基于机器视觉的马铃薯外部品质检测技术研究
|
摘要
马铃薯的品质关系到商品的经济效益和加工的复杂性,马铃薯的检测与分级一直是商品化处理中必要的处理步骤。鉴于目前国内尚无基于机器视觉的马铃薯品质检测的成熟技术,而人工检测的效率低、主观性强,本文构建了马铃薯外部品质检测的机器视觉硬件系统,对马铃薯的外部品质检测方法进行了系统研究,实现了基于机器视觉技术的重量、薯形、外部缺陷三个指标的马铃薯外观品质检测。
1.设计了基于机器视觉的静态马铃薯外部品质检测硬件系统,确定了用于马铃薯图像采集的背景颜色和光照条件;依据张正友的平面模板标定法进行摄像机标定,结果表明摄相机参数可以满足检测要求。
2.在重量检测中,根据马铃薯个体差异很大的特点,本文将俯视、侧视图像相结合,以俯视面积和侧面厚度两个参数建立重量检测模型,有效减少单薯误差,可实现性好,模型回归相关系数为0.9836,对大、中、小3种规格马铃薯的检测准确率分别达到了97%、96%和98%。
3.在形状检测中,选择Zernike矩作为形状特征,在初始形状特征计算、特征提取以及薯形检测三个方面进行了重点研究。
①提出了Zernike矩的快速计算方法,将径向多项式的系数和半径的幂次以矩阵形式存储,根据Zernike矩的参数n和m查询计算,减少了系数计算和半径幂次重复计算,对同一幅图像的多阶Zernike矩计算速度明显提高。在图像归一化中提出截取最佳图像的方法使目标位于r≤0.9的圆形区域中且目标最大化,避免了尺度归一化中形心位置的不准确和插值的影响,并用改进的Zernike矩快速计算方法和截取最佳图像的归一化方法计算初始形状特征。
②研究了与遗传算法相结合用于特征选择的分类器选用原则,以分类正确率作为适应度函数的主要参数,将遗传算法与概率神经网络结合,形成一种新的特征选择方法。综合考虑分类正确率、所选择的特征个数及二者对函数影响的大小三个因素,提出了遗传算法与分类器相结合进行特征选择算法中适应度函数的设计准则,并设计了一个新的适应度函数。用改进的特征选择方法从47个初始特征中提取19个Zernike矩参数作为形状分类特征。
③用支持向量机作分类器,用RBF核函数和Sigmoid核函数构建了一个新的混合核函数进行形状检测,对马铃薯形状良好和畸形的检测准确率分别为93%和100%。
4.在外部缺陷检测中,分别用颜色分量法和SUSAN算子进行马铃薯外部缺陷的分割,并通过设置面积阈值实现缺陷的初步判定。
The potato’s quality is directly related to the product economic benefits and processing complexity. The quality detection and classification is an essential processing step in the process of commercialization. There has been little internal research on the quality detection of potato based on machine vision. Owing to the low accuracy and strong subjectivity, a systematic study is made on the potato external quality based on the machine vision technology, to propose a set of detection criterions for evaluating the potato’s external quality comprehensively, including weight, shape and external defects.
1. A hardware system based on machine vision is built for identifying potatoes’external quality. The most appropriate light source and background color are determined by a lot of experiments and comparisons. According to the plane calibration of Zhang algorithm, camera calibration is done for correcting image distortion, and its accuracy is able to satisfy the demand of identifying external quality of potatoes.
2. Through combining the top view and side elevation,the projection area and side elevation thickness of potato image are extracted to classify potato weight instead of metage. The correlation coefficient of model regression is 0.9836. The detection accuracies of 98%, 96% and 97% can be gained for bigger, normal and smaller potatoes, perspectively.
3. In shape detection,Zernike moments are taken as the shape feature.And the study was emphasized on three content,including the calculation of Zernike moments,features selection and shape classification.
(1) We propose fast calculation method of radial polynomial in the Zernike moments, which stores the power of polynomials coefficient and radius in the form of matrix. According to parameters n & m of Zernike moments to query calculation, the coefficients calculation and repetitious calculation of the radius power is reduced with a result of improving the calculation speed of Zernike moments obviously. A new image normalization method based on optimum image cut was proposed,this method is to make the object locate in the circle range of r≤0.9 and to be the maximum.The experimental results show that this way can near-perfectly preserve the invariance of scale and rotation for potato image. The fast algorithm for computation of Zernike moments and normalization method are used to calculate the initial shape feature.
(2)The classifier selecting principle is investigated by combining with the genetic algorithm. A new feature selection method with the combination of genetic algorithms and probabilistic neural networks is put forward firstly. Comprehensively considering the factor of classification accuracy,selected feature number and the impact of two factors, a new fitness function is proposed. The simulation tests indicate that the fitness function and feature selection method can be used for searching the best feature combination.The initial Zernike moments parameters of potatoes are optimized using improved genetic algorithm, and nineteen Zernike moments are extracted to form the shape feature.
(3) Taking SVM as classifier, a new mixed kernel function of RBF and Sigmoid kernel function is proposed, resulting in 93% and 100% detection accuracy, respectively. Its detection accuracy can reach respectively for the perfect and malformation potatoes.
4. The external defects of potatoes are segmented by using color component method and SUSAN operator respectively. Meanwhile, the defects decision is realized through setting area threshold.
1.设计了基于机器视觉的静态马铃薯外部品质检测硬件系统,确定了用于马铃薯图像采集的背景颜色和光照条件;依据张正友的平面模板标定法进行摄像机标定,结果表明摄相机参数可以满足检测要求。
2.在重量检测中,根据马铃薯个体差异很大的特点,本文将俯视、侧视图像相结合,以俯视面积和侧面厚度两个参数建立重量检测模型,有效减少单薯误差,可实现性好,模型回归相关系数为0.9836,对大、中、小3种规格马铃薯的检测准确率分别达到了97%、96%和98%。
3.在形状检测中,选择Zernike矩作为形状特征,在初始形状特征计算、特征提取以及薯形检测三个方面进行了重点研究。
①提出了Zernike矩的快速计算方法,将径向多项式的系数和半径的幂次以矩阵形式存储,根据Zernike矩的参数n和m查询计算,减少了系数计算和半径幂次重复计算,对同一幅图像的多阶Zernike矩计算速度明显提高。在图像归一化中提出截取最佳图像的方法使目标位于r≤0.9的圆形区域中且目标最大化,避免了尺度归一化中形心位置的不准确和插值的影响,并用改进的Zernike矩快速计算方法和截取最佳图像的归一化方法计算初始形状特征。
②研究了与遗传算法相结合用于特征选择的分类器选用原则,以分类正确率作为适应度函数的主要参数,将遗传算法与概率神经网络结合,形成一种新的特征选择方法。综合考虑分类正确率、所选择的特征个数及二者对函数影响的大小三个因素,提出了遗传算法与分类器相结合进行特征选择算法中适应度函数的设计准则,并设计了一个新的适应度函数。用改进的特征选择方法从47个初始特征中提取19个Zernike矩参数作为形状分类特征。
③用支持向量机作分类器,用RBF核函数和Sigmoid核函数构建了一个新的混合核函数进行形状检测,对马铃薯形状良好和畸形的检测准确率分别为93%和100%。
4.在外部缺陷检测中,分别用颜色分量法和SUSAN算子进行马铃薯外部缺陷的分割,并通过设置面积阈值实现缺陷的初步判定。
The potato’s quality is directly related to the product economic benefits and processing complexity. The quality detection and classification is an essential processing step in the process of commercialization. There has been little internal research on the quality detection of potato based on machine vision. Owing to the low accuracy and strong subjectivity, a systematic study is made on the potato external quality based on the machine vision technology, to propose a set of detection criterions for evaluating the potato’s external quality comprehensively, including weight, shape and external defects.
