昆蟲圖像檢測方法以及昆蟲分類方法
【技術領域】
[0001]本發(fā)明涉及昆蟲分類方法，具體涉及一種昆蟲圖像檢測方法以及昆蟲分類方法。
【背景技術】
[0002]遺傳學是研究生物體的遺傳及變異的科學，其屬于生命科學的一個重要分支，許多其他分支，例如，基因工程學，是基于遺傳學對基因的研究所衍生出來的新興科學。由于基因與遺傳蘊藏生物本身的奧秘，可通過微觀的角度觀察并解釋巨觀的生物現(xiàn)象，同時基因遺傳學的發(fā)展亦可能解決人類社會自古以來的一些重大問題，例如老化與疾病，因此，各界莫不重視對基因的研究。
[0003]果蠅的基因數(shù)量約只有人類的三分之一，然而，控制果蠅發(fā)育的基因與人類的控制基因相似，加上果蠅生命周期短、可大量繁殖等適合進行遺傳實驗的優(yōu)點，使得果蠅在基因研究上扮演重要的角色。以果蠅作為遺傳學研究的材料，利用突變株研究基因和性狀之間的關系已近一百年，至今，各種研究遺傳學的工具已達完善的地步，果蠅提供我們對今日的遺傳學的知識有其不可磨滅的貢獻。
[0004]在果蠅的遺傳基因研究上，基因工程研究者需要收集未交配過的雌果蠅，以保證遺傳實驗操作上不會受到其他雄性基因的污染導致實驗失敗。欲辨識未交配過的雌果蠅，傳統(tǒng)的方法是以人力將果蠅固定于顯微鏡底下，并通過顯微鏡觀察果蠅的腹部特征來挑選出未交配過的雌果蠅。但由于果蠅均是一次大量培養(yǎng)，且雌果蠅羽化8小時后即達性成熟，因此這種以人眼分辨未交配的雌果蠅的方式必須持續(xù)以同樣間隔的時間進行，以避免雌果蠅在培養(yǎng)儲存槽中即進行交配。上述挑選未交配的雌果蠅的作法相當耗費人工，同時以人眼判斷果蠅特征的方式效率不佳，往往為了精準挑選出未交配的雌果蠅而丟棄掉大量無法確定特征的果繩。
[0005]除了果蠅之外，不論是要分辨不同種類的昆蟲或是同種類昆蟲中不同的特征，同樣都是需要借助人眼觀察顯微鏡底下的昆蟲再進行判斷，因此也都具有傳統(tǒng)分類方法耗費人力、時間以及效率不佳的問題。

【發(fā)明內(nèi)容】

[0006]為解決上述問題，本發(fā)明提供了一種昆蟲圖像檢測方法以及昆蟲分類方法，通過計算機模式識別技術實現(xiàn)了昆蟲種類的自動識別，同時精確度高。
[0007]為實現(xiàn)上述目的，本發(fā)明采取的技術方案為:
[0008]昆蟲圖像檢測方法以及昆蟲分類方法，包括如下步驟:
[0009]S1、將采集的將視頻數(shù)據(jù)中的各幀圖像由彩色轉化為灰度，并將所述灰度圖像與對應的建模背景進行差分操作；
[0010]S2、將所得的圖像分割成一定數(shù)量的區(qū)域塊；
[0011]S3、計算各圖像塊的特征值，所述特征值包括亮度特征值、顏色特征值、方向特征值，深度特征值和稀疏特征值；
[0012]S4、將所得各特征值的測度線性歸一化至[0，1]范圍之內(nèi)；對各個超像素單元進行四種特征值的融合，得到超像素精度的顯著性圖；
[0013]S5、根據(jù)最大類間方差法，對所得的超像素精度的顯著性圖進行自適應閾值分割，得到具有突出顯著的目標部分的二值圖；
[0014]S6、利用SIFT算法從查詢圖庫中不同類別的圖像中提取SIFT特征點，將所有特征點向量集合到一±夬，利用K-Means聚類算法合并相似的SIFT特征點，構造一個包含若干個詞匯的詞典；
