崑山科技大學

資訊管理系

大學部四年制

期末專題製作報告

蝴蝶影像自動辨識系統

組 員:林昶瑔 4950Q092

陳世杰 4950Q091

林易瑩 4950Q065

曾盈豪 4950Q021

林政辰 4940Q031

指導教師: 王建仁 老師

中華民國九十九年一月

致謝 專題製作將近一年，轉眼間專題製作也漸漸接近尾聲，如今將邁入

最後階段，心中有許多說不出來的感觸，畢竟這是一種團體的合作，也

是學業的成果發表，經過這些日子的專題製作，才了解我們在學校所學

的原來如此的不足，還有更多的學問是我們必須更深入的探索，這些日

子裡我們成長許多，也從老師那裡學到不少的觀念和技術，是一段難忘

的經歷。 非常感謝我們的指導老師王建仁老師。從製作專題開始，這一年來

如此細心給予我們意見和幫助，每個星期的小組會議要我們報告上星期

做了什麼，然後老師就會跟我們說哪裡需要改進或加強。感謝老師之細

心指導，我們小組方能完成此份專題。 還有要感謝中興大學的葉老師和高雄醫大的傅老師，如果沒他們無

私的提供蝴蝶的標本給我們，我們可能無法完成此份專題。我們也要感

謝對我們提供協助的蔡哲民老師以及王秀惠學姊，他們不管再怎麼忙

碌，也會找論文給我們研讀以及技術面的指導，也會陪伴我們開會。最

後我們也要感謝組員間彼此的合作，一個團體最重要的就是互助合作，

在大家共同的努力合作之下終於順利完成此份專題，雖然在這過種中常

常有意見的不同，但經過不斷的溝通、討論、修改，終於一起完成這份

屬於我們的成果。

目錄 一、 前言 .................................................................................................................. - 1 -

1.1 動機： ..................................................................................................................... - 2 - 1.2 目的： ..................................................................................................................... - 2 -

二、 文獻探討 .......................................................................................................... - 3 -

2.1 擷取影像物件 ......................................................................................................... - 3 - 2.1.1 背景相減 ......................................................................................................... - 3 - 2.1.2 基於經驗法則之自動切割 ............................................................................. - 3 - 2.2 外型特徵 ............................................................................................................ - 5 - 2.2.1 質心距離特(CentroidContourDistance) ......................................................... - 5 - 2.3 顏色特徵(YCbCr) .............................................................................................. - 5 - 2.4 紋理特徵 ........................................................................................................... - 6 - 2.5 傅立葉描述子(Fourier descriptor)..................................................................... - 6 -

2.6 檢索比對演算法 ..................................................................................................... - 7 - 2.6.2 投票法 ............................................................................................................. - 7 -

三、 系統設計與實作 .............................................................................................. - 8 -

3.1 系統流程與平台 ..................................................................................................... - 8 - 3.2 平台架構 ................................................................................................................. - 8 - 3.3 辨識流程圖 ............................................................................................................. - 9 - 3.4 蝴蝶影像自動辨識系統網站與辨識箱 ............................................................... - 11 - 3.5 影像物件擷取 ....................................................................................................... - 12 -

3.5.1 影像物件擷取 ............................................................................................... - 12 - 3.5.2 影像物件過濾 ............................................................................................... - 12 - 3.5.3 背景相減 ....................................................................................................... - 12 - 3.5.4 基於經驗法則之自動切割 ........................................................................... - 13 - 3.5.5 物件切割流程圖 ........................................................................................... - 15 - 3.5.6 物件正規化 ................................................................................................... - 16 - 3.6 影像物件特徵擷取 .......................................................................................... - 17 - 3.6.1 質心距離特徵 .............................................................................................. - 17 - 3.6.2 傅立葉描述子 ............................................................................................... - 18 - 3.6.3 顏色特徵 ....................................................................................................... - 18 - 3.6.4 紋理特徵 ....................................................................................................... - 19 -

3.7 特徵比對演算法 ................................................................................................... - 20 - 3.7.1 K 最近鄰居法 ............................................................................................... - 20 - 3.7.2 投票法 ........................................................................................................... - 21 -

四、 實驗與討論 .................................................................................................... - 23 -

4.1 蝴蝶種類： ........................................................................................................... - 23 - 4.2 蝴蝶辨識率表： ................................................................................................... - 26 - 4.3 實驗辨識速率 ....................................................................................................... - 30 - 4.4 實驗辨識速率 ....................................................................................................... - 30 -

五、 工作分配、硬體需求與甘特圖表 ................................................................ - 31 -

5.1 職務分配表 ........................................................................................................... - 31 - 5.2 甘特圖： ............................................................................................................... - 31 -

六、 軟硬體需求分析 ............................................................................................ - 32 -

表 6： 軟硬體需求分析 – CLIENT 端 ....................................................................... - 32 - 表 7： 軟硬體需求分析 – SERVER 端 ...................................................................... - 32 - 表 8： 軟硬體需求分析 – 開發軟體 ....................................................................... - 32 -

七、 參考文獻 ........................................................................................................ - 33 -

