24小时论文定制热线
24小时论文定制热线
摘要
我国是一个物产资源丰富的海洋大国，水产养殖业占据国民生产总值很大比重，扇贝养殖作为水产养殖的重要的一环，也越来越受到人们的重视。在扇贝的养成过程中，需要多次区分等级，进而执行后续过程。目前，在扇贝养殖中，主要的分级方式是手工测量分级，该方式步骤繁琐，准确率波动性大，极大影响了扇贝分级的效率与扇贝养殖业的发展。
通过计算机视觉的分级方式代替传统的手工分级，可避免与扇贝直接接触，有效减少扇贝碰撞，提高扇贝养殖效率。本文按照项目进行的流程展开论述，内容较详细，主要内容如下：
（1）扇贝特征选择及图像预处理设计。针对扇贝图像信息不明显、外壳结构复杂的问题，分析扇贝颜色、花纹及边缘轮廓信息对图像处理的影响，进行图像特征选择，确定颜色及轮廓为扇贝图像主要特征。提出通过 OpenCV 视觉库提供的 RGB 颜色单通道处理方法，并采用高斯、中值滤波方式对扇贝图像预处理。
（2）扇贝图像分割及测量算法的设计。针对预处理后的扇贝图像，使用大津法自适应阈值二值化及边缘检测方法。对扇贝图像进行色彩提取，有效过滤扇贝花纹，完成前、背景分离，并获取扇贝轮廓信息。对现有的几种扇贝测量的算法进行分析，由于扇贝轮廓不规则性，对尺寸测量的计算量较大，提出采用轮廓最小外接圆与轮廓相等面积圆直径均值法的方式代替扇贝尺寸进行测量。通过绘制图像最小外接圆及获取与扇贝轮廓等面积圆，将直径信息均值近似转化为扇贝尺寸信息进行分级，这样操作方式既能有效的控制误差率，还能在很大程度上减少计算量，提高计算效率。
（3）系统实现及测试。将运用代码描述系统实现的实际可能性，阐述系统实现方法实质，并对 RGB 颜色单通道提取、滤波、二值化、边缘检测及获取圆直径信息的过程进行详细介绍。通过真实数据对比，获取实验结果的误差率，并验证扇贝分级项目的可行性。
本项目研究并设计了基于计算机视觉的扇贝分级系统，相对于传统手工测量，具有避免接触、效率高的特点，通用性较强。
关键词：扇贝分级；计算机视觉；OpenCV;图像处理；尺寸检测
Abstract
China is a large marine country with abundant resources. The aquaculture industry accounts for a large proportion of the gross national product. As an important part of aquaculture, scallop culture has attracted more and more attention. During the growth of the scallops, it is necessary to distinguish the grades several times, and then perform the subsequent process. At present, in scallop culture, the main grading method is manual measurement and grading. This method is cumbersome and has high volatility, which greatly affects the efficiency of scallop grading and the development of scallop aquaculture. By replacing the traditional manual grading with computer vision, it can avoid direct contact with scallops, effectively reduce scallop collision and improve scallop culture efficiency. This article is based on the process of the project, the content is more detailed, the main contents are as follows:
（1）scallop image information is not obvious and the shell structure is complex, the influence of scallop color, pattern and edge contour information on image processing is analyzed, and the image feature selection is carried out to determine that the color and contour are the main features of scallop image. A single channel RGB color processing method provided by OpenCV visual library is proposed. The scallop image is preprocessed by means of Gauss and median filtering.
（2）Design of scallop image segmentation and measurement algorithm. The adaptive threshold binarization and edge detection method of Otsu method are used for scallop image after pretreatment. The scallop image is extracted by color, the scallop pattern is filtered effectively, the background and the front are separated, and the scallop contour information is obtained. Several existing scallop measurement algorithms are analyzed. Because of the irregularity of scallop contour, the calculation amount of dimension measurement is large. The method of minimum circumferential circle and equal area circle diameter mean of contour is proposed to replace scallop size measurement. By drawing the minimum circumscribed circle of the image and obtaining the circle of equal area with the scallop contour, the average diameter information is approximately transformed into scallop size information for classification, which greatly reduces the amount of calculation, controls the error rate and improves the efficiency.