1. A hardware system based on machine vision is built for identifying potatoes’external quality. The most appropriate light source and background color are determined by a lot of experiments and comparisons. According to the plane calibration of Zhang algorithm, camera calibration is done for correcting image distortion, and its accuracy is able to satisfy the demand of identifying external quality of potatoes.
2. Through combining the top view and side elevation,the projection area and side elevation thickness of potato image are extracted to classify potato weight instead of metage. The correlation coefficient of model regression is 0.9836. The detection accuracies of 98%, 96% and 97% can be gained for bigger, normal and smaller potatoes, perspectively.
3. In shape detection,Zernike moments are taken as the shape feature.And the study was emphasized on three content,including the calculation of Zernike moments,features selection and shape classification.
(1) We propose fast calculation method of radial polynomial in the Zernike moments, which stores the power of polynomials coefficient and radius in the form of matrix. According to parameters n & m of Zernike moments to query calculation, the coefficients calculation and repetitious calculation of the radius power is reduced with a result of improving the calculation speed of Zernike moments obviously. A new image normalization method based on optimum image cut was proposed,this method is to make the object locate in the circle range of r≤0.9 and to be the maximum.The experimental results show that this way can near-perfectly preserve the invariance of scale and rotation for potato image. The fast algorithm for computation of Zernike moments and normalization method are used to calculate the initial shape feature.
(2)The classifier selecting principle is investigated by combining with the genetic algorithm. A new feature selection method with the combination of genetic algorithms and probabilistic neural networks is put forward firstly. Comprehensively considering the factor of classification accuracy,selected feature number and the impact of two factors, a new fitness function is proposed. The simulation tests indicate that the fitness function and feature selection method can be used for searching the best feature combination.The initial Zernike moments parameters of potatoes are optimized using improved genetic algorithm, and nineteen Zernike moments are extracted to form the shape feature.
(3) Taking SVM as classifier, a new mixed kernel function of RBF and Sigmoid kernel function is proposed, resulting in 93% and 100% detection accuracy, respectively. Its detection accuracy can reach respectively for the perfect and malformation potatoes.
4. The external defects of potatoes are segmented by using color component method and SUSAN operator respectively. Meanwhile, the defects decision is realized through setting area threshold.
引文
1.章毓晋.图像理解与计算机视觉[M].北京:清华大学出版社,2003
2.胡兴军,唐向阳,张勇.机器视觉技术及其在汽车制造质量检测中的应用[J].现代零部件,2005:
3.邓继忠,张泰岭,罗锡文.计算机视觉在农产品品质检测中的应用[J].广东农机,2000第二期:25-27
4.金晶,廖桂平,李锦卫,童钊.农产品品质无损检测概述[J].农业网络信息,2008年,第二期:90—93
5.刘静,章程辉,黄勇平.无损检测技术在农产品品质评价中的应用[J]福建热作科技,2007,Vol.32(3):33-35
6. J. Blasco, N. Aleixosand E. Moltó. Machine Vision System for Automatic Quality Grading of Fruit[J]. Biosystems Engineering, 2003, Vol.85(4):415-423
7. Leemans V, Magein H,Destain M. F. On-line fruit grading according to their external quality using machine vision[J]. Biosystems Engineering,2002,Vol.83(4):397-404
8.李秀智.基于机器视觉的苹果形状分级系统研究[D].南京农业大学硕士学位论文,2003
9.侯文军.基于机器视觉的苹果自动分级方法研究[D].南京林业大学硕士学位论文,2006
10.闫之烨.基于计算机视觉的苹果颜色分级系统的研究[D].南京农业大学硕士学位论文,2003
11.李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].中国农业大学博士学位论文,2000.6
12. Qingzhong Li, Maohua Wang and Weikang Gu.Comuter vision based system for apple surface defect detection[J]. Comuters and Electronics in Agriculture, 2002.11,Vol.36(2-3): 215-223
13.赵彦如,钱东平,杨世风,周建军.鸭梨品质检测计算机视觉系统研究[J].河北农业大学学报(增刊), 2003,Vol.26:280-282
14.齐晓娜.鸭梨品质检测与分级计算机视觉系统的研究[D].河北农业大学硕士学位论文,2005
15.王江枫,罗锡文,洪添胜,戈振扬.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,199.12月,第4期:187-189
16.白菲.基于机器视觉的柑橘水果外形识别方法研究[D].中国农业大学硕士学位论文,2005
17. D.C. Slaughtera, D.M. Obenlandb, J.F. Thomsona, M.L. Araiac and D.A. Margosanb. Non-destructive freeze damage detection in oranges using machine vision and ultraviolet fluorescence[J]. ostharvest Biology and Technology, 2008.6,Vol.48(3): 341-346
18.田海清.西瓜品质可见近红外光谱无损检测技术研究[D].浙江大学博士学位论文,2006
