CN113505815A - 一种基于多特征融合的蚊虫识别方法 - Google Patents
一种基于多特征融合的蚊虫识别方法 Download PDFInfo
- Publication number
- CN113505815A CN113505815A CN202110659978.9A CN202110659978A CN113505815A CN 113505815 A CN113505815 A CN 113505815A CN 202110659978 A CN202110659978 A CN 202110659978A CN 113505815 A CN113505815 A CN 113505815A
- Authority
- CN
- China
- Prior art keywords
- image
- mosquito
- feature
- fusion
- training
- 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.)
- Pending
Links
- 241000255925 Diptera Species 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 241000256111 Aedes <genus> Species 0.000 claims description 10
- 241000256173 Aedes albopictus Species 0.000 claims description 10
- 241000256186 Anopheles <genus> Species 0.000 claims description 10
- 241000256054 Culex <genus> Species 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000003323 beak Anatomy 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 244000052769 pathogen Species 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000011312 Vector Borne disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开了一种基于多特征融合的蚊虫识别方法。现有识别蚊虫的方法效率低、误识率较高。本发明方法包括训练阶段和测试阶段。训练阶段首先收集蚊子彩色图像,组成训练集,然后对蚊虫彩色图像尺寸规范化处理,提取图像融合特征,获取训练集中每幅图像的融合特征,训练支持向量机分类模型。测试阶段是将预处理后测试图像进行图像特征提取,将获得的融合特征输入训练好的支持向量机分类模型中,模型输出识别结果。本发明方法提取HSV颜色特征、HOG特征和LBP特征,并且将三个特征进行融合,能更好地表现不同类别蚊虫图像的信息差异,避免了单一特征的不足,从而具有较高的准确性和较强的鲁棒性。
Description
技术领域
本发明属于数字图像处理领域,涉及一种基于多特征融合的蚊虫识别方法,具体是白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊五类蚊虫图像的识别方法。
背景技术
随着全球变暖,蚊类昆虫变得越来越活跃,由蚊虫传播疾病的风险也随之升高。目前,世界上存在的蚊虫大约有3500种,但是能对人类传染致病病原体的只有一小部分蚊子。近年来,随着蚊虫传播疾病和相关伤亡人数的急剧增加,对于传播病原体的相关蚊虫密度监控也变得越来越重要。目前,现有识别蚊虫的方法还是依靠人工肉眼识别,不仅时间成本较大,效率不高,而且还会带来严重的认知负担,导致误识率较高。因此,采用计算机自动识别蚊虫种类,将会大大提高工作效率,减少人力识别负担。
发明内容
本发明的目的是提供一种基于多特征融合的蚊虫识别方法。
本发明方法包括训练阶段和测试阶段。
训练阶段:
(1)收集蚊子彩色图像:每幅图像只包含一个蚊子,组成训练集。训练集只包含白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊五类蚊子图像。
(2)图像预处理:利用双三次插值法将蚊虫彩色图像尺寸规范化到M×N,112≤M≤480,112≤N≤480。
(3)图像特征提取:
(3-1)将蚊虫图像由RGB颜色空间转换为HSV颜色空间,从图像提取H、S、V分量,并对三个分量的值以量化间隔P为间隔统计直方图获得直方图特征HC;
(3-2)提取方向梯度直方图HOG特征HG:首先将蚊子彩色图像转换成灰度图,采用Gamma校正法对灰度图进行灰度归一化,并计算每个像素的梯度,然后将图像划分成相互之间不重叠的小单元格,在每个小单元格上以K为间隔统计梯度直方图,每2×2个单元格组成一个块,一个块内所有单元格的特征串接起来便得到该块的HOG特征,相邻块之间重叠一个单元格宽度,将图像内所有块的HOG特征串接起来,得到该图像的HOG特征HG;K为15°、20°或30°。
(3-3)提取局部二值模式LBP特征HL:在灰度图上设定一个大小为3×3的窗口,比较窗口中心点像素值和邻域8个点像素值的大小,若邻域某点像素值小于中心点像素值,则该点记录为0,否则记录为1,由此可以得到8位二进制数;将8位二进制数转换为十进制数,得到3×3窗口区域的LBP码;对于尺寸大小为M×N的图像,忽略边界像素点,得到(M-2)×(N-2)个LBP码,然后利用直方图统计LBP码的分布得到该图像的LBP特征HL;
(3-4)依次对特征HC、特征HG和特征HL串接,得到融合特征F。
(4)训练支持向量机分类模型:获取训练集中每幅图像的融合特征F,白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊的标签分别设置为0、1、2、3、4,采用径向基核函数,训练支持向量机。
测试阶段:
