昆虫触角图像分割算法研究文献综述
摘要： 图像分割是指把图像分成具有一定内在联系的多个部分。分割的目的是为了简化图像，从而获取目标或者感兴趣的部分。图像分割是计算机视觉和图像处理基本并且关键的技术之一，它的应用非常广泛，包括：医学成像，交通监管，生物识别，军事雷达等多个方面。昆虫图像分割算法是其在生物识别领域的应用，它把昆虫图像分为了多个图像子集，从而突出昆虫像素点的部分，使得昆虫识别更加容易。对于昆虫不同部分的分割使得我们更加方便的，更加细致的研究昆虫。
关键词：昆虫，图像分割，算法
- 前言
昆虫是生物种群中种类最丰富，数量最多的一类，它和我们的生活紧密联系。昆虫的作用体现在多个方面，其中有益的作用主要有：具有经济效益、维持生态平衡、具有一定的药用价值等等，还有一部分昆虫给人类造成一定的伤害，如：破坏农作物，作为病毒的传播媒介，扰乱人们的日常生活等等，因此对于昆虫种群的研究日益成为人类科学研究的重要内容。然而昆虫物种的多样性使得人类对于昆虫的识别困难重重，如何快速准确的识别昆虫成为学者们的重要课题。随着图像分割技术的成熟，计算机视觉和图像处理技术也日益完善。昆虫识别系统主要依赖于昆虫图像以及通过图像获取相关的特征数据，通过一系列的分析比对分析从而识别出图像上的昆虫类别。然而大多数情况下昆虫图像是多个图像子集的集合，我们需要对图像进行分割，通过一定的模型算法进行图像预处理（需要考虑光线，相对运动，空气流动采集装备等所造成的影响），再进行相关的数据的测量，从而得到昆虫完整的分割图像（把昆虫所在像素点和其他背景图像点分离开）。为了得到更加精确的数据，需要对昆虫分割图像进行特征部分提取，进一步把它分为翅膀，腹部，胸部，头部等等，再通过一系列数据测量和分析匹配，最终实现生物识别。本文主要是实现昆虫触角图像分割算法的研究，进一步分离出昆虫的触角，为生物识别更加精确化和通过昆虫触角的研究，了解昆虫生活习性、生物特征和情感表达做准备。
二、昆虫触角图像分割算法研究的目的及意义
随着图像分割算法的不断提出及改进，计算机视觉和图像处理技术也得到很大的提高。一方面人工智能已经成为当今时代一个重要的研究课题，而机器学习是人工智能的核心要义之一。机器通过模拟人脑的思考模式，把所得到的信息进行整理和归纳，通过某种模型进行信息处理，进而对未知事物进行符合逻辑的分析处理和预测。而提高人工智能更加智能化和精准化，不仅需要对处理模型算法的改进，还需要所得数据更加的精确，因此需要对所得图像进一步准确分割并且进行数据检测，使得信息更加准确有效，而图像分割算法的改进和新的算法的提出使得这些成为可能。另一方面生物领域的发展需要运用更加先进的技术。昆虫作为生物领域物种分布最为广泛，种类最为丰富的种群之一，它对人类的生活产生了很大影响。例如：蝗虫对于农业造成迫害，啃食农作物；白蚁啃食木材，不仅破坏了树林，而且破坏家具；蚊子、苍蝇吸食血液，是病毒传播的重要途经之一。当然昆虫的有益方面也是有很多的，例如：人们可以通过蜜蜂获取到蜂蜜；斑蝥对皮肤真菌有抑制作用并能生发；蝴蝶等昆虫传播花粉，促进农作物的生长。因此对于昆虫的研究是自然科学研究不可或缺的一部分。在我们的日常生活中，我们所遇到的大多数昆虫都是有触角的，因此对于生物局部特征的研究也是不可或缺的一部分。昆虫的触角不仅仅具有触觉、听觉、嗅觉等作用，而且不同的触角动作也可以表达不同的情感。在有触角的那些昆虫中我们可以比较清楚认识到它们的触角形状也有多样性，比如：丝状、棒状、念珠状、锯齿状、羽毛状等等。因此对于昆虫识别来说其触角是重要的识别特征之一。我们可以通过测量昆虫触角的具体数据，使得昆虫图像的识别更加准确。单独测量昆虫的触角，我们也可以大体是区分该昆虫属于哪个科目。从其他方面来讲，昆虫的触角也可以作为生物发展进化的研究方向，对于环境如何影响生物的特征，生物的进化方向等方面来说，触角也有很重要的研究价值。从以上多方面来讲，对于昆虫触角的研究具有很大的意义。本文（昆虫触角图像分割算法研究）主要是对昆虫标本图像进行分割，从而得到昆虫的触角，最终获取昆虫触角的完整区域，为昆虫识别和针对昆虫个体器官对于昆虫整体作用的研究做准备。