- 1 -

一、 前言 現代社會生活壓力大，很多人會利用空閒時間到山區遊玩，欣賞自然生

態，當作休閒活動。在台灣山區出現的眾多昆蟲之中，其中蝴蝶是相當吸引

人的一類。

台灣舊稱蝴蝶王國，1960 年代，台灣的產蝶重鎮-埔里街頭與昆蟲有關的商店比比皆是，四處林立的蝴蝶製品加工廠或家庭代工，養活了許多家境較差

的台灣人，粗略估計當時每年因蝴蝶加工至少可終結三十萬隻蝴蝶的生命，

時至今日，蝴蝶加工的舊日風采早已不付存在，但蝴蝶面臨的卻是更坎坷的

未來-各種大型都市開發計劃、城鄉造鎮計劃、觀光發展、農業發展以及大規模的山地開發案、造林運動、林相變更等相關政策，嚴重改變了台灣原有

的生態環境。尤其近年農墾發展更逐漸往中高海拔山區發展，各種溫帶果

園、高冷蔬菜及高山茶的種植，在為農民帶來短期有限的收益背後，賠上的

卻是物種的永遠消失。

近年來蝴蝶活體在城市中也已經很少見了，為了學術性的發展與民眾對

蝴蝶物種的認識，本系統建立蝴蝶資料庫，以活體制作而成的標本作為資料

庫值，增加辨識的實用性、與完整性。 當然為了滿足社會大眾對昆蟲瞭解的需求，台灣已經有許多網站與計畫

致力於昆蟲影像的數位化和相關網路教材的編寫。如台灣大學昆蟲標本館數

位典藏[1]、台灣簡明百科[2]、嘎嘎昆蟲網[3]…等。方便使用者從網路上快速取得昆蟲的圖片與相關資訊。目前這類型的網站大多以文字方式或者圖片

方式進行檢索，當使用者輸入昆蟲的名稱、物種學名或科名時，系統將符合

檢索條件的呈現給使用者，但是當使用者不清楚該昆蟲名稱時，使用者必須

自己以圖片來對照，檢索時就會較麻煩。因此，如果能建置一套影像辨識系

統，協助使用者透過上傳影像即能檢索出對應的昆蟲，應可大量提昇網站教

學系統的可用性。先前蔡哲民等人，已利用相關技術辨識鞘翅目昆蟲[5]獲得不错的正確率。 蝴蝶的主要特徵，是有一對左右對稱的美麗翅膀，而蝴蝶又分正反兩面。一

般民眾或研究者所取得的圖片，可能僅有正面或僅有反面，也可能兼有正反

面。本系統的資料庫同時建檔為正面和反面，可在只有一面的情況下辨識蝴

蝶的種類。

本系統建構於網頁之上。使用者僅需上蝴蝶的正面、反面或正反面影

像，系統就會自動進行去背、辨識等動作，最後將辨識出的蝴蝶影像與相關

資訊回傳給使用者，完全不需要使用者介入處理，大幅提昇使用之方便性。

- 2 -

本研究嘗試以蝴蝶的形狀、顏色作為辨識的依據特徵，比較各項特

徵與分類演算法後，挑選有效的辨識特徵與分類演算法，以建置一套可

支援數位化教學的蝴蝶影像辨識系統。 背景：而台灣在過去因為高山加過地理背景的因素，蝴蝶的種類繁多，

卻因環境汙染加上補抓，而導致蝴蝶的數量日益漸少，雖然台灣政府與公益

團體已意識到了物種的消失，台灣已經有許多網站與計畫致力於昆蟲影像的

數位化和相關網路教材的編寫。如台灣大學昆蟲標本館數位典藏[1]、台灣簡明百科[2]、嘎嘎昆蟲網[3]…等，而網站大多以文字方式或者圖片方式進行檢索，但由於使用者必需輸入昆蟲的名稱、物種學名或科名時，系統將符

合檢索條件的呈現給使用者，但使用者往往不了解自已手上的蝴蝶物種名

稱，故本組建立一套蝴蝶影像辨識系統，有利使用者提升對物種名稱的了解

性。

1.1 動機： 近年來採集和研究昆蟲標本，已成為許多人的興趣和休閒活動。尤其是

鱗翅目中的蝴蝶其擁有的美麗翅膀成為收集者採集的重要目標，但是蝴蝶的

線上教學系統仍受限於該物種影像自動辨識技術尚未成熟而無法進一步提

昇系統可用性。

1.2 目的： 本研究提出一個蝴蝶影像的自動辨識系統，使用者僅需透過網頁上傳蝴

蝶的影像，系統將自動進行去背、擷取物件、正規化後，擷取蝴蝶影像特徵

值進行辨識。目前本系統建立約三十多種蝴蝶影像的資料庫，未來將持續擴

充蝴蝶數量，提昇辨識率與辨識速度。

- 3 -

二、 文獻探討 本章將介紹影像辨識技術及檢索技術的相關文獻，包含影像辨識的特徵

擷取方法，如外形、顏色及紋理等，以及特徵比對演算法。

2.1 擷取影像物件 在影像辨識中，首先是如何正確地將影像中欲辨識物件和背景分離，目

前物件切割技術常使用的方式大多是透過背景相減

(BackgroundSubtraction)[7]、顏色分群(ColorClustering)[8]、分水嶺演算法(Watershed)[9]或是必須經由人工定義初始輪廓的方式擷取物件[10]。但是這些技術都需要需要使用者介入，如標示初始輪廓、擷取背景、設定參數等，

因此較不易於建置一個可全自動化擷取影像物件的系統。以下將介紹傳統的

背景相減方法和一個可自動化擷取影像物件的方法。

2.1.1 背景相減 背景相減已被使用於許多不同的影像物件切割方式中[11] [12] [13] [14]

[15]，其運作方式是利用一張目前已含有物體之影像與一張初始定義的背景(Background)，兩者進行像素色差的相減，並訂定一個閥值(ThresholdValue)對此色差進行分類，高於此閥值之像素設定為 1，也就是物件所在像素，低於此閥值則設定為 0，也就是背景部分，如式(1)。

1, ( , ) ( , )( , )

0,if Input x y Bg x y Threshold

IB x yotherwise

⎧ − >⎪= ⎨⎪⎩

(1)

2.1.2 基於經驗法則之自動切割 蔡哲民等人[16]曾提出一套基於經驗法則的物件切割技術，該技術的優

點是不需使用者介入切割過程，僅需要上傳一張影像即可全自動切割出主要

的物件。由經驗法則我們可得知，一般使用者在拍攝影像時，都會將其所要

拍攝的單一物體拍攝於影像的中央附近，且該物體面積與畫面中其它物體相

比會較大，所以進行物件擷取時，僅需擷取位於影像中央且面積較大的單一

物體。其作法是透過影像前處理，將影像中雜訊點消除，之後使用邊緣偵測

方式將物件輪廓取出，接著利用經驗法則篩選出使用者所關注的主體物件。

該方法相較於傳統使用人工手動切割之方式，更能節省許多人力與時間。

由於背景相減需要使用者額外提供一張背景，以供計算使用，所以在使

用上會較不便易，所以除上述背景相減外，本平台尚有另一基於經驗法則的

- 4 -

物件切割技術。不過由於原技術所使用之 CIE Lab 顏色空間運算速度過於緩慢，本研究為加速系統效能，改為將 RGB 顏色空間轉換為一般常用灰階影像進行運算，也就是 YCbCr 顏色空間中的 Y 成分。首先將輸入影像，經由公式(2)進行轉換為灰階影像。(圖 1 為影像轉灰階)

0.299 0.587 0.114Y R G B= × + × + × (2)

圖 1 影像轉灰階

為了降低製作系統的成本，我們所用來進行拍攝的低成本 Web-CAM 有較多的雜訊，且也為了讓系統執行速度增加，因此將原技術用來去除雜訊之

高斯濾波換為均值濾波，以減少雜訊對於切割結果的影響；經過雜訊過濾步

驟後，接著進行 Sobel 邊緣偵測，之後進行物件輪廓的抽取，最後使用經驗法則取出物件。其執行結果如圖 2.2(a)(b)

