[发明专利]一种基于局部特征和聚类算法的虾品图像分类方法及系统

权利要求书

1.一种基于局部特征和聚类算法的虾品图像分类方法，其特征在于，包括如下步骤：

S₁:对每幅训练图像采用融合预匹配、轨迹规划补偿、图像匹配滤波降噪、非线性尺度空间特征点描述与匹配方法进行定位和特征提取，全面捕捉虾品目标移动对象姿态的特征信息，还原虾品姿态的动态特性与时间上的关联性；

S₂:初始化设置，使用层次K-means聚类算法对虾品移动姿态特征表示进行聚类分析；

S₃:使用三种基于不同特征的图像分割方法，对多个初始聚类结果的质量进行量化，并得到三个权值向量，再通过加权求和的方式得到三个融合聚类结果；

S₄:把三个融合聚类结果整合在一起生成最终的集成聚类结果。

2.根据权利要求1所述的基于局部特征和聚类算法的虾品图像分类方法，其特征在于，在步骤S₁中，所述融合预匹配具体包括以下步骤：

在视频跟踪虾品目标过程中，根据运动学原理和虾品移动目标自身的运动规律，建立虾品移动姿态模型；

对目标位置的变化进行预测，以预测结果作为对下一帧目标的搜索中心；

自适应地调整目标搜索范围，准确定位视频图像位置。

3.根据权利要求2所述的基于局部特征和聚类算法的虾品图像分类方法，其特征在于，在步骤S₁中，所述轨迹规划补偿具体包括以下步骤：根据所述虾品移动姿态模型，判断出虾品轮廓轨迹偏离，并通过视觉伺服控制进行虾品轮廓偏差补偿。

4.根据权利要求3所述的基于局部特征和聚类算法的虾品图像分类方法，其特征在于，所述图像匹配滤波降噪处理具体包括如下步骤：

采用统计排序滤波器对图像进行中值滤波，中值滤波器由FPGA来实现；

采用基于微分的细节锐化滤波器对图像进行锐化处理，并采用Sobel算子对图像进行边沿检测。

5.根据权利要求4所述的基于局部特征和聚类算法的虾品图像分类方法，其特征在于，在步骤S₁中，所述非线性尺度空间特征点描述与匹配方法具体包括以下步骤：

构造非线性偏微分方程，进行非线性扩散滤波；

利用AOS算法求解方程，得到非线性尺度空间的所有图像；

通过不同尺度归一化后的Hessian局部极大值来寻找特征点，并根据泰勒展开式，进行亚像素精确定位，确定描述向量；

将得到的描述向量进行降维处理，得到降维后的描述子，再进行特征匹配。

6.根据权利要求1所述的基于局部特征和聚类算法的虾品图像分类方法，其特征在于，在步骤S₂中，所述层次K-means聚类算法具体包括以下步骤：

S₂₁:对聚类图像进行随机抽样得到样本图像集，样本图像集与聚类图像满足预先设置的相似度数值；

S₂₂:构造n个单成员聚类，找到两个姿态最近的聚类，并将其合并为一类，聚类的个数就减少一类；依次类推，计算新生成的聚类与其他聚类的相似度；

S₂₃:计算数据得出的层次聚类，如果不加约束，则聚类最终会聚为一类；当数据分为k类时，函数取得最小，即图像就分为k类；

S₂₄:当数据分为K类时，计算出每一类的聚类中心C₁,C₂,…C_K；

S₂₅:以求出的聚类中心作为K均值的初始聚类中心，K值作为K均值聚类的个数，进行K均值聚类得到聚类结果。