CN112258525A - 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 - Google Patents

一种基于鸟类高帧频序列图像丰度统计和种群识别算法 Download PDF

Info

Publication number
CN112258525A
CN112258525A CN202011184268.7A CN202011184268A CN112258525A CN 112258525 A CN112258525 A CN 112258525A CN 202011184268 A CN202011184268 A CN 202011184268A CN 112258525 A CN112258525 A CN 112258525A
Authority
CN
China
Prior art keywords
image
algorithm
target
bird
threshold
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011184268.7A
Other languages
English (en)
Other versions
CN112258525B (zh
Inventor
赵楚玥
史忠科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Feisida Automation Engineering Co Ltd
Original Assignee
Xian Feisida Automation Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Feisida Automation Engineering Co Ltd filed Critical Xian Feisida Automation Engineering Co Ltd
Priority to CN202011184268.7A priority Critical patent/CN112258525B/zh
Publication of CN112258525A publication Critical patent/CN112258525A/zh
Application granted granted Critical
Publication of CN112258525B publication Critical patent/CN112258525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

提供了一种基于遗传算法的KSW双阈值分割算法融合距离变换算法的高帧频序列图像鸟类丰度统计算法以及基于鸟类典型静态特征数据提取融合机器学习算法的高帧频序列图像鸟类种群识别算法的综合算法，该方法将多种算法的优势结合，利用高帧频序列图像作为研究对象，通过相邻两帧运动目标的位置变化预测飞鸟的运动轨迹，提取出有效的研究目标，利用距离变换操作提取出目标的骨架，经过形态学处理对目标中存在的粘连遮挡区域进行分离，进而对高密度鸟群的丰度进行准确统计，有效地解决现有方法难以对姿态多变、粘连严重的目标进行丰度统计的问题，进一步提高丰度统计的准确度。