圖 2 自動物件切割結果圖

(a)原圖 (b)切割結果

- 5 -

2.2 外型特徵 物件的外形在辨識特徵的重要性中佔有很大的比率，在物件外形特徵的

擷取上，以往學者曾提出許多外形特徵描述的演算法，目前較常見之外形特

徵描述有兩種：以區域為主的外形特徵描述(如像素差異累計等)，此種方式是以物件所佔面積來表示該物件之外形，以用於比對兩物件外形差異程度；

以輪廓為主的外形特徵描述，此種方式是以物件外形輪廓來比對兩物件的外

形差異程度。這兩種方式各有優劣，可以根據影像物件的特徵來選擇適合該

物件的描述方式。

2.2.1 質心距離特(CentroidContourDistance) 質心距離特徵為一種以輪廓為主的形狀描述特徵。其特徵是由於影像物

件的外形質心是存在於物件最中央的位置，且不會隨著物體平移或旋轉而改

變，所以可以計算從物件的輪廓到物件的中心質心的距離，來作為其輪廓特

徵。首先必須計算外形質心的座標(xcenter,ycenter)，如算式(3)：

0 0( , ) ( , )

N N

i ii i

center center

x yx y

N N= ==∑ ∑

(3)

其中 i=0,1,2,…,N-1，N 為物體總像素點數，(xi,yi)為第 i 個像素點的座

標。當求取出質心座標後，接著以順時鐘或逆時鐘方向依序按照取個影像

物體輪廓上的點，並以這些輪廓點之質心距離當做該影像物體的質心距離特

徵。第 j 個輪廓點(xj,yj)的質心距離 ccd(j)則可由式(4)取得。

2 2( ) ( ) ( )center j center jccd j x x y y= − + − (4)

2.3 顏色特徵(YCbCr) 每張數位影像皆是由許多像素點所組合而成的，每個像素點均是由

RGB 三個色彩所描述的，而每個像素點的色彩集中或零亂，都可用來描述影像的特徵，在大部份的情況下，顏色直方圖(ColorHistogram)是常被用來做顏色特徵的表示方法，不過 Histogram 中的 ColorSet 的多寡常常是一個難以決定其 RGB 組合顏色的數值。然而因一般影像所使用之 RGB 顏色空間對於運算來說顯得過於龐大且 RGB 顏色空間對於顏色的變化過於敏感，所以我們將 RGB 色彩透過算式轉變為 YCbCr 色差顏色空間，色差在設計上利用了「人眼對明度較敏感，而對彩度較不敏感」的特性，將原本之 RGB 色彩資訊加以削減，又由於 RGB 與 YCbCr 之間的轉換是線性的，因此轉換速

- 6 -

度相當快速。透過 YCbCr 公式轉換後，每個像素會得到本身的 Y、Cb 與Cr 值，其中 Y 代表亮度，Cb 與 Cr 分別代表藍色色差與紅色色差。

0.299 0.587 0.114 0-0.168 -0.331 0.5 + 128

0.5 -0.418 -0.081 128

Y RCb GCr B

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥=⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

(5)

2.4 紋理特徵 以往已有許多關於紋理特徵擷取的研究，如小波轉換(Wavelet Transformation)、統計方法等，以下介紹較為常見之紋理分析方法。

2.5 傅立葉描述子(Fourier descriptor)

對任意一個二維平面的邊界，從任一點 ),( 00 yx 開始按順時鐘或逆時鐘

方向依序取得邊界座標。邊界本身可以表示為座標序列

s(k)=[x(k),y(k)] ,k=0,1,2,…,N-1。此座標序列又可作為一個複數來處理，如公式(6)所示

)()()( kjykxks += (6)

s(k)的離散傅立葉轉換(DFT)為

∑−

=

−=1

0

/2)()(N

k

NkjeksuF π (7)

其中 N 為序列總數，轉換後之數列 F(u)即為 s(k)之傅立葉描述子。由於

F(u)是由一連續之序列所產生之傅立葉描述子，因此也可以利用如質心距離特徵來作為轉換傅立葉描述子之依據[11] [12] [13]，轉換時則是將原序列之s(k)=[x(k),y(k)]視為 s(k)=[CCDk,0]。當求取出傅立葉描述子 F(u)後，可利用式(8)

(u)-j)]([)( θeuFuF = (8)

將 F(u)轉換為極座標型態，在此型態中

(u)I(u)RF(u) 22 += (9)

- 7 -

|F(u)|稱為傅立葉轉換之頻譜(Spectrum)也就是其大小(Magnitude)，且由

於轉換後之傅立葉描述子為前後對稱，因此只需使用 u/2 個描述子即可重現整個傅立葉序列。

2.6 檢索比對演算法

2.6.1 K 最近鄰居法(K-Nearest Neighborhood ,K-NN) K 最近鄰居法是採用向量空間模型的觀念來進行分類，其原理是相同種

類的樣本，彼此的相似度高，所以可以藉由計算與已知種類樣本之相似度，

來找尋未知種類樣本可能歸於哪一種類中。K 最近鄰居法的執行步驟如下。 Step1：依歐基里德距離公式計算未知種類樣本與已知種類樣本的特徵值相

似度。 Step2：將其樣本特徵相似度排序，將其放入一相似集合中。 Step3：從相似集合 NN 中取出前 K 名，依照多數種類決定，而得到該未知

種類樣本的可能相似種類。然而 K 最近鄰居法因為必須與所有已知種類之樣本進行差異度的計算，因此其計算量相當的大，所以相當耗

時。

2.6.2 投票法 投票法是利用類似 K 最近鄰居法的方法來將未知種類樣本進行分類，

與 K 最近鄰居法不同的地方在於其判斷種類的步驟。K 最近鄰居法是將每個已知種類樣本與未知種類樣本進行相似度之計算，並將各個相似值視為每

個已知種類樣本與未知種類樣本的差距，因此其未知種類樣本的歸屬是靠與

各個已知種類樣本的相似度大小而定。然而投票法是將所有已知種類樣本之

所有特徵向量分別與該未知種類樣本的特徵向量進行相似度計算，最後依照

各已知種類樣本之該樣本特徵向量相似度給予一總排名，並將未知種類樣本

歸屬於排名次最小之已知種類樣本。投票法執行步驟如下。 Step1：依歐基里德距離公式計算未知種類樣本之各個特徵向量與已知種類

樣本之各個特徵向量相似度。 Step2：將各個樣本之各特徵向量相似度排序。 Step3：將排序後之各樣本的各個特徵向量相似度名次累計至該樣本種類

上，最後把該未知樣本歸屬於最低名次的已知種類樣本。投票法與 K最近鄰居法相似，也必須與所有已知種類之樣本特徵向量進行相似度

計算，所以計算量大，相對的就非常耗時。

- 8 -

三、 系統設計與實作

3.1 系統流程與平台 本章節將介紹本論文所提出的實物教學輔助平台之研究方法與系統實

作流程，系統流程可概分為四個部分：影像物件擷取(包含影像物件過濾、物件角度及大小正規化)、影像物件特徵擷取(包含形狀及顏色特徵擷取)、決策選擇系統(包含特徵選取及演算法選取)和特徵比對系統(包含 K 最近鄰居法、投票法、)。