19. P.M. Bato,M. Nagata,Q. Cao, K. Hiyoshi and T. Kitahara.Study on sorting system for strawberry using machine vision (Part 2)[J]. Journal of the Japanese Society of Agricultural Machinery, i. 2000,Vol.62(2):101-110
20.刘仕良.基于机器视觉的板栗分级设备研究[D].北方工业大学硕士学位论文,2005
21.刘小英.基于图像分析的葡萄干分级技术研究[D].西北农林科技大学硕士学位论文,2006
22. G. Moredaa, J. Ortiz-Ca?avatea, F.J. García-Ramosb and M. Ruiz-Altisenta. Non-destructive technologies for fruit and vegetable size determination– A review[J]. Journal of Food Engineering, 2009,Vol.92(2): :119-136
23.孙瑞东,于海业,于常乐,张蕾.基于图像处理的黄瓜叶片含水量无损检测研究[J].农机化研究,2008年,第7期:87-89
24.朱伟华,曹其新.基于模糊彩色聚类方法的西红柿缺陷分割研究[J].农业工程学报,2003,Vol.19(3):133-136
25. CHO,H.K.,AEK,K.H. Feasibility of grading dried burley tobacco leaves using machine vision[J]. Journal of the Korean Society for Agricultural Machinery, 1997,Vol.22(1) :30～40
26.阎瑞琼;韩力群;陈晋东;计算机技术在烟叶检测与分级领域的应用[J].烟草科技,2001年第3期:13-15
27.李姣.茶叶品质的计算机视觉分级技术研究[D].西北农林科技大学硕士学位论文,2006
28.宁纪锋.玉米品种的计算机视觉识别研究[D].西北农林科技大学硕士学位论文,2002
29.马姝琳.大豆等农产品在线检测技术[D].重庆大学硕士学位论文,2006.6
30.陈建伟,刘璎瑛.基于机器视觉技术的大米品质检测综述[J].粮食与食品工业, 2008年03期
31.凌云.基于机器视觉的谷物外观品质检测技术研究[D].中国农业大学博士学位论文,2004.6
32.成芳.稻种质量的机器视觉无损检测研究[D].浙江大学博士学位论文,2004.5
33.陈坤杰.基于分形理论及机器视觉的牛肉自动分级技术研究[D].南京农业大学博士学位论文,2005.11
34.丁幼春.基于机器视觉鸭蛋品质无损自动检测分级系统的改进[D].华中农业大学硕士学位论文,2003年
35.杜连启.马铃薯食品加工技术[M].北京:金盾出版社,2007.6
36.雷忠平,闫当萍,路永贵,张怿浩,王智琴,南斌成,陈鲜梅.陕北地区马铃薯产业化开发思路与建议[J].陕西农业科学,1999,Vol.5: 31-33
37.国内小土豆成大产业[J].新农村商报,2008.4.23
38.孙慧生.马铃薯生产技术百问百答[M].北京:中国农业出版社,2005.10
39.李文刚.内蒙古马铃薯产业化发展战略研究. htt://www.nmkjt.gov.cn/kjtnews/nmkjtlist.as?tbid=5377,2009.1.9
40.绿色食品开发办.武川县圆满完成奥运会马铃薯供应任务, htt://www.wuchuantd.gov.cn/hykx/dislay.as?id=558,2008.9.3
41. P.H.Heinemann,N.P. Pathare,C.T. Morrow. An automated inspection station for machine-vision grading of potatoes[J]. Machine vision and Alication,1996,Vol.9: 14-19
42. Tao Y,P.H.Heinemann,H.J.Sommer.Automated machine vision inspection of potatoes[C]. 1990international winter meeting of the ASAE,Sokane,Washington,1993
43. N.P. Pathare,P.H. Heinemann, C.T. Morrow, S.Deck. Automated inspection station for grading of potatoes[C]. 1993 international summer meeting of the ASAE, Sokane, Washington, 1993
44. J.A.Marchant, C.M. Onyango, E. Elipe. Weight and dimensional measurements on potatoes at high speed using image analysis[C]. In: Sagaspe, J.P., Villeger, A. (Eds.), Agrotique 89: Proceedings of the Second International Conference, Teknea, 1989:41-52.
45. Y. Tao,C.T. Morrow,P.H.Heinemann,H. J. Sommer.Fourier-based separation technique for shape grading of potatoes using machine vision.[J]. Transactions of the ASAE, 1995,Vol.38.(3): 949-957
46. S. H. Deck,C. T. Morrow,P. H. Heinemann,H. J. Sommer. Comparison of a neural network and traditional classifier for machine vision inspection of potatoes[J].Applied engineering in agriculture,1995,Vol.11(2):P 319-326
47. Tao Y,P.H.Heinemann, Z. Varghese, C.T. Morrow, and H.J. Sommer.Machine vision for color inspection of potatoes and ales [C].Transactions of the ASAE, 1995,Vol.38: 1551-1561
48. S.H.Deck,P.H.Heinemann,Z.Varghese,H.J.Sommer.Comparson of a neural and traditional classifier for machine vision inspection of potatoes[J]Applied engineering in agriculture,1995, Vol.11:p319--326
49. J. C. Noordam,G. W. Otten,A. J. M. Timmermans,B. H. van Zwol.High seed potato grading and quality inspection based on a color vision system[C]. SIE proceedings Vol.3966. 2000:206-217
50. Sukwon Kang,Jaeyong Son,Wankyu Choi,KangJin Lee,HoYoung Lee.Nondestructive detection of hollow heart in processing potatoes[C]. Proceedings of 2004 CIGR International Conference,2004:1-6
51. P. Butz, C. Hofmann and B. Tauscher, Recent developments in noninvasive techniques for fresh fruit and vegetable internal quality analysis[J]Journal of Food Science 2005,Vol.70(9):131-141
52. A. Davenel,Ch. Guizard,T. Labarre and F. Sevila.Automatic detection of surface defects on fruit by using a vision system[J]. Journal of Agricultural Engineering Research,1988:Vol.41(1):1-9
53. B.M. Nicolai,K. Beullens, E. Bobelyn, M.L.A.T.M. Hertog,A. Schenk, S. Vermeir,et al.Systems to characterize internal quality of fruit and vegetables[C]. Proceedings of the IVth International Conference on Managing Quality in Chains—the Integrated View on Fruits and Vegetables Quality. Acta Horticulturae,2006,vol.712
54.我国首套智能化水果采后分级生产线问世, htt://www.clii.com.cn/news/show.as?ShowID=31245,2004年7月28
55.章文英;应义斌.苹果图象的预处理及尺寸检测[J].金华职业技术学院学报,2001年第一期:23-25
56.王巧华,余佑生,宗望远,陈小伟,刘剑英,文友先.鸭蛋大小等级模型研究[J]华中农业大学学报, 2001,Vol.20(6) :579-583
57.陈小伟.机器视觉鸭蛋大小及蛋芯颜色检测分级研究[D].华中农业大学硕士学位论文,2001.5
