基于支持向量機SVM的水稻害蟲圖像識別技術(shù)研究.pdf

1、隨著科學(xué)技術(shù)及其農(nóng)業(yè)科技的發(fā)展，對水稻害蟲預(yù)防及其識別也越來越被人們所關(guān)注，本文主要運用數(shù)字圖像處理技術(shù)及其模式識別技術(shù)對水稻害蟲種類進行了分類識別的研究，主要研究內(nèi)容和研究成果如下所示：
　?。?）水稻害蟲圖像預(yù)處理技術(shù)方面，本文提出了一種將頂帽技術(shù)和傳統(tǒng)灰度化技術(shù)融合一體的新方法對圖像進行灰度化處理，經(jīng)過大量實驗驗證，本論文提出的將傳統(tǒng)灰度化技術(shù)中融入頂帽處理技術(shù)的新方法可以很好的解決圖像在拍攝過程中由于光線明暗造成的干擾問題

2、，和傳統(tǒng)的灰度化處理方式相比，具有很好的抗噪性能和較強的魯棒性。
　?。?）在圖像去噪方面，本文采取了一種自動確定濾波模板大小的去噪算法，通過自動加載圖像并識別每一個圖像的大小從而選取最優(yōu)的濾波模板來進行圖像去噪，通過自動確定濾波模板大小可以自適應(yīng)的對每一個圖像進行性能最優(yōu)的去噪處理，通過大量的實驗驗證，本文采用的自動確定濾波模板大小的去噪算法和傳統(tǒng)的去噪算法相比，具有匹配度高，去噪性能好，能夠使得每一個圖像都能達(dá)到最優(yōu)的去噪效果

3、，并且可以避免人為的進行濾波矩陣大小設(shè)定，降低了程序時間復(fù)雜度及其空間復(fù)雜度。
　?。?）在圖像分割方面，本文采用了一種基于RGB色彩單像素背景分割的方式對圖像進行分割處理，采用區(qū)域選擇的方式來進行圖像區(qū)域的分割，通過區(qū)域窗口的大小來進行圖像局部區(qū)域的分割，這樣可以較少計算量，不會失去大圖像的特征參數(shù)信息。和傳統(tǒng)的分割方式相比，本文采用的方法可以避免圖像分割過程中的細(xì)節(jié)丟失、圖像特征斷裂及其圖像孔洞大量出現(xiàn)等問題。
　?。?

4、）在水稻害蟲特征提取上，采取了基于HSV方式的直方圖顏色特征提取方式，提高了識別直觀性；提取形態(tài)特征，保證了旋轉(zhuǎn)不變性，平移不變性及其圖像尺度不變性，使得提取的特征參數(shù)識別性更加穩(wěn)定；利用游程長度提取紋理特征，可以減少工作量并降低了程序復(fù)雜度計算。
　?。?）在特征數(shù)據(jù)處理方面，采用PCA的方式進行數(shù)據(jù)處理，本文改進了按一種數(shù)據(jù)單個向量和向量平均值之間的差值大小來進行降維的方法，和傳統(tǒng)的PCA向量貢獻值降維方式相比，提高了降維系數(shù)

5、，傳統(tǒng)的貢獻值降維設(shè)定降維系數(shù)為85％，而本文采用的基于向量間差值的降維方式通過實驗驗證，降維系數(shù)能達(dá)到90%到95%；和傳統(tǒng)的PCA方式相比，本文提出的改進型PCA方式能大量減少無用特征，消除特征相關(guān)性。
　?。?）在水稻害蟲分類識別上，研究了基于核函數(shù)的支持向量機分類器的方法，提出了一種一對一的淘汰識別方式，該方式能同時進行多個不同種類樣本的識別，打破了傳統(tǒng)單種類識別模式；采用建立多個識別分類器進行圖像的一一判斷識別淘汰過程，