3.2 平台架構 本平台包含線上教學網站與實物辨識箱，平台所有系統均以 Java 開發，而在教學網站部分是使用 Linux 系統、Apache、PHP 所架設而成，影像及影像物件特徵資訊儲存於一般檔案系統的影像目錄中。

若使用者選擇比對功能時，即會進入物種影像比對流程，系統會把使用者所提供之比對物種影像經由影像物件擷取及影像物件特徵擷取流程，擷取

出該比對物種影像之特徵值，最後依據建置物種資料庫時之特徵值與比對演

算法設定，將所設定之特徵值輸入至所設定之比對演算法中，最後顯示出影

像比對結果。以下將介紹各功能流程之詳細作法及方法。

- 9 -

3.3 辨識流程圖

圖 4 單張影像辨識流程圖

- 10 -

圖 5 兩張影像辨識流程圖

- 11 -

3.4 蝴蝶影像自動辨識系統網站與辨識箱 本系統主要是建置一套蝴蝶辨識系統以及辨識箱如圖 7(a)(b)(c)，此系

統是以網站形式運作[6]。開發工具為 JAVA、PHP。使用者將欲辨識的蝴蝶影像上傳到網站，系統將蝴蝶正面、反面之影像正規化、接著擷取形狀特徵、

顏色特徵。再與資料庫進行特徵比對，最後在將辨識結果呈現在網頁上。系

統輸入網頁如圖 1，辨識結果如圖 6(a)(b)(c)。

(a) (b) (c)

圖6(a)本系統辨識網頁(b)辨識結果(c)詳細說明

(a) (b) (c)

圖7(a)辨識箱介面(b)辨識結果(c)辨識箱

本研究所提出的蝴蝶影像自動辨識系統以及辨識箱，含有影像擷取、擷取翅膀、影像正規化及影像辨識四個子系統。系統流程圖如圖 3 所示。使用者輸入影像經過影像擷取、擷取翅膀、物件正規化後，正反面再各自進行辨

識，將辨識結果與資料庫資料之特徵值 Euclidean distance (KNN-Ed）取出，取其最小者作為辨識結果。

- 12 -

3.5 影像物件擷取

3.5.1 影像物件擷取 影像物件擷取流程包含影像物件過濾、物件正規化動作，以下將介紹

各方法之作法。

3.5.2 影像物件過濾 一般在對影像進行分析時，必須預先將影像中的主要物體與背景分

離，只保留我們所需要之物件影像，之後再進行後續的研究。本平台的影

像物件過濾程序包含兩種擷取方式，使用者可依照其需求選取何種，以下

將介紹此兩方式實作方法。

3.5.3 背景相減 在本文 2.1 已有介紹過傳統利用背景相減的方法來取得所需要之物

件，雖然利用背景相減可以較為精確的取出前景物件，然而傳統背景相減

方法主要有兩個缺點：最主要的缺點為閥值設定不易，其次就是除了物件

影像之外，還必須有一張原本之背景影像。而為了解決閥值的自動設定問

題，我們使用 Ridler[17]學者所提出之自動門檻值選擇，從背景與目前影像相減後之差異值作一直方圖，並利用下列算式計算。

Step1:計算初始門檻值[差異值直方圖(Max+Min)/2] Step2:μ1=(直方圖=初始門檻值之平均灰階值) Step4:T_old=0 Step5:T_new=(μ1+μ2)/2 Step6:WhileT_new~=T_olddo Step7:μ1=(直方圖=T_old 之平均灰階值) Step9:T_old=T_new Step10:T_new=(μ1+μ2)/2 Step11:EndWhile

- 13 -

但是僅使用自動門檻值選擇方式對實際上在進行實驗時仍不太合適，

經過多次實驗，我們發現使用直方圖之中位數的兩倍加自動門檻值選擇所

計算值的平均值之後除以二，為最佳之門檻值，且可針對此選擇值加上一

可變動數值，以對應特定之情況，如公式(10)所示。

( 2 ) / 2best median newT Histogram T SetValue= × + + (10)

應用此方式切割出物件後，由於可能有部分之雜訊存在，所以我們利

用鏈碼演算法，從經過背景相減完成後之影像來取出其中最大之物件。 由本系統並沒有取得背景部份，而使用者在取得背景也相當不易，所

以背景相減的方式在本系統中未使用。

3.5.4 基於經驗法則之自動切割 由於背景相減需要使用者額外提供一張背景，以供計算使用，所以在

使用上會較不便易，所以除上述背景相減外，本平台尚有另一基於經驗法

則的物件切割技術。不過由於原技術所使用之 CIELab 顏色空間運算速度過於緩慢，本研究為加速系統效能，改為將 RGB 顏色空間轉換為一般常用灰階影像進行運算，也就是 YCbCr 顏色空間中的 Y 成分。首先將輸入影像，經由算式(11)進行轉換為灰階影像。結果如圖 8。

0.299 0.587 0.114Y R G B= × + × + × (11)

圖 8 為轉 lab 灰階影像

- 14 -

將原技術用來去除雜訊之高斯濾波換為均值濾波，提升濾波速度，以

減少雜訊對於切割結果的影響；經過雜訊過濾步驟後，接著進行 Sobel 邊緣偵測，之後進行物件輪廓的抽取，最後使用經驗法則取出物件。其執行

結果。 均值濾波器的平滑化程度是由標準差σ來控制，σ值越大，平滑程度

越高，相對地影像愈模糊。我們使用均至濾波將影像的雜訊去除，以 3.2做為輸入的原始影像，經由σ=1，3x3 的均值濾波處理過後可得影像如表1，原本系統採 5x5 的均值濾波處理但有有大約三分之一圖片因 5x5 的均值濾波而損壞蝴蝶物件所以採 3x3 的均值濾波處理。

表 1 為轉 lab 後均值濾波後的結果 lab 後均值濾波後的

灰階圖片 值濾波後原始圖片

5x5 的均值濾

波

4x4 的均值濾

波

3x3 的均值濾

波

- 15 -

應用此方式切割出物件後，由於可能有部分之雜訊存在，所以我們利

用鏈碼演算法，從經過背景相減完成後之影像來取出其中最大之物件。

3.5.5 物件切割流程圖

圖 9 物件切割流程圖

- 16 -

3.5.6 物件正規化 經由影像物件過濾程序後之影像，其影像中的物體可能在拍攝照片時

擺放位置不一致，或是使用者拍攝角度不同，而導致其物體產生左右擺放

角度不一的情形，所以為了讓所有物體轉至一致的角度，首先必須先計算

該物體之最長主軸角度，主軸的計算方式如公式(12)。

1 11

20 02

21 tan2

μθμ μ

− ⎡ ⎤= ⎢ ⎥−⎣ ⎦ (12)

其中 11μ

、 02μ

和 20μ

分別為

1 111

1 1( ) ( )

n n

i center j centeri j

X X Y Xμ= =

= − −∑ ∑ (13)