Description

一种基于鸟类高帧频序列图像丰度统计和种群识别算法
技术领域
该方法涉及图像处理方法，特别涉及基于鸟类高帧频序列图像丰度统计和种群识别算法，属于图像处理领域。
背景技术
生态环境逐渐成为考量政府政绩的重要指标之一，如何实现与自然的和谐共生成为社会亟待解决的问题，鸟类丰度统计和种群识别对生物学、环境保护以及国家的可持续发展具有重大意义，更是生态环境评估的重要参考依据；鸟类作为一种群居类动物，在进行静态高密度丰度统计的过程中常因为人类的视觉误差导致计数不准确甚至肉眼无法计数的状况，如果计数方法不能进行改进，会耗费大量的人力、物力和时间；同时，对于濒危的珍稀鸟类，通过分析其行为特征可对其栖息地进行有效的保护。
目前，高密度飞鸟种群监测的有效方法是采用雷达和红外设备对相关区域进行全天大范围的监视，进而实现对飞鸟运动轨迹的预测；通常，对于高密度群体的丰度统计算法多应用于人类，利用深度学习的算法对重复出现的人群目标进行标定和大样本训练，即可得到图像中人群的数量；然而，这些方法难以对姿态多变、粘连重叠严重的目标进行丰度统计，故无法对对静态高密度鸟群进行丰度统计以及种类自动识别。
发明内容
针对现有方式存在的难以对静态高密度鸟类进行丰度统计以及无法自动识别飞鸟种类的缺陷，提供了一种基于遗传算法的KSW双阈值分割算法融合距离变换算法的高帧频序列图像鸟类丰度统计算法以及基于鸟类典型静态特征数据提取融合机器学习算法的高帧频序列图像鸟类种群识别算法的综合算法，该方法将多种算法的优势结合，利用高帧频序列图像作为研究对象，通过相邻两帧运动目标的位置变化预测飞鸟的运动轨迹，提取出有效的研究目标，利用距离变换操作提取出目标的骨架，经过形态学处理对目标中存在的粘连遮挡区域进行分离，进而对高密度鸟群的丰度进行准确统计，能够有效地解决现有方法难以对姿态多变、粘连严重的目标进行丰度统计的问题，采用高帧频序列图像还能够降低飞鸟运动过程中粘连甚至重叠区域的分离难度，进一步提高丰度统计的准确度；利用基于鸟类典型静态特征数据提取融合机器学习的高帧频序列图像鸟类种群识别算法，不仅能够把鸟类图像信息数据化，在压缩信息量的同时能够解决现有方法无法自动识别飞鸟种类的问题。
解决其技术问题所采用的的技术方案：一种基于高帧频序列图像的鸟类丰度统计和种群识别算法的综合算法，其特征包含以下步骤：
步骤一、鸟类高帧频序列图像获取流程如下：鸟类是一种群居动物，即高帧频序列图像中采集的目标均为同种飞鸟，由于鸟类飞行姿态多变，采集得到的目标呈现多种姿态和密度，根据帧间差分算法获得含有运动目标的高帧频序列图像；高帧频序列图像在相同时间内能够获得更多的视频帧序列，增加序列图像中的动态信息量，降低丰度统计过程中目标粘连甚至重叠的程度，同时大量保存了近距离大目标的特征信息；利用近距离的大目标进行种群识别，结合序列图像中存在的所有目标进行丰度统计，即能够同时达到丰度统计和种群识别的目标；改进的帧间差分法如下：
根据传统帧间差分法中第n帧和第n-1帧图像
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE004
中分别包含的像素点的灰度值
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE008
，即可得到传统帧间差分法图像
Figure DEST_PATH_IMAGE010
，其数学模型表示为：
Figure DEST_PATH_IMAGE012
利用高帧频序列图像，记视频序列中第n帧和第
Figure DEST_PATH_IMAGE014
帧图像分别为
Figure 478663DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE016
，其包含的像素点的灰度值分别记为
Figure 264478DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE020
为一个无穷小量，表示极短的间隔时间，即认定在相同时间内能够采集到更多帧和动态信息；将相邻两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到第n帧和第
Figure 929202DEST_PATH_IMAGE014
帧间的高帧频差分图像
Figure DEST_PATH_IMAGE022
，其数学模型表示为：
Figure DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE026
是一个无穷小量，表示高帧频序列图像能够在相同时间内尽可能监测更多帧，能够减小相邻两帧间由于获取信息量不足导致的误差；
步骤二、图像前景目标提取方法依据基于遗传算法的KSW双阈值分割算法和泊松图像编辑算法，具体描述和改进如下：
a.KSW双阈值算法:熵代表信息量，图像的信息量越大，则熵就越大，KSW双阈值分割算法就是找出一个最佳阈值使得图像总熵最大化；
传统的KSW分割算法中给定图像
Figure DEST_PATH_IMAGE028
，灰度级数量为
Figure DEST_PATH_IMAGE030
，故每个像素点的灰度级范围为
Figure DEST_PATH_IMAGE032
，则单阈值为
Figure DEST_PATH_IMAGE034
的图像其熵的测量值
Figure DEST_PATH_IMAGE036
为：
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
为直方图中第
Figure DEST_PATH_IMAGE042
个像素点对应的灰度值出现的概率，利用单阈值
Figure 676974DEST_PATH_IMAGE034
进行两类分割，则所有像素点对应的灰度值出现的总概率为
Figure DEST_PATH_IMAGE044
，第
Figure 360021DEST_PATH_IMAGE042
个像素点的灰度值对应的熵
Figure DEST_PATH_IMAGE046
，得到的概率分布分别为：
Figure DEST_PATH_IMAGE048
则前景和背景对应的熵
Figure DEST_PATH_IMAGE050
可分别表示为：
Figure DEST_PATH_IMAGE052
本发明中将图像分割成为N类，故有N-1个阈值，记作
Figure DEST_PATH_IMAGE054
，设图像的灰度级范围为
Figure DEST_PATH_IMAGE056
,则各类别对应的灰度值概率的分布
Figure DEST_PATH_IMAGE058
为:
Figure DEST_PATH_IMAGE060
由于研究对象为高帧频序列图像，相同时间内可高效成批处理数据，故每个类别均存在范围为
Figure 447231DEST_PATH_IMAGE056
的灰度值；区别于单个像素点，式中，
Figure DEST_PATH_IMAGE062
表示各类别所有灰度值出现的总概率，
Figure DEST_PATH_IMAGE064
表示各类别所对应的灰度级范围，均为
Figure 435189DEST_PATH_IMAGE056
，即
Figure DEST_PATH_IMAGE066
表示各类别对应的灰度值出现的概率；
则各类别对应的熵
Figure DEST_PATH_IMAGE068
可表示为：
Figure DEST_PATH_IMAGE070
熵的判别函数定义为
Figure DEST_PATH_IMAGE072
，使熵的判别函数最大的分割阈值为
Figure DEST_PATH_IMAGE074
；当N取3时，即得到KSW双阈值算法的数学模型
Figure DEST_PATH_IMAGE076
；
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算，给定输入图像
Figure 131793DEST_PATH_IMAGE028
，前景和背景部分像素点的集合分别表示为
Figure DEST_PATH_IMAGE078
，其中
Figure DEST_PATH_IMAGE080
为不透明度，则该图像可以表示为：
Figure DEST_PATH_IMAGE082
近似的遮罩梯度场可以表示为：
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE086
表示一阶微分过程；