（3）System implementation and testing. This paper describes the practical possibility of the system implementation by using code, expounds the essence of the system implementation method, and introduces in detail the process of RGB color single channel extraction, filtering, binarization, edge detection and obtaining circular diameter information. By comparing the real data, the error rate of the experimental results is obtained, and the scallop grading item's integrability is verified.
This project researches and designs a scallop grading system based on computer vision. Compared with traditional manual measurement, it has the characteristics of avoiding contact and high efficiency, and has strong versatility.
Key Words:Scallop Grading; Computer Vision; OpenCV; Image processing; Size detection
目录
第 1 章 绪论
1.1 项目研究背景及意义
我国地理位置占据天然优势，中国不仅是传统的农业强国，也是海洋大国[1].近年来，我国的水产养殖行业迅速发展，扇贝养殖作为水产养殖的重要组成部分，更是受到了人们的重视。在扇贝养殖的过程中，需要将扇贝进行多次分级处理[2].
目前扇贝分级处理的主要方式是手工分级，即需要人工检测和判定扇贝尺寸大小，进行分级处理。需要专业扇贝检测员手工抓取扇贝并通过游标卡尺等计量工具计算扇贝尺寸并记录[3].在整个分级过程中，需要操作员与扇贝壳体进行接触，抓取、检测、放置的步骤，均会对壳体造成磕碰、磨损。人工分级的方式，耗时时间长，工作量庞大，重复性及误差率相对较高，对检测人员的专业性考验极大[4].在扇贝繁殖的旺季，对劳动力的数量和水平要求很高，远远无法满足正常需求，因此在很大程度上限制了整个扇贝养殖业的发展。
计算机视觉技术，旨在找到人眼替换品，通过摄相机和计算机对目标图像进行识别、跟踪和测量，并进一步做图形处理，是当下科学研究领域的重要一环。当前，计算机视觉已经广泛应用到各个农产品分级领域，苹果、橙子、海参等各个物品分级都取得了一定的成果，有效解决了与物体直接接触的问题，可以进行分级操作[5].采用计算机视觉的分级方法代替人工检测法检测，具有实时性、准确性、高效的特点。通过照相机和计算机代替人眼对目标进行识别，用 OpenCV 提供的图像处理方法进行相关图形处理，以及进一步的贝类测量，很大程度上起到了对扇贝的保护作用，减小了贝壳体的不必要损伤，降低了劳动力的成本，大大增加了扇贝养殖业的利润。
目前，我国在此方面做出的努力都旨在提高国内扇贝分级自动化处理的能力以及水平，目标是进一步缩小我国与国外先进技术差距，开拓市场，增强国际竞争力。无论如何，扇贝分级系统的研究性意义与实用性意义都很可观，还可以应用到其他不同行业领域。因此，开发出一套高效的、简单的、准确率高的扇贝分级系统是非常有必要的。
1.2 国内外研究现状
扇贝分级系统是将扇贝通过特定的测量方式或有效算法，将扇贝按照尺寸大小进行分类的系统。通过目前蓬勃发展的计算机视觉技术结合传统的扇贝分级的实用性课题，可有效解决人们困惑多年的问题。
1.2.1 国内研究现状