0 202

1 1( ) ( )

n n

i center j centeri j

X X Y Xμ= =

= − −∑ ∑ (14)

2 020

1 1( ) ( )

n n

i center j centeri j

X X Y Xμ= =

= − −∑ ∑ (15)

θ計算完即為該物體主軸的角度，接著將最長主軸的角度調整至與 Y 軸平

行。因此必須求出該物件要轉動的角度，由公式求出要轉動的角度 'θ ，再

運用公式(16)來求得該物件像素點(x,y)移動後的坐標(X,Y)。

' 90θ θ= − − (16)

cos ' sin ' 0sin ' cos ' 0

1 0 0 1

xX

yY

θ θθ θ

−⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎢ ⎥ ⎢ ⎥=⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎣ ⎦ (17)

- 17 -

但是當物件轉動至固定的位置後，可能會產生物體上下面積不一致的情

形，為了解決此現象，在進行完正規化角度的處理後，針對該處理後影像

計算物體上下面積，並且統一將面積大的部分轉至下方。 然而由於使用者在拍攝影像時，其拍攝的遠近可能會有所不同，其遠近不同將會影像到所拍攝物體的大小不一，所以必須將該影像物體正規化

至某一固定大小，如此才能將所有影像之物體都正規化成相同大小。其作

法是將已轉好角度之物件，將其質心定位於 640x480 piexl 大小的空白影像中，並在此同時將該物體最小包圍矩形之長正規為 300 piexl，且寬度與長度等比例縮放，最後此影像即為正規化完成後之影像。

正規化後，程式將水平、垂直去除蝴蝶觸鬚，這是怕觸鬚會影響影像

物件特徵擷取。去除完觸鬚的影像將做角度的正規化，將左右翅膀直徑最

長點轉成垂直型態。系統將自動把影像對切，圖片有分蝴蝶正反，而留下

的那端不一定是蝴蝶右翼。正規化的最後一步就是將留下的那端影像做尺

寸統一。如圖 10 (a)(b)。

(a) (b)

圖10(a)物件正規化影像；(b)正規化去觸鬚擷半後影像

3.6 影像物件特徵擷取 當系統進行完影像物件擷取程序後，將會得到一張已處理後之正規化

影像，此時系統即將此正規化影像進行影像物件特徵擷取，所擷取出來之

影像特徵將會存入至影像特徵資料庫中。

3.6.1 質心距離特徵 由於影像都已經過正規化之動作，因此在進行質心距離特徵擷取時，

均是由正上方之 Y 軸 90 度往右依序每一固定角度取一距離，以作為該影像

- 18 -

物件之質心距離特徵，如圖 11。

圖 11 正規化後影像質心距離特徵直方圖

3.6.2 傅立葉描述子 在進行傅立葉描述子的擷取時，先將該影像取其質心距離特徵，並將

此質心距離特徵直方圖作為傅立葉描述子之轉換數據，此轉換數據直方圖

即為該影像之傅立葉描述子特徵，如圖 12。

圖 12 正規化後影像質心距離特徵直方圖

3.6.3 顏色特徵 在顏色特徵的擷取部分，將已正規化後之影像經由 YCbCr 公式(2.8)進

行轉換，並將代表光亮度之 Y 成分捨去，僅使用 Cb 及 Cr 值來作為顏色特徵。因此在顏色特徵部分，首先將正規化影像之各像素點之 RGB 點轉換為CbCr 值，在將整張影像物件中之 CbCr 值累加，如此便會產生 Cb 以及 Cr顏色直方圖，此二顏色直方圖即為該物件影像之顏色特徵。如圖 13、14 所示。

- 19 -

圖 13 正規化後影像之 Cb 顏色直方圖

圖 14 正規化後影像之 Cr 顏色直方圖

3.6.4 紋理特徵 在紋理擷取部分，系統首先將正規化後影像轉換為灰階影像，並將該影像經由 Haar 函數，進行四階小波轉換後，會得到 13 個區塊，分別為 LL4、HL4、LH4、HH4、HL3、LH3、HH3、HL2、HH2、LH2、HL1、HH1 及LH1(如圖 15 所示)；這 13 個區塊代表著不同頻率，這些區塊為頻帶( subband )，通常低頻的部份代表整張影像中最重要的部份，可以讓我們看到原始影像的大致輪廓，然而一個影像的紋理則是分布於中高頻部分，且

雜訊也存在於中高頻。在小波紋理特徵的擷取上，系統會分別求取中高頻

區塊(HL3、LH3、HH3、HL2、HH2、LH2、HL1、HH1 及 LH1)的平均數及變異數以作為紋理的特徵值。

- 20 -

HH1

HL1

LH1

LH2

LH3

HL2

HH2

HL3

HH3

圖 15 四階哈爾小波轉換圖

3.7 特徵比對演算法

3.7.1 K 最近鄰居法 K 最近鄰居法的作法是將測試樣本的特徵值經過正規化處理後，將每

個資料庫樣本之特徵值與測試樣本之特徵值經由算式(18)進行運算，並將之存入至一相似度差距序列中，最後進行排序。

2

1

( ( ) ( ))T

j j t tt

distance D F S F=

= −∑ (18)

其中 Dj 為第 j 張資料庫樣本，Ft 表示第 t 個特徵，Dj(Ft)則代表第 j 張資料庫樣本之第 t 個特徵數值，而 S 為測試樣本，S(Ft)則為測試樣本之第 t個特徵數值，distancej 為計算第 j 個資料庫樣本與測試樣本之特徵數值相似度差距的結果，越小代表兩者越相似。最後將全部之 distancej 進行排序，若 K=1 時，該測試樣本將歸屬為 distancej 最小之第 j 個資料庫樣本種類；可是當 K>1，則將會進行一投票機制以決定該測試樣本歸屬於哪個資料庫樣本種類，也就是說當 K=3 時，此時系統將會從 distancej 序列中取出最小之 3 個資料庫樣本，並對此 3 個資料庫樣本種類進行累計，最後將該測試樣本歸屬於累計最高之資料庫樣本種類。

- 21 -

3.7.2 投票法 系統使用投票法時，也與 K 最近鄰居法一樣，需要先將測試樣本的各

特徵值進行正規化動作，再將每個資料庫樣本之特徵值與測試樣本之特徵

值經由算式(19)進行運算，把相似差距分別存入至各特徵值相似序列中，最後對各特徵值相似序列進行排序。

2( ( ) ( ))t j t tC D F S F= − (19)

其中 Dj 為第 j 張資料庫樣本，Ft 表示第 t 個特徵，Dj(Ft)則代表第 j 張

資料庫樣本之第 t 個特徵數值，而 S 為測試樣本，S(Ft)則為測試樣本之第 t個特徵數值，Ct 為資料庫樣本的第 t 個特徵值與測試樣本第 t 個特徵值之相似度差距。當系統計算完各特徵值之各資料庫樣本相似差距後，將各特