Figure 672276DEST_PATH_IMAGE080
的重建可以通过泊松方程求解，泊松方程的数学模型可以表示为：
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE090
表示矢量的散度计算操作；
故局部泊松图像编辑的数学模型可表示为：
Figure DEST_PATH_IMAGE092
其中，
Figure DEST_PATH_IMAGE094
是由背景和目标引起的梯度场；
本发明通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定，计算掩膜梯度场，求解满足边界条件的泊松方程，从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标；
设对一个大目标用N个点进行边界标记，记边界
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE098
分别表示前景和背景中第
Figure 530119DEST_PATH_IMAGE042
个像素的灰度值，设前景和背景像素点的数量分别为
Figure DEST_PATH_IMAGE100
，对边界求一阶微分的数学模型表示为：
Figure DEST_PATH_IMAGE102
式中，
Figure 44802DEST_PATH_IMAGE086
表示一阶微分计算过程；
边界
Figure DEST_PATH_IMAGE104
将图像分割为目标区域和无效区域，利用二值化操作将目标区域提取出来，与原图像进行取交集操作，目标区域掩膜操作的数学模型表示为：
Figure DEST_PATH_IMAGE106
式中，
Figure DEST_PATH_IMAGE108
为目标区域的像素值，
Figure DEST_PATH_IMAGE110
为原图的像素值，
Figure DEST_PATH_IMAGE112
为进行取交集后得到的彩色目标；
根据不同需求，对高帧频鸟类序列图像中的有效目标进行提取，采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取；
步骤三、遗传算法的数学模型：把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法，提高了迭代的速度，同时便于找到最优的分割阈值，达到最佳的前景目标提取效果；遗传算法将“优胜劣汰，适者生存”的思想引入了数据迭代的过程，每一代都继承上一代的信息，又优于上一代，使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度，当相邻两代的适应度之差小于设定值时，即认为种群稳定，完成进化，从而找到了最佳的分割阈值，具体描述如下：
a. 染色体编码：采用步骤一种所述的KSW双阈值分割算法，进行16位二进制编码，前8位为一个阈值，后8位为一个阈值；
b. 初始化操作：设置迭代次数为N次，N为正整数；
c. 个体评价操作：将熵判别函数作为适应度函数，计算个体适应度；
d. 选择操作：把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
e. 交叉操作：随机产生2个交叉点位于前8位和后8位染色体，取交叉概率为0.6；
f. 变异操作：采用二进制编码的方式按位取反，每一位都存在变异的可能；
g. 终止操作：在KSW双阈值分割中，当相邻两代之间的适应度差异小于一定阈值时，认为获得了最佳分割阈值，完成进化；
步骤四、根据距离变换的数学模型：
a. 当高帧频序列图像中存在两点时，可利用欧式距离公式能够得到两点间的距离；
b. 给经过步骤三操作后得到的二值化目标中每个像素赋值，计算离它最近的背景像素点与其之间的平面欧式距离，能够得到距离矩阵，目标区域中距离边界越远的点越亮，反之越暗，使得研究对象的骨架雏形显现；
a. 利用距离变换对目标进行骨架提取，建立一个大小为
Figure DEST_PATH_IMAGE114
的数组
Figure DEST_PATH_IMAGE116
，利用掩膜1
Figure DEST_PATH_IMAGE118
和掩膜2
Figure DEST_PATH_IMAGE120
从左上角和右下角分别对掩膜像素点
Figure DEST_PATH_IMAGE122
所对应的元素的值进行更新，两个方向上的元素值可分别表示为
Figure DEST_PATH_IMAGE124
，
Figure DEST_PATH_IMAGE126
，从而得到目标骨架，其数学模型分别为:
Figure DEST_PATH_IMAGE128
其中，
Figure DEST_PATH_IMAGE130
表示像素点
Figure 308814DEST_PATH_IMAGE122
和图像中任意一点
Figure DEST_PATH_IMAGE132
间的欧式距离，
Figure DEST_PATH_IMAGE134
，
Figure DEST_PATH_IMAGE136
分别表示像素点
Figure 467918DEST_PATH_IMAGE122
、
Figure 15705DEST_PATH_IMAGE132
在数组
Figure 375274DEST_PATH_IMAGE116
中对应的元素值；
通过连续腐蚀的操作来实现对研究对象的骨架提取，腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀；根据腐蚀的先后顺序，能够得到前景区域中各个像素点到前景中心骨架像素点的距离；根据各个像素点的距离值，设置为不同的灰度值，即完成了二值图像的距离变换操作，得到研究目标的骨架，使得粘连重叠区域分离，具体过程表示为：
<1>预定义腐蚀前后边界之差
Figure DEST_PATH_IMAGE138
；
<2>选定初始区域
Figure DEST_PATH_IMAGE140
为目标的连通域；
<3>依据离步骤二泊松图像编辑得到目标边界的欧氏距离远近程度将目标区域像素点分为
Figure DEST_PATH_IMAGE142
两组，
Figure DEST_PATH_IMAGE144
距离边界点远，
Figure DEST_PATH_IMAGE146
距离边界点近，即
Figure 154357DEST_PATH_IMAGE144
的亮度比
Figure 915771DEST_PATH_IMAGE146
强；
<4>根据连续腐蚀的数学模型
Figure DEST_PATH_IMAGE148
，迭代
Figure DEST_PATH_IMAGE150
次，计算出新的区域
Figure DEST_PATH_IMAGE152
，即为最终的目标骨架；
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀，分离目标中存在的粘连甚至重叠区域，提高计数准确性；对步骤四得到的目标骨架进行形态学处理后，利用连通域统计的方法对分割后的飞鸟目标进行计数；
步骤五、静态典型特征提取算法描述如下：
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标，由于高帧频鸟类序列图像中包含多种姿态的近距离大目标，即较单帧图像更完整地包含了该种飞鸟的特征信息；由于飞鸟在飞行过程中姿态在不停变化，故轮廓会实时变化，不具有代表性，因此选择颜色和纹理特征作为飞鸟典型静态特征，利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取；
a.颜色矩算法：是将图像中的颜色分布用矩的形式进行表示的一种算法，由于图像的颜色信息都分布在图像的低阶矩中，因此利用图像的一阶矩，二阶矩和三阶矩对颜色分布进行表示足以能满足需求；仅通过颜色矩的九个特征值就可以对图像的颜色进行特征提取，算法计算量小，运行速度快,
b.特殊色标定算法：YCbCr颜色空间是YUV颜色空间的一种变形形式，其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像，降低了三通道彩色图像的信息量；可以通过设定Y，Cb，Cr的阈值来确定飞鸟特殊部位的颜色所在的位置，能够作为鸟类种类识别的一个重要筛选器；
c.灰度共生矩阵算法：取图像中一点
Figure DEST_PATH_IMAGE154
到距离为
Figure DEST_PATH_IMAGE156
