昆虫图像特征提取的发展现状

百度了一下,发现资料很少。好像昆虫也涉及几何。。

计算机视觉技术开展了自动识别研究,从昆虫图像中提取并分析这些昆虫的数学形态特征,如面积、周长、横轴长、纵轴长、形状参数、叶形、球形、圆度、偏心率、亮点数等。通过聚类分析,从数学形态学的角度探讨了这些数学特征在昆虫分类中应用的可能性和可靠性。结果表明,半翅目、鞘翅目和鳞翅目昆虫的圆形度、偏心度和总体平均亮点数存在显著差异,适用于各种用途的分类鉴定。一般来说,每个项目的可靠性是类圆、偏心、亮点数、叶状、球形和圆形。经过对金龟子目、金龟子目、夜蛾科、蚕蛾科和凤蝶科的初步研究,科水平上各项的可靠性小于圆形面积、周长、横轴长度、球形度、类圆度和偏心纵轴。圆形更适合作为族序的分类特征,而形状参数和亮点不适合作为族序的分类特征。对蝽科、冷蝇科、夜蛾科、蚕蛾科、凤蝶科、金龟子科和天牛科的研究表明,科阶上项目特征的可靠性依次为圆度、偏心面积、周长、横轴长度、球纵轴长度、圆形形状参数等。类圆形和偏心率更适合作为科水平上的分类特征。对蚕蛾科、凤蝶科和天牛科昆虫种类的研究表明,在种类水平上识别昆虫的可靠性由大到小,依次为周长面积、纵轴、长轴和陡形状参数、圆形亮点数、类圆形、球形和偏心率、叶状。从结果中可以看出,有些特征在各个分类阶中差异不显著,如叶形、形状参数等,说明这些特征在昆虫中具有较强的* * *特征,能够代表整个昆虫的特征,不适合作为昆虫纲较低阶的分类特征。有些特征在每个分类阶中总是显著不同的,例如周长和面积,这表明这些特征适合于每个分类阶中昆虫的分类特征。其他功能介于两者之间。此外,根据可视化编程语言开发的昆虫图像处理与分析的提取软件系统,在整体准确性的基础上,逐种提高昆虫种类的自动识别水平。本文在上述研究中体现了以下特点和创新,并首次探讨了数学形态特征在昆虫分类中的作用。本文讨论了计算机视觉技术应用于不同昆虫分类目的可行性和可靠性。从数学形态学的角度研究了具有相同分类阶的昆虫类群的亲缘关系。昆虫图像处理和分析系统已经升级。增加了长横轴和长纵轴的特征提取,增加了逐种自动识别的种类。数学磷符号;计算机视觉;中毒昆虫分类;自动识别。我