徵值之相似差距 C 進行排序，接著將各特徵值相似序列之排名累計至各資料庫樣本中，並把排名累計最低之資料庫樣本種類視為該測試樣本之種類。

3.8 特徵值及演算法選擇系統 由於使用者可能為較不熟悉影像處理技術之非專業資訊人員，因此不

論是選取影像特徵值或是選取特徵比對演算法，一般使用者會不知從何著

手。因此為了讓使用者能夠較簡易的使用本系統，本系統提供一個能夠依

據使用者輸入至資料庫的影像特徵，初步的篩選出較適用的特徵值及特徵

比對演算法。 本文所提出之特徵值及演算法選擇系統使用的方法是利用已建置資料

庫之影像特徵為已知種類的特性，藉由此種特性，可以在影像特徵資料庫

建立後，使用每種特徵值先行將其進行一次物種的辨識，接著計算各種特

徵值之成功機率，最後選擇成功機率高的特徵值來作為該物種資料庫之搜

尋特徵值。接下來將以一個例子介紹決策選擇系統選擇之各步驟。

Step1:計算該物種資料庫之各物種總樣本數。 Step2:從各物種總樣本數量中取得最少之樣本數量 count，並將其除以 2，

=[count/2]。 Step3:接著在各個物種中隨機選取個樣本做為搜尋樣本集合 R，以及個樣本

做為資料庫樣本集合 D。 Step4:利用 K-NN 演算法對搜尋樣本集合 R 及資料庫樣本集合 D 進行搜

尋，每次搜尋時僅使用一種特徵值。

- 22 -

Step5:當計算出 R 之各特徵值辨識結果後，判斷所辨識之結果是否為 R之真實物種，如是則對該特徵值之成功機率進行累加，以獲得特徵

值辨識成功機率集合。 Step6:獲得特徵值辨識成功機率集合後，分別對各特徵值辨識成功機率除

以。 Step7:經過上述步驟後之特徵值辨識成功機率集合，即為各特徵值在該物

種資料庫中之辨識成功機率。 當取得該物種資料庫之各特徵值辨識成功機率後，即可進行特

徵值及比對演算法之選取，其選取方法如下： Rule1:當物種資料庫之各物種總樣本數最低個數小於 5 個時，系統將決定

使用預設之特徵值以及比對演算法，在本系統中預設之特徵值為

質心距離特徵(CCD)、顏色特徵(CbCr)以及紋理特徵(Dwt)，預設之比對演算法為 K 最近鄰居法，其中 K 設定為 1。

Rule2:若物種資料庫之各物種總樣本數最低個數介於 5 至 25 之間，系統將會啟動特徵值選擇機制，利用上述之特徵值選取步驟，選出在

各特徵值中，其成功機率最高之前三名，若挑選出之前三名特徵

值中有同性質之特徵值，則捨棄其成功機率較低的特徵值，比對

演算法則使用 K 最近鄰居法，其中 K 設定為 1。 Rule3:若物種資料庫之各物種總樣本數最低個數超過 25，則在演算法的

選擇則改為利用 ANN，特徵值的選取方法則與 Rule2 一致。

以下將針對各規則進行說明。設定 Rule1 的原因是由於總樣本個數最小個數低於 5 個時，其選擇特徵值時，判定辨識成功率將會不夠準確，也就是說只有 2 個測試樣本作為機率測試時，僅會出現 100%、50%及 0%。由於判定樣本不足，因此在總樣本個數最小個數低於 5 個時，僅使用預設之特徵值，也就是使用質心距離特徵、CbCr 顏色特徵以及小波紋理特徵。此外，在選定比對演算法時，也預設為較快速且穩定之 K 最近鄰居演算法。

設定 Rule2 是因為總樣本個數最小個數高於 5 個時，其測試樣本較為足夠，因此可以使用特徵值選擇機制所選擇之特徵值；使用成功機率前三

名特徵值是由於我們所提供之特徵值分為三種性質，所以我們預計成功機

率前三名之特徵值將會是每種性質各一項，然而當系統所挑選出之三項特

徵值中，若是同性質特徵有兩種以上，則僅保留辨識成功率最高的那項特

徵值，這樣做的用意是避免使用同性質較低辨識成功率之特徵會造成整體

辨識率的下降，也避免使用多餘的特徵值會造成系統運算量的增加；在比

對演算法的選擇部分，我們由實驗結果可得知，投票法會受到特徵值的好

壞影響而造成其辨識率不穩定，但在 K 最近鄰居法則較穩定，雖然 K 最

- 23 -

近鄰居法也會受到特徵值的好壞而影響其辨識率，但其影響幅度並無投票

法高，因此比對演算法也是選擇 K 最近鄰居法。 Rule3 的情況是總樣本個數最小個數高於一定個數時，使用 K 最近

鄰居法或是投票法在進行特徵值比對及排序時，其時間耗費會隨著資料庫

樣本數量越大而越久，然而利用類神經網路則沒此種問題，因為類神經網

路在判定樣本種類時，是利用神經元節點之間的機率相乘後之結果，因此

其辨識速度與樣本數量無關，所以在樣本個數最小值高於一定個數時，其

比對演算法設定為類神經網路。

四、 實驗與討論 本系統進行測式時同時採用質心距離特徵、傅立葉描述子、顏色特徵

cbcr、紋理特徵(Dwt) 特徵值。K 最近鄰居法與投票法進行特徵比對演算法進行實驗。由於我們在討論蝴蝶的辨識樣子中考慮到的標本的脆弱性，

無法特意去翻動蝴蝶翅膀，所以不像本組所做過的天蠶蛾利用前後翅作出

分辨與探討，因些只設定在正反兩面進行實驗與分析，當然本系統在網頁

可以選擇正可或反面、又或正反面直接進行辨識，而在本節中 4.2 有實驗出正可或反面、又或正反面之結果，從結果直接考慮使用的辨識方式，與

採用辨識值作為依據。

4.1 蝴蝶種類：

- 24 -

- 25 -

圖 16 蝴蝶種類 (依序為：大白斑蝶、大鳳蝶、孔雀蛺蝶、台灣白紋鳳蝶、台灣綠蛺蝶、台灣鳳蝶、玉帶鳳蝶、玉帶蔭蝶、白紋鳳蝶、石牆蝶、長

鬚蝶、青帶鳳蝶、青斑鳳蝶、枯葉蝶、紅肩粉蝶、紅紋粉蝶、紅紋鳳蝶、

紅點粉蝶、琉球三線蝶、琉球青斑蝶、紋白蝶、豹紋蝶、淡黃蝶、細蝶、

斯氏紫斑蝶、無尾白紋鳳蝶、無尾鳳蝶、黃三線蝶、黃蛺蝶、黑脈樺斑

蝶、黑端豹斑蝶、端紅蝶、端紫斑蝶、銀紋紅斑型淡黃蝶、樺斑蝶、樺

蛺蝶、曙鳳蝶)