的像素点进行各自灰度值统计，形成“灰度对”
Figure DEST_PATH_IMAGE158
；从图像中某点出发，对四个方向角上进行扫描，统计图像灰度值在方向，距离和变化幅度上的综合信息，其矩阵包含角二阶矩，相关性，对比度和熵这四个特征值，在对飞鸟样本进行纹理特征提取的过程中，对这四个值分别求均值和方差，最终得到八个描述纹理特征的特征值；
步骤六、特征数据匹配算法描述如下：
采用KNN算法对提取得到的特征数据进行匹配，由于KNN算法是利用待测数据与训练集数据中的所有数据进行距离计算和比较，区别于类域匹配，更适用于特征较为接近的研究对象，因此尤其适用对珍稀飞鸟等样本数量较少的研究对象进行识别；
根据KNN算法将颜色矩特征数据，纹理特征数据分别作为一个特征匹配的筛选器，与步骤五种所述的特殊色标定筛选器结合，即可以达到自动识别鸟类种群的目标。
本发明的有益效果是：利用高帧频序列图像，通过将基于遗传算法的KSW双阈值分割算法及距离变换算法相融合，采用这种融合算法能够实现对静态高密度鸟类丰度进行统计，进一步解决了现有方法中存在的难以对姿态多变、粘连重叠严重的目标进行丰度统计的问题；通过基于鸟类典型静态特征数据提取的机器学习算法对复杂背景下的鸟类进行种群识别；高帧频序列图像中包含了大量的动态信息，能够降低丰度统计过程中降低粘连甚至重叠区域的分离难度，使得计数准确性大幅度地提高，且能够获得近距离大目标和远距离小目标共存的序列图像；在进行准确计数和识别的同时能够更好地衡量该地区生态系统的健康状况，进而促进人与自然的和谐共生。
下面结合附图和实例对作详细说明。
附图说明：
附图1：前景提取算法流程图；（a）为基于遗传算法的KSW双阈值分割流程，（b）为泊松图像编辑流程；
附图2：基于遗传算法的KSW双阈值分割算法融合距离变换算法的高密度鸟类高帧频序列图像的丰度统计算法流程图；
附图3：基于鸟类典型静态特征数据提取融合机器学习算法的高帧频鸟类序列图像种群识别算法。
具体实施方式：
参照附图1—附图3。
步骤一、鸟类高帧频序列图像获取流程如下：鸟类是一种群居动物，高帧频序列图像中采集的目标均为同种飞鸟，由于鸟类飞行姿态多变，采集得到的目标呈现多种姿态和密度，根据帧间差分算法获得含有运动目标的高帧频序列图像；高帧频序列图像在相同时间内能够获得更多的视频帧序列，增加序列图像中的动态信息量，降低丰度统计过程中目标的粘连甚至重叠的程度，同时大量保存了近距离大目标的特征信息；利用近距离的大目标进行种群识别，结合序列图像中存在的所有目标进行丰度统计，即能够同时达到丰度统计和种群识别的目标；改进的帧间差分法如下：
根据帧间差分法中第n帧和第n-1帧图像
Figure DEST_PATH_IMAGE159
，
Figure DEST_PATH_IMAGE160
得到传统的帧间差分法图像
Figure DEST_PATH_IMAGE161
的数学模型为：
Figure DEST_PATH_IMAGE162
利用高帧频序列图像，记视频序列中第n帧和第
Figure DEST_PATH_IMAGE163
帧图像为
Figure 791319DEST_PATH_IMAGE159
和
Figure DEST_PATH_IMAGE164
，包含的像素点集合分别记为
Figure DEST_PATH_IMAGE165
和
Figure DEST_PATH_IMAGE166
，其中
Figure DEST_PATH_IMAGE167
为一个无穷小量，表示极短的间隔时间，即认定在相同时间内能够采集到更多帧和动态信息；将相邻两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到第n帧和第
Figure 765747DEST_PATH_IMAGE163
帧高帧频差分图像
Figure DEST_PATH_IMAGE168
，其数学模型表示为：
Figure DEST_PATH_IMAGE169
式中，
Figure DEST_PATH_IMAGE170
是一个无穷小量，表示高帧频序列图像能够在相同时间内尽可能监测更多帧，能够降低相邻两帧间由于获取信息量不足导致的误差；
步骤二、图像前景目标提取方法依据KSW双阈值分割算法和泊松图像编辑算法，具体描述和改进如下：
b.KSW双阈值算法:熵代表信息量，图像的信息量越大，则熵就越大，KSW双阈值分割算法就是找出一个最佳阈值使得背景与前景两个部分熵之和最大；
传统的KSW分割算法中给定图像
Figure DEST_PATH_IMAGE171
，灰度级为
Figure DEST_PATH_IMAGE172
，则单阈值为T的图像其熵的测量值
Figure DEST_PATH_IMAGE173
为：
Figure DEST_PATH_IMAGE174
其中，
Figure DEST_PATH_IMAGE175
为直方图中第
Figure DEST_PATH_IMAGE176
个灰度值出现的概率，由于总概率
Figure DEST_PATH_IMAGE177
，则第
Figure 321758DEST_PATH_IMAGE176
个灰度值对应的熵
Figure DEST_PATH_IMAGE178
，可以得到两类分割的概率分布分别为：
Figure DEST_PATH_IMAGE179
当区分目标和背景的最佳分割阈值为
Figure DEST_PATH_IMAGE180
时，前景和背景对应的熵
Figure DEST_PATH_IMAGE181
可分别表示为：
Figure DEST_PATH_IMAGE182
将图像分割成为N类，故有N-1个阈值，记作
Figure DEST_PATH_IMAGE183
，设图像的灰度集合为
Figure DEST_PATH_IMAGE184
,则各类别对应的灰度值概率的集合
Figure DEST_PATH_IMAGE185
为:
Figure DEST_PATH_IMAGE186
式中，
Figure DEST_PATH_IMAGE187
，
Figure DEST_PATH_IMAGE188
中每一个元素都表示相对应的灰度值的灰度值集合
Figure 986216DEST_PATH_IMAGE184
，即
Figure DEST_PATH_IMAGE189
表示各类别对应的灰度值出现的概率；
各类别对应的熵
Figure DEST_PATH_IMAGE190
可表示为：
Figure DEST_PATH_IMAGE191
熵的判别函数定义为
Figure DEST_PATH_IMAGE192
，使熵的判别函数最大的分割阈值为
Figure DEST_PATH_IMAGE193
；当N取3时，即得到KSW双阈值算法的数学模型
Figure DEST_PATH_IMAGE194
；
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算，给定输入图像
Figure DEST_PATH_IMAGE195
，前景和背景部分像素点的集合分别表示为
Figure DEST_PATH_IMAGE196
，其中，
Figure DEST_PATH_IMAGE197
为不透明度，则该图像可以表示为：
Figure DEST_PATH_IMAGE198
近似的遮罩梯度场可以表示为：
Figure DEST_PATH_IMAGE199
其中，
Figure DEST_PATH_IMAGE200
表示一阶微分过程；
Figure 9229DEST_PATH_IMAGE197
的重建可以通过泊松方程求解，泊松方程的数学模型可以表示为：
Figure DEST_PATH_IMAGE201
其中，
Figure DEST_PATH_IMAGE202
表示矢量的散度计算操作；
局部泊松图像编辑的数学模型可表示为：
Figure DEST_PATH_IMAGE203
其中，
Figure DEST_PATH_IMAGE204
是由背景和目标引起的梯度场；
通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定，计算掩膜梯度场，求解满足边界条件的泊松方程，从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标；
设对一个大目标用N个点进行边界标记，记边界
Figure DEST_PATH_IMAGE205
，
Figure DEST_PATH_IMAGE206
分别表示前景和背景中第
