CN113255681A - 一种生物数据性状识别系统 - Google Patents
一种生物数据性状识别系统 Download PDFInfo
- Publication number
- CN113255681A CN113255681A CN202110598086.2A CN202110598086A CN113255681A CN 113255681 A CN113255681 A CN 113255681A CN 202110598086 A CN202110598086 A CN 202110598086A CN 113255681 A CN113255681 A CN 113255681A
- Authority
- CN
- China
- Prior art keywords
- biological
- image
- sequence
- color
- mottle
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种生物数据性状识别系统,该系统通过使用GrabCut算法,算法中构建能量函数,优化能量函数分割图像,计算融合色彩矩阵和斑驳特征值提取颜色特征和斑驳特征,将融合色彩矩阵加入到SVM分类器得到新的SVM分类器,对SVM分类器输出数据与斑驳特征值数据进行数据处理,得到合格的生物序列,为生物分类提供极大便利。
Description
技术领域
本发明涉及生物图像识别技术领域,尤其涉及一种生物数据性状识别系统。该系统用于识别生物的性状,尤其可以用于识别植物的外观性状。
背景技术
生物性状特征包括外部形态方面的特征和生理功能方面的特征。生物的同一性状常常有不同的表现形式,有时可以根据外部性状对生理功能的形状进行识别归类。根据不同类别生物的特殊性,可以预先设置识别标准,提高生物性状识别的准确性。例如CN112699737A的那种基于生物的立体轮廓的属种鉴别系统,该系统将训练图集中的训练图像数据输入到所述图像预处理器中生成对抗样本,将对抗样本与原训练图像数据一同输入到所述属种鉴别器中对初始卷积神经网络进行对抗训练,得到细粒度模型,将被检生物的图像数据输入到所述属种鉴别器得到被检生物的属种分类预测结论。现有的这些系统主要识别性状轮廓,很少有对性状色彩进行分类识别。尤其是在叶子植物的外观性状中,表面色彩状态直接影响植物体的属性状态。鉴于此,有必要开发一种以外观色彩为标准的生物性状的识别技术。
发明内容
为了解决上述现有技术存在的缺陷,本发明提出了一种生物数据性状识别系统。
本发明的技术方案是这样实现的:一种生物数据性状识别系统,包括图像摄像模块、图像预处理模块、提取特征模块、SVM分类器分类模块以及数据处理模块,该图像摄像模块为每一株生物进行摄像,生成生物图像序列;
SVM分类器分类模块,将颜色特征即融合色彩矩阵加入到SVM分类器当中对生物样
本图像进行颜色特征训练,得到训练好的SVM分类器,对生物前景图像序列进行分类处
理,得到颜色状态好和颜色状态不好的两类生物前景图像序列和,;
在本发明中,GrabCut算法中使用最大流算法优化能量函数为图像像素进行分类实现分割。
在本发明中,图像的颜色特征信息主要集中在低阶矩阵中,一、二、三阶矩阵表达
式为, ,,,,为生物前景图像总的像素数, 为生物前景图像第
个颜色通道分量中第个图像像素值,融合色彩矩阵,为
加权参数,用于抑制 在中的作用。
在本发明中,通过相邻像素的相对色差值确定生物前景图像斑驳区域和生物前景
图像区域的百分比,通过百分比确定斑驳特征,相邻像素的相对色差公式为, 为生物前景图像相邻的
两个像素, 是像素 在颜色空间的矢量值, 是像素 在颜色空
间的矢量值,将生物前景图像区域划分为两个子区域:正常区域和斑驳区域,令为空集,,对每一个像素进行聚类分析,根据像素对这两个区域的归
属度函数将像素分入两类,归属度函数定义为:若 ,则,若,则 ,其中,为两类子区域的相对色度标准值,通
过归属度函数我们得到了两个像素数量子集,斑驳特征值,
代表相应区域的面积,,计算每张生物前景图像的斑驳特征值,得到生物前景图
像序列的斑驳特征值序列,确定阈值,当时,为斑驳不合格序列, 当时,为斑驳合格序列。
实施本发明的这种,具有以下有益效果:该生物数据性状识别系统通过使用GrabCut算法,算法中构建能量函数,优化能量函数分割图像,计算融合色彩矩阵和斑驳特征值提取颜色特征和斑驳特征,将融合的色彩矩阵加入到SVM分类器得到新的SVM分类器,对SVM分类器输出数据与斑驳特征值数据进行数据处理,得到合格的生物外观序列,为叶子植物等生物分类提供极大便利。
附图说明
图1为生物数据性状识别系统的流程图;
图2为生物数据性状识别系统的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,本发明的这种生物数据性状识别系统首先是通过摄像模块中获得生
物图像序列,在图像预处理模块中利用GrabCut算法分割生物图像序列的每一幅生物图像,
得到生物前景图像序列,在提取特征模块中提取生物前景图像序列的颜色特征、斑驳特
征, 在SVM分类器分类模块加入色彩融合矩阵对生物前景图像序列进行分类处理,之后
在数据处理模块中,将数据进行条件分析输出合格生物序列。
如图2所示,本发明的这种生物数据性状识别系统包括图像摄像模块、图像预处理模块、SVM分类器分类模块以及数据处理模块,这些模块具体功能如下:
图像摄像模块,生物通过传送带进行传输,图像摄像模块中摄像单元为每一株生物图像进行摄像,生成生物图像序列存储在模块中。
图像预处理模块,利用GrabCut算法分割生物图像序列的每一幅生物图像,得到生
物前景图像序列,算法中使用最大流算法优化能量函数为图像像素进行分类,进而求解
割边实现了生物图像的分割,能量函数具体表达式为:
其中,构建能量函数,为生物图像框选定义一个含生物的矩形,矩形外像素全部为
背景像素,矩形内像素为可能是生物前景像素实现初步像素分类,利用高斯混合模型通过
生物图像的RGB特征对可能是生物前景像素和背景像素进行建模,通过建模可以实现准确
的生物前景像素和背景像素的分类,建模之后可以求得每个像素分别属于生物前景和背景
像素的概率,为像素 属于生物图像的概率,其中 为灰度直方图,其反映了图
像每种灰度出现的频率,,为像素 属于生物前景的概率, 为像素 属于环境背景像素的概率,通过得到的概率求出和, 为像素 与生物前景像素
的能量关系表达, 为像素 与环境背景像素的能量关系表达,表达式 为生物前景图像中各个相邻像素点灰度差异能量, 表示生物前景图像相邻像素差异值, 用来判断是否是相邻像素, , , 为生物前景图像总像素,
