CN104102922A

CN104102922A - 一种基于上下文感知字典学习的害虫图像分类方法

Info

Publication number: CN104102922A
Application number: CN201410337565.9A
Authority: CN
Inventors: 王儒敬; 谢成军; 李�瑞; 张洁; 洪沛霖; 宋良图; 董伟; 周林立; 郭书普; 张立平; 黄河; 聂余满
Original assignee: Agricultural Economy And Information Research Of Anhui Academy Of Agricultural Sciences; Hefei Institutes of Physical Science of CAS
Current assignee: Agricultural Economy And Information Research Of Anhui Academy Of Agricultural Sciences; Hefei Institutes of Physical Science of CAS
Priority date: 2014-07-15
Filing date: 2014-07-15
Publication date: 2014-10-15
Anticipated expiration: 2034-07-15
Also published as: CN104102922B

Abstract

本发明提供一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；将待分类害虫图像进行预处理，得到测试样本；将测试样本进行稀疏表示维数约简处理；将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。本发明能够提高复杂场景中的害虫图像分类的精度和效率，提升传统农作物害虫诊断模式。

Description

一种基于上下文感知字典学习的害虫图像分类方法

技术领域

本发明涉及计算机视觉、模式识别、智能农业等技术领域，具体是一种基于上下文感知字典学习的害虫图像分类方法。

背景技术

害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产。施用化学农药虽能够大大减轻农业损失，但使用化学农药引起的“三致”问题(指农药对高等动物的致基因突变、致癌、致畸作用)、农药残留、环境污染等负面影响日益突出。可见，对害虫进行预测预报，从而进行有效防治显得尤为重要，但进行这些工作的前提之一，就是要对害虫进行准确地分类与识别。传统的害虫图像分类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，针对害虫图像的复杂背景、图像中害虫的不同姿态等情况，仅利用害虫图像外观特征信息进行训练学习，其识别的难度较大，识别精度有限。为此，如何开发出一种速度快、精度高的害虫图像分类方法已经成为亟待解决的技术问题。

发明内容

本发明的目的在于提供一种基于上下文感知字典学习的害虫图像分类方法，以提高在复杂背景下，害虫分类与识别的精度。

本发明的技术方案为：

一种基于上下文感知字典学习的害虫图像分类方法，该方法包括以下步骤：

(1)将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；

(2)将待分类害虫图像进行预处理，得到测试样本；

(3)将测试样本进行稀疏表示维数约简处理；

(4)将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；

(5)对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(1)中，构造学习函数，利用训练样本完成害虫图像过完备字典的学习，具体包括：

(21)构造如下学习函数：

\begin{matrix} < D, A, G, W (:) > \\ = \arg \min_{D, A, G, W (:)} {| | Y - D_{0} A_{0} | |}_{2}^{2} + Σ_{i = 1}^{n} L {y_{i}, f (a_{i}, G_{0})} \\ + Σ_{j = 1}^{m} Σ_{i = 1}^{n} M {l_{i} (j), g (a_{i}, W_{0} (j))} + λ {| | G_{0} | |}_{2}^{2} + μ Σ_{i = 1}^{m} {| | W_{0} (j) | |}_{2}^{2} \end{matrix}

其中，D表示通过学习得到的过完备字典，A表示通过学习得到的所有类别训练样本的稀疏系数，G表示通过学习得到的线性多类分类器参数，W(:)表示通过学习得到的回归模型参数，Y表示所有类别训练样本，D₀表示初始字典，A₀表示所有类别训练样本的初始稀疏系数，y_i表示第i类训练样本，n表示训练样本的总类别数，L{y_i，f(a_i，G₀)}表示第i类训练样本的分类器学习函数，a_i表示第i类训练样本的稀疏系数，f(a_i，G₀)表示含有参数G₀的线性多类分类器模型，G₀表示线性多类分类器初始参数，M{l_i(j)，g(a_i，W₀(j))}表示第i类训练样本的第j个上下文感知信息的回归学习函数，m表示每类训练样本的上下文感知信息的总个数，g(a_i，W₀(j))表示上下文感知信息的回归模型，l_i(j)表示第i类训练样本的第j个上下文感知信息的学习标记信息，λ、μ表示预设参数；

