《基于颜色名和opponentsift特征的鳞翅目昆虫图像识别》由会员分享，可在线阅读，更多相关《基于颜色名和opponentsift特征的鳞翅目昆虫图像识别（11页珍藏版）》请在金锄头文库上搜索。
1、基于颜色名和 OpponentSIFT 特征的鳞翅目昆虫图像识别 竺乐庆 张大兴 张真 浙江工商大学计算机与信息工程学院 杭州电子科技大学图形图像研究所 中国林业科学研究院森林生态与保护研究所国家林业局森林保护学重点实验室 摘 要： 【目的】本研究旨在探索使用先进的计算机视觉技术实现对昆虫图像的自动分类方法。【方法】通过预处理对采集的昆虫标本图像去除背景,获得昆虫图像的前景蒙板,并由蒙板确定的轮廓计算出前景图像的最小包围盒,剪切出由最小包围盒确定的前景有效区域,然后对剪切得到的图像进行特征提取。首先提取颜色名特征,把原来的 RGB(Red-Green-Blue)图像的像素值映射到 11 种颜色
2、名空间,其值表示 RGB 值属于该颜色名的概率,每个颜色名平面划分成 33 像素大小的网格,用每格的概率均值作为网格中心点的描述子,最后用空阈金字塔直方图统计的方式形成颜色名视觉词袋特征;其次提取 Opponent SIFT(Opponent Scale Invariant Feature Transform)特征,首先把 RGB 图像变换到对立色空间,对该空间每通道提取 SIFT 特征,最后用空域池化和直方图统计方法形成 Opponent SIFT 视觉词袋。将两种词袋特征串接后得到该昆虫图像的特征向量。使用昆虫图像样本训练集提取到的特征向量训练 SVM(Support Vector Mac
3、hine)分类器,使用这些训练得到的分类器即可实现对鳞翅目昆虫的分类识别。【结果】该方法在包含 10 种 576 个样本的昆虫图像数据库中进行了测试,取得了 100%的识别正确率。【结论】试验结果证明基于颜色名和 Opponent SIFT 特征可以有效实现对鳞翅目昆虫图像的识别。关键词： 鳞翅目; 图像识别; 颜色名; Opponent SIFT; 视觉词袋; 支持向量机; 作者简介：竺乐庆,女,1972 年生,浙江嵊州人,博士,副教授,主要研究方向为图像处理、模式识别与嵌入式系统;E-mail:收稿日期：2015-08-05基金：国家林业局推广项目森林昆虫自动识别技术-2014(10)Re
4、cognition of lepidopteran species based on color name and Opponent SIFT featuresZHU Le-Qing ZHANG Da-Xing ZHANG Zhen School of Computer Science and Information Engineering,Zhejiang Gongshang University; Institute of Graphics and Image,Hangzhou Dianzi University; Key Laboratory of Forest Protection o
5、f State Forestry Administration,Research Institute of Forest Ecology,Environment and Protection,Chinese Academy of Forestry Sciences; Abstract： 【Aim】This study aims to realize the automatic insect image recognition by exploring the stateof-art computer vision technology. 【Methods】The captured insect
6、 image was first preprocessed to remove the background and get the foreground mask. The minimum bounding box of the foreground was computed and the valid foreground region was cut out accordingly. The features on this valid region were extracted.The color name feature was extracted firstly. The pixe
7、ls on original RGB( Red-Green-Blue) image were mapped to 11 color name planes,where the value represented the probability of the RGB value belonging to particular color name. Each color name plane was divided into blocks of 3 3 pixels. The average probability in each block was calculated and 11 valu
8、es from 11 color name planes formed the descriptor of the center pixel in the grid. Finally,the bag-of-visual-word features for color name descriptors were generated by histogram statistics on spatial pyramid. For Opponent SIFT( Opponent Scale Invariant Feature Transform) feature extraction,the imag