Figure 824346DEST_PATH_IMAGE176
个像素的灰度值，设前景和背景像素点的数量分别为
Figure DEST_PATH_IMAGE207
，对边界求一阶微分的数学模型表示为：
Figure DEST_PATH_IMAGE208
式中，
Figure 326259DEST_PATH_IMAGE200
表示一阶微分计算过程；
边界
Figure DEST_PATH_IMAGE209
将图像分割为目标区域和无效区域，利用二值化操作将目标区域提取出来，和原图像进行取交集操作，目标区域掩膜操作的数学模型表示为：
Figure DEST_PATH_IMAGE210
式中，
Figure DEST_PATH_IMAGE211
为目标区域
Figure DEST_PATH_IMAGE212
的像素值，
Figure DEST_PATH_IMAGE213
为原图
Figure 317392DEST_PATH_IMAGE212
的像素值，
Figure DEST_PATH_IMAGE214
为进行取交集操作后的彩色目标；
根据不同需求，对高帧频鸟类序列图像中的有效目标进行提取，采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取；
步骤三、遗传算法的数学模型：把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法，提高了迭代的速度，同时便于找到最优的分割阈值，达到最佳的前景目标提取效果；遗传算法将“优胜劣汰，适者生存”的思想引入了数据迭代的过程，每一代都继承上一代的信息，又优于上一代，使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度，当相邻两代的适应度之差小于设定值时，即认为种群稳定，完成进化，从而找到了最佳的分割阈值，具体描述如下：
h. 染色体编码：采用步骤一种所述的KSW双阈值分割算法，进行16位二进制编码，前8位为一个阈值，后8位为一个阈值；
i. 初始化操作：设置迭代次数为N次，N为正整数；
j. 个体评价操作：将熵判别函数作为适应度函数，计算个体适应度；
k. 选择操作：把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
l. 交叉操作：随机产生2个交叉点位于前8位和后8位染色体，取交叉概率为0.6；
m. 变异操作：采用二进制编码的方式按位取反，每一位都存在变异的可能；
n. 终止操作：在KSW双阈值分割中，当相邻两代之间的适应度差异小于一定阈值时，认为获得了最佳分割阈值，完成进化；
步骤四、根据距离变换的数学模型：
d. 当高帧频序列图像中存在两点时，可利用欧式距离公式能够得到两点间的距离；
e. 给经过步骤三操作后得到的二值化目标中每个像素赋值，计算离它最近的背景像素点与其之间的平面欧式距离，能够得到距离矩阵，目标区域中距离边界越远的点越亮，反之越暗，使得研究对象的骨架雏形显现；
f. 利用距离变换对目标进行骨架提取，建立一个大小为
Figure DEST_PATH_IMAGE215
的数组
Figure DEST_PATH_IMAGE216
，利用掩膜1
Figure DEST_PATH_IMAGE217
和掩膜2
Figure DEST_PATH_IMAGE218
从左上角和右下角分别对掩膜像素点
Figure DEST_PATH_IMAGE219
对应的元素的值进行更新，元素值可分别表示为
Figure DEST_PATH_IMAGE220
，
Figure DEST_PATH_IMAGE221
，从而得到目标骨架，其数学模型分别为:
Figure DEST_PATH_IMAGE222
其中，
Figure DEST_PATH_IMAGE223
表示像素点
Figure 347243DEST_PATH_IMAGE219
和
Figure DEST_PATH_IMAGE224
间的欧式距离，
Figure DEST_PATH_IMAGE225
，
Figure DEST_PATH_IMAGE226
分别表示第
Figure DEST_PATH_IMAGE227
、
Figure DEST_PATH_IMAGE228
个像素点在数组
Figure DEST_PATH_IMAGE229
中对应的元素值；
通过连续腐蚀的操作来实现对研究对象的骨架提取，腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀；根据腐蚀的先后顺序，能够得到前景区域中各个像素点到前景中心骨架像素点的距离；根据各个像素点的距离值，设置为不同的灰度值，即完成了二值图像的距离变换操作，得到研究目标的骨架，使得粘连重叠区域分离，具体过程表示为：
<1>预定义腐蚀前后边界之差
Figure DEST_PATH_IMAGE230
；
<2>选定初始区域
Figure DEST_PATH_IMAGE231
为目标的连通域；
<3>依据离步骤二泊松图像编辑得到目标边界
Figure 275756DEST_PATH_IMAGE195
的欧氏距离远近程度将目标区域像素点分为
Figure DEST_PATH_IMAGE232
两组，
Figure DEST_PATH_IMAGE233
距离边界点远，
Figure DEST_PATH_IMAGE234
距离边界点近，即
Figure 581360DEST_PATH_IMAGE233
的亮度比
Figure 171872DEST_PATH_IMAGE234
强；
<4>根据连续腐蚀的数学模型
Figure DEST_PATH_IMAGE235
，迭代
Figure DEST_PATH_IMAGE236
次，计算出新的区域
Figure DEST_PATH_IMAGE237
，即为最终的目标骨架；
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀，分离目标中存在的粘连甚至重叠区域，提高计数准确性；对步骤四得到的目标骨架进行形态学处理后，利用连通域统计的方法对分割后的飞鸟目标进行计数；
步骤五、静态典型特征提取算法描述如下：
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标，由于高帧频鸟类序列图像中包含多种姿态的近距离大目标，即较单帧图像更完整地包含了该种飞鸟的特征信息；由于飞鸟在飞行过程中姿态在不停变化，故轮廓会实时变化，不具有代表性，因此选择颜色和纹理特征作为飞鸟典型静态特征，利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取；
d.颜色矩算法：是将图像中的颜色分布用矩的形式进行表示的一种算法，由于图像的颜色信息都分布在图像的低阶矩中，因此利用图像的一阶矩，二阶矩和三阶矩对颜色分布进行表示足以能满足需求；仅通过颜色矩的九个特征值就可以对图像的颜色进行特征提取，算法计算量小，运行速度快,
e.特殊色标定算法：YCbCr颜色空间是YUV颜色空间的一种变形形式，其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像，降低了三通道彩色图像的信息量；可以通过设定Y，Cb，Cr的阈值来确定飞鸟特殊部位的颜色所在的位置，能够作为鸟类种类识别的一个重要筛选器；
f.灰度共生矩阵算法：取图像中一点
Figure 780095DEST_PATH_IMAGE212
到距离为
Figure DEST_PATH_IMAGE238
的像素点进行各自灰度值统计，形成“灰度对”
Figure DEST_PATH_IMAGE239
；从图像中某点出发，对四个方向角上进行扫描，统计图像灰度值在方向，距离和变化幅度上的综合信息，其矩阵包含角二阶矩，相关性，对比度和熵这四个特征值，在对飞鸟样本进行纹理特征提取的过程中，对这四个值分别求均值和方差，最终得到八个描述纹理特征的特征值；
步骤六、特征数据匹配算法描述如下：
采用KNN算法对提取得到的特征数据进行匹配，由于KNN算法是利用待测数据与训练集数据中的所有数据进行距离计算和比较，区别于类域匹配，更适用于特征较为接近的研究对象，因此尤其适用对珍稀飞鸟等样本数量较少的研究对象进行识别；
根据KNN算法将颜色矩特征数据，纹理特征数据分别作为一个特征匹配的筛选器，与步骤五种所述的特殊色标定筛选器结合，即可以达到自动识别鸟类种群的目标。