- 26 -

4.2 蝴蝶辨識率表：

表 2 蝴蝶正面樣本辨識結果

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

大白斑蝶 6/7=100% 7/7=86%

大鳳蝶 6/9=77% 7/9=67%

孔雀蛺蝶 9/13=69% 8/13=61%

台灣白紋鳳蝶 2/3=66% 2/3=67%

台灣綠蛺蝶 2/2=100% 2/2=100%

台灣鳳蝶 4/6=66% 4/6=67%

玉帶鳳蝶 22/25=88% 22/25=88%

玉帶蔭蝶 1/2=50% 1/2=50%

白紋鳳蝶 1/2=50% 1/2=50%

石牆蝶 7/7=100% 7/7=100%

長鬚蝶 3/3=100% 3/3=100%

青帶鳳蝶 29/33=88% 30/33=90%

青斑鳳蝶 8/9=88% 8/9=89%

枯葉蝶 4/7=57% 4/7=57%

紅肩粉蝶 5/8=62% 5/8=63%

紅紋粉蝶 1/1=100% 1/1=100%

紅紋鳳蝶 5/6=83% 5/6=83%

紅點粉蝶 2/2=100% 2/2=100%

琉球三線蝶 70/75=93% 66/75=88%

琉球青斑蝶 12/14=78% 11/14=86%

紋白蝶 5/8=75% 5/8=63%

豹紋蝶 2/2=100% 2/2=100%

淡黃蝶 6/6=100% 6/6=100%

細蝶 4/4=75% 3/4=100%

斯氏紫斑蝶 3/6=50% 3/6=50%

無尾白紋鳳蝶 2/3=66% 2/3=67%

無尾鳳蝶 6/6=100% 6/6=100%

黃三線蝶 2/2=100% 2/2=100%

黃蛺蝶 2/2=50% 1/2=100%

- 27 -

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

黑脈樺斑蝶 4/5=80% 4/5=80%

黑端豹斑蝶 2/3=66% 2/3=67%

端紅蝶 2/2=100% 2/2=100%

端紫斑蝶 3/6=50% 3/6=50%

銀紋紅斑型淡黃蝶 4/4=100% 4/4=100%

樺斑蝶 1/2=50% 1/2=50%

樺蛺蝶 5/6=83% 5/6=83%

曙鳳蝶 3/4=75% 3/4=75%

合計 255/305=84% 250/305=81%

表 3 蝴蝶反面樣本辨識結果

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

大白斑蝶 6/7=85% 6/7=85%

大鳳蝶 5/9=77% 7/9=55%

孔雀蛺蝶 8/13=61% 8/13=61%

台灣白紋鳳蝶 2/3=66% 2/3=66%

台灣綠蛺蝶 2/2=100% 2/2=100%

台灣鳳蝶 3/6=50% 3/6=50%

玉帶鳳蝶 23/25=96% 24/25=92%

玉帶蔭蝶 2/2=100% 2/2=100%

白紋鳳蝶 1/2=50% 1/2=50%

石牆蝶 7/7=100% 7/7=100%

長鬚蝶 1/3=33% 1/3=33%

青帶鳳蝶 24/31=77% 25/31=80%

青斑鳳蝶 8/9=88% 7/9=77%

枯葉蝶 6/7=85% 5/7=71%

紅肩粉蝶 7/8=87% 7/8=87

紅紋粉蝶 1/1=100% 1/1=100%

紅紋鳳蝶 5/6=83% 5/6=83%

紅點粉蝶 2/2=100% 2/2=100%

琉球三線蝶 47/62=75% 47/62=75%

琉球青斑蝶 9/15=60% 9/15=60%

- 28 -

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

紋白蝶 4/7=57% 4/7=57%

豹紋蝶 2/2=100% 2/2=100%

淡黃蝶 7/7=100% 6/7=85%

細蝶 2/4=50% 2/4=50%

斯氏紫斑蝶 3/6=50% 3/6=50%

無尾白紋鳳蝶 2/3=66% 2/3=66%

無尾鳳蝶 6/6=100% 6/6=100%

黃三線蝶 2/2=100% 2/2=100%

黃蛺蝶 1/2=50% 1/2=50%

黑脈樺斑蝶 4/5=80% 4/5=80%

黑端豹斑蝶 3/3=100% 2/3=66%

端紅蝶 3/4=75% 2/4=50%

端紫斑蝶 4/6=66% 3/6=50%

銀紋紅斑型淡

黃蝶 3/4=75% 3/4=75%

樺斑蝶 2/2=100% 2/2=100%

樺蛺蝶 5/6=83% 3/6=50%

曙鳳蝶 1/2=50% 1/2=50%

合計 68/291=77% 72/291=75%

表4 正反面樣本KNN-Ed較小者辨識結果

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

大白斑蝶 7/7=100% 7/7=100%

大鳳蝶 7/9=77% 6/9=66%

孔雀蛺蝶 5/10=50 6/10=60%

台灣白紋鳳蝶 2/3=66% 2/3=66%

台灣綠蛺蝶 2/2=100% 2/2=1005

台灣鳳蝶 4/6=66% 4/6=66%

玉帶鳳蝶 25/25=100% 22/25=88%

玉帶蔭蝶 2/2=100% 2/2=100%

白紋鳳蝶 1/2=50% 1/2=50%

石牆蝶 6/6=100% 6/6=100%

- 29 -

種類 KNN,K=1

檢索正確率

Vote

檢索正確率

長鬚蝶 3/3=100% 2/3=66%

青帶鳳蝶 27/30=90 27/30=90%

青斑鳳蝶 8/9=88% 9/9=100%

枯葉蝶 5/7=71% 6/7=85%

紅肩粉蝶 8/8=100% 6/8=75%

紅紋粉蝶 2/2=100% 2/2=100%

紅紋鳳蝶 6/6=100% 5/6=83

紅點粉蝶 2/2=100% 2/2=100%

琉球三線蝶 62/70=89% 59/70=85%

琉球青斑蝶 12/13=92% 13/13=100%

紋白蝶 5/8=62% 5/8=62%

豹紋蝶 2/2=100% 2/2=100%

淡黃蝶 6/7=85% 6/7=85%

細蝶 3/4=66% 3/4=66%

斯氏紫斑蝶 3/6=50% 3/6=50%

無尾白紋鳳蝶 2/3=66% 2/3=66%

無尾鳳蝶 6/6=100% 6/6=100%

黃三線蝶 2/2=100% 2/2=100%

黃蛺蝶 2/2=100% 2/2=100%

黑脈樺斑蝶 4/5=80% 4/5=80%

黑端豹斑蝶 3/3=100% 3/3=100%

端紅蝶 3/3=100% 3/3=100%

端紫斑蝶 3/6=50% 5/6=83%

銀紋紅斑型淡黃

蝶 4/4=100% 4/4=100%

樺斑蝶 2/2=100% 2/2=100%

樺蛺蝶 5/6=83% 5/6=83%

曙鳳蝶 4/4=100% 3/4=75%

合計 251/291=87% 246/291=85%

- 30 -

4.3 實驗辨識速率 在實驗中，我們拍攝了 37 種類的蝴蝶，每個個體各 2 個以上，每個抽

取 1~2 個當作資料庫樣本，其餘當作測試樣本，影像大小為 896×600 Pixels。所有正規化完成後的影像皆為 640×480 Pixels，這些影像經過特徵擷取流程處理後，這些影像經過特徵擷取流程處理後，系統會將其特徵數值存放