是高斯核函数的函数宽度参数,用于控制函数的径向作用范围, 是一个权重系数,相邻像
素灰度值差异越大,就表示相邻像素不属于同一背景或前景,只有在分界才会造成大的差
异,这就保证了在分割图像时分割方向的正确性,差异越大,生物前景图像中各个像素之间
具有的能量关系越小,符合优化能量函数关系要求。
构建完能量函数之后,使抽象的优化能量函数最小化作用在生物图像具体为,生
物图像是一幅连通的图像,连通的图像由顶点和边组成,边有权值,为了分割图像,顶点分
为三类,分别是普通顶点即图像的每一个像素点,两个重点顶点S(前景)和T(背景),每个普
通顶点和S、T存在连接,也就是边,每个普通顶点与S连接的边的权值由像素 与生物前景
像素的能量关系表达决定,每个普通顶点与T连接的边由像素 与环境
背景像素的能量关系表达决定,通过最大流算法不断优化能量函数,即
通过使得权值最小和差异能量最小,得到与顶点S相连接且不与顶点T相连接的普通顶点集
合s,以及得到与顶点T相连接且不与顶点S相连接的普通顶点集合t,s和t像素子集就对应
于生物图像的生物前景像素集和背景像素集,完成图像切割,得到每一张生物图像的生物
前景图像,所有生物前景图像构成生物前景图像序列。
提取特征模块,包括颜色特征的提取和斑驳特征的提取。图像的颜色特征信息主
要集中在低阶矩阵中,一阶矩阵 表示图像整体颜色的亮度、色泽信息,二阶矩阵利
用二阶中心距平方根获得,表示生物前景图像中颜色的分布范围,三阶矩阵 利用三阶
中心距立方根获得,表示生物前景图像颜色分布对称性,将一、二、三阶矩阵加权融合得到
融合色彩矩阵可以更充分、真实的得到图像色泽信息,融合色彩矩阵,其中, ,,,,为生物前景图像总的像
素数, 为生物前景图像第个颜色通道分量中第个图像像素值,为加权参数,
用于抑制在中的作用。图像的斑驳特征我们通过相邻像素的相对色差值确
定生物前景图像斑驳区域和生物前景图像区域的百分比,通过百分比确定斑驳特征,相邻
像素的相对色差公式为,
为生物前景图像相邻的两个像素, 是像素 在颜色空间的矢量值, 是像素 在颜色空间的矢量值,将生物前景图像区域划分为两个子区域:正
常区域和斑驳区域,令为空集,,对每一个像素进行聚类分析,
根据像素对这两个区域的归属度函数将像素分入两类,归属度函数定义为:若 ,则,若,则 ,其中,为两类子区域的相对色度标准值,通
过归属度函数我们得到了两个像素数量子集,斑驳特征值,
代表相应区域的面积,,计算每张生物前景图像的斑驳特征值,得到生物前景图
像序列的斑驳特征值序列,确定阈值,当时,为斑驳不合格序列, 当时,为斑驳合格序列。
SVM分类器分类模块,采集多张生物状态好的与状态不好的图像作为生物样本图
像,将融合色彩矩阵加入到SVM分类器当中对生物样本图像进行颜色特征训练,得到最佳生
物颜色状态参数,即得到训练好的SVM分类器,将生物前景图像序列送入训练号的SVM分
类器,得到颜色状态好和颜色状态不好的两类生物前景图像序列和。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种生物数据性状识别系统,其特征在于,包括图像摄像模块、图像预处理模块、提取特征模块、SVM分类器分类模块以及数据处理模块,该图像摄像模块为每一株生物进行摄像,生成生物图像序列;
SVM分类器分类模块,将颜色特征即融合色彩矩阵加入到SVM分类器当中对生物样本图
像进行颜色特征训练,得到训练好的SVM分类器,对生物前景图像序列进行分类处理,得
到颜色状态好和颜色状态不好的两类生物前景图像序列和,;
2.根据权利要求1所述的一种生物数据性状识别系统,其特征在于,GrabCut算法中使用最大流算法优化能量函数为图像像素进行分类实现分割。
4.根据权利要求1所述的一种生物数据性状识别系统,其特征在于,通过相邻像素的相
对色差值确定生物前景图像斑驳区域和生物前景图像区域的百分比,通过百分比确定斑驳
特征,相邻像素的相对色差公式为,为生物前景图像相邻的两个像素, 是像素 在颜色空间的矢量值, 是像素 在颜色空间的矢量值,将生物前景图像区域划分为两个子区域:正
常区域和斑驳区域,令为空集,,对每一个像素进行聚类分析,
根据像素对这两个区域的归属度函数将像素分入两类,归属度函数定义为:若 ,则,若,则 ,其中,为两类子区域的相对色度标准值,通
过归属度函数我们得到了两个像素数量子集,斑驳特征值,
代表相应区域的面积,,计算每张生物前景图像的斑驳特征值,得到生物前景图
像序列的斑驳特征值序列,确定阈值,当时,为斑驳不合格序列, 当时,为斑驳合格序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598086.2A CN113255681B (zh) | 2021-05-31 | 2021-05-31 | 一种生物数据性状识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598086.2A CN113255681B (zh) | 2021-05-31 | 2021-05-31 | 一种生物数据性状识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255681A true CN113255681A (zh) | 2021-08-13 |
CN113255681B CN113255681B (zh) | 2021-11-12 |
Family
ID=77185417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598086.2A Active CN113255681B (zh) | 2021-05-31 | 2021-05-31 | 一种生物数据性状识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255681B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692224A (zh) * | 2009-07-08 | 2010-04-07 | 南京师范大学 | 融合空间关系语义的高分辨率遥感图像检索方法 |
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
