一种基于多特征稀疏表示技术的害虫图像识别方法技术

本发明专利技术涉及一种基于多特征稀疏表示技术的害虫图像识别方法，与现有技术相比解决了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。本发明专利技术包括以下步骤：害虫图像的多特征提取；构建多特征训练样本矩阵；多特征融合学习；多特征融合识别。本发明专利技术提高了害虫识别的准确率。利用害虫图像的颜色特征、形状特征以及纹理特征分别构造相应的特征训练样本矩阵，结合稀疏表示识别框架，通过融合颜色、形状、纹理三种特征下的识别结果，实现了不同特征的有效融合。

【技术实现步骤摘要】

本专利技术涉及图像识别
，具体来说是。
技术介绍
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。
技术实现思路
本专利技术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，提供来解决上述问题。 为了实现上述目的，本专利技术的技术方案如下: ，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:

【技术保护点】
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：Df=[D1f,D2f...Dcf]]]>其中，Dif=[di,1f,di,2f...di,nif]]]>其中，为属于c类害虫中第i类害虫在特征f情况下第的ni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；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；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。

【技术特征摘要】
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，为属于C类害虫中第i类害虫在特征f情况下第的Ili个训练样本，dj.n, G Rnxi , i = 1，2，…，C ； j = I, 2，..., n ；f = I, 2, 3 ； Df 是第 i 类害虫的在特征情况下的训练样本矩阵，η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； 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。2.根据权利要求1所述的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，所述的害虫图像的多特征提取包括以下步骤: 21)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表不均值、σ 2表不方差、s表不标准差、S表不偏度、K表不峰度、RE表不摘、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； 22)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，LBPp, E(x, y)表示局部二值模式特征，i。表示中心像素点(x，y)的灰度值、in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23)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Upq是(p+q)阶中心矩； 偏心率式中，H为惯性积，A、B分别是绕Χ、Υ轴的转动...

【专利技术属性】
技术研发人员：王儒敬，张洁，谢成军，李瑞，洪沛霖，宋良图，董伟，周林立，郭书普，张立平，黄河，聂余满，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34