58.邓海霞.基于机器视觉的群体禽蛋大小检测方法研究[D].华中农业大学硕士学位论文,2006.6
59.熊利荣,任奕林,肖任勤.基于机器视觉的花生大小检验[M].湖北农业科学,2007,Vol.46.(3):444-445
60.应义斌.水果尺寸和面积的机器视觉检测方法研究[J].浙江大学学报(农业与生命科学版),2000,Vol.26 (3):229～232
61.冯斌,汪懋华.基于计算机视觉的水果大小检测方法[J].农业机械学报,2003年01期
62.安爱琴,余泽通,王宏强.基于机器视觉的苹果大小自动分级方法[J].农机化研究,2008年04期:163-166
63.侯文军.基于机器视觉的苹果自动分级方法研究[D].南京林业大学硕士学位论文,2006.6
64.饶秀勤,岑益科,应义斌.基于外形几何特征的鸡蛋重量检测模型[J].中国家禽,2007,Vol.29(5):18-20
65.岑益科.基于机器视觉的鸡蛋品质检测方法研究[D].浙江大学硕士学位论文,2006.5
66.曹茂永,孙农亮,郁道银.几种边界特征描述方法的比较研究[J].光学技术,2003,vol.29.(3):284-287
67.李宗明.矩方法及其在几何形状描述中的应用[M].中国科学院博士学位论文,2005.4
68.王彬生,黄乡生.Hough变换及其在几何特征检测中的应用[J].计算机与现代化,2008年第四期:p20-22
69.袁佐云,牛兴和,刘传云.基于最小外接矩形的稻米粒型检测方法[J].粮食与饲料加工,2006,第9期:7-8
70.应义斌,景韩松,马俊福,赵匀,蒋亦元.黄花梨果形的机器视觉识别方法研究[J].农业工程学报,1999,Vol.15(1):192-196
71.高华,王雅琴.基于计算机视觉的农产品形状分级研究[J].计算机工程与应用,2004年14期:227-229
72.王涛,刘文印,孙家广,张宏江.傅立叶描述子识别物体的形状[J].计算机研究与发展,2002, Vol.39.(12):1714-1719
73.王雅琴,高华.类圆形物体的特征描述[J].计算机工程,2004,Vol.30(1):158-162
74.赵静,何东健.果实形状的计算机识别方法研究[J].农业工程学报,2001,Vol.17(2):165-167
75.宁纪锋,何东健,张海亮,龙满生.基于图像形态学的球形果实品质检测研究[J].农机化研究,2001.8,第3期:45-47
76.黄星弈,李剑,姜松.基于计算机视觉的稻种品种识别技术研究[J].江苏大学学报(自然科学版),2004,Vol.25(2):102-104
77.张聪,管庶安.基于图像分析的大米形状识别[J].粮食与饲料工业,2006,Vol.6:5-7
78.潘伟.计算机视觉在农产品自动检测与分级中的研究—番茄的自动检测与分级[D].东北农业大学硕士学位论文,2000.6
79.张嘏伟.计算机视觉系统在番茄品质识别与分类中的研究[D].河北农业大学硕士学位论文,2005.7
80.白菲.基于机器视觉的柑橘水果外形识别方法研究[D].中国农业大学硕士学位论文,2005.11
81.应义斌,桂江生,饶秀勤.基于Zernike矩的水果形状分类[J].江苏大学学报(自然科学版),2007,Vol.28(1):p1-3
82.桂江生.二维水果形状检测与分类算法研究[D].浙江大学博士学位论文,2007
83.王江枫,罗锡文,洪添胜,戈振扬.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,1998年04期,186-189
84.何东健,杨青,薛少平,赵静.果实缺陷面积的计算机视觉测定研究[J].农业工程学报,1997年第4期,156-160
85.李庆中,汪懋华.基于分形特征的水果缺陷快速识别方法[J].中国图象图形学报,2000,Vol.5(A)(2):144-148
86.刘禾,汪懋华.基于数字图像处理的苹果表面缺陷分类方法[J].农业工程学报,2004,Vol.20(6):138-140
87.赵杰文,刘文彬,邹小波.基于三摄像系统的苹果缺陷快速判别[J].江苏大学学报(自然科学版),2006,Vol.27(4):287-290
88.杨秀坤,陈晓光,马成林,于海业.水果表面缺陷自动检测系统中的人工智能方法研究[J].农业工程学报,1997,vol.13(增刊):242-247
89.庞江伟.基于计算机视觉的脐橙表面常见缺陷种类识别的研究[D].浙江大学硕士学位论文,2006
90.郁志宏.基于机器视觉的种蛋筛选及孵化成活性检测研究[D].内蒙古农业大学博士学位论文,2006
91.何东健,杨青,薛少平,耿楠.果实表面颜色计算机视觉分级技术研究[J].农业工程学报),1998,14(3):202-205
92.何东健;杨青;薛少平;耿楠;用人工神经网络进行果实颜色分级技术研究[J].西北农业大学学报,1998,Vol.26(6):109-112
93.冯斌,汪懋华.基于颜色分形的水果计算机视觉分级技术[J].农业工程学报,2002,Vol.18(2):141-144
94.谢云峰.葡萄干颜色分选机的研究[D].长春理工大学硕士学位论文,2002
95. H. Drolon,F.Druaux,A.Faure. Particles shape analysis and classification using the wavelet transform.[J]. Pattem Recognition Letters,2000, Vol.21(6):473-482,
96. DH-SV系列高分辨率CCD数字摄像机,http://www.daheng-image.com/Html/Info/ 20088/2008819/200881995941.shtml
97. M1614-MP固定焦距工业镜头,http://www.chem17.com/Product/detail/132312.html,2006年9月
98.张艳珍,欧宗英.一种新的摄像机线性标定方法[J].中国图像图形学报, 2001, Vol.6( 8) : 727- 731
99. S.J.Maybank and O.D.Faugeras.A theory of Self-calibration of a Moving Camera[J]. International Journal of Comuter Vision,1992,Vol.8(2):123-151
100. O.D.Faugeras,Q.Luong, Mabyank.Camera Self-calibration:Theovy and experiments [C].in proceedings of European Conference on Computer Vision , LMCS588,1992 , Springer-Verlag :321- 334
101.李洪海,王敬东.摄像机标定技术研究[J].光学仪器,2007,Vol.29.(4):7-12
102. S.D.Ma,A Self-Calibration Technique of Active Vision System[J]. IEEE Trans.On Robot Automation,1996.Vol.12.(l),114-120
103.马颂德,张正友.计算机视觉——计算理论与算法基础(第二版).[M].北京:科学出版社,2003
104. Zhengyou Zhang.Flexible camera calibration by viewing a lane from unknown orientations. http://research.microsoft.com/zhang
105. Ying Y B,Wang J P,Jiang H Y.Inspecting diameter and defect area of fruit with machine vision.Trans CSAE,2002,18(5):216-220
106. [美]Rafael C.Gonzalez,Richard E.Woods著,Digital image processing[M].阮秋奇,阮宇智等译(第二版),北京:电子工业出版社,2003.3
107.阿查里雅等著,田浩等译.数字图像处理原理与应用[M].北京:清华大学出版社,2007
108.郝敏,麻硕士.基于机器视觉的马铃薯单薯重量检测技术研究[J].农机化研究,2009年第9期
109.杨淑莹.模式识别与智能计算:Matlab技术实现[M].北京:电子工业出版社,2008
110.肖建华.智能模式识别方法[M].华南理工大学出版社, 2006
111. Ron Kohavi, George H. John. Wraers for Feature Subset Selection [J]. Artificial Intelligence, 1997, Vol.97 (1-2): 273-324
112.陈卫东,刘素华.基于遗传算法的图像特征选择[J].计算机工程与应用, 2007,Vol.43(28):78-80
113.刘素华,侯惠芳,李小霞.基于遗传算法和模拟退火算法的特征选择方法[J].计算机工程,2005,Vol.31(16):157-159
114.乔立岩,彭喜云,马元彤.基于遗传算法和支持向量机的特征子集选择方法[J].电子测量与仪器学报,2006,Vol.20.(1):1-5
115.韦振中,黄廷磊.基于遗传算法和支持向量机的特征选择[J].广西工学院学报,2006,Vol.17(2):18-21
116.任江涛,黄焕宇,孙婧昊,印鉴.基于遗传算法及聚类的基因表达数据特征选择[J]计算机科学,2006,vol.33.(9):p155-156
117.高贤维,刘三民,王杰文.基于遗传算法和神经网络的特征提取[J].计算机与现代化,2008,第154期:p23-26
118.武志峰,陈冬霞.基于遗传算法的特征子集选择方法[J].河北省科学院学报,2006,Vol.23(3):p48-50
119.赵云,刘惟一.基于遗传算法的特征选择方法[J].计算机工程与应用,2004,Vol.15:p52-54
120.葛哲学,孙志强.神经网络理论与MatlabR2007实现[M].北京:电子工业出版社,2007
121.刘天溶,沈飞刚,戚飞虎.基于邻域统计特性的概率神经网络及其在自动目标识别中的应用[J].红外与毫米波学报, 1995, Vol.14(1):51 - 58.
