| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| §1.1 课题背景与研究意义 | 第12-15页 |
| §1.2 本论文的主要贡献 | 第15-17页 |
| §1.3 本论文的组织结构 | 第17-18页 |
| §1.4 小结 | 第18-19页 |
| 第二章 国内外研究现状分析 | 第19-37页 |
| §2.1 基于图像的昆虫识别 | 第19-20页 |
| §2.2 基于内容的昆虫图像视觉特征提取 | 第20-21页 |
| §2.3 基于局部特征的对象识别 | 第21-22页 |
| §2.4 降维技术 | 第22-25页 |
| §2.5 本体方法 | 第25-26页 |
| §2.6 语义标注 | 第26-27页 |
| §2.7 对象识别技术 | 第27-30页 |
| §2.8 小结 | 第30-32页 |
| 本章参考文献 | 第32-37页 |
| 第三章 快速几何可变形模型的彩色昆虫图像分割 | 第37-51页 |
| §3.1 引言 | 第37页 |
| §3.2 GAC算法 | 第37-39页 |
| §3.3 彩色图像边缘检测子 | 第39-41页 |
| ·彩色图像标量化的边缘检测子 | 第39页 |
| ·Di Zenzo多值几何测度的边缘检测子 | 第39-41页 |
| §3.4 一种改进的昆虫彩色图像几何可变形模型分割算法 | 第41-42页 |
| ·CGAC算法 | 第41页 |
| ·算法的实现 | 第41页 |
| ·实验结果 | 第41-42页 |
| §3.5 一种快速昆虫彩色图像几何可变形模型分割算法 | 第42-46页 |
| ·快速几何可变形模型 | 第42-44页 |
| ·基于Di Zenzo多值几何测度边缘指示函数 | 第44-45页 |
| ·算法实现 | 第45页 |
| ·实验结果 | 第45-46页 |
| §3.6 CGAC算法和FLSECCIS算法的比较 | 第46-47页 |
| §3.7 小结 | 第47-48页 |
| 本章参考文献 | 第48-51页 |
| 第四章 基于内容的图像检索技术在昆虫识别中的应用 | 第51-61页 |
| §4.1 引言 | 第51页 |
| §4.2 基于形状特征的昆虫识别 | 第51-54页 |
| ·不变矩 | 第51-52页 |
| ·边界矩 | 第52-53页 |
| ·实验结果 | 第53-54页 |
| §4.3 基于纹理特征的昆虫识别 | 第54-57页 |
| ·灰度共生矩阵 | 第54页 |
| ·灰度-梯度共生矩阵 | 第54-56页 |
| ·Laws纹理特征提取 | 第56页 |
| ·傅立叶变换 | 第56-57页 |
| ·实验结果 | 第57页 |
| §4.4 小结 | 第57-59页 |
| 本章参考文献 | 第59-61页 |
| 第五章 基于AIGabor的SVM昆虫识别 | 第61-69页 |
| §5.1 引言 | 第61页 |
| §5.2 基于AIGabor的SVM昆虫识别技术框架 | 第61-62页 |
| §5.3 AIGabor滤波器纹理特征提取 | 第62-65页 |
| ·基于Gabor滤波器的纹理特征提取 | 第62-63页 |
| ·基于AIGabor滤波器纹理特征提取 | 第63-65页 |
| §5.4 SVM分类 | 第65-67页 |
| §5.5 实验结果 | 第67页 |
| §5.6 小结 | 第67-68页 |
| 本章参考文献 | 第68-69页 |
| 第六章基于SURF的多分辨率直方图昆虫识别 | 第69-79页 |
| §6.1 引言 | 第69页 |
| §6.2 基于局部特征的多分辨率直方图昆虫识别技术框架 | 第69-70页 |
| §6.3 昆虫局部特征提取 | 第70-75页 |
| ·Harris局部特征提取 | 第70-71页 |
| ·SIFT特征提取 | 第71-72页 |
| ·SURF特征提取 | 第72-74页 |
| ·局部特征提取结果 | 第74-75页 |
| §6.4 多分辨率直方图匹配 | 第75-76页 |
| §6.5 实验结果 | 第76页 |
| §6.6 小结 | 第76-77页 |
| 本章参考文献 | 第77-79页 |
| 第七章 基于谱图回归LDA的KNN昆虫识别 | 第79-91页 |
| §7.1 引言 | 第79页 |
| §7.2 基于降维技术的昆虫识别技术框架 | 第79-80页 |
| §7.3 昆虫图像预处理 | 第80页 |
| §7.4 特征昆虫 | 第80-82页 |
| ·SVD | 第81页 |
| ·特征昆虫 | 第81-82页 |
| §7.5 基于LDA特征子空间 | 第82-88页 |
| ·LDA原理 | 第83-84页 |
| ·基于谱图回归LDA | 第84-88页 |
| ·基于谱图回归LDA昆虫特征子空间 | 第88页 |
| §7.6 基于K近邻分类的昆虫识别 | 第88页 |
| §7.7 实验结果 | 第88-89页 |
| §7.8 小结 | 第89-90页 |
| 本章参考文献 | 第90-91页 |
| 第八章 昆虫形态学分类系统的本体开发 | 第91-99页 |
| §8.1 引言 | 第91页 |
| §8.2 本体和领域本体 | 第91-92页 |
| §8.3 基于昆虫形态学分类本体的知识管理框架 | 第92-93页 |
| §8.4 IMTO的目标 | 第93页 |
| §8.5 IMTO开发的方法 | 第93-96页 |
| §8.6 IMTO的实现 | 第96-97页 |
| ·开发工具 | 第96页 |
| ·结果 | 第96-97页 |
| §8.7 小结 | 第97-98页 |
| 本章参考文献 | 第98-99页 |
| 第九章 基于本体的昆虫识别 | 第99-109页 |
| §9.1 引言 | 第99页 |
| §9.2 基于本体的昆虫识别框架 | 第99-100页 |
| §9.3 本体层 | 第100-106页 |
| ·昆虫图像视觉特征本体 | 第101-104页 |
| ·昆虫形态学分类本体 | 第104-105页 |
| ·介质特征本体 | 第105-106页 |
| §9.4 训练层 | 第106页 |
| §9.5 识别层 | 第106页 |
| §9.6 基于本体的昆虫识别过程 | 第106-107页 |
| §9.7 小结 | 第107-108页 |
| 本章参考文献 | 第108-109页 |
| 第十章 总结与展望 | 第109-112页 |
| §10.1 本文工作总结 | 第109-110页 |
| §10.2 前景展望 | 第110-112页 |
| 攻读博士期间发表的论文 | 第112-113页 |
| 致谢 | 第113页 |