近年来，计算机视觉成为热点话题，计算机视觉技术逐渐得到广泛应用。而农产品的非接触分级问题一直是人们所困扰的难题，如何将计算机视觉技术与农产品分级结合也成为了计算机专家致力于解决的问题。2006 年，林艾光，孙宝元[6]设计并开发出一种新型扇贝分级方法，即利用计算机视觉检测扇贝大小。该分级方法需要摄像头率先获取扇贝图像，系统对已获取图像进行预处理，提取有关扇贝面积的关键特征，进而区分分级。此方法未使用图像滤波填充扇贝图像空洞，对扇贝模型各个夹角规定较严格，对扇贝区域划分要求较高。该系统应用计算机视觉与图像处理法对扇贝图像进行了处理，为以后的扇贝精确分级工作提供了良好思路。
2008 年，王树才[7]等人完成了禽蛋检测的自动化，将检测禽蛋的破损、品质、分级、搬运等工作集成到关节型机器人上，从而改变了以往需要人工搬运检测、人工分级的庞大、耗时、费力的状况，将计算机视觉和图像分析技术相结合，通过敲击蛋壳震动，经过声信号与电信号之间转变，进行破损检测，对鸡蛋的新鲜度进行分级，增加检测精确度，实现了完整的检测系统，是一套国内较为成熟的物品分级系统。随后，2011 年李军良[8]利用了计算机视觉技术，通过对水果图像的近红外光谱研究实现了对苹果糖度的预测和分级。该研究参照了 V.Sternmetz 的研究内容，分析了静态漫透射近红外光谱，采用 RGB 颜色通道进行特征提取，通过量子进化算法、遗传算法对初步拆选好的变量进行优选比较，增加了近红外线检测分级的精确率，较适用于处理平滑物体。2014 年，杨礼坤采用了机器视觉实现了瓷器检测分类。杨礼坤采用了权重法将彩色瓷器图像转化为灰度图像，将 R、G、B三值与不同的比例系数相乘得到所求灰度值对于基本图像进行处理。此外，采用相邻区域平均化的方法将图像的花纹干扰信息抹除。这种对色彩的基本处理方法没有将图像物体进行初步前景、背景分离，在滤波方式中，由于扇贝个体较小，且边缘毫无规律，只针对平滑处理并不能对边缘特征保存，以上方法并不适用于扇贝分级。
2018 年，刘航、郭俊先[9]等人研制出基于计算机视觉的核桃大小分级系统。通过 RGB图像进行中值滤波、阈值分割、形态学处理、图像填充，基本可以绘制出目标图像轮廓，寻找核桃轮廓的最小外接矩形以计算尺寸进行分级。由此我们可以看到，我国最近几年在机器视觉领域研究方面已经有所突破并获得了重大进步，但在机器视觉处理扇贝分级的问题上还在处于基础研究阶段，国内仍在使用传统的人为手工检测方式，高级检测还需要从国外引入先进机器设备。
1.2.2 国外研究现状
在国外，计算机视觉对产品分级的应用较早。Sarkar[10]等人应用计算机视觉技术对西红柿的分类方法进行研究，通过计算八邻域码边界曲率得到西红柿的边界特征，从而实现对西红柿品级检测。此次试验通过灰度处理定位图像缺陷，主要针对西红柿品质分级，是较早的应用机器视觉对分级检测的实例。早在 1995 年，Ozer[11]等使用了不同的信息融合方法对西瓜进行分级，除了使用计算机视觉与图像处理方法外，该系统还通过添加不同类别与计算机适配的多种传感器，精进了分级检测的成功率，为分级检测奠定基础的同时提供了新型研究方向。1999 年，V.Sternmetz[12]等人使用了近红外光谱数据和彩色摄像机对苹果的糖分进行预测，该项研究不但应用了机器视觉图像处理，而且增加了近红外光谱采集与分析数据，不但对苹果糖分进行分级，而且可对其进行下一步预测，增加了计算机视觉的实用性，扩展了计算机视觉领域的应用范围，减小了与其他项目的差异性。在 2002年，Beyer M[13]通过图像处理与回归算法分析的方式，描绘了樱桃的轮廓外形，确定了樱桃的高度与宽度之比，对樱桃进行分级处理。该方式对樱桃的规则性有严格要求。2007 年，Ali Bulent[14]通过计算机视觉边缘检测，将西瓜进行轮廓特征提取处理，近似的将西瓜轮廓转化为椭圆球，通过椭圆球尺寸信息，对西瓜体积进行了测量及分级。2014 年，Manickavasagan 将椰枣设定为试验对象，采用 RGB 颜色处理，提取椰枣的信息，通过线性判别分析法，针对颜色处理后的图像，将椰枣硬度分为两级。