122.刘勇,康立山,陈镇屏.非线性并行算法——遗传算法:第2版[M].北京:科学出版社,1995
123.雷英杰,张善文,李续武,周创明.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2005
124.杨淑莹.模式识别与智能计算—matlab技术实现[M].北京:电子工业出版社,2008.1
125.袁志发,周静芋.多元统计分析[M].北京:科学出版社,2002
126. H. Drolon,F.Druaux,A.Faure. Particles shape analysis and classification using the wavelet transform.[J]. Pattem Recognition Letters,2000, Vol.21(6):473-482,
127.肖家庆,卢凌,李晟,聂明新.基于矩不变量的图像目标识别[J].武汉理工大学学报(交通科学与工程版),2006, Vol.30(4):696-699
128.李宗民,李华.基于结构矩不变量的形状相似性比较[J].计算机工程,2006, Vol.32(8):p189-191
129.应义斌.水果形状的傅里叶描述子研究[J].生物数学学报,2001,Vol.16(2):p234-240
130.胡学友.两种形状识别方法及其实验[J]合肥学院学报(自然科学版),2006, Vol.16.(1):p68-71
131.王晓红.矩技术及其在图像处理和识别中的应用研究[D].西北工业大学博士学位论文,2001
132.管庶安,周红,刘光蓉.基于Zernike矩的米粒形状模糊分类[J].河南工业大学学报(自然科学版),2005, Vol.26(1):23-25
133.刘玉宝,刘玉超.一种珍珠形状识别方法的研究[J].枣庄学院学报, 2008 ,Vol.25(2):p114-117
134.王耀明.图像的矩函数——原理、算法及应用[M].上海:华东理工大学出版社,2002
135.刘茂福,胡慧君,何炎祥.主成分分析在图像Zernike矩特征降维中的应用[J].计算机应用,2007.3, Vol.27(3):p696-698
136. R. Mukundan,K.R. Ramakrishnan. Fast computation of legendre and Zernike moments[J]. Pattern recognition,1995,vol.28.(9):1433-1442
137. J. Gu,H.Z.Shu,C. Toumoulin,L.M.Luo.A novel algorithm for fast computation of Zernike moment[J]. Vol.35.(12):2905-2911
138. Sun-Kyoo Hwang,Whoi-Yul Kim.A novel approach to the fast computation of Zernikemoments[J]. pattern recognition.2006,vol.39.(11): 2065-2076
139.徐旦华,辜嘉,李松毅,舒华忠.Zernike矩的快速计算[J].东南大学学报,2002,vol.32.(2):189-192
140.杨政武,方涛.基于Zernike矩的图像归一化技术的研究[J].计算机工程,2004,Vol.30(12):p34-36,56
141.朱音,谢敏,黄贤武.基于目标规格化与Zernike矩相结合的目标识别算法研究[J].微电子学与计算机,2003年第1期,p31-38
142.李了了,邓善熙,丁兴号.基于Zernike矩的字符特征归一化方法[J]软件时空,2007,Vol.23第4-3期:p260-263
143. YeBin,Peng Jiaxiong. Analysis and improvement of invariance of Zernike moments[J] Infrared and Laser Engineering, 2003,Vol.32(1) :p37-41
144.边肇祺.模式识别[M]北京:清华大学出版社,2000.1
145. (美)迪达等著,李宏东等译.模式分类[M].北京:机械工业出版社,2003
146. (希)Theodoridis,S..Pattern recognition[M]李晶皎等译(第二版),北京:电子工业出版社,2004.8
147. Nello Cristianini,John Shawe-Taylor.An Introduction to Support vector machines and other Kernel-based learning methods [M].李国正,王猛,曾华军译.北京:电子工业出版社,2003
148.肖建华.智能模式识别方法[M].广州:华南理工大学出版社,2006
149.柳回春,马树元.支持向量机的研究现[J].中国图象图形学报,2002,Vol.7(A)(6):p618-623
150.邱潇钰.核函数的参数选择[D].山东师范大学硕士学位论文,2008.4
151.陈廉清,袁红彬,王龙山. SUSAN算子在微小轴承表面缺陷图像分割中的应用[J]光学技术,2007,vol.33.(2):p305-307
152.赵志华,蔡健荣,赵杰文,刘木华.SUSAN算子在苹果图像缺陷分割中的应用研究[J].计算机工程,2004,Vol.30(15):141-142,194
153. S.M. Smith, J. M. Brady. SUSAN—A New Approach to Low Level Image Processing [R]. Internal technical report TR95SMS,Defence Research Agency, Farborough, Hampshire, GU146TD,UK, 1995:p1-59
154.张汗灵. MATLAB在图像处理中的应用[M].北京:清华大学出版社,2008
2.胡兴军,唐向阳,张勇.机器视觉技术及其在汽车制造质量检测中的应用[J].现代零部件,2005:
3.邓继忠,张泰岭,罗锡文.计算机视觉在农产品品质检测中的应用[J].广东农机,2000第二期:25-27
4.金晶,廖桂平,李锦卫,童钊.农产品品质无损检测概述[J].农业网络信息,2008年,第二期:90—93
5.刘静,章程辉,黄勇平.无损检测技术在农产品品质评价中的应用[J]福建热作科技,2007,Vol.32(3):33-35
6. J. Blasco, N. Aleixosand E. Moltó. Machine Vision System for Automatic Quality Grading of Fruit[J]. Biosystems Engineering, 2003, Vol.85(4):415-423
7. Leemans V, Magein H,Destain M. F. On-line fruit grading according to their external quality using machine vision[J]. Biosystems Engineering,2002,Vol.83(4):397-404
8.李秀智.基于机器视觉的苹果形状分级系统研究[D].南京农业大学硕士学位论文,2003
9.侯文军.基于机器视觉的苹果自动分级方法研究[D].南京林业大学硕士学位论文,2006
10.闫之烨.基于计算机视觉的苹果颜色分级系统的研究[D].南京农业大学硕士学位论文,2003
11.李庆中.苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D].中国农业大学博士学位论文,2000.6
12. Qingzhong Li, Maohua Wang and Weikang Gu.Comuter vision based system for apple surface defect detection[J]. Comuters and Electronics in Agriculture, 2002.11,Vol.36(2-3): 215-223
13.赵彦如,钱东平,杨世风,周建军.鸭梨品质检测计算机视觉系统研究[J].河北农业大学学报(增刊), 2003,Vol.26:280-282
14.齐晓娜.鸭梨品质检测与分级计算机视觉系统的研究[D].河北农业大学硕士学位论文,2005
15.王江枫,罗锡文,洪添胜,戈振扬.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,199.12月,第4期:187-189
16.白菲.基于机器视觉的柑橘水果外形识别方法研究[D].中国农业大学硕士学位论文,2005
17. D.C. Slaughtera, D.M. Obenlandb, J.F. Thomsona, M.L. Araiac and D.A. Margosanb. Non-destructive freeze damage detection in oranges using machine vision and ultraviolet fluorescence[J]. ostharvest Biology and Technology, 2008.6,Vol.48(3): 341-346
