CN112381830B - 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 - Google Patents

Abstract

本发明公开了一种基于YCbCr超像素和图割的鸟类关键部位提取方法和装置，该方法包括：步骤1，在YCbCr颜色空间下，对鸟类图像进行超像素分割，形成图割模型的node顶点；步骤2，对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，形成图割模型中的Terminal节点；步骤3，利用超像素的颜色直方图和纹理直方图比较两个超像素的相似程度，计算两Node节点之间的边以及Node节点与Terminal节点之间的边；步骤4，构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果。本发明能够获得鸟类具有区分性的精确关键部位特征，有助于避免拍摄角度、光照及姿态的影响，提高鸟类图像细粒度分类与识别的准确率。

Description

基于YCbCr超像素和图割的鸟类关键部位提取方法和装置

技术领域

本发明涉及光学与数字图像处理技术领域，特别是关于一种基于YCbCr超像素和图割的鸟类关键部位提取方法和装置。

背景技术

我国进入生态文明建设新阶段，生态环境保护成为重中之重。鸟类是诸多自然保护区生态环境评估的重要指示物种。生态环境监测中的鸟类监控图像和视频数量剧增，鸟类识别和分析的需求也剧增。鸟类识别可以帮助自然保护区和生物学家对鸟类种群分布、迁徙等进行有效监测。

目前，鸟类细粒度识别问题具有如下特点：

1.不同种类的鸟之间高度的相似性，在一些部位可能具有相同的特征信息。

2.鸟类图像中具有区分性特征信息往往存在于一些细微部位。由于鸟类姿态多变，可能使得图像中区分性特征信息丢失。

3.鸟类图像的光照、背景都会干扰识别结果。

这些特点使得鸟类细粒度的自动化识别成为一个具有挑战性的问题。获得鸟类具有区分性的精确关键部位特征，可以避免拍摄角度、光照及姿态的影响，对鸟类分析、鸟类图像细粒度分类与识别的准确率提高有着决定性的作用。因此，鸟类关键部位的检测和定位对鸟类细粒度识别至关重要。

发明内容

本发明的目的在于提供一种基于YCbCr超像素和图割的鸟类关键部位提取方法，其能够为鸟类分析、鸟类图像细粒度分类与识别等提供基础数据。

为实现上述目的，本发明提供一种基于YCbCr超像素和图割的鸟类关键部位提取方法，该方法包括：

步骤1，在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点；

步骤2，对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，各标签类型形成图割模型中的Terminal节点；其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀；

步骤3，在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，计算两Node节点之间的边以及Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散；

步骤4，构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果。

进一步地，利用公式(1)计算两Node节点之间的边：

式中，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁,x₂,…,x_i,…,x_N}，x_i表示超像素分割后的图像中的第i个超像素，x_j表示超像素分割后的图像中的第j个超像素，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，R_ij(y_i,y_j|X)表示y_i与y_j之间的边的取值；

表示超像素x_i的颜色直方图；

表示超像素x_j的颜色直方图；h_t(x_i)表示超像素x_i的纹理直方图；h_t(x_j)表示超像素x_j的纹理直方图，

表示表示l₂范数。

进一步地，利用公式(2)计算Node节点与Terminal节点之间的边：

式中，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，|C|表示C的标签类型的数量，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合。

进一步地，步骤4，构建的图割模型中目标函数表示为式(3)：

∑_iR_i(y_i|X,S)+∑_i,jR_ij(y_i,y_j|X) (3)

通过优化求解目标函数，得到对整个鸟类图像的所有超像素的分类标签，即实现了鸟类关键部位的提取。

进一步地，步骤2具体包括：

以手工方式沿鸟类关键部位做点标记，点标记结束后完成对标记区域填充，预先约定用不同颜色代表不同的关键部位。

进一步地，头部约定为红色，颈部约定为橙色，躯干约定为黄色，翅膀约定为绿色，背景约定为黑色。

本发明还提供一种基于YCbCr超像素和图割的鸟类关键部位提取装置，该装置包括：

图割模型node顶点生成单元，其用于在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点；

图割模型Terminal节点生成单元，其用于对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，各标签类型形成图割模型中的Terminal节点；其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀；