目前，专门用于扇贝分级的设备仍处于研发状态。在其他国家，基于计算机视觉的扇贝分级相关研究的水平已经有了很大进展，无论是计算机视觉技术还是扇贝分级的技术都在相当大的程度上领先于国内，国内现有研究较少且不成熟。当前，国内外并没有完整的扇贝分级系统，虽然上述机器视觉实验对基于机器视觉的扇贝分级研究具有一定促进作用，大多数适用于平滑物体的测量分级。但由于扇贝边缘的凹陷性与不规则性，以及扇贝外壳的不平滑，都对扇贝的图像处理及测量造成一定的难度。
1.3 主要内容及论文结构
本文以扇贝为基础实验样本，研究基于计算机视觉的扇贝分级系统的设计。首先，对待分级的扇贝进行图像采集、颜色单通道采集、滤波处理、二值化研究以及扇贝的壳体边缘检测。其次，对处理后的图像采集最小外接圆数据，进而通过等比例系数得到真实扇贝大小，并根据求出数据，对扇贝进行类别划分。本文调查了计算机视觉及扇贝分级的发展现状，了解其他实物的分级成果，根据现有的 OpenCV 视觉库提供的图像处理方法，总结出一个较完整图像处理方式。本文的研究成果除了一篇论文报告外，还提出一种简单的扇贝尺寸检测及分级方法，并可根据具体实际情况改变等级范围划分。本项目具有简单、高效、准确等特点，减少了部分操作方法，可代替传统的分级方式广泛使用。具体的研究内容包括以下 3 点。
（1）扇贝特征选择及图像预处理设计。针对扇贝图像信息不明显、外壳结构复杂的问题，分析扇贝颜色、花纹及边缘轮廓信息对图像处理的影响，进行图像特征选择，确定颜色及轮廓为扇贝图像主要特征。提出通过 OpenCV 视觉库提供的 RGB 颜色单通道处理方法，并采用高斯、中值滤波方式对扇贝图像预处理。
（2）扇贝图像分割及测量算法的设计。针对预处理后的扇贝图像，使用大津法自适应阈值二值化及边缘检测方法。对扇贝图像进行色彩提取，有效过滤扇贝花纹，完成前、背景分离，并获取扇贝轮廓信息。对现有的几种扇贝测量的算法进行分析，由于扇贝轮廓不规则性，对尺寸测量的计算量较大，提出采用轮廓最小外接圆与轮廓相等面积圆直径均值法的方式代替扇贝尺寸进行测量。通过绘制图像最小外接圆及获取与扇贝轮廓等面积圆，将直径信息均值近似转化为扇贝尺寸信息进行分级，这样操作方式既能有效的控制误差率，还能在很大程度上减少计算量，提高计算效率。
（3）系统实现及测试。将运用代码描述系统实现的实际可能性，阐述系统实现方法实质，并对 RGB 颜色单通道提取、滤波、二值化、边缘检测及获取圆直径信息的过程进行详细介绍。通过真实数据对比，获取实验结果的误差率，并验证扇贝分级项目的可行性。
根据论文的研究内容，本文的章节安排如下：
第一章：绪论。本章主要介绍本课题的研究背景、研究意义和研究现状，以及论文的主要内容结构和章节信息。
第二章：基于计算机视觉的扇贝分级方案设计。本章介绍了扇贝分级系统的问题提出，以及系统的整体架构设计，并介绍项目进行时所需要的技术信息，包括 OpenCV 技术与Python 的发行版 Anaconda.
第三章：扇贝特征选择与图像预处理。本章总结并分析分析扇贝颜色、花纹及边缘轮廓特征信息，对比现有各类图像预处理方式优缺点，选择最适合本项目的 RGB 颜色单通道提取及高斯和中值滤波方法，完成图像特征选择及预处理设计。
第四章：扇贝的图像分割及测量分级设计。本章选择了图像二值化与图像边缘检测的方法，对图像完成分割。分析了几种图像测量算法思想，比较各类算法的优缺点，形成较为简单且实用的扇贝图像测量方法，计算得出测量值并根据测量值完成扇贝的级别分类。
第五章：项目的实现及实验。本章通过代码，详细介绍了图像 RGB 颜色单通道提取、滤波、二值化、边缘检测及获取圆直径信息的实现过程。通过实验数据与真实测量值对比，通过表格进行数据对比，对误差进行分析，验证项目可行性。
第六章：总结与展望。对本课题研究进行总结，对研究不充分处加以阐释，对未来可进行的深入研究进行展望。
第 2 章 基础理论综述
2.1 问题的提出
2.2 面向扇贝分级的计算机视觉概述
2.3 系统相关技术
2.3.1 OpenCV
2.3.2 Anaconda
2.4 本章小结
第 3 章 扇贝图像特征选择及图像预处理
3.1 图像特征选择
3.2 颜色特征选择及处理
3.2.1 颜色模式的选择
3.2.2 RGB 颜色单通道处理