18.田海清.西瓜品质可见近红外光谱无损检测技术研究[D].浙江大学博士学位论文,2006
19. P.M. Bato,M. Nagata,Q. Cao, K. Hiyoshi and T. Kitahara.Study on sorting system for strawberry using machine vision (Part 2)[J]. Journal of the Japanese Society of Agricultural Machinery, i. 2000,Vol.62(2):101-110
20.刘仕良.基于机器视觉的板栗分级设备研究[D].北方工业大学硕士学位论文,2005
21.刘小英.基于图像分析的葡萄干分级技术研究[D].西北农林科技大学硕士学位论文,2006
22. G. Moredaa, J. Ortiz-Ca?avatea, F.J. García-Ramosb and M. Ruiz-Altisenta. Non-destructive technologies for fruit and vegetable size determination– A review[J]. Journal of Food Engineering, 2009,Vol.92(2): :119-136
23.孙瑞东,于海业,于常乐,张蕾.基于图像处理的黄瓜叶片含水量无损检测研究[J].农机化研究,2008年,第7期:87-89
24.朱伟华,曹其新.基于模糊彩色聚类方法的西红柿缺陷分割研究[J].农业工程学报,2003,Vol.19(3):133-136
25. CHO,H.K.,AEK,K.H. Feasibility of grading dried burley tobacco leaves using machine vision[J]. Journal of the Korean Society for Agricultural Machinery, 1997,Vol.22(1) :30～40
26.阎瑞琼;韩力群;陈晋东;计算机技术在烟叶检测与分级领域的应用[J].烟草科技,2001年第3期:13-15
27.李姣.茶叶品质的计算机视觉分级技术研究[D].西北农林科技大学硕士学位论文,2006
28.宁纪锋.玉米品种的计算机视觉识别研究[D].西北农林科技大学硕士学位论文,2002
29.马姝琳.大豆等农产品在线检测技术[D].重庆大学硕士学位论文,2006.6
30.陈建伟,刘璎瑛.基于机器视觉技术的大米品质检测综述[J].粮食与食品工业, 2008年03期
31.凌云.基于机器视觉的谷物外观品质检测技术研究[D].中国农业大学博士学位论文,2004.6
32.成芳.稻种质量的机器视觉无损检测研究[D].浙江大学博士学位论文,2004.5
33.陈坤杰.基于分形理论及机器视觉的牛肉自动分级技术研究[D].南京农业大学博士学位论文,2005.11
34.丁幼春.基于机器视觉鸭蛋品质无损自动检测分级系统的改进[D].华中农业大学硕士学位论文,2003年
35.杜连启.马铃薯食品加工技术[M].北京:金盾出版社,2007.6
36.雷忠平,闫当萍,路永贵,张怿浩,王智琴,南斌成,陈鲜梅.陕北地区马铃薯产业化开发思路与建议[J].陕西农业科学,1999,Vol.5: 31-33
37.国内小土豆成大产业[J].新农村商报,2008.4.23
38.孙慧生.马铃薯生产技术百问百答[M].北京:中国农业出版社,2005.10
39.李文刚.内蒙古马铃薯产业化发展战略研究. htt://www.nmkjt.gov.cn/kjtnews/nmkjtlist.as?tbid=5377,2009.1.9
40.绿色食品开发办.武川县圆满完成奥运会马铃薯供应任务, htt://www.wuchuantd.gov.cn/hykx/dislay.as?id=558,2008.9.3
41. P.H.Heinemann,N.P. Pathare,C.T. Morrow. An automated inspection station for machine-vision grading of potatoes[J]. Machine vision and Alication,1996,Vol.9: 14-19
42. Tao Y,P.H.Heinemann,H.J.Sommer.Automated machine vision inspection of potatoes[C]. 1990international winter meeting of the ASAE,Sokane,Washington,1993
43. N.P. Pathare,P.H. Heinemann, C.T. Morrow, S.Deck. Automated inspection station for grading of potatoes[C]. 1993 international summer meeting of the ASAE, Sokane, Washington, 1993
44. J.A.Marchant, C.M. Onyango, E. Elipe. Weight and dimensional measurements on potatoes at high speed using image analysis[C]. In: Sagaspe, J.P., Villeger, A. (Eds.), Agrotique 89: Proceedings of the Second International Conference, Teknea, 1989:41-52.
45. Y. Tao,C.T. Morrow,P.H.Heinemann,H. J. Sommer.Fourier-based separation technique for shape grading of potatoes using machine vision.[J]. Transactions of the ASAE, 1995,Vol.38.(3): 949-957
46. S. H. Deck,C. T. Morrow,P. H. Heinemann,H. J. Sommer. Comparison of a neural network and traditional classifier for machine vision inspection of potatoes[J].Applied engineering in agriculture,1995,Vol.11(2):P 319-326
47. Tao Y,P.H.Heinemann, Z. Varghese, C.T. Morrow, and H.J. Sommer.Machine vision for color inspection of potatoes and ales [C].Transactions of the ASAE, 1995,Vol.38: 1551-1561
48. S.H.Deck,P.H.Heinemann,Z.Varghese,H.J.Sommer.Comparson of a neural and traditional classifier for machine vision inspection of potatoes[J]Applied engineering in agriculture,1995, Vol.11:p319--326
49. J. C. Noordam,G. W. Otten,A. J. M. Timmermans,B. H. van Zwol.High seed potato grading and quality inspection based on a color vision system[C]. SIE proceedings Vol.3966. 2000:206-217
50. Sukwon Kang,Jaeyong Son,Wankyu Choi,KangJin Lee,HoYoung Lee.Nondestructive detection of hollow heart in processing potatoes[C]. Proceedings of 2004 CIGR International Conference,2004:1-6
51. P. Butz, C. Hofmann and B. Tauscher, Recent developments in noninvasive techniques for fresh fruit and vegetable internal quality analysis[J]Journal of Food Science 2005,Vol.70(9):131-141