计算单元，其用于在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，计算两Node节点之间的边以及Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散；

优化求解单元，其用于构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果。

进一步地，所述计算单元利用公式(1)计算两Node节点之间的边：

式中，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁,x₂,…,x_i,…,x_N}，x_i表示超像素分割后的图像中的第i个超像素，x_j表示超像素分割后的图像中的第j个超像素，C表示步骤2得到的标签类型集合{c₁,c₂,…,c_k,…,c_k}，c_k表示第k种标签类型，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，R_ij(y_i,y_j|X)表示y_i与y_j之间的边的取值；

表示超像素x_i的颜色直方图；

表示超像素x_j的颜色直方图；h_t(x_i)表示超像素x_i的纹理直方图；h_t(x_j)表示超像素x_j的纹理直方图。

进一步地，所述计算单元利用公式(2)计算Node节点与Terminal节点之间的边：

式中，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，|C|表示C的标签类型的数量，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合。

进一步地，所述优化求解单元构建的图割模型中目标函数表示为式(3)：

∑_iR_i(y_i|X,S)+∑_i,jR_ij(y_i,y_j|X) (3)

通过优化求解目标函数，得到对整个鸟类图像的所有超像素的分类标签，即实现了鸟类关键部位的提取。

本发明由于采取以上技术方案，其具有以下优点：本发明方法能够为给每一个超像素都赋予了一个标签类型，对其做可视化处理即可得到分割图。

附图说明

图1为“大杜鹃”的原图。

图2为图1中的“大杜鹃”的超像素分割图。

图3为图1中的“大杜鹃”标记图。

图4为图割示意图。

图5a为“大杜鹃”原图.

图5b为图5a中的“大杜鹃”分割图。

图6a为“大鹰鹃”原图。

图6b为图6a中的“大鹰鹃”分割图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明实施例提供的基于YCbCr超像素和图割的鸟类关键部位提取方法包括：

步骤1，在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点，如图4中的q、p、r等Node顶点。

图割模型是基于图(Graph)这一数据结构，对鸟类图像作超像素分割，并以超像素作为顶点(Node)。通过指定初始的超像素数量，使用SLIC(英文全称为：simple lineariterative clustering；中文全称为：线性迭代聚类法)算法或者SEEDS、LSC算法等超像素分割方法，对原始图像进行超像素分割，获得图像的超像素信息，得到超像素集合X＝{x₁,x₂,…,x_i,…,x_N}。如图1和2所示，图1为一幅“大杜鹃”的原图，其经由超像素分割后，呈现为图2。图2中每个格子内对应为一个超像素，超像素是像素的集合，以块状进行呈现。

步骤2，对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型C＝{c₁,c₂,…,c_k,…,c_K}，其中，c_k表示第k种标签类型，表征为自然数，0≤c_k≤K-1。各标签类型形成图割模型中的Terminal节点，如图4中的label1、label2、label3。其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀。使用标签类型时，例如：c₁表示头部，c₂表示颈部，c₃表示躯干，c₄表示翅膀，c₅表示背景。

其中，如图3所示，“对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记”的方法具体包括：

对鸟类关键部位做点标记，相同关键部位的点标记的集合形成平面标记区域以及平面标记区域的边缘轮廓形成的多边形，得到超像素的标记集合

s_k为被标记为c_k的超像素集合，s_k＝{x_i|超像素x_i被标记为c_k}。

上述实施例中，对鸟类关键部位做点标记可以采用手工进行，当然也不排除使用计算自动标记。相比之下，手工标记具有能够提供准确标记信息的优势，因此，以手工标记最佳。

点标记之前，可以预先约定用不同颜色代表不同的关键部位，比如头部约定为红色，颈部约定为橙色，躯干约定为黄色，翅膀约定为绿色，背景约定为黑色，这样点标记的集合形成平面标记区域对应为不同的颜色，以区分鸟类的各个关键部位以及其所在的背景区域。