将测试图像依次按(2)进行预处理,并采用(3)进行图像特征提取,将获得的融合特征F输入训练好的支持向量机分类模型中,模型输出为0表示测试样本为白纹伊蚊,1表示测试样本为致倦库蚊,2表示测试样本为三带喙,3表示测试样本为骚扰阿蚊,4表示测试样本为按蚊。
本发明的有益效果:
本发明提出了一种基于多特征融合的蚊虫识别方法,提取HSV颜色特征、HOG特征和LBP特征,并且将三个特征进行融合,能更好地表现不同类别蚊虫图像的信息差异,避免了单一特征的不足,从而具有较高的准确性和较强的鲁棒性。
附图说明
图1为本发明方法中基于多特征融合的蚊虫识别流程图。
具体实施方案
下面结合实施实例对本发明加以详细说明,以便本领域的技术人员更好地理解本发明。
如图1,基于多特征融合的蚊虫识别方法,具体包括训练阶段和测试阶段。
训练阶段:
(1)收集蚊子彩色图像:每幅图像只包含一个蚊子,组成训练集。训练集只包含白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊五类蚊子图像。
(2)图像预处理:利用双三次插值法将蚊虫彩色图像尺寸规范化到112×112。
(3)图像特征提取:
(3-1)将蚊虫图像由RGB颜色空间转换为HSV颜色空间,从图像提取H、S、V分量,并对三个分量的值以量化间隔P=8为间隔统计直方图获得直方图特征HC,维数为96;
(3-2)提取方向梯度直方图HOG特征HG:首先将蚊子彩色图像转换成灰度图,采用Gamma校正法对灰度图进行灰度归一化,并计算每个像素的梯度,然后将图像划分成相互之间不重叠的小单元格,每个单元格为8×8个像素。梯度方向角度值∈[0,180°],以20°为间隔统计梯度直方图,得到维数为9的向量。然后将每2×2个单元格组成一个块,一个块内所有单元格的特征向量串联起来便得到该块的HOG特征。相邻块之间重叠一个单元格宽度,对于缩放后的每张112×112的图片,获得6084维方向梯度直方图特征HG;
(3-3)提取局部二值模式LBP特征HL:在灰度图上设定一个大小为3×3的窗口,比较窗口中心点像素值和邻域8个点像素值的大小,若邻域某点像素值小于中心点像素值,则该点记录为0,否则记录为1,由此可以得到8位二进制数;将8位二进制数转换为十进制数,得到3×3窗口区域的LBP码;对于尺寸大小为112×112的图像,可得110×110个LBP码,然后利用直方图统计这些LBP码的分布可以得到该图像256维的LBP特征HL;
(3-4)依次对特征HC、特征HG和特征HL串接,得到融合特征F,这里F的维数为6436。
(4)训练支持向量机分类模型:获取训练集中每幅图像的融合特征F,白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊的标签分别设置为0、1、2、3、4,采用径向基核函数,训练支持向量机。
测试阶段:
将测试图像依次按(2)进行预处理,并采用(3)进行图像特征提取,将获得的融合特征F输入训练好的支持向量机分类模型中,模型输出为0表示测试样本为白纹伊蚊,1表示测试样本为致倦库蚊,2表示测试样本为三带喙,3表示测试样本为骚扰阿蚊,4表示测试样本为按蚊。
Claims (2)
1.一种基于多特征融合的蚊虫识别方法,包括训练阶段和测试阶段,其特征在于:
所述的训练阶段的具体是:
(1)收集蚊子彩色图像:每幅图像只包含一个蚊子,组成训练集;训练集只包含白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊五类蚊子图像;
(2)图像预处理:利用双三次插值法将蚊虫彩色图像尺寸规范化到M×N,112≤M≤480,112≤N≤480;
(3)图像特征提取:
(3-1)将蚊虫图像由RGB颜色空间转换为HSV颜色空间,从图像提取H、S、V分量,并对三个分量的值以量化间隔P为间隔统计直方图获得直方图特征HC;
(3-2)提取方向梯度直方图HOG特征HG:首先将蚊子彩色图像转换成灰度图,采用Gamma校正法对灰度图进行灰度归一化,并计算每个像素的梯度,然后将图像划分成相互之间不重叠的小单元格,在每个小单元格上以K为间隔统计梯度直方图,每2×2个单元格组成一个块,一个块内所有单元格的特征串接起来便得到该块的HOG特征,相邻块之间重叠一个单元格宽度,将图像内所有块的HOG特征串接起来,得到该图像的HOG特征HG;
(3-3)提取局部二值模式LBP特征HL:在灰度图上设定一个大小为3×3的窗口,比较窗口中心点像素值和邻域8个点像素值的大小,若邻域某点像素值小于中心点像素值,则该点记录为0,否则记录为1,由此可以得到8位二进制数;将8位二进制数转换为十进制数,得到3×3窗口区域的LBP码;对于尺寸大小为M×N的图像,忽略边界像素点,得到(M-2)×(N-2)个LBP码,然后利用直方图统计LBP码的分布得到该图像的LBP特征HL;
(3-4)依次对特征HC、特征HG和特征HL串接,得到融合特征F;
(4)训练支持向量机分类模型:获取训练集中每幅图像的融合特征F,白纹伊蚊、致倦库蚊、三带喙、骚扰阿蚊和按蚊的标签分别设置为0、1、2、3、4,采用径向基核函数,训练支持向量机;
所述的测试阶段:
将测试图像依次按(2)进行预处理,并采用(3)进行图像特征提取,将获得的融合特征F输入训练好的支持向量机分类模型中,模型输出为0表示测试样本为白纹伊蚊,1表示测试样本为致倦库蚊,2表示测试样本为三带喙,3表示测试样本为骚扰阿蚊,4表示测试样本为按蚊。
2.如权利要求1所述的一种基于多特征融合的蚊虫识别方法,其特征在于:K为15°、20°或30°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659978.9A CN113505815A (zh) | 2021-06-15 | 2021-06-15 | 一种基于多特征融合的蚊虫识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659978.9A CN113505815A (zh) | 2021-06-15 | 2021-06-15 | 一种基于多特征融合的蚊虫识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505815A true CN113505815A (zh) | 2021-10-15 |
