| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 本文主要研究内容 | 第11-12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 2 相关工作 | 第13-43页 |
| 2.1 基于数字图像的昆虫种类识别研究国内外现状 | 第13-15页 |
| 2.1.1 国外研究现状 | 第13-14页 |
| 2.1.2 国内研究现状 | 第14-15页 |
| 2.1.3 优缺点分析 | 第15页 |
| 2.2 相关研究方法 | 第15-43页 |
| 2.2.1 昆虫自动识别系统流程 | 第15-16页 |
| 2.2.2 预处理方法 | 第16-32页 |
| 2.2.2.1 边缘提取方法 | 第17-19页 |
| 2.2.2.2 图像分割 | 第19-29页 |
| 2.2.2.3 几何变换 | 第29-30页 |
| 2.2.2.4 颜色校正 | 第30-32页 |
| 2.2.3 特征提取相关技术 | 第32-40页 |
| 2.2.3.1 形状特征 | 第32-37页 |
| 2.2.3.2 纹理特征的提取 | 第37-39页 |
| 2.2.3.3 颜色特征提取相关方法 | 第39-40页 |
| 2.2.4 常用分类器介绍 | 第40-43页 |
| 2.2.4.1 最邻近(K-Nearest Neighbor,KNN)分类算法 | 第40-41页 |
| 2.2.4.2 Adaboost分类算法 | 第41页 |
| 2.2.4.3 支持向量机(SVM)分类算法 | 第41-42页 |
| 2.2.4.4 人工神经网络分类算法 | 第42-43页 |
| 3 蝴蝶数字图像特征分析及算法流程设计 | 第43-50页 |
| 3.1 研究对象 | 第43-45页 |
| 3.2 蝴蝶数字图像特征分析 | 第45-48页 |
| 3.2.1 蝴蝶形态特征分析 | 第45-46页 |
| 3.2.2 蝴蝶纹理特征分析 | 第46-47页 |
| 3.2.3 蝴蝶颜色特征分析 | 第47-48页 |
| 3.3 算法流程设计 | 第48-50页 |
| 4. 本文关键技术 | 第50-76页 |
| 4.1 图像预处理 | 第50-51页 |
| 4.1.1 图像规范化调整 | 第50页 |
| 4.1.2 蝴蝶标本前、后翅区域分割 | 第50-51页 |
| 4.2 特征提取与比较方法 | 第51-59页 |
| 4.2.1 多尺度轮廓曲率直方图特征 | 第51-54页 |
| 4.2.1.1 特征提取方法 | 第51-53页 |
| 4.2.1.2 特征向量的构建 | 第53-54页 |
| 4.2.1.3 特征向量相似性比较方法 | 第54页 |
| 4.2.2 基于图像分块的灰度共生矩特征 | 第54-59页 |
| 4.2.2.1 图像分块方法 | 第55-56页 |
| 4.2.2.2 特征提取方法 | 第56-57页 |
| 4.2.2.3 特征向量的构建 | 第57-59页 |
| 4.3 分类器设计与优化 | 第59-60页 |
| 4.3.1 分类器的构建与优化(初次识别) | 第59-60页 |
| 4.3.2 二级分类器的构建与优化(二次识别) | 第60页 |
| 4.4 实验结果与分析 | 第60-76页 |
| 4.4.1 初次分类识别结果 | 第60-70页 |
| 4.4.1.1 初次分类识别结果 | 第60-61页 |
| 4.4.1.2 不同形状特征提取方法识别结果对比 | 第61-65页 |
| 4.4.1.3 不同分类器识别结果对比 | 第65-70页 |
| 4.4.2 二次分类识别结果 | 第70-73页 |
| 4.4.2.1 二级分类器的决策范围 | 第70页 |
| 4.4.2.2 最终识别结果与分析 | 第70页 |
| 4.4.2.3 图像分块处理对识别结果的影响 | 第70-71页 |
| 4.4.2.4 灰度共生矩阵距离d值对识别结果的影响 | 第71-72页 |
| 4.4.2.5 不同分类器识别结果对比 | 第72-73页 |
| 4.4.3 识别结果分析 | 第73-76页 |
| 4.4.3.1 实验材料的缺陷 | 第73-74页 |
| 4.4.3.2 训练样本量小 | 第74-76页 |
| 5 结论与展望 | 第76-79页 |
| 5.1 本文主要工作 | 第76-78页 |
| 5.2 未来工作及展望 | 第78-79页 |
| 附录 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 个人简介 | 第85-86页 |
| 导师简介 | 第86-87页 |
| 致谢 | 第87页 |