一种基于形态学多特征融合的害虫图像分类方法及系统技术方案

本发明专利技术涉及基于形态学多特征融合的害虫图像分类方法，该方法包括训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行预处理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵；测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取测试图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵；识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出相似度最高的类别，根据相似度得到害虫种类与防治方法。本发明专利技术还公开了基于形态学多特征融合的害虫图像分类系统。本发明专利技术提高了害虫识别率与程序的鲁棒性，提升了害虫识别在农业生产中的实际应用价值。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及基于形态学多特征融合的害虫图像分类方法，该方法包括训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行预处理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵；测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取测试图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵；识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出相似度最高的类别，根据相似度得到害虫种类与防治方法。本专利技术还公开了基于形态学多特征融合的害虫图像分类系统。本专利技术提高了害虫识别率与程序的鲁棒性，提升了害虫识别在农业生产中的实际应用价值。【专利说明】一种基于形态学多特征融合的害虫图像分类方法及系统
本专利技术涉及智能农业以及模式识别
，尤其是一种基于形态学多特征融合 的害虫图像分类方法及系统。
技术介绍
害虫是农作物生长的大敌，在农作物整个生长期内都有发生，可造成农作物的大 量减产。现行的害虫分类、识别工作主要依靠少数植保专家和农技人员来完成，然而害虫种 类繁多，每一位植保专家穷其所能也只能识别部分害虫。越来越多的迹象表明，对害虫识别 需求的增多与害虫识别专家的相对较少的矛盾已日益加剧，自动害虫图像的识别具有非常 重要的意义，然而自动害虫图像的识别方法识别率低，鲁棒性较差，只存在实验阶段，寻求 一种识别率高、鲁棒性强的害虫识别方法具有非常重要的意义。
技术实现思路
本专利技术的首要目的在于提供一种能够实现害虫图像的自动识别，且识别率高、鲁 棒性强的基于形态学多特征融合的害虫图像分类方法。 为实现上述目的，本专利技术采用了以下技术方案：一种基于形态学多特征融合的害 虫图像分类方法，该方法包括下列顺序的步骤： (1)训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行 预处理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵； (2)测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取 测试图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵； (3)识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出 相似度最高的类别，根据相似度得到害虫种类与防治方法。 在训练过程中，对训练集中所有图像运用GrabCut方法进行图像分割，其主要步 骤如下： (1)定义背景集TF为矩形框外部分，前景集1= Φ，未知区域中像 素 η的属性α η = 1,其余像素 α η = 0,对α η = 1和α η = 0两类像素分别统计GMM ; ⑵为L中像素 η估计所在的GMM部件： kn = argmin D it(a n ,kn,0, z n) A n. (3)获得 GMM 参数 θ = arg m in (α , λ , z) (4)最小切割方法估计分割： 「00151 m in min E (a , k ,θ, z) L 」 {a" :/7 e } k (5)重复第2步，直到收敛； 其中，α为不透明度向量，αη为第η个像素点的不透明度；k为优化过程中引入 的向量，kn为每个像素的独立参数；Θ为图像前景与背景的灰度直方图；z为图像灰度值数 组，zn为第η个像素点的灰度值D n(an，kn，θ，Ζη)表示第n个GMM数据项，E(a，k，θ， ζ)表 示Gibbs能量函数。 在训练过程中，所述对训练图像进行预处理包括以下步骤： (1)统一每副训练图像的大小； (2)将图像灰度化，并将灰度化后的图像进行灰度均衡化； (3)将图像二值化，设置阈值，将灰度图像变为二值图像； (4)进行膨胀腐蚀，通过对二值图像进行膨胀腐蚀操作去除小的非相关区域； (5)进行图像去噪，使用中值滤波方法去掉噪声点。 在训练过程中，所述提取训练图像的形态学特征包括以下步骤： (1)提取Hu不变特征，其步骤如下： a)计算图像函数：f (X，y)的（p+q)阶普通矩和中心矩： 【权利要求】1. 一种基于形态学多特征融合的害虫图像分类方法，该方法包括下列顺序的步骤： ⑴训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行预处 理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵； (2) 测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取测试 图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵； (3) 识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出相似 度最高的类别，根据相似度得到害虫种类与防治方法。2. 根据权利要求1所述的基于形态学多特征融合的害虫图像分类方法，其特征在于： 在训练过程中，对训练集中所有图像运用GrabCut方法进行图像分割，其主要步骤如下： (1) 定义背景集TF为矩形框外部分，前景集L = Φ，未知区域仏=5，令T"中像素 η 的属性α η = 1,其余像素 α η = 0,对α η = 1和α η = 0两类像素分别统计GMM ; (2) 为L中像素 η估计所在的GMM部件： kn = arg min Du{an,kη,θ, zn) (3) 获得GMM参数: Θ = a r g m i n (α , λ , , z ) (4) 最小切割方法估计分割： m in min E {a ,k ,θ, z) {an :n^Tv } k (5) 重复第2步，直到收敛； 其中，α为不透明度向量，a n为第n个像素点的不透明度；k为优化过程中引入的向 量，kn为每个像素的独立参数；Θ为图像前景与背景的灰度直方图；z为图像灰度值数组， zn为第η个像素点的灰度值Dn( a n, kn, θ，Zn)表示第n个GMM数据项，E( a，k, θ，z)表示 Gibbs能量函数。3. 根据权利要求1所述的基于形态学多特征融合的害虫图像分类方法，其特征在于： 在训练过程中，所述对训练图像进行预处理包括以下步骤： (1) 统一每副训练图像的大小； (2) 将图像灰度化，并将灰度化后的图像进行灰度均衡化； (3) 将图像二值化，设置阈值，将灰度图像变为二值图像； (4) 进行膨胀腐蚀，通过对二值图像进行膨胀腐蚀操作去除小的非相关区域； (5) 进行图像去噪，使用中值滤波方法去掉噪声点。4. 根据权利要求1所述的基于形态学多特征融合的害虫图像分类方法，其特征在于： 在训练过程中，所述提取训练图像的形态学特征包括以下步骤： (1)提取Hu不变特征，其步骤如下： a)计算图像函数：f(x，y)的（p+q)阶普通矩和中心矩： H W mPq=lLlLxPyqf{x-y) /-1 7-1其中，p，q = 0, 1，2. .. ;x,j；表示图像的重心坐标；H，W为图像的高和宽；f(x，y)为像 素点灰度值，mM为普通矩，μ M为中心距； b) 计算归一化的中心矩： nPQ = μΡ,/(μ〇〇ρ) 其中：P = (p+q)/2+l ; 为归一化的中心矩； c) 计算7个不变矩： Hu = η本文档来自技高网...

【技术保护点】
一种基于形态学多特征融合的害虫图像分类方法，该方法包括下列顺序的步骤：(1)训练过程：对训练图像集的数据进行图像分割，对经分割后的训练图像进行预处理，提取训练图像的形态学特征，经过多形态特征融合，得到训练图像特征矩阵；(2)测试过程：输入待识别的测试图像，对测试图像进行图像分割、预处理，提取测试图像的形态学特征，经过多形态特征融合，得到测试图像特征矩阵；(3)识别害虫种类：计算测试图像特征矩阵与训练图像特征矩阵的相似度，找出相似度最高的类别，根据相似度得到害虫种类与防治方法。

【技术特征摘要】

【专利技术属性】
技术研发人员：王儒敬，李瑞，谢成军，张洁，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