(22)读取害虫图像样本库，对训练样本进行学习，直至每类训练样本的稀疏系数均满足如下约束条件：

||a_i||₀≤T

其中，a_i表示第i类训练样本的稀疏系数，T表示预设阈值。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(2)中，将待分类害虫图像进行预处理，具体包括：对待分类害虫图像进行去噪、增强与分割。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(3)具体包括：

(31)计算出测试样本的稀疏系数：

x＝D_m′a_x

其中，x表示测试样本，D_m′是通过学习得到的过完备字典的一部分，即只考虑训练样本的m′个上下文感知信息，a_x表示测试样本的稀疏系数；

(32)将测试样本的稀疏系数进行约简：

\hat{a_{x}} = \min {| | a_{x} | |}_{1}

其中，表示a_x约简后的估计值。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(4)中，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差，具体采用如下公式得到：

e_{ji} (x) = {| | x - D \hat{a_{x}} | |}_{2}^{2} + λ Σ_{j = 1}^{m} Σ_{i = 1}^{n} {| | l_{i} (j) - W (j) \hat{a_{x}} | |}_{2}^{2}

其中，e_ji(x)表示测试样本与第i类训练样本的第j个上下文感知信息的残差，x表示测试样本，D表示通过学习得到的过完备字典，表示测试样本的稀疏系数约简后的估计值，λ表示预设参数，m表示上下文感知信息的总个数，n表示训练样本的总类别数，l_i(j)表示第i类训练样本的第j个上下文感知信息的学习标记信息，W(j)表示通过学习得到的回归模型参数。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(5)，具体包括：

(1)找出测试样本与各类训练样本上下文感知信息的残差最小值，该残差最小值对应的训练样本的类别，即为测试样本的类别；

(2)若测试样本与各类训练样本上下文感知信息的残差不存在最小值，则通过聚类分析将测试样本放入害虫图像样本库。

所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤(21)中，

所述含有参数G₀的线性多类分类器模型f(a_i，G₀)，构造如下：

f(a_i，G₀)＝HG₀a_i

其中，G₀表示线性多类分类器初始参数，a_i表示字典重构过程中第i类训练样本的稀疏系数；

所述上下文感知信息的回归模型g(a_i，W₀(j)，构造如下：

g(a_i，W₀(j))＝W₀(j)a_i

其中，W₀(j)表示回归模型初始参数，a_i表示字典重构过程中第i类训练样本的稀疏系数。

由上述技术方案可知，本发明是对已知类别的害虫图像的上下文感知信息进行特征学习并构造相应的学习字典，与现有技术仅利用害虫图像外观特征信息进行训练学习相比，提高了复杂场景中的害虫图像分类的精度和效率，提升了传统农作物害虫诊断模式，提高了农田管理效率，方便了用户。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明。

如图1所示，一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：

S1、读取害虫图像样本库，害虫图像字典学习

S11、将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到训练样本，上下文感知信息包括时间信息、空间信息、作物信息、气候信息等。

S12、构造学习函数，扩展K-SVD算法完成过完备字典的学习：

\begin{matrix} < D, A, G, W (:) > \\ = \arg \min_{D, A, G, W (:)} {| | Y - D_{0} A_{0} | |}_{2}^{2} + Σ_{i = 1}^{m} L {y_{i}, f (a_{i}, G_{0})} \\ + Σ_{j = 1}^{m} Σ_{i = 1}^{n} M {l_{i} (j), g (a_{i}, W_{0} (j))} + λ {| | G_{0} | |}_{2}^{2} \\ + μ Σ_{j = 1}^{m} {| | W_{0} (j) | |}_{2}^{2}, S . T . {&ForAll;}_{i}, {| | a_{i} | |}_{o} \leq T \end{matrix}