3.3 图像滤波算法的选择及处理
3.3.1 滤波算法的选择
3.3.2 中值滤波与高斯滤波图像处理
3.4 本章小结
第 4 章 扇贝的图像分割及测量分级设计
4.1 图像二值化
4.1.1 阈值提取方式的选择
4.1.2 大津法二值化处理
4.2 边缘检测
4.3 扇贝测量方式设计
4.3.1 现有扇贝测量方式
4.3.2 最小外接圆与轮廓等面积圆估计法
4.4 本章小结
第 5 章 系统实现
5.1 代码实现
5.2 系统界面
5.3 数据测试
5.4 误差分析
5.5 本章小结
第 6 章 总结与展望
6.1 总结
我国地理位置占据天然优势，是农业强国也是海洋大国。近年来，海水养殖业得到迅猛发展，扇贝养殖作为海水养殖的重要组成部分，更是受到了人们的重视。在扇贝养殖的过程中，需要将扇贝进行多次分级处理。在我国，目前所采用的仍然是手工测量的分级方式，该方式受手工测量人员的极大影响，步骤较繁琐，工作强度较大，且准确率波动性大，极大的影响了扇贝分级的效率与扇贝养殖业的发展。
本文分析了目前常用的几种颜色处理方式，比较各类方式的优缺点，使用 BGR 颜色通道模式，分别将待处理彩色扇贝图像 B、G、R 三通道颜色信息独立提取。在图像滤波处理过程中，分析了几种滤波方式的效果及作用，根据高斯滤波的高效模糊处理以及中值滤波的边缘处理良好保持性，最终选择两种方式结合使用的方式。在特征处理部分，采用了大津法二值化及边缘检测算法，提取完整扇贝轮廓信息。在图像测量部分，提出使用最小外接圆及轮廓面积相等圆直径中值法，求得最终目标直径，并对其进行分级。在系统测试中，通过将 20 个扇贝模型编为一组，共计 10 组进行数据对比发现，误差率为 0.23cm,系统的尺寸测量准确率近似为 97.1%.经过验证后，系统测量方式基本能满足现有扇贝分级要求，适用于农户对扇贝分级的基本需要。
6.2 展望
本文所提出的基于计算机视觉的扇贝分级系统，目前的使用还是基于人为辅助，这在某种程度上取决于人的主观认识，受人为的影响程度较大。在图像处理部分，在背景前景分割时，由于图像的处理方式，可能造成分割不明确的问题；在外接圆与扇贝轮廓标记时，由于线条具有一定宽度，会影响部分扇贝直径测量值。在图像测量时，扇贝、摄像头摆放位置并不能完全相同。以上问题均会对实验结果造成误差。
现如今是计算机视觉的大发展的时代，图像颜色处理方法、特征提取算法都在实时更新与优化，图像特征提取算法优化，以及扇贝测量算法更新，进而提升结果误差率是今后致力于研究的目标。
参考文献
[1] 张志军。扇贝分级设备关键部件设计与实验研究[D].河北农业大学，2015.
[2] 杨晓光。基于机器视觉的扇贝精选分级系统研究[D].大连海事大学，2013.
[3] 王帅。视频中扇贝图像的检测与定位研究[D].大连海洋大学，2015.
[4] 乔曦。基于水下机器视觉的海参实时识别研究[D].中国农业大学，2017.
[5] 张继平，刘直芳。背景估计与运动目标检测跟踪[J].计算技术与自动化，2004,23（4）。51-54.
[6] 林艾光，孙宝元，等。基于机器视觉的虾夷扇贝分级检测方法研究[J].水产学报，2006,3（3）：397-403.
[7] 王树才 , 文友先 , 等 . 基于机器人的禽蛋自动检测与分级系统集成开发 [J]. 农业工程，2008,Vol,24（4）：186-189.
[8] 李军良。基于机器和近红外光谱的水果品质分级研究[D].南京：南京航空航天大学，2011.
[9] White D J, Svellingen C. Automated measurement of species and length of fish by computer vision[J].Fisheries Research,2006,80（4）：203-209.
[10] Ozer N, Engel B A, simon J E, Fusion classification techniques for fruit quafity[J].Transaction of theASAE,1995,38（6）：1927-1934.