52. A. Davenel,Ch. Guizard,T. Labarre and F. Sevila.Automatic detection of surface defects on fruit by using a vision system[J]. Journal of Agricultural Engineering Research,1988:Vol.41(1):1-9
53. B.M. Nicolai,K. Beullens, E. Bobelyn, M.L.A.T.M. Hertog,A. Schenk, S. Vermeir,et al.Systems to characterize internal quality of fruit and vegetables[C]. Proceedings of the IVth International Conference on Managing Quality in Chains—the Integrated View on Fruits and Vegetables Quality. Acta Horticulturae,2006,vol.712
54.我国首套智能化水果采后分级生产线问世, htt://www.clii.com.cn/news/show.as?ShowID=31245,2004年7月28
55.章文英;应义斌.苹果图象的预处理及尺寸检测[J].金华职业技术学院学报,2001年第一期:23-25
56.王巧华,余佑生,宗望远,陈小伟,刘剑英,文友先.鸭蛋大小等级模型研究[J]华中农业大学学报, 2001,Vol.20(6) :579-583
57.陈小伟.机器视觉鸭蛋大小及蛋芯颜色检测分级研究[D].华中农业大学硕士学位论文,2001.5
58.邓海霞.基于机器视觉的群体禽蛋大小检测方法研究[D].华中农业大学硕士学位论文,2006.6
59.熊利荣,任奕林,肖任勤.基于机器视觉的花生大小检验[M].湖北农业科学,2007,Vol.46.(3):444-445
60.应义斌.水果尺寸和面积的机器视觉检测方法研究[J].浙江大学学报(农业与生命科学版),2000,Vol.26 (3):229～232
61.冯斌,汪懋华.基于计算机视觉的水果大小检测方法[J].农业机械学报,2003年01期
62.安爱琴,余泽通,王宏强.基于机器视觉的苹果大小自动分级方法[J].农机化研究,2008年04期:163-166
63.侯文军.基于机器视觉的苹果自动分级方法研究[D].南京林业大学硕士学位论文,2006.6
64.饶秀勤,岑益科,应义斌.基于外形几何特征的鸡蛋重量检测模型[J].中国家禽,2007,Vol.29(5):18-20
65.岑益科.基于机器视觉的鸡蛋品质检测方法研究[D].浙江大学硕士学位论文,2006.5
66.曹茂永,孙农亮,郁道银.几种边界特征描述方法的比较研究[J].光学技术,2003,vol.29.(3):284-287
67.李宗明.矩方法及其在几何形状描述中的应用[M].中国科学院博士学位论文,2005.4
68.王彬生,黄乡生.Hough变换及其在几何特征检测中的应用[J].计算机与现代化,2008年第四期:p20-22
69.袁佐云,牛兴和,刘传云.基于最小外接矩形的稻米粒型检测方法[J].粮食与饲料加工,2006,第9期:7-8
70.应义斌,景韩松,马俊福,赵匀,蒋亦元.黄花梨果形的机器视觉识别方法研究[J].农业工程学报,1999,Vol.15(1):192-196
71.高华,王雅琴.基于计算机视觉的农产品形状分级研究[J].计算机工程与应用,2004年14期:227-229
72.王涛,刘文印,孙家广,张宏江.傅立叶描述子识别物体的形状[J].计算机研究与发展,2002, Vol.39.(12):1714-1719
73.王雅琴,高华.类圆形物体的特征描述[J].计算机工程,2004,Vol.30(1):158-162
74.赵静,何东健.果实形状的计算机识别方法研究[J].农业工程学报,2001,Vol.17(2):165-167
75.宁纪锋,何东健,张海亮,龙满生.基于图像形态学的球形果实品质检测研究[J].农机化研究,2001.8,第3期:45-47
76.黄星弈,李剑,姜松.基于计算机视觉的稻种品种识别技术研究[J].江苏大学学报(自然科学版),2004,Vol.25(2):102-104
77.张聪,管庶安.基于图像分析的大米形状识别[J].粮食与饲料工业,2006,Vol.6:5-7
78.潘伟.计算机视觉在农产品自动检测与分级中的研究—番茄的自动检测与分级[D].东北农业大学硕士学位论文,2000.6
79.张嘏伟.计算机视觉系统在番茄品质识别与分类中的研究[D].河北农业大学硕士学位论文,2005.7
80.白菲.基于机器视觉的柑橘水果外形识别方法研究[D].中国农业大学硕士学位论文,2005.11
81.应义斌,桂江生,饶秀勤.基于Zernike矩的水果形状分类[J].江苏大学学报(自然科学版),2007,Vol.28(1):p1-3
82.桂江生.二维水果形状检测与分类算法研究[D].浙江大学博士学位论文,2007
83.王江枫,罗锡文,洪添胜,戈振扬.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,1998年04期,186-189
84.何东健,杨青,薛少平,赵静.果实缺陷面积的计算机视觉测定研究[J].农业工程学报,1997年第4期,156-160
85.李庆中,汪懋华.基于分形特征的水果缺陷快速识别方法[J].中国图象图形学报,2000,Vol.5(A)(2):144-148
86.刘禾,汪懋华.基于数字图像处理的苹果表面缺陷分类方法[J].农业工程学报,2004,Vol.20(6):138-140
87.赵杰文,刘文彬,邹小波.基于三摄像系统的苹果缺陷快速判别[J].江苏大学学报(自然科学版),2006,Vol.27(4):287-290
88.杨秀坤,陈晓光,马成林,于海业.水果表面缺陷自动检测系统中的人工智能方法研究[J].农业工程学报,1997,vol.13(增刊):242-247
89.庞江伟.基于计算机视觉的脐橙表面常见缺陷种类识别的研究[D].浙江大学硕士学位论文,2006
90.郁志宏.基于机器视觉的种蛋筛选及孵化成活性检测研究[D].内蒙古农业大学博士学位论文,2006
91.何东健,杨青,薛少平,耿楠.果实表面颜色计算机视觉分级技术研究[J].农业工程学报),1998,14(3):202-205
92.何东健;杨青;薛少平;耿楠;用人工神经网络进行果实颜色分级技术研究[J].西北农业大学学报,1998,Vol.26(6):109-112
93.冯斌,汪懋华.基于颜色分形的水果计算机视觉分级技术[J].农业工程学报,2002,Vol.18(2):141-144
94.谢云峰.葡萄干颜色分选机的研究[D].长春理工大学硕士学位论文,2002
95. H. Drolon,F.Druaux,A.Faure. Particles shape analysis and classification using the wavelet transform.[J]. Pattem Recognition Letters,2000, Vol.21(6):473-482,
96. DH-SV系列高分辨率CCD数字摄像机,http://www.daheng-image.com/Html/Info/ 20088/2008819/200881995941.shtml
97. M1614-MP固定焦距工业镜头,http://www.chem17.com/Product/detail/132312.html,2006年9月
98.张艳珍,欧宗英.一种新的摄像机线性标定方法[J].中国图像图形学报, 2001, Vol.6( 8) : 727- 731
99. S.J.Maybank and O.D.Faugeras.A theory of Self-calibration of a Moving Camera[J]. International Journal of Comuter Vision,1992,Vol.8(2):123-151
100. O.D.Faugeras,Q.Luong, Mabyank.Camera Self-calibration:Theovy and experiments [C].in proceedings of European Conference on Computer Vision , LMCS588,1992 , Springer-Verlag :321- 334
101.李洪海,王敬东.摄像机标定技术研究[J].光学仪器,2007,Vol.29.(4):7-12
102. S.D.Ma,A Self-Calibration Technique of Active Vision System[J]. IEEE Trans.On Robot Automation,1996.Vol.12.(l),114-120
103.马颂德,张正友.计算机视觉——计算理论与算法基础(第二版).[M].北京:科学出版社,2003