Claims (1)

1.一种基于高帧频序列图像的鸟类丰度统计和种群识别算法的综合算法，其特征包含以下步骤：
步骤一、鸟类高帧频序列图像获取流程如下：鸟类是一种群居动物，即高帧频序列图像中采集的目标均为同种飞鸟，由于鸟类飞行姿态多变，采集得到的目标呈现多种姿态和密度，根据帧间差分算法获得含有运动目标的高帧频序列图像；高帧频序列图像在相同时间内能够获得更多的视频帧序列，增加序列图像中的动态信息量，降低丰度统计过程中目标粘连甚至重叠的程度，同时大量保存了近距离大目标的特征信息；利用近距离的大目标进行种群识别，结合序列图像中存在的所有目标进行丰度统计，即能够同时达到丰度统计和种群识别的目标；改进的帧间差分法如下：
根据传统帧间差分法中第n帧和第n-1帧图像
Figure 522228DEST_PATH_IMAGE002
和
Figure 190101DEST_PATH_IMAGE004
中分别包含的像素点的灰度值
Figure 720571DEST_PATH_IMAGE006
和
Figure 991146DEST_PATH_IMAGE008
，即可得到传统帧间差分法图像
Figure 306983DEST_PATH_IMAGE010
，其数学模型表示为：
Figure 880178DEST_PATH_IMAGE012
利用高帧频序列图像，记视频序列中第n帧和第
Figure 22578DEST_PATH_IMAGE014
帧图像分别为
Figure 972210DEST_PATH_IMAGE002
和
Figure 391822DEST_PATH_IMAGE016
，其包含的像素点的灰度值分别记为
Figure 135918DEST_PATH_IMAGE006
和
Figure 765613DEST_PATH_IMAGE018
；
Figure 253358DEST_PATH_IMAGE020
为一个无穷小量，表示极短的间隔时间，即认定在相同时间内能够采集到更多帧和动态信息；将相邻两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到第n帧和第
Figure 527475DEST_PATH_IMAGE014
帧间的高帧频差分图像
Figure 832686DEST_PATH_IMAGE022
，其数学模型表示为：
Figure 825044DEST_PATH_IMAGE024
式中，
Figure 850900DEST_PATH_IMAGE026
是一个无穷小量，表示高帧频序列图像能够在相同时间内尽可能监测更多帧，能够减小相邻两帧间由于获取信息量不足导致的误差；
步骤二、图像前景目标提取方法依据基于遗传算法的KSW双阈值分割算法和泊松图像编辑算法，具体描述和改进如下：
a.KSW双阈值算法:熵代表信息量，图像的信息量越大，则熵就越大，KSW双阈值分割算法就是找出一个最佳阈值使得图像总熵最大化；
传统的KSW分割算法中给定图像
Figure 369737DEST_PATH_IMAGE028
，灰度级数量为
Figure 455636DEST_PATH_IMAGE030
，故每个像素点的灰度级范围为
Figure 771227DEST_PATH_IMAGE032
，则单阈值为
Figure 725408DEST_PATH_IMAGE034
的图像其熵的测量值
Figure 974118DEST_PATH_IMAGE036
为：
Figure 496497DEST_PATH_IMAGE038
其中，
Figure 322502DEST_PATH_IMAGE040
为直方图中第
Figure 955739DEST_PATH_IMAGE042
个像素点对应的灰度值出现的概率，利用单阈值
Figure 183590DEST_PATH_IMAGE034
进行两类分割，则所有像素点对应的灰度值出现的总概率为
Figure 876870DEST_PATH_IMAGE044
，第
Figure 65537DEST_PATH_IMAGE042
个像素点的灰度值对应的熵
Figure 236887DEST_PATH_IMAGE046
，得到的概率分布分别为：
Figure 460189DEST_PATH_IMAGE048
则前景和背景对应的熵
Figure 449005DEST_PATH_IMAGE050
可分别表示为：
Figure 124968DEST_PATH_IMAGE052
本发明中将图像分割成为N类，故有N-1个阈值，记作
Figure 100008DEST_PATH_IMAGE054
，设图像的灰度级范围为
Figure 36871DEST_PATH_IMAGE056
,则各类别对应的灰度值概率的分布
Figure 71954DEST_PATH_IMAGE058
为:
Figure 235214DEST_PATH_IMAGE060
由于研究对象为高帧频序列图像，相同时间内可高效成批处理数据，故每个类别均存在范围为
Figure 138579DEST_PATH_IMAGE056
的灰度值；区别于单个像素点，式中，
Figure 70894DEST_PATH_IMAGE062
表示各类别所有灰度值出现的总概率，
Figure 987862DEST_PATH_IMAGE064
表示各类别所对应的灰度级范围，均为
Figure 763051DEST_PATH_IMAGE056
，即
Figure 79894DEST_PATH_IMAGE066
表示各类别对应的灰度值出现的概率；
则各类别对应的熵
Figure 256928DEST_PATH_IMAGE068
可表示为：
Figure 368235DEST_PATH_IMAGE070
熵的判别函数定义为
Figure 506086DEST_PATH_IMAGE072
，使熵的判别函数最大的分割阈值为
Figure 751254DEST_PATH_IMAGE074
；当N取3时，即得到KSW双阈值算法的数学模型
Figure 392582DEST_PATH_IMAGE076
；
b.泊松图像编辑:传统的泊松图像编辑算法通过引导向量域进行图像插值计算，给定输入图像
Figure 940369DEST_PATH_IMAGE028
，前景和背景部分像素点的集合分别表示为
Figure 299937DEST_PATH_IMAGE078
，其中
Figure 348796DEST_PATH_IMAGE080
为不透明度，则该图像可以表示为：
Figure 110210DEST_PATH_IMAGE082
近似的遮罩梯度场可以表示为：
Figure 828898DEST_PATH_IMAGE084
其中，
Figure 800396DEST_PATH_IMAGE086
表示一阶微分过程；
Figure 262733DEST_PATH_IMAGE080
的重建可以通过泊松方程求解，泊松方程的数学模型可以表示为：
Figure 3287DEST_PATH_IMAGE088
其中，
Figure 892877DEST_PATH_IMAGE090
表示矢量的散度计算操作；
故局部泊松图像编辑的数学模型可表示为：
Figure 227037DEST_PATH_IMAGE092
其中，
Figure 352119DEST_PATH_IMAGE094
是由背景和目标引起的梯度场；
本发明通过对高帧频序列图像中的近距离大目标的边界进行交互式人工标定，计算掩膜梯度场，求解满足边界条件的泊松方程，从掩膜梯度场中重建位置区域中各像素的掩膜值从而提取得到彩色的目标；
设对一个大目标用N个点进行边界标记，记边界
Figure 111562DEST_PATH_IMAGE096
，
Figure 172053DEST_PATH_IMAGE098
分别表示前景和背景中第
Figure 993510DEST_PATH_IMAGE042
个像素的灰度值，设前景和背景像素点的数量分别为
Figure 922283DEST_PATH_IMAGE100
，对边界求一阶微分的数学模型表示为：
Figure 512795DEST_PATH_IMAGE102
式中，
Figure 868822DEST_PATH_IMAGE086
表示一阶微分计算过程；
边界
Figure 911995DEST_PATH_IMAGE104
将图像分割为目标区域和无效区域，利用二值化操作将目标区域提取出来，与原图像进行取交集操作，目标区域掩膜操作的数学模型表示为：