[11] V Steinmetz, J.M.E. MoltoH 2,J.Blasco2.Online Fusion of Colour Camera and Spectrophotometer forSugar ContentPrediction of apples[J].J.Agric. Engng Res.1999,73:207-216.
[12] Tao Y, Morrow C T, Heinemann P H, et al. Fourier-based separation technique for shape grading ofpotatoes using machine vision[J]. Transactions of the ASAE, 1995, 38（5）： 1555-1561.
[13] Heinemann P H, Pathare N P, Morrow C T. An automated inspection station for machine-vision grading ofpotatoes[J]. Machine Vision and Applications, 1996, 9（1）： 14-19.
[14] 贾洪雷，王刚，郭明卓，等。 基于机器视觉的玉米植株数量获取方法与试验[J]. 农业工程学报，2015,31（3）：215-220.
[15] 黄仁，胡敏。 综合颜色空间特征和纹理特征的图像检索[J]. 计算机科学， 2014, 41（s1）：118-121.
[16] 孙建伟，于红，吴俊峰，等。 一种使用多特征的鱼类图像检索方法[J]. 大连海洋大学学报， 2016,31（4）：449-455.
[17] 李恺，杨艳丽，刘凯，等。 基于机器视觉的红掌检测分级方法[J]. 农业工程学报，2013,29（24）：196-203.
[18] Lines J A ,Tillett R D, Ross L G, et al, An automatic image-based system for estimating the mass offlee-swimming fish[J].Computers and Electronics in Agriculture,2001,31（2）：151-170.
[19] Mikami T. Studies on the meclianization of the scallop culture[J].北海道人学水产学报，1981,32（3）：242-249.
[20] Obidike, NA. Rural farmers' problems accessing agricultural information: A case study of Nsukka localgovernment area of Enugu State, Nigeria. Library Philosophy and Practice （e-journal）[J]. 11-1-2011. 2011.Paper 660.
[21] Zhang, J. Formation Conditions and Development characteristics of Chinese Agricultural InformationService Model[D]. Chinese Information Industry. 2012, （04）。
[22] 扬眉。基于机器视觉的扇贝自动识别与定位方法研究[D].大连：大连海洋大学，2014.
[23] David S,Murat K, Chieri K,et al.Lettuce Calcium Deficiency Detection with Machine Vsion ComputedPlant Features in Controlled Environments[J].Computers and Electronics inAgriculture,2010,74（2）：274-276.
[24] Peterson C J,Shelton D R,Martin TJ,et al,Grain color atability and classification of hard white wheat inthe US[J].Euphytica,2001,119:101-106.
[25] 阮秋琦。数字图像处理[M].北京：电子工业出版社，2003.
[26] 杨勇杰。运动模糊图像恢复方法[D].杭州：浙江大学，2010.
[27] 周竹，黄懿，李小昱，等。基于机器视觉的马铃薯自动分级方法[J].农业工程学报，2012,28（07）：178-183.
[28] 石瑞瑶， 田有文， 赖兴涛， 等， 基于机器视觉的苹果品质在线分级检测[J]. 中国农业科技导报，2018,20（03）：80-86.
[29] 蔡建，周军，史建新，等。基于机器视觉的核桃仁分级方法[J].江苏农业科学，2018,46（05）：158-161.
[30] 刘启全，郭俊先，刘明涛，等。基于机器视觉的哈密瓜大小分级研究[J].新疆农机化，2016（02）：16-18.
[31] 胡发焕，董增文，匡以顺。基于机器视觉的脐橙品质在线分级检测系统[J].中国农业大学学报，2016,21（03）：112-118.
[32] 杨习文。基于机器视觉的苹果尺寸分级技术研究[D].武汉轻工大学，2015.
[33] 朱黎辉。基于机器视觉的球形果蔬自动化分级技术研究[D].四川师范大学，2015.
[34] 沛 宏 , 张玉华 , 钱乃余 , 等 . 基于机器视觉技术的肉新鲜度分级方法研究 [J]. 食品科技，2015,40（03）：296-300.
[35] 李文勇，李明，陈梅香，等。 基于机器视觉的作物多姿态害虫特征提取与分类方法[J]. 农业工程学报，2014,30（14）：154-162.
[36] Liu-Sheng W U, Chen J X, Wei L I. Niblack-based Binaryzation Algorithm for Palm Vein Image[J].Communications Technology, 2010.
