基于支持向量机SVM的水稻害虫图像识别技术研究

摘要

随着科学技术及其农业科技的发展，对水稻害虫预防及其识别也越来越被人们所关注，本文主要运用数字图像处理技术及其模式识别技术对水稻害虫种类进行了分类识别的研究，主要研究内容和研究成果如下所示：
　　（1）水稻害虫图像预处理技术方面，本文提出了一种将顶帽技术和传统灰度化技术融合一体的新方法对图像进行灰度化处理，经过大量实验验证，本论文提出的将传统灰度化技术中融入顶帽处理技术的新方法可以很好的解决图像在拍摄过程中由于光线明暗造成的干扰问题，和传统的灰度化处理方式相比，具有很好的抗噪性能和较强的鲁棒性。
　　（2）在图像去噪方面，本文采取了一种自动确定滤波模板大小的去噪算法，通过自动加载图像并识别每一个图像的大小从而选取最优的滤波模板来进行图像去噪，通过自动确定滤波模板大小可以自适应的对每一个图像进行性能最优的去噪处理，通过大量的实验验证，本文采用的自动确定滤波模板大小的去噪算法和传统的去噪算法相比，具有匹配度高，去噪性能好，能够使得每一个图像都能达到最优的去噪效果，并且可以避免人为的进行滤波矩阵大小设定，降低了程序时间复杂度及其空间复杂度。
　　（3）在图像分割方面，本文采用了一种基于RGB色彩单像素背景分割的方式对图像进行分割处理，采用区域选择的方式来进行图像区域的分割，通过区域窗口的大小来进行图像局部区域的分割，这样可以较少计算量，不会失去大图像的特征参数信息。和传统的分割方式相比，本文采用的方法可以避免图像分割过程中的细节丢失、图像特征断裂及其图像孔洞大量出现等问题。
　　（4）在水稻害虫特征提取上，采取了基于HSV方式的直方图颜色特征提取方式，提高了识别直观性；提取形态特征，保证了旋转不变性，平移不变性及其图像尺度不变性，使得提取的特征参数识别性更加稳定；利用游程长度提取纹理特征，可以减少工作量并降低了程序复杂度计算。
　　（5）在特征数据处理方面，采用PCA的方式进行数据处理，本文改进了按一种数据单个向量和向量平均值之间的差值大小来进行降维的方法，和传统的PCA向量贡献值降维方式相比，提高了降维系数，传统的贡献值降维设定降维系数为85％，而本文采用的基于向量间差值的降维方式通过实验验证，降维系数能达到90%到95%；和传统的PCA方式相比，本文提出的改进型PCA方式能大量减少无用特征，消除特征相关性。
　　（6）在水稻害虫分类识别上，研究了基于核函数的支持向量机分类器的方法，提出了一种一对一的淘汰识别方式，该方式能同时进行多个不同种类样本的识别，打破了传统单种类识别模式；采用建立多个识别分类器进行图像的一一判断识别淘汰过程，通过大量的实验证明，本文提出的一对一的淘汰识别方式和传统的识别方式相比，在识别精度上能够提升10%左右，避免了传统方式中难于选取最优核函数的问题，并且算法稳定，精度高。

目录

封面

声明

中文摘要

英文摘要

目录

第 1 章 绪论

1.1 研究目的及意义

1.2 水稻害虫图像识别技术国内外研究现状

1.3 论文主要研究工作和内容安排

第 2 章 水稻害虫图像的预处理

2.1 水稻害虫图像灰度化处理

2.2 水稻害虫图像去噪处理

2.3 水稻害虫图像二值化及其形态学处理

2.4 本章小结

第 3 章 水稻害虫图像分割

3.1 边缘检测图像分割算法

3.2 基于区域图像分割算法

3.3 面向水稻害虫的图像分割

3.4 本章小结

第 4 章 水稻害虫图像特征提取

4.1 特征提取的一般原则

4.2 纹理特征

4.3 形态特征

4.4 特征数据归一化

4.5 特征优选

4.6 PCA 主成分分析方法

4.7 本章小结

第 5 章 水稻害虫图像分类识别

5.1 模式识别方法介绍

5.2 基于支持向量机 SVM 的水稻害虫图像识别

5.3 实验结果对比分析

5.4 本章小结

第 6 章 总结和展望

致谢

参考文献

附 录