[发明专利]一种基于多特征稀疏表示技术的害虫图像识别方法

权利要求书

1.一种基于多特征稀疏表示技术的害虫图像识别方法,其特征在于,包括以下步骤：

11)害虫图像的多特征提取，提取害虫图像的颜色特征、纹理特征和形状特征；

12)构建多特征训练样本矩阵，构建稀疏表示下的训练样本矩阵；训练样本矩阵定义如下：

其中，

其中，为属于c类害虫中第i类害虫在特征f情况下第的n_i个训练样本，i＝1,2,…,c；j＝1,2,…,n；f＝1,2,3；D_i^f是第i类害虫的在特征f情况下的训练样本矩阵，n为训练样本维数；

13)多特征融合学习，通过融合在不同特征参数下的稀疏表示识别结果，学习多特征融合权值；所述的多特征融合学习包括以下步骤：

131)预处理害虫样本图片，对害虫样本图片进行去噪、分割、灰度化；

132)对样本图像分别提取颜色、纹理以及形状特征并构建训练样本矩阵；

133)通过稀疏表示框架获得不同特征情况下的识别结果{h_i,j}，稀疏表示框架定义如下：

x^if=arg min||xif||1subject to||yif-Dfxif||2<ϵ]]>

其中，表示待测试样本，下标i对应稀疏表示框架中识别结果为第i类别，f分别为颜色、纹理、形状特征类别；

134)通过决策矩阵计算方法得到决策矩阵，

给定一个待测试样本y_i∈S，S是待测试样本集合，在颜色、纹理、形状不同特征参数的情况下的分类结果为{h_i,j},j＝1,2,3；决策矩阵F＝{f_i,j},i＝1,2,…,c；j＝1,2,3；决策矩阵的计算公式如下：

fi,j=g(zi,hi,j)=+1,if zi=hi,j-1,if zi≠hi,j]]>

其中，z_i是样本y_i标记；

若f_i,j＝+1意味着样本y_i被正确的在第j个特征参数上进行分类，反之亦然；

135)通过优化方法解决在不同特征参数下的识别结果的融合，通过稀疏表示识别结果优化方法学习多特征融合权值，稀疏表示识别结果优化方法公式如下：

w^=argminw{||e-Fw||22+l||w||1}]]>

s.t.Σj3wj=1,wj>0,j=1,2,3.]]>

其中，l是正则化参数，e是一个长度为3的单位向量，F_w为稀疏系数决策矩阵；

14)多特征融合识别，通过多特征融合学习获得的最优化权值得到害虫的所属类别。