的性质

3．3．2 特征提取方法

3．4 杂草种子特征提取

3．4．1 网格纹理特征提取

3．4．2 不变矩特征提取

3．4．3 形状特征提取

3．5 本章小结

4 ANN和HMM模型

4．1 人工神经网络ANN模型

4．1．1 ANN基本结构

4．1．2 ANN学习方法

4．1．3 ANN模型的应用

4．2 隐马尔可夫HMM模型

4．2．1 HMM基本概念

4．2．2 HMM基本算法

4．2．3 HMM模型的应用

4．3 基于ANN和HMM的拓扑结构关系建模

4．3．1 ANN局部结构建模

4．3．2 HMM空间拓扑结构建模

4．3．3 ANN和HMM混合建模

4．4 本章小结

5 结果与分析

总结与展望

参考文献

附录

致谢

攻读学位期间发表的学术论文和参加科研情况说明

声明