至資料庫中。在實驗中，測試電腦所使用的設備為 Intel Core Quad CPU 2.4GHz、3.0GB RAM、使用 Windows XP 作業系統。在辨識速度計算方面，以輸入一張影像經測試結果，物件擷取約 2 秒、正規化約 2 秒，物件辨識約 1 秒，平均耗 5 秒，由於部分實驗需要一次輸入 2 張影像，實際時間為平均耗秒的 2 倍(即 10 秒鐘)。

本系統在網路上建立平台 http://butterfly.vexp.idv.tw 供使用者使用。而

本組也利用辨識技術製作辨識箱，以利蝴蝶名稱辨識使用。

4.4 實驗辨識速率 由4.2的辨識速率來說，1-NN較明顯高於投票法，所以本系統採用KNN

來進行辨識方式。本章節的 4.3 的實驗辨識速率得到了系統處理與辨識一張影像的時間，所得到的結論系統執行速率並未造成使用者等待過長時間，

大部份的圖片是經由原始攝影圖片進行去背，與影像擷取、特徵擷取、影

像辨識等功能。

- 31 -

五、 工作分配、硬體需求與甘特圖表

5.1 職務分配表

表 5 職務分配表 職務 職 責 組織成員

專題組長 幫程式尋找新的辨識方法，那方法必須比原先程式跑的快，且辨識之正確率還要高。將新之方法帶入

主程式中來測試速度、正確度。主程式之撰寫修

改，測試是否流暢，辨識箱程式撰寫與測試。

林昶瑔

程式撰寫 主程式之撰寫修改，測試是否流暢。並且套入組員正規化程式，看程式之速度是否有變快。最後總合

全部程式並套入網頁中使之執行。網頁之撰寫和設

計，辨識箱程式撰寫與測試。

陳世杰

程式撰寫 正規化之強化，使程式切圖速度變快。撰寫圖片對切程式，使辨試系統之正確率提升，辨識箱測試。

林易瑩

文書撰寫 將全部之過程、方法整合撰寫成冊、辨識箱製作。 曾盈豪 網頁測試 網頁系統測試、海報製作、辨識箱製作。 林政辰

5.2 甘特圖：

圖 17 甘特圖

- 32 -

六、 軟硬體需求分析

表 6： 軟硬體需求分析 – Client 端

軟 體 硬 體

Java -jdk1.5 版本以上 個人電腦、筆記型電腦

表 7： 軟硬體需求分析 – Server 端

軟 體 硬 體

Apache 個人電腦 Java -jdk1.5 版本以上

表 8： 軟硬體需求分析 – 開發軟體 開發工具：JEdit、Apache、Dream Weaver、Java-jdk1.6 UML 工具：JUDE community Edition

- 33 -

七、 參考文獻

[1]. 台灣大學昆蟲標本館數位典藏，2009 年 10 月 8 日取自http://imdap.entomol.ntu.edu.tw/index1.php

[2]. 台灣簡明百科，2009 年 10 月 8 日取自http://www2.wordpedia.com/taiwanpedia/classification.aspx?key=030140

[3]. 嘎嘎昆蟲網，2009 年 10 月 9 日取自http://gaga.jes.mlc.edu.tw/9701bx/in5.htm

[4]. 王建仁、蔡哲民、吳明昆、王麒讚，“食用貝類數位影像辨識系統”，2008 資訊科技國際研討會，朝陽科技大學，2008 年 4 月。

[5]. 蔡哲民、王建仁、沈英謀、王秀惠、吳明昆，“常見鞘翅目昆蟲影像辨識系統＂，Proc. ofTANET2008，高雄：義守大學，2008.10

[6]. 蔡哲民、陳世杰、林昶瑔、林易瑩，曾盈豪、王秀惠，＂台灣天蠶蛾影像辨識系統＂，崑山科技大學優質家庭生活科技(u-Home)之關鍵技術研討會(HUC2009)，2009

[7]. N. Kehtarnavaz, F. Rajkotwala, “Real-Time Vision-based Detection of Waiting Pedestrians,” Real-Time Imaging, pp. 433-440, 1997.

[8]. A.Hong, G . Chen, J. Li, Z. Chi, D. Zhang, “A flower image retrieval

method based on ROI feature,” Journal of Zhejiang University Science, pp.764-772 , 2004.

[9]. L. Vincent, P. Soille, “Watersheds in digital spaces: an efficient

algorithm based on immersion simulations,” IEEE Trans. Pattern Analysis and Machine Intell., Vol. 13,pp.583-598, June 1991.

[10]. M. Kass, A. Witkin, D. Terzopoulos, “Snakes: Active Contour Models”,

International Journal of Computer Vision, pp.321-331, 1988. [11]. A.Elgammal, D. Harwood and L. Davis, “Non-parametric Model for

Background Subtraction,” Proceedings of 6th European Conference on Computer Vision, pp. 751-767, 2000.

[12]. J. J. Julio, C. R. Jung. and S. R. Musse, “Background Subtraction and

Shadow Detection in Grayscale Video Sequences,” Proceedings of the XVIII Brazilian Symposium on Computer Graphics and Image Processing (SIBGRAPI'05), pp. 189-196, 2005.

- 34 -

[13]. P. K. TraKulPong, R. Bowden , “An Improved Adaptive Background

Mixture Model for Realtime Tracking with Shadow Detection,” Proceedings of 2nd European Workshop on Advanced Video Based Surveillance Systems (AVBS'01), 2001.

[14]. S. Cheung and C. Kamath, “Robust techniques for background

subtraction in urban traffic video,” Video Communications and Image Processing, SPIE Electronic Imaging, pp. 881-892, 2004.

[15]. Y. Ivanov, A. Bobick and J. Liu, “Fast Lighting Independent

Background Subtraction,” Journal of Computer Vision, Vol. 37, pp. 199-207, 2000.

[16]. 蔡哲民、王建仁、陳世傑、周家弘，“基於經驗法則的自動物件切

割技術”，資訊技術與產業應用研討會，2007 年。 [17]. T W Ridler and S calvard, “Picture thresholding using an iterative

selection method”, IEEE Transactions on Systems, Man and Cybernetics, p.p. 630-632, 1978.