CN105740883A (zh) * | 2016-01-21 | 2016-07-06 | 南京大学 | 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法 |
CN106055653A (zh) * | 2016-06-01 | 2016-10-26 | 深圳市唯特视科技有限公司 | 基于图像语义注释的视频浓缩对象检索方法 |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
KR20200057833A (ko) * | 2018-11-15 | 2020-05-27 | 주식회사 업데이터 | 드론 영상 자동인식 장치 |
CN111723354A (zh) * | 2019-03-21 | 2020-09-29 | 宏观基因有限公司 | 提供生物数据的方法、加密生物数据的方法以及处理生物数据的方法 |
-
2021
- 2021-05-31 CN CN202110598086.2A patent/CN113255681B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692224A (zh) * | 2009-07-08 | 2010-04-07 | 南京师范大学 | 融合空间关系语义的高分辨率遥感图像检索方法 |
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
CN105740883A (zh) * | 2016-01-21 | 2016-07-06 | 南京大学 | 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法 |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
CN106055653A (zh) * | 2016-06-01 | 2016-10-26 | 深圳市唯特视科技有限公司 | 基于图像语义注释的视频浓缩对象检索方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
KR20200057833A (ko) * | 2018-11-15 | 2020-05-27 | 주식회사 업데이터 | 드론 영상 자동인식 장치 |
CN111723354A (zh) * | 2019-03-21 | 2020-09-29 | 宏观基因有限公司 | 提供生物数据的方法、加密生物数据的方法以及处理生物数据的方法 |
Non-Patent Citations (2)
Title |
---|
MUSTAFA EREN YILDIRIM: "Recognition of Single-Land Countries on Outline Images by Using BAS Feature", 《2018 18TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND SYSTEMS (ICCAS)》 * |
龙科铭: "基于两级分类的植物叶片识别方法研究", 《中国优秀硕士论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255681B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
CN105930815B (zh) | 一种水下生物检测方法和系统 | |
CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
WO2018052587A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110717896A (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 | |
Kiruthika et al. | Detection and classification of paddy crop disease using deep learning techniques | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
CN114067298A (zh) | 一种基于Faster R-CNN的棉花顶尖识别方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
Tangsakul et al. | Single image haze removal using deep cellular automata learning | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
CN116721121A (zh) | 一种植物表型彩色图像特征提取方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及系统 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
Liu et al. | A band influence algorithm for hyperspectral band selection to classify moldy peanuts | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
CN113255681B (zh) | 一种生物数据性状识别系统 | |
Simon et al. | DeepLumina: A method based on deep features and luminance information for color texture classification | |
Miao et al. | Research on Soybean Disease Identification Method Based on Deep Learning | |
CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
CN110853030A (zh) | 生物反应器病毒感染细胞质量评价方法 |
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 |