SOFM算法在图像识别中的应用研究分析.pdf

致 谢 本论文是在王焱教授的悉心指导下完成的，在导师的指导，鼓励以及资金的大力支持 下，才使得论文得以顺利完成。师从三载，收获很多。王老师的严谨治学，开拓创新的精 神，高屋建瓴把握全局的能力，忘我的工作精神给我们树立了典范，这也是我所学到的最 宝贵的财富。再次，谨向我的导师致以深深的感谢。 感谢两年多来学院领导和老师的深切关怀，感谢实验室的孙雁鸣，杨威，马鹏飞等同 学的支持和帮助，感谢同宿舍兄弟孙延飞，曾峰，李亚杰在生活和学习中的关怀和帮助。 感谢所有关心和帮助过本论文工作的老师和同学们。 特别感谢辛勤养育和教导我的父母亲和家人，多年来他们给了我极大的关怀和鼓励， 使我在人生的道路上不断成长。 最后感谢所有审阅本论文的专家和老师们。 感谢在研究工作中提出建议和提供帮助的人。 摘 要 图像作为人类最重要的信息来源，有着直观性、易理解性。随着科学技术的发展，尤 其是计算机和数字图像技术的发展，出现了很多新理论，新方法，新算法，新手段和新技 术，而且在科学研究、农业监控、工业生产等方面得到了应用，对社会的发展，人们生活 水平的提高都有很多的贡献。在精准农业尤其是大棚农业的相关管理中需要对生长作物的 生长信息，进行有效地采集和提取，使用这些图像信息就可以用来对它的生长状况或者果 实的采集，杂草的清除，各种营养的喷洒等进行控制。 本文在总结国内外相关研究的基础上，以大棚植被图像为研究对象，重点研究图像的 颜色特征，图像灰度特征，以及对于图像分类特征的提取及识别方法。针对在杂草图像分 割方面的存在不足之处，结合超绿特征分割算法和 SOFM 网络，构造出一种杂草图像识别 模型 G-SOFM 空间聚类模型。该方法通过在超绿特征的处理之后，使用超绿特征的灰度和 归一化的两个特征向量，实现 SOFM 空间聚类。实验结果表明改进的 G-SOFM 方法比超 绿特征分割平均提高 20% 。本算法结合后期形态学去噪后，识别正确率可达94% 。 文中还给出，在获取图像特征后，对其进行空间变换，然后对变换后的空间进行特征 聚类，该算法提高了聚类效果，最后在嵌入式平台进行了可行性测试，结果表明算法具有 可行性。 关键词:SOFM；杂草识别；图像分割；超绿特征 - I - Abstract Images, as human beings most important information source, are intuitive and easily understood. With the development of science and technology, especially the development of computer and digital image technology, many new theories, approaches, algorithms, methods, and techniques come into being. And they are put into practice in respects of scientific research, agricultural monitoring, and industrial production, etc. They make huge contributions to social development and are conducive to improve peoples living