[37] Yang J, Yu K, Gong Y, et al. Linear spatial pyramid matching using sparse coding for imageclassification[J]. 2009:1794-1801.
[38] Ingold T, Peter R, K?mpfer N. Weighted mean tropospheric temperature and transmittance determinationat millimeter‐wave frequencies for ground‐based applications[J]. Radio Science, 2016, 33（4）：905-918.
[39] 魏正曦，邱玲，赵攀。 基于灰度分类的图像搜索引擎[J]. 四川理工学院学报（自科版）， 2014,27（1）：37-40.
[40] 阿斯艳·哈米提，阿不都热西提·哈米提。 基于文本的图像检索与基于内容的图像检索技术的比较研究[J]. 首都师范大学学报（自然科学版）， 2012, 33（4）：6-9.
[41] Bay H, Tuytelaars T, Gool L V. SURF: Speeded Up Robust Features[C]// European Conference onComputer Vision. Springer-Verlag, 2006:404-417.
[42] 陈鑫元，李筠，杨海马，等。 自适应阈值图像二值化及形态学处理的 FPGA 实现[J]. 电子测量技术，2016, 39（7）：67-71.
[43] Murthy A V, Karam L J. A MATLAB-based framework for image and video quality evaluation[C] SecondInternational Workshop on Quality of Multimedia Experience. IEEE, 2010:242-247.
[44] Anantharajah K,Ge Z Y,Mccool C,et al. Local Inter-Session Variability Modelling for ObjectClassification[C] Applications of Computer Vision （WACV）， 2014 IEEE Winter Conference on. IEEE,2014:309-316.
致谢
两年的时间，短短的七百多天，如弹指一挥间般度过。转眼之间，这两年充满价值的研究生生涯即将画上句号。在短短两年的学习期间里，我系统地学习了计算机视觉相关知识，各位老师的悉心指导，使我学到了丰富的专业知识，学位论文即将完成之际，我要向所有给予我帮助的人表示最真诚的感谢。
首先，我要感谢我这段日子的导师于红教授，我很庆幸能成为于红教授的学生。从刚开始入学在于老师的指导下，我选择了计算机视觉这个研究方向，沿着这个研究方向，不仅提高了我的基础知识水平，也使我的个人能力得到发挥，临场表现的心理素质也得到了提高。这两年来从课题项目选题、设计、算法研究到方案实施以及论文撰写，于红老师都给予了我专业的指导，使我的毕业论文能够顺利完成。在此感谢老师在百忙中挤出时间来对我论文工作进行指导，认真负责的态度给予我无尽的启迪。老师渊博的学识，丰富的思路，创新的意识以及严于律己的品格，给我树立成功榜样的同时也成为我将来奋斗的目标，她扎实的理论基础和追求创新的精神深深影响着我。感谢于老师对论文的修改提出宝贵的意见并耐心的指导，让我从中学到了更透彻的专业知识，掌握了扎实的专业技能，每次论文的修改和完善都是我对理论知识的一次升华，每次实验的成功都成为我不竭的动力。
其次，我要感谢林远山老师对我悉心的指导和热情的帮助，林老师在学术上有很深的造诣，对课题有很深的理解。在我论文体检，林老师在实验的设计、算法优化、程序调试等方面都给予了我很大的帮助，对扇贝测量方法提供有效思路。非常感谢他给予的耐心指导和不懈支持。同时，我要感谢两年来一直陪伴我的同学和朋友，这两年我们相互鼓励，互相支持，让远在他乡的我在生活和学习中有着坚持下去的动力。
我还要感谢我的家人对于我学业上的鼎力支持，对我生活上无微不至的照顾，我的父母对我无私的爱护，为我的成长付出的辛苦太多太多，让我能够安心的外出求学与学术研究，父母的养育之恩我无以为报。
最后，我要感谢信息工程学院的全体领导和老师，是你们营造了浓厚的学术氛围，让各位莘莘学子能够在舒适的环境中学习研究，我将终身难忘。对于即将面临的毕业，我会将各位老师几学长的教诲牢记于心，对于今后面临的工作和生活，继续做到不懈努力和追求自我，来报答所有人对我的支持和帮助。
（如您需要查看本篇毕业设计全文，请您联系客服索取）