Figure 519825DEST_PATH_IMAGE106
式中，
Figure 715576DEST_PATH_IMAGE108
为目标区域的像素值，
Figure 242504DEST_PATH_IMAGE110
为原图的像素值，
Figure 38553DEST_PATH_IMAGE112
为进行取交集后得到的彩色目标；
根据不同需求，对高帧频鸟类序列图像中的有效目标进行提取，采用KSW双阈值分割算法和泊松图像编辑算法对目标进行提取；
步骤三、遗传算法的数学模型：把遗传算法的迭代思想引入步骤二中的KSW双阈值分割算法，提高了迭代的速度，同时便于找到最优的分割阈值，达到最佳的前景目标提取效果；遗传算法将“优胜劣汰，适者生存”的思想引入了数据迭代的过程，每一代都继承上一代的信息，又优于上一代，使用适应度来量度种群中各个个体在进化中有可能达到、接近或有助于找到最优解的优良程度，当相邻两代的适应度之差小于设定值时，即认为种群稳定，完成进化，从而找到了最佳的分割阈值，具体描述如下：
a. 染色体编码：采用步骤一种所述的KSW双阈值分割算法，进行16位二进制编码，前8位为一个阈值，后8位为一个阈值；
b. 初始化操作：设置迭代次数为N次，N为正整数；
c. 个体评价操作：将熵判别函数作为适应度函数，计算个体适应度；
d. 选择操作：把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；
e. 交叉操作：随机产生2个交叉点位于前8位和后8位染色体，取交叉概率为0.6；
f. 变异操作：采用二进制编码的方式按位取反，每一位都存在变异的可能；
g. 终止操作：在KSW双阈值分割中，当相邻两代之间的适应度差异小于一定阈值时，认为获得了最佳分割阈值，完成进化；
步骤四、根据距离变换的数学模型：
a. 当高帧频序列图像中存在两点时，可利用欧式距离公式能够得到两点间的距离；
b. 给经过步骤三操作后得到的二值化目标中每个像素赋值，计算离它最近的背景像素点与其之间的平面欧式距离，能够得到距离矩阵，目标区域中距离边界越远的点越亮，反之越暗，使得研究对象的骨架雏形显现；
a. 利用距离变换对目标进行骨架提取，建立一个大小为
Figure 184494DEST_PATH_IMAGE114
的数组
Figure 608653DEST_PATH_IMAGE116
，利用掩膜1
Figure 447428DEST_PATH_IMAGE118
和掩膜2
Figure 465193DEST_PATH_IMAGE120
从左上角和右下角分别对掩膜像素点
Figure 539460DEST_PATH_IMAGE122
所对应的元素的值进行更新，两个方向上的元素值可分别表示为
Figure 693492DEST_PATH_IMAGE124
，
Figure 827801DEST_PATH_IMAGE126
，从而得到目标骨架，其数学模型分别为:
Figure 309425DEST_PATH_IMAGE128
其中，
Figure 797169DEST_PATH_IMAGE130
表示像素点
Figure 195921DEST_PATH_IMAGE122
和图像中任意一点
Figure 376498DEST_PATH_IMAGE132
间的欧式距离，
Figure 103276DEST_PATH_IMAGE134
，
Figure 519345DEST_PATH_IMAGE136
分别表示像素点
Figure 913549DEST_PATH_IMAGE122
、
Figure 999447DEST_PATH_IMAGE132
在数组
Figure 603735DEST_PATH_IMAGE116
中对应的元素值；
通过连续腐蚀的操作来实现对研究对象的骨架提取，腐蚀操作的停止条件是前景区域的所有像素都被完全腐蚀；根据腐蚀的先后顺序，能够得到前景区域中各个像素点到前景中心骨架像素点的距离；根据各个像素点的距离值，设置为不同的灰度值，即完成了二值图像的距离变换操作，得到研究目标的骨架，使得粘连重叠区域分离，具体过程表示为：
<1>预定义腐蚀前后边界之差
Figure 433282DEST_PATH_IMAGE138
；
<2>选定初始区域
Figure 681992DEST_PATH_IMAGE140
为目标的连通域；
<3>依据离步骤二泊松图像编辑得到目标边界的欧氏距离远近程度将目标区域像素点分为
Figure 63426DEST_PATH_IMAGE142
两组，
Figure 30376DEST_PATH_IMAGE144
距离边界点远，
Figure 663614DEST_PATH_IMAGE146
距离边界点近，即
Figure 891464DEST_PATH_IMAGE144
的亮度比
Figure 584745DEST_PATH_IMAGE146
强；
<4>根据连续腐蚀的数学模型
Figure 773412DEST_PATH_IMAGE148
，迭代
Figure 69395DEST_PATH_IMAGE150
次，计算出新的区域
Figure 292697DEST_PATH_IMAGE152
，即为最终的目标骨架；
根据距离变换的原理对步骤三中提取得到的二值化目标进行迭代腐蚀，分离目标中存在的粘连甚至重叠区域，提高计数准确性；对步骤四得到的目标骨架进行形态学处理后，利用连通域统计的方法对分割后的飞鸟目标进行计数；
步骤五、静态典型特征提取算法描述如下：
根据帧间差分算法获得高帧频序列图像中存在的近距离大目标，由于高帧频鸟类序列图像中包含多种姿态的近距离大目标，即较单帧图像更完整地包含了该种飞鸟的特征信息；由于飞鸟在飞行过程中姿态在不停变化，故轮廓会实时变化，不具有代表性，因此选择颜色和纹理特征作为飞鸟典型静态特征，利用颜色矩算法和灰度共生矩阵算法对颜色和纹理的特征数据进行提取；
a.颜色矩算法：是将图像中的颜色分布用矩的形式进行表示的一种算法，由于图像的颜色信息都分布在图像的低阶矩中，因此利用图像的一阶矩，二阶矩和三阶矩对颜色分布进行表示足以能满足需求；仅通过颜色矩的九个特征值就可以对图像的颜色进行特征提取，算法计算量小，运行速度快,
b.特殊色标定算法：YCbCr颜色空间是YUV颜色空间的一种变形形式，其中将RGB图像转换成包含亮度信息的YCbCr颜色空间中的图像，降低了三通道彩色图像的信息量；可以通过设定Y，Cb，Cr的阈值来确定飞鸟特殊部位的颜色所在的位置，能够作为鸟类种类识别的一个重要筛选器；
c.灰度共生矩阵算法：取图像中一点
Figure 914737DEST_PATH_IMAGE154
到距离为
Figure 715334DEST_PATH_IMAGE156
的像素点进行各自灰度值统计，形成“灰度对”
Figure 690374DEST_PATH_IMAGE158
；从图像中某点出发，对四个方向角上进行扫描，统计图像灰度值在方向，距离和变化幅度上的综合信息，其矩阵包含角二阶矩，相关性，对比度和熵这四个特征值，在对飞鸟样本进行纹理特征提取的过程中，对这四个值分别求均值和方差，最终得到八个描述纹理特征的特征值；
步骤六、特征数据匹配算法描述如下：
采用KNN算法对提取得到的特征数据进行匹配，由于KNN算法是利用待测数据与训练集数据中的所有数据进行距离计算和比较，区别于类域匹配，更适用于特征较为接近的研究对象，因此尤其适用对珍稀飞鸟等样本数量较少的研究对象进行识别；
根据KNN算法将颜色矩特征数据，纹理特征数据分别作为一个特征匹配的筛选器，与步骤五种所述的特殊色标定筛选器结合，即可以达到自动识别鸟类种群的目标。
CN202011184268.7A 2020-10-30 2020-10-30 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 Active CN112258525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184268.7A CN112258525B (zh) 2020-10-30 2020-10-30 一种基于鸟类高帧频序列图像丰度统计和种群识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184268.7A CN112258525B (zh) 2020-10-30 2020-10-30 一种基于鸟类高帧频序列图像丰度统计和种群识别算法