9、e was first transformed from RGB space to opponent color space,SIFT descriptors from different channels were extracted and concatenated,and then were pooled into Opponent SIFT bag-of-visual-words with histogram statistics on spatial pyramid. Two types of bag-ofvisual-word features were concatenated
10、into feature vector of the insect image. SVM( Support Vector Machine) classifiers were trained with the feature vectors extracted from training set and were used to recognize lepidopteran species through classification. 【Results】The proposed method was tested in a database with 576 insect images and
11、 the recognition accuracy reached 100%. 【Conclusion 】 The experimental results prove that the lepidopteran images can be recognized efficiently by using color name and Opponent SIFT features.Keyword： Lepidoptera; image recognition; color names; Opponent SIFT; bag-of-visual-word; Support Vector Machi
12、ne(SVM); Received： 2015-08-05鳞翅目昆虫是农业上的主要害虫类群,目前全世界已知鳞翅目近 20 万种,我国已知鳞翅目昆虫 8 000 多种,绝大多数是植食性,其种类多,危害重。主要以幼虫取食植物叶肉、或蛀食树干、树皮和树根而危害作物。不同种类的害虫需要不同的防治方法,因此,需要准确地识别出害虫种类,为防治提供可靠的依据。因鳞翅目昆虫种类繁多,要分清如此众多昆虫种类对于普通人来说是不可能的,即使分类专家往往也只熟悉某一类群的昆虫( 徐鹏等,2010) 。长期以来,植物虫害的分析与鉴别仅局限于少数昆虫研究者、植保科技工作者,依靠手工检查、肉眼观察,凭主观直觉和群体经验来进
13、行,这样得到的结果通常被辨别者的主观情绪所影响,识别率不稳定,尤其在时间长,工作量大的情况下,误判率增加。检测不能实时动态进行、需要大量人工且采样点不够,这在很大程度上限制了人们对昆虫的认识的普及度,常常给农业生产和经济活动带来巨大的损失。而且一旦判断错误,滥用农药进行害虫的防治,导致环境污染,对人们的身体健康及生活环境造成极大的威胁。一种精确、可靠且易操作的自动昆虫识别方法对经济、社会和环境的发展具有重要意义。计算机图像处理、模式识别和人工智能等技术的发展,使得通过计算机自动识别昆虫种类成为可能。计算机技术与昆虫自动分类学相结合的研究主要从 20 世纪 90 年代开始。比较有代表性的研究成果
14、有 ABIS( The Automated Bee Identification System)( Steinhage et al.,2001) 、DAISY( ONeill,2007) 和 SPIDA( Russell et al.,2007) 3 大软件系统。近年来,随着计算机视觉技术的进一步发展,相关研究人员在该领域不断有新的研究和发现( Larios et al.,2010; Loke et al.,2011; Kang et al.,2012; Chen et al.,2014; Crnojevic et al.,2014 ) 。在国内,中国农业大学的 IPMIST( 植保生态智能技
15、术系统) 实验室也对基于数学形态学的昆虫数字图像识别进行了较为系统的研究并取得了一定的成果( 于新文,1999 赵汗青等,2002; 杨红珍等,2008) 。此外,以昆虫图像分割( 王江宁和纪力强,2011) 、果园昆虫的识别( Wen et al.,2009) 、果实蝇属昆虫的识别( 张蕾等,2011) 等为目标也有一些新的研究成果报道。对于鳞翅目昆虫成虫而言,大多数种的翅表面覆盖有细微的鳞片,这些鳞片通常色彩丰富,花纹独特,而且具有种内相似性和种间区分性,可以作为图像识别的重要依据。因此本文对鳞翅目昆虫图像自动识别展开研究,同时提取鳞翅目昆虫成虫标本图像的颜色分布特征和纹理特征,生成定长特
16、征向量,训练分类器,最终实现鳞翅目昆虫的自动分类。1 材料与方法1. 1 鳞翅目昆虫图像预处理本试验使用的昆虫图像是用 NIKON D200 数码相机对昆虫标本拍摄得到,相机参数为光圈 F11,快门 1 /500 s,焦距 60 mm,图像格式为 JPEG 格式。标本头部在上,两翅向左右两侧展开,图片中与昆虫无关的背景已去除并被置为黑色( 图 1: A) 。本文中的预处理方法比较简单,首先把彩色图像转换成灰度图,然后用固定阈值法对灰度图进行二值化,在该二值图像中找到最大轮廓,仅保留并填充最大轮廓内部区域为白色,得到前景蒙板( 图 1: B) 。对前景轮廓求取最小包围盒( 图 1 中的矩形) ,并剪切出包围盒内部区域,对原彩色图像也剪切出相对应的区域作为研究对象。图 1 昆虫图像预处理 Fig. 1 Insect image preprocessing 下载原图A:原图及包围盒 Original image and the bounding box;B:前景蒙板及包围盒Foreground m