步骤3，在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，计算两Node节点之间的边以及Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散。

其中，计算两Node节点之间的边的方法如式(1)所示：

式中，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁,x₂,…,x_i,…,x_N}，x_i表示经由步骤1超像素分割后的鸟类图像中的第i个超像素，x_j表示经由步骤1超像素分割后的鸟类图像中的第j个超像素，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，比如：对于标签类型为背景的c₅＝0，若x_j为背景中的超像素时，那么y_j＝0；R_ij(y_i,y_j|X)表示y_i与y_j之间的边的取值；

表示超像素x_i的颜色直方图；

表示超像素x_j的颜色直方图；h_t(x_i)表示超像素x_i的纹理直方图；h_t(x_j)表示超像素x_j的纹理直方图。

这一部分利用超像素在YCbCr颜色空间下的颜色直方图(color histograms)和纹理直方图(texture histograms)来比较两个超像素的相似程度。其中，利用Y通道图像统计纹理直方图，利用Cb和Cr通道图像统计颜色直方图。超像素的纹理直方图和颜色直方图分布可以构成两个特征向量，利用特征向量之间的欧氏距离来衡量超像素之间的相似程度。

对于R_ij而言，两个超像素如果颜色和纹理相近，但标签类型不同，取值差异会很大，因此在优化过程中，相似的相邻超像素会倾向于保留相同的标签，由此实现了标签类型从超像素向相邻超像素扩散。

在另一个实施例中，还可以利用灰度值表示的式(4)计算两Node节点之间的边：

式中，f(x_i)表示超像素x_i的像素值分布，f(x_j)表示超像素x_j的像素值分布。超像素的像素值分布的获取为现有技术，在此不再展开说明。

需要说明的是，两Node节点之间的边R_ij(y_i,y_j|X)除了使用式(1)和(4)的计算方法外，还可以采用现有公知其它的方法实现。

在一个实施例中，利用公式(2)计算Node节点与Terminal节点之间的边：

式中，C表示步骤2得到的标签类型集合{c₁,c₂,…,c_k,…,c_K}，c_k表示第k种标签类型，|C|表示C的标签类型的数量，即K，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合。

这里涵盖了三种情况：第一种是超像素x_i的像素集合与某个标记的像素集合存在重叠，且超像素的标签类型y_i和标记的标签类型c_k相同，此时R_i(y_i)＝0。第二种是x_i不和任何一个标记存在重叠，此时

第三种是x_i和某个标记存在重叠，但y_i≠c_k，此时R_i为无穷大。

对于R_i而言，与标记存在重叠的超像素如果类别和标记不同，则取值会很大，因此在优化过程中，超像素会倾向于保留和重叠标记相同的标签类型，由此实现了标签类型从标记向超像素的扩散。

上述实施例中，还可以采用公式(5)计算Node节点与Terminal节点之间的边：

需要说明的是，Node节点与Terminal节点之间的边R_i除了使用式(2)和(5)的计算方法外，还可以采用现有公知其它的方法实现。

步骤4，构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果。其中，构建的图割模型中目标函数表示为式(3)：

∑_iR_i(y_i|X,S)+∑_i,jR_ij(y_i,y_j|X) (3)

R_i是表达了超像素的标签类型和多边形标记的标签类型之间的关系，优化过程的效果是将类别信息从标记扩散到超像素。R_ij表达了相邻超像素之间的关系，优化过程的效果是将类别信息从当前超像素扩散到相邻超像素。

目标函数的优化问题就是一个基于图的多标签优化问题。使用多标签图的最小割算法或置信度传播方法，求解此优化问题，得到对整个鸟类图像的所有超像素的分类标签，即实现了鸟类关键部位的提取。

目标函数的求解结果为给每一个超像素都赋予了一个标签类型，对其做可视化处理即可得到分割图。如图5a示出的是一幅“大杜鹃”的原图，而图5b示出的是利用本发明方法获得的赋予标签类型的“大杜鹃”的分割图；同样地，如图6a示出的是一幅“大鹰鹃”的原图，而图6b示出的是利用本发明方法获得的赋予标签类型的“大鹰鹃”的分割图。

