基于机器视觉的东亚飞蝗图像特征提取方法

摘要

本发明属于计算机科学与技术领域，涉及一种基于机器视觉的东亚飞蝗图像特征提取方法。所述方法包括：对东亚飞蝗进行特征分析，选取东亚飞蝗的主要特征；依据东亚飞蝗的特征，选取图像特征提取方法；运用Matlab工具箱中的纹理计算函数，将图像信息转化为数值信息；根据主成分分析和差异分析，选取特定适合的分量特征作为东亚飞蝗图像特征。本发明采用的东亚飞蝗图像特征提取方法能很好的区分东亚飞蝗种类，具有良好的准确性。本发明所述的方法可以为东亚飞蝗的分类识别提供技术支持，并对以后各类害虫的图像特征提取和分类识别具有指导意义。

说明书

技术领域

本发明属于计算机科学与技术领域，涉及一种基于机器视觉的东亚飞蝗图像特征提取方法。

背景技术

蝗虫是世界性害虫，历史上造成过巨大的灾难。目前我国飞蝗发生区涉及16个省市区，波及近200个县，其中重发生区100个县，夏秋季飞蝗的发生面积达2500～3000万亩；土蝗发生区域涉及20余个省，波及近500个县，其中严重发生区200个县，发生面积在2亿亩以上。近几年东亚飞蝗发生频率上升，危害程度加重，其中2014年7月内蒙古赤峰市巴林右旗西拉沐沦苏木的谷田出现蝗虫灾害，农作物受灾面积95.7万亩，草牧场受灾面积1200万亩；2014年7月内蒙古赤峰市阿鲁科尔沁旗爆发了严重蝗灾，该地区2014年蝗虫发生面积120万亩，严重发生面积80万亩，平均蝗虫密度每平方米38头，局部最大蝗虫密度达到每平方米210头以上；2014年8月河南荥阳3000亩黄河滩遭遇蝗灾，玉米地被啃食殆尽。我国每年因蝗害造成的经济损失达几十亿元。

从国内外研究现状可以看出，有学者基于单一特征对昆虫的自动识别进行了研究，该研究以形态特征，还有学者基于多特征融合将SIFT局部特征匹配方法应用到昆虫识别的研究与设计中，在基于计算机视觉的农业昆虫识别研究中，尽管有研究者提出了研究方案，但识别的准确率都有待提高。

发明内容

针对上述问题，本发明公开了一种基于机器视觉的东亚飞蝗图像特征提取方法，能够可靠的为东亚飞蝗的分类识别提供技术支持。

为了实现上述目的，本发明采用以下技术方案：

一种基于机器视觉的东亚飞蝗图像特征提取方法，其特征在于，所述方法包括以下步骤：

步骤1对东亚飞蝗进行特征分析，选取东亚飞蝗的特征；

步骤2依据选取的东亚飞蝗的特征，进行图像特征提取；

步骤3将图像信息转化为数值信息；

步骤4选取分量特征作为东亚飞蝗图像特征。

所述步骤1中对东亚飞蝗进行特征分析：根据蝗科特征和飞蝗属特征特性区别出飞蝗，其中蝗科特征为头部插入前胸中，两侧单眼各3个，前胸腹板有短的钉状突起后足腿节加厚，有刺；飞蝗属特征为成虫雄体体长33.5mm-41.5mm，雌39.5mm-51.2mm，颜面垂直，复眼呈现卵形，复眼中暗色斑纹一条，其前胸背板的中隆线呈现弧形或者微凹，其中隆线的两侧有暗色纵条纹，前翅呈现褐色有光泽，上面有暗色斑纹，其后翅为无色或淡黄色，表面有刺；然后再根据散居东亚飞蝗的前胸背板狭长，中隆线隆起；群居东亚飞蝗的前翅比散居东亚飞蝗的前翅长出腹部的比例大；在前翅长与后足腿节长的比率中，群居东亚飞蝗的比例大于2，而散居东亚飞蝗的比率小于2；后足胫节颜色方面，群居东亚飞蝗呈现淡黄色，散居东亚飞蝗的后足胫节呈现红色特性，将飞蝗分为群居和散居两类。

所述步骤2中选取的东亚飞蝗的特征为分别从东亚飞蝗的头部、前胸背板、后足、翅膀四个部位的俯视图和侧视图两个角度所提取的纹理特征、颜色特征及形状特征。

所述的步骤2中图像特征提取包括：对于纹理特征的提取采用计算能量、熵、逆差矩、对比度的方法；对于颜色特征采用计算一阶矩、二阶矩的方法；对于形状特征的提取采用计算面积、周长、复杂度、偏心率、占空比、球状性的方法；

所述的步骤3中将图像信息转为数值信息方法为通过Matlab工具箱中的纹理计算函数，将图像信息转化为数值信息；数字纹理特征有：图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量。

所述步骤4中选取分量特征的方法为主成分分析法和差异分析法，根据主成分分析调整变量个数，然后根据差异分析，采取2倍的原则，剔除异常值，根据分析，提取前N个作为主成分，N为设定值。