其中，D表示通过学习得到的过完备字典，A表示通过学习得到的所有类别训练样本的稀疏系数，G表示通过学习得到的线性多类分类器参数，W(:)表示通过学习得到的回归模型参数，Y表示所有类别训练样本，D₀表示初始字典，A₀表示所有类别训练样本的初始稀疏系数，y_i(i＝1，2，…，n)表示第i类训练样本，L{y_i，f(a_i，G₀)]表示第i类训练样本的分类器学习函数，a_i表示字典重构过程中第i类训练样本的稀疏系数，f(a_i，G₀)表示构造的含有参数G₀的线性多类分类器模型，G₀∈R^n×k(R^n×k为n×k维的有理数矩阵，k由训练样本的大小决定)表示线性多类分类器初始参数，M{l_i(j)，g(a_i，W₀(j))}表示第i类训练样本的第j(j＝1，2，…，m)个上下文感知信息的回归学习函数，

g(ai，W₀(j))表示构造的上下文感知信息的回归模型，W₀(j)∈R^m×k(R^m×k为m×k维的有理数矩阵，k由训练样本的大小决定)表示回归模型初始参数，l_i(j)表示第i类训练样本的第j个上下文感知信息的学习标记信息，学习正确时取1，学习错误时取-1,λ、μ表示预设参数，表示字典学习的约束条件，T为预设阈值。

上述构造的含有参数G₀的线性多类分类器模型f(a_i，G₀)定义如下：

f(a_i，G₀)＝G₀a_i

其中，G₀∈R^m×k表示线性多类分类器初始参数，a_i表示字典重构过程中第i类训练样本的稀疏系数。

上述构造的上下文感知信息的回归模型g(a_i，W₀(j))定义如下：

g(a_i，W₀(j))＝W₀(j)a_i

其中，W₀(j)∈R^n×k表示回归模型初始参数，a_i表示字典重构过程中第i类训练样本的稀疏系数。

S2、待分类害虫图像预处理：对农户或者农技人员采集的待分类害虫图像进行图像预处理，包括去噪、增强与分割，得到测试样本。

S3、稀疏表示维数约简：将测试样本的稀疏系数进行约简，稀疏表示维数约简定义如下：

\hat{a_{x}} = \min {| | a_{x} | |}_{1}, s . t . x = D_{m^{'}} a_{x}, label (x) = m^{'}

其中，x表示测试样本,D_m′是通过学习得到的过完备字典D的一部分，即只考虑训练样本的m′(m′＜m)个上下文感知信息约束下的情况，如只考虑时间信息和作物信息，label(x)表示对测试样本x的标记信息，a_x表示测试样本x的稀疏系数，表示a_x约简后的估计值。

S4、将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，对测试样本的残差计算如下：

e_{ji} (x) = {| | x - D \hat{a_{x}} | |}_{2}^{2} + λ Σ_{j = 1}^{m} Σ_{i = 1}^{n} {| | l_{i} (j) - W (j) \hat{a_{x}} | |}_{2}^{2}

其中，e_ji(x)表示测试样本与第i类训练样本的第j个上下文感知信息的残差，x表示测试样本，D表示通过学习得到的过完备字典，表示测试样本的稀疏系数a_x约简后的估计值，λ表示预设参数，l_i(j)表示第i类训练样本的第j个上下文感知信息的学习标记信息，学习正确时取1，学习错误时取-1,W(j)表示通过学习得到的回归模型参数。

S5、用数学模型反映测试样本与训练样本的共同存在信息，测试样本的上下文感知信息表示模型构造如下：

Σ_{j = 1}^{m} [e_{j 1} (x), e_{j 2} (x), \cdot \cdot \cdot, e_{jn} (x)]

其中，m表示测试样本的上下文感知信息的总个数，与训练样本的上下文感知信息的总个数一致，n表示训练样本的总类别数。

测试样本的每个上下文感知信息表示定义为一个n维向量：

[e_j1(x)，e_j2(x)，…e_jn(x)]