104. Zhengyou Zhang.Flexible camera calibration by viewing a lane from unknown orientations. http://research.microsoft.com/zhang
105. Ying Y B,Wang J P,Jiang H Y.Inspecting diameter and defect area of fruit with machine vision.Trans CSAE,2002,18(5):216-220
106. [美]Rafael C.Gonzalez,Richard E.Woods著,Digital image processing[M].阮秋奇,阮宇智等译(第二版),北京:电子工业出版社,2003.3
107.阿查里雅等著,田浩等译.数字图像处理原理与应用[M].北京:清华大学出版社,2007
108.郝敏,麻硕士.基于机器视觉的马铃薯单薯重量检测技术研究[J].农机化研究,2009年第9期
109.杨淑莹.模式识别与智能计算:Matlab技术实现[M].北京:电子工业出版社,2008
110.肖建华.智能模式识别方法[M].华南理工大学出版社, 2006
111. Ron Kohavi, George H. John. Wraers for Feature Subset Selection [J]. Artificial Intelligence, 1997, Vol.97 (1-2): 273-324
112.陈卫东,刘素华.基于遗传算法的图像特征选择[J].计算机工程与应用, 2007,Vol.43(28):78-80
113.刘素华,侯惠芳,李小霞.基于遗传算法和模拟退火算法的特征选择方法[J].计算机工程,2005,Vol.31(16):157-159
114.乔立岩,彭喜云,马元彤.基于遗传算法和支持向量机的特征子集选择方法[J].电子测量与仪器学报,2006,Vol.20.(1):1-5
115.韦振中,黄廷磊.基于遗传算法和支持向量机的特征选择[J].广西工学院学报,2006,Vol.17(2):18-21
116.任江涛,黄焕宇,孙婧昊,印鉴.基于遗传算法及聚类的基因表达数据特征选择[J]计算机科学,2006,vol.33.(9):p155-156
117.高贤维,刘三民,王杰文.基于遗传算法和神经网络的特征提取[J].计算机与现代化,2008,第154期:p23-26
118.武志峰,陈冬霞.基于遗传算法的特征子集选择方法[J].河北省科学院学报,2006,Vol.23(3):p48-50
119.赵云,刘惟一.基于遗传算法的特征选择方法[J].计算机工程与应用,2004,Vol.15:p52-54
120.葛哲学,孙志强.神经网络理论与MatlabR2007实现[M].北京:电子工业出版社,2007
121.刘天溶,沈飞刚,戚飞虎.基于邻域统计特性的概率神经网络及其在自动目标识别中的应用[J].红外与毫米波学报, 1995, Vol.14(1):51 - 58.
122.刘勇,康立山,陈镇屏.非线性并行算法——遗传算法:第2版[M].北京:科学出版社,1995
123.雷英杰,张善文,李续武,周创明.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2005
124.杨淑莹.模式识别与智能计算—matlab技术实现[M].北京:电子工业出版社,2008.1
125.袁志发,周静芋.多元统计分析[M].北京:科学出版社,2002
126. H. Drolon,F.Druaux,A.Faure. Particles shape analysis and classification using the wavelet transform.[J]. Pattem Recognition Letters,2000, Vol.21(6):473-482,
127.肖家庆,卢凌,李晟,聂明新.基于矩不变量的图像目标识别[J].武汉理工大学学报(交通科学与工程版),2006, Vol.30(4):696-699
128.李宗民,李华.基于结构矩不变量的形状相似性比较[J].计算机工程,2006, Vol.32(8):p189-191
129.应义斌.水果形状的傅里叶描述子研究[J].生物数学学报,2001,Vol.16(2):p234-240
130.胡学友.两种形状识别方法及其实验[J]合肥学院学报(自然科学版),2006, Vol.16.(1):p68-71
131.王晓红.矩技术及其在图像处理和识别中的应用研究[D].西北工业大学博士学位论文,2001
132.管庶安,周红,刘光蓉.基于Zernike矩的米粒形状模糊分类[J].河南工业大学学报(自然科学版),2005, Vol.26(1):23-25
133.刘玉宝,刘玉超.一种珍珠形状识别方法的研究[J].枣庄学院学报, 2008 ,Vol.25(2):p114-117
134.王耀明.图像的矩函数——原理、算法及应用[M].上海:华东理工大学出版社,2002
135.刘茂福,胡慧君,何炎祥.主成分分析在图像Zernike矩特征降维中的应用[J].计算机应用,2007.3, Vol.27(3):p696-698
136. R. Mukundan,K.R. Ramakrishnan. Fast computation of legendre and Zernike moments[J]. Pattern recognition,1995,vol.28.(9):1433-1442
137. J. Gu,H.Z.Shu,C. Toumoulin,L.M.Luo.A novel algorithm for fast computation of Zernike moment[J]. Vol.35.(12):2905-2911
138. Sun-Kyoo Hwang,Whoi-Yul Kim.A novel approach to the fast computation of Zernikemoments[J]. pattern recognition.2006,vol.39.(11): 2065-2076
139.徐旦华,辜嘉,李松毅,舒华忠.Zernike矩的快速计算[J].东南大学学报,2002,vol.32.(2):189-192
140.杨政武,方涛.基于Zernike矩的图像归一化技术的研究[J].计算机工程,2004,Vol.30(12):p34-36,56
141.朱音,谢敏,黄贤武.基于目标规格化与Zernike矩相结合的目标识别算法研究[J].微电子学与计算机,2003年第1期,p31-38
142.李了了,邓善熙,丁兴号.基于Zernike矩的字符特征归一化方法[J]软件时空,2007,Vol.23第4-3期:p260-263
143. YeBin,Peng Jiaxiong. Analysis and improvement of invariance of Zernike moments[J] Infrared and Laser Engineering, 2003,Vol.32(1) :p37-41
144.边肇祺.模式识别[M]北京:清华大学出版社,2000.1
145. (美)迪达等著,李宏东等译.模式分类[M].北京:机械工业出版社,2003
146. (希)Theodoridis,S..Pattern recognition[M]李晶皎等译(第二版),北京:电子工业出版社,2004.8
147. Nello Cristianini,John Shawe-Taylor.An Introduction to Support vector machines and other Kernel-based learning methods [M].李国正,王猛,曾华军译.北京:电子工业出版社,2003
148.肖建华.智能模式识别方法[M].广州:华南理工大学出版社,2006
149.柳回春,马树元.支持向量机的研究现[J].中国图象图形学报,2002,Vol.7(A)(6):p618-623
150.邱潇钰.核函数的参数选择[D].山东师范大学硕士学位论文,2008.4
151.陈廉清,袁红彬,王龙山. SUSAN算子在微小轴承表面缺陷图像分割中的应用[J]光学技术,2007,vol.33.(2):p305-307
152.赵志华,蔡健荣,赵杰文,刘木华.SUSAN算子在苹果图像缺陷分割中的应用研究[J].计算机工程,2004,Vol.30(15):141-142,194
153. S.M. Smith, J. M. Brady. SUSAN—A New Approach to Low Level Image Processing [R]. Internal technical report TR95SMS,Defence Research Agency, Farborough, Hampshire, GU146TD,UK, 1995:p1-59
154.张汗灵. MATLAB在图像处理中的应用[M].北京:清华大学出版社,2008