基于数学形态学和人工神经网络的鱼类年轮图像分析

摘要

本文的主要工作是研究一种算法，它能够通过分析鱼类耳石图像智能地获取鱼类年龄信息。准确获取鱼类的年龄和生长数据对海洋水产评估具有重要意义，同时这些数据也具有很高的经济价值。过去通过人工观察解读鱼类硬组织上的年轮结构的方法由专家来识别这些成百上千的耳石样本，现在随着数字图象处理技术和人工神经网络技术的发展为我们提供了一种新的自动识别鱼类年龄的方法。人工神经网络技术已经广泛地被用于信号处理领域，最近几年已被用于生物特征检测领域。通过鱼类耳石的数字图像采用数学形态学和人工神经网络的方法来检测鱼类的年龄的研究尚处开始阶段，在国内尚未见有这方面的报道。数学形态学是一种非线性图像处理和分析理论，它摒弃了传统的数值建模及分析的观点，从集合的角度来刻画和分析图像。现在数学形态学分析的方法已经被应用到图像(信号)处理和分析的很多领域当中。脉冲耦合神经网络(Pulse-coupledNeural Networks，以下简称PCNN)是近年来提出的一种新型网络，国际上称之为第三代人工神经网络。目前，关于PCNN的理论研究正被广泛关注，PCNN神经网络还被广泛地应用于图像处理、目标识别、组合优化等领域。首先本文采用数学形态学特征识别的方法从耳石图像中自动检测出耳石的中心核。第二步，我们改进了一种耦合脉冲神经网络PCNN(Pulse Coupled Neural Networks)，并用它对耳石图像进行处理，求出图像的时间点火矩阵。第三步，我们依据图像熵值最大准则和一致性准则结合所求得的时间点火矩阵对图像进行明轮和暗轮分割。最后，我们结合鱼类耳石的生物特征计算出样本鱼类的年龄以及它的每个年轮宽度。本文将数学形态学方法和人工神经网络的方法结合起来应用，为今后研究类似的问题提供了一个很好的思路。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题提出的背景

1.2鱼类耳石年龄检测的研究现状

1.3本课题的研究意义

第二章神经网络模式识别技术

2.1引言

2.2人工神经网络的特征

2.3基于神经网络的图像分割

2.4脉冲耦合神经网络技术

2.4.1脉冲耦合神经网络PCNN的结构模型

2.4.2简化的脉冲藕合神经网络的结构模型

2.5脉冲耦合神经网络PCNN的工作原理

2.5.1无耦合神经元PCN的运行原理

2.5.2耦合神经元PCN的运行原理

2.6 PCNN的基本特性分析

2.7本章小结

第三章PCNN的改进模型

3.1引言

3.2应用于鱼类年轮图像分析的PCNN改进模型

3.3动态阈值调整函数分析

3.4 PCNN模型的时间索引矩阵分析

3.5 PCNN模型的参数分析

3.5.1 Wijkl连接权的选取

3.5.2阈值幅值系数Vθ

3.5.3图像最佳分割阈值的选择

3.6算法描述

3.7 PCNN应用于鱼类年轮图像分析

3.8本章小结

第四章数学形态学基本理论

4.1引言

4.2二值图像的形态学处理

4.2.1二值图像的腐蚀和膨胀

4.2.2二值图像形态学开运算和闭运算

4.2.3连接分量

4.2.4形态学重构

4.3灰度数学形态学

4.3.1灰度图像的膨胀和腐蚀

4.3.2灰度图像的开运算和闭运算

4.4本章小结

第五章鱼类年轮图像分析的实验

5.1引言

5.2耳石样本制备和图像采集

5.3耳石年轮图像的预处理

5.3.1图像增强技术

5.4 PCNN神经网络模式识别

5.5数学形态学处理

5.6样本鱼类年龄及其生长状况的推断

5.7本章小结

总结和展望

参考文献

攻读硕士学位期间取得的研究成果

致谢

评定意见