三、国内外图像处理算法研究情况
- 计算机视觉理论从20世纪50年代开始发展，直到今天发展出了多种图像处理方法。文献[1]讲述了几种具有代表性的机器学习方法在图像分割中的应用，如:聚类图像分割技术、支持向量机图像分割技术、深度卷积神经网络图像分割技术以及其他的一些图像分割方法，并且简单讲述了这些方法的优缺点。
- 图像分割在多个领域得到了应用并且随着各种理论的提出，学者和其他技术人员进一步结合其优点，进一步提出了更佳的图像分割方法。如文献[2]中，孙俊，宋佳等人提出了一种新的PSO Otsu(S)分割方法，使得生菜叶片图像以及生菜冠层图像分割技术进一步提高。不仅分割效果明显优于传统Ostu算法，而且算法运行时间更短，精度更高，具有较好实用性。
- 航空领域对于材料的要求比较高，因此需要严肃处理材料所存在的缺陷。对于材料缺陷的寻找，文献[3]中提出了基于磁光成像特性的PCA图像分割。它通过采用图片切面融合方法，减少了其他图像子集的干扰信息并且增强缺陷处和其周围干扰图像的边沿处，从而凸显出缺陷处。该方法也提高了磁光图像处理的适应性，对于材料分布不均匀和光源不是面光源（光线分布不均匀）所得到和磁光图像也有较好的处理能力。
- 为了得到更好的图像分割方法，学者们不断对于一些图像处理方法进行改进。对于几何活动轮廓模型，文献[9]中吴璇，王艳等人从SLGS模型中得到方法，提出了以偏微分方程的形式存在的快速处理模型。该算法继承了LPSM模型的优点，并对其迭代不稳定等缺陷进行改良，从而使得该图像分割方法具有了不需要初始轮廓、更快速、更稳定等优点，使得所要研究的图像可以快速的分割成为渐变图像、深度图像等多个图像。
- 对于有些图像处理时我们只需要得到其本身轮廓，对于其色彩不做要求，因此我们可以将彩色图像转化为灰度图像，而且灰色图像也反应了原先图像的轮廓和亮度特征。对于图像灰度化一种可以通过算R,N,G的平均值把它赋值给这三个分量，另一种根据YVU的颜色空间。另一方面我们需要步图像二值化（又称为阈值算法），目的是把图像分为前景（目标图像）和背景（其他不相关的部分）两部分，其关键是阈值的选取，一般分为全值阈值发和局部阈值法（文献[21]相关内容）。
- 国内外昆虫图像分割算法的研究情况
（1）由于没有一种适合所有图像的分割算法，所以研究学者们针对不同类型的处理图像制定了不同的图像分割方法。对于昆虫图像的鉴定，自然有多种图像处理方法。例如国外的ABIS采用半监督的图像处理和自动识别方法和SPDA等方法，它们对于图像分割的要求并不高，直接对图像整体提取特征。针对图像分割方法，我们可以获取到：基于灰度直方图的分割、基于边缘的分割、基于形态学的分割等多种分割方法，当然它们是针对不同种类图像所提出的算法。
（2）针对于不同的昆虫研究，我们需要不同的图像预处理方法。通过文献[22]我们可以了解到鳞翅目下对于昆虫图像的预处理。任何一幅原始图像由于光线，相对运动，设备等因素的干扰，不可避免使得研究对象的图像受到干扰，这对于图像分割和昆虫局部特征的提取造成很多不确定因素，影响了昆虫分割图像的提取及识别。我们可以通过滤波及除噪，降低它们的干扰，从而突出我们所需要的那部分图像。该篇论文简单的介绍了中值滤波。其中中值滤波一般采用一个滑动窗口遍历整幅图像，一般来讲，方形和圆形窗口适合外轮廓较长的物体，而十字型窗口适合外轮廓较长的物体。针对于图像分割，唐强，倪远平先采用区域分割，在进行边缘分割图像的方法，通过阈值分割，数学开运算，边缘分割等一系列的操作实现鳞翅目昆虫的图像提取。该篇论文提到采用数学形态学的主要原因在于昆虫的腿和触角等肢体部分很容易折断，对昆虫的周长等形态参数的数据测量产生很大影响。对于边缘检测采用加权值k=根号2的Sobel算子。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