本发明还提供一种基于YCbCr超像素和图割的鸟类关键部位提取装置，该装置包括：图割模型node顶点生成单元、图割模型Terminal节点生成单元、计算单元和优化求解单元，其中：

图割模型node顶点生成单元用于在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点。

图割模型Terminal节点生成单元用于对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，各标签类型形成图割模型中的Terminal节点；其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀。

计算单元用于在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，计算两Node节点之间的边以及Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散。

优化求解单元用于构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果。

在一个实施例中，所述计算单元利用公式(1)计算两Node节点之间的边：

式中，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁,x₂,…,x_i,…,x_N}，x_i表示经由图割模型node顶点生成单元超像素分割后的鸟类图像中的第i个超像素，x_j表示经由图割模型node顶点生成单元超像素分割后的鸟类图像中的第j个超像素，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，比如：对于标签类型为背景的c₅＝0，若x_j为背景中的超像素时，那么y_j＝0；R_ij(y_i,y_j|X)表示y_i与y_j之间的边的取值；

表示超像素x_i的颜色直方图；

表示超像素x_j的颜色直方图；h_t(x_i)表示超像素x_i的纹理直方图；h_t(x_j)表示超像素x_j的纹理直方图。

在另一个实施例中，还可以利用灰度值表示的式(4)计算两Node节点之间的边：

式中，f(x_i)表示超像素x_i的像素值分布，f(x_j)表示超像素x_j的像素值分布。超像素的像素值分布的获取为现有技术，在此不再展开说明。

需要说明的是，两Node节点之间的边R_ij(y_i,y_j|X)除了使用式(1)和(4)的计算方法外，还可以采用现有公知其它的方法实现。

在一个实施例中，所述计算单元利用公式(2)计算Node节点与Terminal节点之间的边：

式中，C表示步骤2得到的标签类型集合{c₁,c₂,…,c_k,…,c_K}，c_k表示第k种标签类型，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合。

这里涵盖了三种情况：第一种是超像素x_i的像素集合与某个标记的像素集合存在重叠，且超像素的标签类型y_i和标记的标签类型c_k相同，此时R_i(y_i)＝0。第二种是x_i不和任何一个标记存在重叠，此时

第三种是x_i和某个标记存在重叠，但y_i≠c_k，此时R_i为无穷大。

对于R_i而言，与标记存在重叠的超像素如果类别和标记不同，则取值会很大，因此在优化过程中，超像素会倾向于保留和重叠标记相同的标签类型，由此实现了标签类型从标记向超像素的扩散。

上述实施例中，还可以采用公式(5)计算Node节点与Terminal节点之间的边：

需要说明的是，Node节点与Terminal节点之间的边R_i除了使用式(2)和(5)的计算方法外，还可以采用现有公知其它的方法实现。

在一个实施例中，所述优化求解单元构建的图割模型中目标函数表示为式(3)：

∑_iR_i(y_i|X,S)+∑_i,jR_ij(y_i,y_j|X) (3)

R_i是表达了超像素的标签类型和多边形标记的标签类型之间的关系，优化过程的效果是将类别信息从标记扩散到超像素。R_ij表达了相邻超像素之间的关系，优化过程的效果是将类别信息从当前超像素扩散到相邻超像素。

目标函数的优化问题就是一个基于图的多标签优化问题。使用多标签图的最小割算法或置信度传播方法，求解此优化问题，得到对整个鸟类图像的所有超像素的分类标签，即实现了鸟类关键部位的提取。

目标函数的求解结果为给每一个超像素都赋予了一个标签类型，对其做可视化处理即可得到分割图。如图5a示出的是一幅“大杜鹃”的原图，而图5b示出的是利用本发明方法获得的赋予标签类型的“大杜鹃”的分割图；同样地，如图6a示出的是一幅“大鹰鹃”的原图，而图6b示出的是利用本发明方法获得的赋予标签类型的“大鹰鹃”的分割图。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于YCbCr超像素和图割的鸟类关键部位提取方法，其特征在于，包括：