Publications (2)

Publication Number Publication Date
CN112258525A true CN112258525A (zh) 2021-01-22
CN112258525B CN112258525B (zh) 2023-12-19

Family

ID=74267306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184268.7A Active CN112258525B (zh) 2020-10-30 2020-10-30 一种基于鸟类高帧频序列图像丰度统计和种群识别算法

Country Status (1)

Country Link
CN (1) CN112258525B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435316A (zh) * 2021-06-25 2021-09-24 平安国际智慧城市科技股份有限公司 智能驱鸟方法、装置、电子设备及存储介质
CN113723230A (zh) * 2021-08-17 2021-11-30 山东科技大学 业务流程抽取领域过程性视频的过程模型抽取方法
CN114821399A (zh) * 2022-04-07 2022-07-29 厦门大学 一种面向智慧课堂的板书自动提取方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
US20160196640A1 (en) * 2015-01-06 2016-07-07 Olympus Corporation Image processing apparatus, imaging apparatus, and image processing method
CN107133963A (zh) * 2017-04-07 2017-09-05 中国铁建重工集团有限公司 图像处理方法以及装置、渣片分布分析的方法及装置
CN107240074A (zh) * 2017-05-15 2017-10-10 电子科技大学 基于二维最佳直方图熵法与遗传算法的离焦躁声消除方法
CN109308709A (zh) * 2018-08-14 2019-02-05 昆山智易知信息科技有限公司 基于图像分割的Vibe运动目标检测算法
CN110415260A (zh) * 2019-08-01 2019-11-05 西安科技大学 基于字典与bp神经网络的烟雾图像分割与识别方法
CN111145198A (zh) * 2019-12-31 2020-05-12 哈工汇智(深圳)科技有限公司 一种基于快速角点检测的非合作目标运动估计方法
CN111311640A (zh) * 2020-02-21 2020-06-19 中国电子科技集团公司第五十四研究所 一种基于运动估计的无人机识别跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
US20160196640A1 (en) * 2015-01-06 2016-07-07 Olympus Corporation Image processing apparatus, imaging apparatus, and image processing method
CN107133963A (zh) * 2017-04-07 2017-09-05 中国铁建重工集团有限公司 图像处理方法以及装置、渣片分布分析的方法及装置
CN107240074A (zh) * 2017-05-15 2017-10-10 电子科技大学 基于二维最佳直方图熵法与遗传算法的离焦躁声消除方法
CN109308709A (zh) * 2018-08-14 2019-02-05 昆山智易知信息科技有限公司 基于图像分割的Vibe运动目标检测算法
CN110415260A (zh) * 2019-08-01 2019-11-05 西安科技大学 基于字典与bp神经网络的烟雾图像分割与识别方法
CN111145198A (zh) * 2019-12-31 2020-05-12 哈工汇智(深圳)科技有限公司 一种基于快速角点检测的非合作目标运动估计方法
CN111311640A (zh) * 2020-02-21 2020-06-19 中国电子科技集团公司第五十四研究所 一种基于运动估计的无人机识别跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHREYA PARE: ""A multilevel color image segmentation technique based on cuckoo search algorithm and energy curve"", 《APPLIED SOFT COMPUTING》, vol. 47, pages 76 - 102, XP029661636, DOI: 10.1016/j.asoc.2016.05.040 *
周全宇；史忠科: ""基于FPGA的高速图像跟踪系统设计与实现"", 《电子设计工程》, vol. 23, no. 15, pages 164 - 167 *
小飞侠XP: ""卷积滤波器与边缘检测"", pages 1 - 29, Retrieved from the Internet <URL:《https://cloud.tencent.com/developer/article/1198216》> *
李雪琦: ""复杂背景弱小目标特征分析与识别策略研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, pages 135 - 85 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435316A (zh) * 2021-06-25 2021-09-24 平安国际智慧城市科技股份有限公司 智能驱鸟方法、装置、电子设备及存储介质
CN113723230A (zh) * 2021-08-17 2021-11-30 山东科技大学 业务流程抽取领域过程性视频的过程模型抽取方法
CN114821399A (zh) * 2022-04-07 2022-07-29 厦门大学 一种面向智慧课堂的板书自动提取方法
CN114821399B (zh) * 2022-04-07 2024-06-04 厦门大学 一种面向智慧课堂的板书自动提取方法

Also Published As

Publication number Publication date
CN112258525B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN104063883B (zh) 一种基于对象和关键帧相结合的监控视频摘要生成方法
CN110717896B (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN108280397B (zh) 基于深度卷积神经网络的人体图像头发检测方法
CN112258525A (zh) 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN105740915B (zh) 一种融合感知信息的协同分割方法
CN102831427B (zh) 一种融合视觉显著性和灰度共生矩的纹理特征提取方法
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN111882586A (zh) 一种面向剧场环境的多演员目标跟踪方法
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
CN108090485A (zh) 基于多视角融合的图像前景自动提取方法
CN106157330A (zh) 一种基于目标联合外观模型的视觉跟踪方法
CN107527054A (zh) 基于多视角融合的前景自动提取方法
CN110827265A (zh) 基于深度学习的图片异常检测方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN111210447B (zh) 一种苏木精-伊红染色病理图像层次分割的方法及终端
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
CN107358635B (zh) 一种基于模糊相似性的彩色形态学图像处理方法
CN104123569B (zh) 一种基于有监督学习的视频人数信息统计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant