排序方式： 共有3条查询结果，搜索用时 78 毫秒
1
1.
轮廓与特征点研究是头足类角质颚形态特征鉴别的基本方法，对于轮廓与特征点的提取最常用的方法是手动描绘与标定，利用计算机视觉进行轮廓与特征点的提取，不仅可以降低手动提取带来的误差、提高准确性，而且更加快速、便捷。文章将利用计算机视觉提取头足类角质颚的轮廓与特征点，首先将自制装置拍摄得到的角质颚三视图放入MTALAB软件中进行编程处理，然后利用Canny算法提取角质颚轮廓，最后根据地标点的定义标定特征点位置并建立空间坐标系得到角质颚的特征点坐标。研究结果显示，利用计算机视觉提取角质颚的轮廓图像以及特征点坐标是可行的，当标准差σ取值为0.1时角质颚轮廓图效果最佳，在得到的轮廓图上进行特征点的标定，通过迭代遍历轮廓图获得各个特征点的空间坐标。研究分析认为，将计算机视觉应用于头足类角质颚形态学的研究可以提高研究的便捷性，同时也为后续的研究提供了新的实验思路和方法。 相似文献
2.
近年来, 计算机模式识别技术因其识别结果准确、快速, 而不断被用于生物判别邻域。本文利用MATLAB软件实现动量自适应BP神经网络(back propagation neural networks)对西北印度洋、中东太平洋和南海3个海区的鸢乌贼角质颚及其胴长进行模式识别。研究结果显示, 训练成型的神经网络收敛误差仅为4.416×10-2, 加入动量和自适应学习率的BP神经网络对鸢乌贼地理种群的识别率有显著提高。3个海区的正确识别率分别为100%、88.89%和94.12%, 总成功率为 93.24%, 说明角质颚外部形态和胴长可用于鸢乌贼地理种群的区分。而BP神经网络的其他学习算法, 如梯度下降法、单一动量法和单一自适应法的总识别率分为74.32%, 77.03%和87.84%。本研究的识别效果稳定, 对于大样本训练集的识别率也高达92.77%, 为头足类的种群判别提供了新的方法和思路。 相似文献
3.
基于计算机视觉的头足类角质颚特征研究Ⅱ:形态学参数测量 总被引：1，自引：0，他引：1
角质颚形态被广泛应用于头足类种类鉴定与种群判别,基于游标卡尺的手动径向测量是获取角质颚形态参数最常用的方法。本文提出一种利用计算机视觉提取角质颚形态参数的方法,首先通过MATLAB编程提取角质颚特征点及空间坐标,然后计算特征点间的空间距离,最后将提取的角质颚形态学参数值与手动径向测量的结果进行比较。研究结果表明:利用两种方法对每个头足类角质颚样本进行十次重复测定所得形态学参数的算术平均值接近,除形态学参数上脊突长之外,计算机视觉所测的数据平均绝对误差和平均相对误差都小于手动测量数据的平均绝对误差和平均相对误差,说明计算机视觉所测量结果准确,更加逼近真值;分析标准差和离散系数可知,计算机视觉重复多次提取每个样本的角质颚形态学参数的结果离散程度更低,测量值更加聚集于真实值附近,精密度更高。计算机视觉不仅为头足类角质颚参数测量提供了一种快速、准确方法,同时还将大幅促进角质颚形态学参数在头足类种群判别与种类鉴定等领域的广泛应用。 相似文献
1