S6、根据如下计算公式对测试样本的类别进行判定：

< i > = \arg \min_{x} (Σ_{j = 1}^{m} [e_{j 1} (x), e_{j 2} (x), \cdot \cdot \cdot, e_{jn} (x)])

由上述可知，e_ji(x)表示测试样本与第i类训练样本的第j个上下文感知信息的残差，则表示测试样本与第i类训练样本的上下文感知信息的残差，i＝1，2，…，n。越小，表示测试样本x与该类的相似度越高，因此，找出的最小值所对应的训练样本类别i，即可判定为测试样本x所属类别。若不存在最小值，则将测试样本x判定为未知类别，通过聚类分析放入害虫图像样本库。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims

1.一种基于上下文感知字典学习的害虫图像分类方法，其特征在于，该方法包括以下步骤：

(2)将待分类害虫图像进行预处理，得到测试样本；

(3)将测试样本进行稀疏表示维数约简处理；

2.根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(1)中，构造学习函数，利用训练样本完成害虫图像过完备字典的学习，具体包括：

(21)构造如下学习函数：

\begin{matrix} < D, A, G, W (:) > \\ = \arg \min_{D, A, G, W (:)} {| | Y - D_{0} A_{0} | |}_{2}^{2} + Σ_{i = 1}^{n} L {y_{i}, f (a_{i}, G_{0})} \\ + Σ_{j = 1}^{m} Σ_{i = 1}^{n} M {l_{i} (j), g (a_{i}, W_{0} (j))} + λ {| | G_{0} | |}_{2}^{2} + μ Σ_{i = 1}^{m} {| | W_{0} (j) | |}_{2}^{2} \end{matrix}

其中，D表示通过学习得到的过完备字典，A表示通过学习得到的所有类别训练样本的稀疏系数，G表示通过学习得到的线性多类分类器参数，W(:)表示通过学习得到的回归模型参数，Y表示所有类别训练样本，D₀表示初始字典，A₀表示所有类别训练样本的初始稀疏系数，y_i表示第i类训练样本，n表示训练样本的总类别数，L{y_i，f(a_i，G₀)}表示第i类训练样本的分类器学习函数，a_i表示第i类训练样本的稀疏系数，f(a_i，G₀)表示含有参数G₀的线性多类分类器模型，G₀表示线性多类分类器初始参数，M{l_i(j)，g(ai，W₀(j))}表示第i类训练样本的第j个上下文感知信息的回归学习函数，m表示每类训练样本的上下文感知信息的总个数，g(a_i，W₀(j))表示上下文感知信息的回归模型，l_i(j)表示第i类训练样本的第j个上下文感知信息的学习标记信息，λ、μ表示预设参数；

||a_i||₀≤T

其中，a_i表示第i类训练样本的稀疏系数，T表示预设阈值。

3.根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(2)中，将待分类害虫图像进行预处理，具体包括：对待分类害虫图像进行去噪、增强与分割。

4.根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(3)具体包括：

(31)计算出测试样本的稀疏系数：

x＝D_m′a_x

(32)将测试样本的稀疏系数进行约简：

\hat{a_{x}} = \min {| | a_{x} | |}_{1}

其中，表示a_x约简后的估计值。

5.根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(4)中，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差，具体采用如下公式得到：

e_{ji} (x) = {| | x - D \hat{a_{x}} | |}_{2}^{2} + λ Σ_{j = 1}^{m} Σ_{i = 1}^{n} {| | l_{i} (j) - W (j) \hat{a_{x}} | |}_{2}^{2}

6.根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(5)，具体包括：

7.根据权利要求2所述的基于上下文感知字典学习的害虫图像分类方法，其特征在于，所述步骤(21)中，

f(a_i，G₀)＝G₀a_i

所述上下文感知信息的回归模型g(a_i，W₀(j))，构造如下：

g(a_i，W₀(j))＝W₀(j)a_i