[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

说明书

技术领域

本发明涉及图像识别技术领域，具体来说是一种基于多特征稀疏表示技术的害虫图像识别方法。

背景技术

计算机图像处理技术和理论的飞速发展，为实现害虫的识别提供了先进的技术手段。由于其具有速度快、准确性高、信息量大等优点，近年来在害虫识别方面得到较多的应用。利用该技术可以及时、准确地识别害虫，减少农药的使用，提高作物产量和质量，保护生态环境。现阶段研究人员已经提出了多种害虫图像识别方法，这些方法在环境得到有效控制的前提下性能卓越。然而在现实场景中复杂的农田背景、害虫的不同姿态以及不同外貌等变化较大，农作物害虫的识别受图像多种特征的影响，这些害虫识别方法的性能则存在一定局限性。稀疏表示的方法对遮挡和像素污染等均具有鲁棒性，因此如何利用多特征稀疏表示技术来进行害虫图像的识别已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中害虫图像识别方法在复杂现实环境中识别能力较差的缺陷，提供一种基于多特征稀疏表示技术的害虫图像识别方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于多特征稀疏表示技术的害虫图像识别方法,包括以下步骤：

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；

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；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；

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；

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。

所述的害虫图像的多特征提取包括以下步骤：

提取害虫图像的颜色特征，包括均值、方差、标准差、偏度、峰度、熵，其分别定义如下：

其中，m表示均值、σ2表示方差、s表示标准差、S表示偏度、K表示峰度、RE表示熵、i表示颜色分量值、L表示图像灰度级数、h(i)表示颜色分量值为i的像素概率；

提取害虫图像的纹理特征，使用图像的局部二值模式特征进行提取，其公式如下：

其中，LBP_P，R(x，y)表示局部二值模式特征，i_c表示中心像素点(x,y)的灰度值、i_n表示在半径R处相邻点的灰度值、P表示中心像素点周围相邻像素点的个数，函数s(x)定义成下式所示

提取害虫图像的形状特征，包括狭长度、圆形度、惯性主轴方向、偏心率、球状性、紧凑度，其定义如下：

狭长度：其中

圆形度：其中L为上式计算的狭长度，A和B分别为区域的面积和周长；

惯性主轴方向：其中u_pq是(p+q)阶中心矩；

偏心率：式中，H为惯性积，A、B分别是绕X、Y轴的转动惯量；

球状性：其中r_i和r_c分别表示区域的内切圆半径和外接圆半径；

紧凑度：其中A表示区域的面积，p表示边界的周长。

所述的多特征融合学习包括以下步骤：

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；

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；

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：

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；

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：

其中，z_i是样本y_i标记；