步骤1，在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点；

步骤2，对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，各标签类型形成图割模型中的Terminal节点；其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀；

步骤3，在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，利用公式(1)计算两Node节点之间的边以及利用公式(2)计算Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散；

式中，R_ij(y_i，y_j|X)表示y_i与y_j之间的边的取值，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁，x₂，…，x_i，…，x_N}，x_i表示超像素分割后的图像中的第i个超像素，x_j表示超像素分割后的图像中的第j个超像素，

表示超像素x_i的颜色直方图，

表示超像素x_j的颜色直方图，h_t(x_i)表示超像素x_i的纹理直方图，h_t(x_j)表示超像素x_j的纹理直方图，

表示l₂范数；

式中，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，|C|表示步骤2得到的标签类型集合C＝{c₁，c₂，…，c_k，…，c_K}的标签类型的数量，c_k表示第k种标签类型，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合；

步骤4，构建公式(3)表示的图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果；

∑_iR_i(y_i|X，S)+∑_i，jR_ij(y_i，y_j|X) (3)

通过优化求解目标函数，得到对整个鸟类图像的所有超像素的分类标签，实现鸟类关键部位的提取。

2.如权利要求1所述的基于YCbCr超像素和图割的鸟类关键部位提取方法，其特征在于，步骤2具体包括：

以手工方式沿鸟类关键部位做点标记，点标记结束后完成对标记区域填充，预先约定用不同颜色代表不同的关键部位。

3.如权利要求2所述的基于YCbCr超像素和图割的鸟类关键部位提取方法，其特征在于，头部约定为红色，颈部约定为橙色，躯干约定为黄色，翅膀约定为绿色，背景约定为黑色。

4.一种基于YCbCr超像素和图割的鸟类关键部位提取装置，其特征在于，包括：

图割模型node顶点生成单元，其用于在YCbCr颜色空间下，对鸟类图像进行超像素分割，分割后的超像素形成图割模型的node顶点；

图割模型Terminal节点生成单元，其用于对鸟类图像中的背景和鸟身体的各关键部位进行多边形标记，并制作背景和关键部位的标签类型，各标签类型形成图割模型中的Terminal节点；其中，鸟身体关键部位的类型包括头部、颈部、躯干和翅膀；

计算单元，其用于在YCbCr颜色空间下，利用超像素的颜色直方图和纹理直方图来比较两个超像素的相似程度，利用公式(1)计算两Node节点之间的边以及利用公式(2)计算Node节点与Terminal节点之间的边，以实现标签类型从标记向超像素进行扩散；

式中，R_ij(y_i，y_j|X)表示y_i与y_j之间的边的取值，y_i为超像素x_i所属标签类型所对应的值，y_j为超像素x_j所属标签类型所对应的值，[y_i≠y_j]表示若y_i≠y_j，[y_i≠y_j]为1，否则为0；X表示步骤1获取的超像素集合{x₁，x₂，…，x_i，…，x_N}，x_i表示超像素分割后的图像中的第i个超像素，x_j表示超像素分割后的图像中的第j个超像素，

表示超像素x_i的颜色直方图，

表示超像素x_j的颜色直方图，h_t(x_i)表示超像素x_i的纹理直方图，h_t(x_j)表示超像素x_j的纹理直方图，

表示l₂范数；

式中，R_i表示超像素x_i对应的Node节点与其连接的Terminal节点之间边的取值，|C|表示步骤2得到的标签类型集合C＝{c₁，c₂，…，c_k…，c_K}的标签类型的数量，c_k表示第k种标签类型，S表示超像素的标记集合：

s_k为被标记为c_k的超像素集合；

优化求解单元，其用于公式(3)表示的构建图割模型中目标函数，并进行优化求解，得到鸟类关键部位分割结果：

∑_iR_i(y_i|X，S)+∑_i，jR_ij(y_i，y_j|X) (3)

通过优化求解目标函数，得到对整个鸟类图像的所有超像素的分类标签，即实现了鸟类关键部位的提取。

Images