專利名稱：害蟲稀疏表征分類識別方法與分類識別裝置的制作方法
技術領域：
本發明屬于圖像處理技術領域，涉及害蟲稀疏表征分類和害蟲稀疏表征分類字典的構建方法。
背景技術：
儲糧害蟲對糧食儲藏的危害十分巨大，據有關報道，全世界毎年至少有5%的糧食被害蟲糟蹋，如果人力、物力和技術跟不上，損失可能達到20%-30%，而中國的糧庫糧食損失率約為O. 2%，但中國基數大，O. 2%數量任然很多，因此開展針對害蟲的檢測研究是ー件很有必要且有意義的研究課題”。而害蟲的圖像識別法由于可操作性強且易于實現，受到了國內外眾多科學家的重視。
壓縮感知理論是應用數學與信號處理領域中ー個非常新的研究方向，自從2006年起有正式論文發表之后，迅速引起國內外相關領域研究者的高度重視。該理論表明當信號具有稀疏性或可壓縮性時，即原始信號經過變換后僅有小部分大系數，其他變換域系數都為O或接近于0，通過采集少量的信號投影值就可實現信號準確或近似重構。壓縮感知研究主要集中在信號的稀疏分解、傳感矩陣、重構算法三個方面。對于稀疏方面，主要包括傅里葉變換、離散小波變換、多尺度分析、小波包“冗余字典”等。關于傳感矩陣的研究，主要包括高斯矩陣、貝努利矩陣，傅里葉矩陣、哈達瑪矩陣等。此外還包括確定性矩陣的構造。在信號重構方面，主要包括有三類算法凸優化，貪婪算法，組合算法。在硬件實現上，Rice大學的Baraniuk教授等研制出單像素相機和A/Ι轉換器，經過近六年的發展，壓縮傳感在理論方面已經取得了許多重要的成果，在許多實際應用方面，各國科學家也開始投身其中，壓縮感知的應用包括醫學圖像，語音信號處理，機器學習等等諸多方面。目前，針對害蟲的圖像識別的主要研究集中在特征提取和分類器的設計上，傳統的特征提取主要提取害蟲的形態、紋理等特征，分類器的選擇主要包括神經網絡、物元可拓法、支持向量機等分類器。盡管大量關于害蟲的研究已經取得了一些效果，但仍然存在很多問題。首先，已有的害蟲分類都是在害蟲種類較少的情況下實現的分類，而當害蟲種類增多吋，識別率下降嚴重；其次，部分分類器對害蟲進行分類時，需要對算法的參數進行優化選擇，當害蟲種類增加時，上述步驟需要從新設置，這就大大增加了系統的復雜性。2006年Donoho等人提出壓縮感知后，在人臉識別領域引起了巨大的反響，并且在2008年，由Wright J等人提出一種系數表征人臉識別算法，它主要是建立在壓縮感知及Serre提出的人類視覺系統具有對圖像稀疏表示特性的基礎上。該算法采用降采樣的特征提取方法提取特征，運用提取到的特征構建欠定方程，再通過優化方法對欠定方程進行求解，最后通過殘差計算公式計算出殘差最小的項作為分類判別的標準，最終實現分類目的。稀疏表征分類器相比已有的分類器，它在害蟲種類較多時，能取得更好的分類效果，同時由于不用對分類器的參數進行相關的優化設計，因此在后期對分類矩陣進行改進時，具有更大的優勢。國內已有部分科學工作者將該方法運用到農業生產的分類中，例如蔡騁等人已嘗試將此方法應用于雜草種子的分類中，韓安太等人嘗試將此方法應用于害蟲的分類中。
現有技術僅將稀疏表征分類直接的應用，重構過程缺乏理論性，無法保證解的唯一性，因此分類結果缺乏可靠性及穩定性。
發明內容
本發明的目的是提供ー種害蟲稀疏表征分類識別方法及分類識別裝置，用于解決現有分類識別方法準確性低，穩定性、可靠性差的問題。名詞解釋。約束等距性條件即“RIP條件”,Restricted Isometry Property。訓練集模式識別中數據分為訓練集和測試集，本文中的訓練集指的是構造樣本矩陣的包含k類害蟲的所有圖片。字典指的是冗余字典(overcomplete dictionary),即本文提到的由害蟲特征構成的訓練樣本矩陣(A和^)。“稀疏性或可壓縮性”指的是原始信號經過變換后僅有小部分大系數，其他變換域系數都為O或接近于O。為實現上述目的，本發明的方法方案是ー種害蟲稀疏表征分類識別方法，步驟如下 a)對k類害蟲進行編號，每類害蟲序號為t，t = 1，2，…，k ;b)對包含k類害蟲的所有圖片進行圖像預處理；c)對預處理后的所有圖片進行特征提取提取得到樣本矩陣A e Rmxn, m<n,A =[A1, k2···，Ak], A1, k2···，Ak 分別與 1，2，…，k 類害蟲對應；d)構造ー個滿足為 ,0，丄I，i，j = I, 2. · ·，m的高斯矩陣Φ e RnXn，其中(^ij
Vm)
為Φ中的元素，高斯矩陣Φ左乘樣本矩陣A得到滿足約束等距性條件的特征字典」=φ山e)對預處理后的任一待識別圖片進行特征提取，得到待識別樣本向量b，高斯矩陣Φ左乘待識別樣本向量b得到= 求解分類模型6 =中的X(i，noise是ー
個服從高斯分布的隨機噪聲，由于實際中存在誤差，通過算法重構的系數向量Xtl用X0表示；f)對害蟲進行識別運用殘差函數對ち進行殘差求解，得到殘差值向量z = Iz1,Z2,.J t = 1,2,…，k，如果最終殘差值向量中值最小項為項zt，則待識別的害蟲圖像為第t類害蟲。步驟b)中，圖像預處理包括對圖片采用中值濾波的方法進行去噪；采用最大類間方差求解自適應閾值，對圖像進行分割。步驟c) ^,A = [A1 ,Α2,···,Αι] = [νη,νη, ",Vmj ]= [νη，ν,2,··.，ν叫]Gi '表不第t(l ^ t ^ k)類害蟲的特征，其中nt為t類害蟲樣本個數，vtp，p = 1，"％1^為第セ類害蟲的訓練樣本，它由15個分類特征構成面積、周長、延伸率、標準積、復雜度、占空比、等效半徑、偏心率、I階不變矩，2階不變矩，3階不變矩，4階不變矩，5階不變矩，6階不變矩，7階不
變矩；得到樣本矩陣A后，利用歸ー化函數《 =—2-^t= l，2...，k，q= l，2...，m
對15個特征進行歸一化,式中a tq表示第t類害蟲第q個特征,minq和maxq分別表示害蟲第q個特征的最小值和最大值。步驟e)中，分類模型/7 = AX0 + 通過如下步驟獲得
Oh = ΦΑχΗ = φΗ = ΦΑ χ.+χηο 8 ι)= Φ傘0 + Xnm-J=ΦΑχ0+ΦAxnoise= A X,+noiseXmise為向量元素值很小的噪聲向量,其中Xfl ニ
，A1, A2-，Ak 分別與 I, 2，…，k 類害蟲對應；d)特征字典構造模塊，該模塊構造ー個滿足も M 0,-1，i，j = 1，2. . .，m的高
Vmj
斯矩陣Φ e ΓΧπ，其中小り為Φ中的元素，高斯矩陣Φ左乘樣本矩陣A得到滿足約束等距性條件的特征字典/! = Φ/he)求解模塊，該模塊對預處理后的任一待識別圖片進行特征提取，得到待識別樣本向量b，高斯矩陣Φ左乘待識別樣本向量b得到^ = (Pb ;求解分類模型み=Axlt + o/se中的X(l，noise是ー個服從高斯分布的隨機噪聲，由于實際中存在誤差，通過算法重構的系數向量Xo用X15表示；f)對步驟e)所述任ー待識別圖片進行害蟲識別的模塊，該模塊運用殘差函數對&
進行殘差求解，得到殘差值向量こ=[んろ,…々，…，；；^= 1，2，···，k，如果最終殘差值向量中值最小項為項zt，則待識別的害蟲圖像為第t類害蟲。模塊b)中，圖像預處理包括對圖片采用中值濾波的方法進行去噪；采用最大類間方差求解自適應閾值，對圖像進行分割。模塊
權利要求
1.一種害蟲稀疏表征分類識別方法，其特征在于，步驟如下 a)對k類害蟲進行編號，每類害蟲序號為t，t= 1，2，…，k ; b)對包含k類害蟲的所有圖片進行圖像預處理； c)對預處理后的所有圖片進行特征提取提取得到樣本矩陣
2.根據權利要求I所述的一種害蟲稀疏表征分類識別方法，其特征在于，步驟b)中，圖像預處理包括對圖片采用中值濾波的方法進行去噪；采用最大類間方差求解自適應閾值，對圖像進行分割。
3.根據權利要求2所述的一種害蟲稀疏表征分類識別方法，其特征在于，步驟c)中，t(l彡t彡k)類害蟲的特征，其中nt為t類害蟲樣本個數，vtp, P = I, - ,nt為第t類害蟲的訓練樣本，它由15個分類特征構成面積、周長、延伸率、標準積、復雜度、占空比、等效半徑、偏心率、I階不變矩，2階不變矩，3階不變矩，4階不變矩，5階不變矩，6階不變矩，7階不變矩；得到樣本矩陣 A后,利用歸一化函
4.根據權利要求3所述的一種害蟲稀疏表征分類識別方法，其特征在于，步驟e)中，分類模型
5.根據權利要求4所述的一種害蟲稀疏表征分類識別方法，其特征在于，步驟f)中，所述的殘差函數為
6.一種害蟲稀疏表征分類識別裝置，其特征在于，包括 a)對k類害蟲進行編號的模塊，該模塊將每類害蟲分配序號t，t=1，2，···，k; b)對包含k類害蟲的所有圖片進行圖像預處理的模塊； c)對預處理后的所有圖片進行特征提取的模塊該模塊提取圖片特征，得到樣本矩陣A e Rmxn, m<n,A = [A1, A2-，Ak]，A1, A2-，Ak 分別與 I, 2，...，k 類害蟲對應； d)特征字典構造模塊，該模塊構造一個滿足
7.根據權利要求6所述的一種害蟲稀疏表征分類識別裝置，其特征在于，模塊b)中，圖像預處理包括對圖片采用中值濾波的方法進行去噪；采用最大類間方差求解自適應閾值，對圖像進行分割。
8.根據權利要求7所述的一種害蟲稀疏表征分類識別方法，其特征在于，模塊c)中，2 為，…，^] = [V11,V12，…，VmJ，4= [vfl,Vi2,··■，']€/Txnf表示第 t(l 彡 t 彡 k)類害蟲的特征，其中nt為t類害蟲樣本個數，vtp, P = I, - ,nt為第t類害蟲的訓練樣本，它由15個分類特征構成面積、周長、延伸率、標準積、復雜度、占空比、等效半徑、偏心率、I階不變矩，2階不變矩，3階不變矩，4階不變矩，5階不變矩，6階不變矩，7階不變矩；得到樣本矩陣A后，利用歸一化函數
9.根據權利要求8所述的一種害蟲稀疏表征分類識別方法，其特征在于，模塊e)中，分類模型
10.根據權利要求9所述的一種害蟲稀疏表征分類識別方法，其特征在于，模塊f)中，所述的殘差函數為
全文摘要
本發明涉及一種害蟲稀疏表征分類識別方法與分類識別裝置，包括對k類害蟲進行編號；對包含k類害蟲的所有圖片進行圖像預處理；對預處理后的所有圖片進行特征提取滿足約束等距性條件的特征字典的構造；對預處理后的任一待識別圖片進行特征提取；求解分類模型；對害蟲進行識別。由于本發明的特征字典符合RIP條件，所以本發明所提出的識別方法準確度高、可靠性與穩定性強，性能優于現有技術。
文檔編號G06K9/62GK102819748SQ20121025156
公開日2012年12月12日 申請日期2012年7月19日 優先權日2012年7月19日
發明者傅洪亮, 陶華偉, 張元 , 張德賢, 楊鐵軍, 樊超, 梁義濤, 管愛紅, 張建華 申請人:河南工業大學