Family
ID=78009809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659978.9A Pending CN113505815A (zh) | 2021-06-15 | 2021-06-15 | 一种基于多特征融合的蚊虫识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505815A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194620A1 (zh) * | 2013-06-04 | 2014-12-11 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、系统 |
CN111160416A (zh) * | 2019-12-12 | 2020-05-15 | 杭州电子科技大学 | 一种基于支持向量机的伊蚊识别方法 |
-
2021
- 2021-06-15 CN CN202110659978.9A patent/CN113505815A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194620A1 (zh) * | 2013-06-04 | 2014-12-11 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、系统 |
CN111160416A (zh) * | 2019-12-12 | 2020-05-15 | 杭州电子科技大学 | 一种基于支持向量机的伊蚊识别方法 |
Non-Patent Citations (2)
Title |
---|
余胜威 等: "Matlab图像滤波去噪分析及其应用", 31 October 2014, pages: 224 - 225 * |
卢晓静 等: "基于HOG—LBP 特征提取的人脸识别研究", 《杭州电子科技大学学报》, vol. 33, no. 3, pages 25 - 28 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dias et al. | Multispecies fruit flower detection using a refined semantic segmentation network | |
Dandawate et al. | An automated approach for classification of plant diseases towards development of futuristic Decision Support System in Indian perspective | |
Masood et al. | Plants disease segmentation using image processing | |
CN107704878B (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
CN110111272A (zh) | 一种人工智能红外图像处理仪、控制系统及控制方法 | |
Patki et al. | Cotton leaf disease detection & classification using multi SVM | |
CN108510490B (zh) | 一种分析虫害趋势的方法、装置及计算机存储介质 | |
CN108280410B (zh) | 一种基于二进制编码的农作物识别方法及系统 | |
Saravanakumar et al. | Plant syndrome recognition by Gigapixel Image using convolutional neural network | |
CN114841961A (zh) | 基于图像增强和改进YOLOv5的小麦赤霉病检测方法 | |
CN112215303B (zh) | 一种基于自学属性的图像理解方法及系统 | |
CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
CN113505815A (zh) | 一种基于多特征融合的蚊虫识别方法 | |
Babiker et al. | Recognition of dandelion weed via computer vision for a weed removal robot | |
CN115294555B (zh) | 基于神经网络的植物病害智能诊断方法及系统 | |
Sukmana et al. | Blight segmentation on corn crop leaf using connected component extraction and CIELAB color space transformation | |
CN111160416B (zh) | 一种基于支持向量机的伊蚊识别方法 | |
CN115828181A (zh) | 基于深度学习算法的马铃薯病害种类识别方法 | |
CN111476253B (zh) | 服装图像分类、图像分类方法、装置及设备 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 | |
CN114092457B (zh) | 一种用于农作物病虫害检测的方法及系统 | |
Chodey et al. | Crop pest detection and classification by K-means and EM clustering | |
CN113256671B (zh) | 一种基于YCbCr颜色空间的树果计数方法 | |
CN114255203B (zh) | 一种鱼苗数量估计方法及系统 |
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 |