所述步骤4中选取分量特征包括头部的二阶矩、头侧的颜色一阶矩B分量、后足侧的斑点比例、前胸背板的平稳度和前胸背板的颜色一阶矩B分量。

有益效果

本发明所述的一种基于机器视觉的东亚飞蝗图像特征提取方法提取的特征识别率高，能为东亚飞蝗的分类识别打下坚实的基础。本发明提出的方法能应用到其他昆虫的特征提取。

附图说明

图1为本发明所述方法流程图；

图2为本发明的图像特征内容图；

图3为本发明的主成分分析步骤图；

图4为本发明的主成分分析碎石图；

图5为本发明的主成分分析结果图；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

图1为本发明所述的基于机器视觉的东亚飞蝗图像特征提取方法的流程图，该方法按照以下步骤进行：

S1、对东亚飞蝗进行特征分析，选取东亚飞蝗的主要特征；

S1-1：对东亚飞蝗进行生物特征分析，表1是东亚飞蝗的生物特征分析。

表1东亚飞蝗特征分析

S1-2：选取东亚飞蝗的主要特征。经过对东亚飞蝗特性的生物学分析，初步确定从翅膀，前胸背板，后足，头部四个方面区分不同种类的东亚飞蝗。

S2、依据东亚飞蝗的特征，选取图像特征提取方法，如图2所示；

纹理特征

灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为G(i,j)＝#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)＝i,f(x2,y2)＝j}，其中#(x)表示集合x中的元素个数。

1、能量$>ASM=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{\left(G\right(i,j\left)\right)}^2$>

图像灰度分布均匀程度和纹理粗细的一个度量，如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种均一和规则变化的纹理模式。

2、熵>

图像具有的信息量的度量，表明图像的复杂程序，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

3、逆差矩$>IDM=\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}\frac{G(i,j)}{1+{(i-j)}^2}$>

反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大；杂乱无章的，难于描述的，值较小。

4、对比度$>CON=\underset{i=1}{\overset{k-1}{\Sigma }}{n}^2\left\{{\Sigma }_{\left|i-j\right|=n}G(i,j)\right\}$>

反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。

颜色特征

颜色矩主要用来过滤图像和缩小检索范围，有一阶矩(均值,mean)、二阶矩(方差,viarance)和三阶矩(斜度,skewness)等，因为颜色信息主要分布于低阶矩中，用一阶矩，二阶矩就可以表达图像的颜色分布。颜色矩能有效地表示颜色信息。

1、一阶矩$>{\mu }_i=\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{p}_{i,j}$>

2、二阶矩$>{\sigma }_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\Sigma }}{\left(p_{i,j}-{\mu }_i\right)}^2\right)}^{\frac{1}{2}}$>

其中，p_i,j表示彩色图像第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像中像素的个数。

优点：不需要颜色空间量化，特征向量维数低

缺点：检索效率比较低

形状特征

1、面积

$>A=\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f(x,y)$>

其中f(x,y)为一幅二维数字图象，其大小为M×N。

2、周长：

P＝A-SUM(in)

其中A表示面积，SUM(in)表示内部的像素的总数。

3、复杂度：

C＝P²/4πA

其中P表示周长，A表示面积。

描述物体的紧凑性，圆形物体的复杂度为1

4、偏心率：EC＝p/q

其中p表示区域主轴(长轴)的长度，q表示区域辅轴(短轴)的长度。

描述了区域的紧凑性，目标长轴与短轴比值的定义方式受物体形状和噪声的影响很大，而基于惯量定义的偏心率抗干扰能力较强。

5、球状性：SP＝r_i/r_c

其中，r_i、r_c分别为内切圆和外接圆的半径，圆心都在重心上。

S3、运用Matlab工具箱中的纹理计算函数，将图像信息转化为数值信息；

经过S1和S2的研究，拟定从东亚飞蝗的头部、前胸背板、后足、翅膀等四个部位，分别从俯视图和侧视图两个角度提取相关特征：纹理特征、颜色特征、形状特征。

纹理特征是对图像灰度空间分布模式的提取和分析。纹理可以反映物体的结构。常用的数字纹理特征有：图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量。纹理特征可以用来衡量东亚飞蝗表面的纹理特性，应用Matlab工具箱中的纹理计算函数，将图像信息转化为数值信息。

东亚飞蝗头部特征提取结果如下所示，其他部位特征提取和头部一样。

表2东亚飞蝗头部测试蝗虫提取纹理特征值分析(部分)

表3东亚飞蝗头部测试蝗虫提取纹理特征值分析(部分)

表4东亚飞蝗头部测试蝗虫提取纹理特征值分析(部分)

S4、根据主成分分析和差异分析，选取特定适合的分量特征作为东亚飞蝗图像特征。

S4-1：进行特征提取时，一般会选择比较多的东亚飞蝗特征，因此需通过主成分分析，调整变量个数。主成分分析步骤如图3所示。

数据分析结果如下：

表5描述分析量

根据上述的分析，超过μ±2α的为异常值，剔除异常值，表5为解释的总方差。

表6解释的总方差

如图4所示，根据分析，提取前15个作为主成分。

S4-2：利用主成分分析和差异分析，其结果如图5所示，取头部的二阶矩，头侧的颜色一阶矩B分量，后足侧的斑点比例，前胸背板的平稳度，前胸背板的颜色一阶矩B分量作为分量的特征。