[0015]S7、提取圖像顯著性區(qū)域的視覺詞，統(tǒng)計圖像顯著性圖內(nèi)視覺詞的個數(shù)，構造視覺短語，生成圖像的圖像描述；
[0016]S8、將所得圖像的圖像描述與知識數(shù)據(jù)庫中每幅圖像進行圖像匹配，根據(jù)匹配的結果，判斷待分類實蠅是否屬于知識數(shù)據(jù)庫中的已知種類。
[0017]其中，所述的知識數(shù)據(jù)庫中包含已知類別的多種實蠅的特征數(shù)據(jù)。
[0018]其中，利用均值法進行背景建模。
[0019]其中，所述知識數(shù)據(jù)庫中設有一網(wǎng)絡爬蟲，用于搜索與所查詢數(shù)據(jù)相關的網(wǎng)站或文檔。
[0020]其中，均值法為在視頻圖像中取連續(xù)N幀，計算這N幀圖像像素灰度值的平均值作為背景圖像的像素灰度值。
[0021]其中，所述步驟S5中的閾值取值范圍為0.165?0.315。
[0022]其中，知識數(shù)據(jù)庫連接有一更新模塊，用于通過3G網(wǎng)絡、W1-Fi網(wǎng)絡方式更新知識數(shù)據(jù)庫。
[0023]本發(fā)明具有以下有益效果:
[0024]通過計算機模式識別技術實現(xiàn)了昆蟲種類的自動識別，將視覺顯著性與短語很好的結合起來，能夠更加準確地反映查詢圖像中的顯著性區(qū)域，提高了識別的精確度。
【具體實施方式】
[0025]為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結合實施例對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0026]本發(fā)明實施例提供了一種昆蟲圖像檢測方法以及昆蟲分類方法，包括如下步驟:
[0027]S1、將采集的將視頻數(shù)據(jù)中的各幀圖像由彩色轉化為灰度，并將所述灰度圖像與對應的建模背景進行差分操作；
[0028]S2、將所得的圖像分割成一定數(shù)量的區(qū)域塊；
[0029]S3、計算各圖像塊的特征值，所述特征值包括亮度特征值、顏色特征值、方向特征值，深度特征值和稀疏特征值；
[0030]S4、將所得各特征值的測度線性歸一化至[0，1]范圍之內(nèi)；對各個超像素單元進行四種特征值的融合，得到超像素精度的顯著性圖；
[0031]S5、根據(jù)最大類間方差法，對所得的超像素精度的顯著性圖進行自適應閾值分割，得到具有突出顯著的目標部分的二值圖；
[0032]S6、利用SIFT算法從查詢圖庫中不同類別的圖像中提取SIFT特征點，將所有特征點向量集合到一±夬，利用K-Means聚類算法合并相似的SIFT特征點，構造一個包含若干個詞匯的詞典；
[0033]S7、提取圖像顯著性區(qū)域的視覺詞，統(tǒng)計圖像顯著性圖內(nèi)視覺詞的個數(shù)，構造視覺短語，生成圖像的圖像描述；
[0034]S8、將所得圖像的圖像描述與知識數(shù)據(jù)庫中每幅圖像進行圖像匹配，根據(jù)匹配的結果，判斷待分類實蠅是否屬于知識數(shù)據(jù)庫中的已知種類。
[0035]所述的知識數(shù)據(jù)庫中包含已知類別的多種實蠅的特征數(shù)據(jù)。
[0036]利用均值法進行背景建模，是對一些連續(xù)幀取像素平均值，其基本思想為在視頻圖像中取連續(xù)N幀，計算這N幀圖像像素灰度值的平均值作為背景圖像的像素灰度值。這種算法速度很快。
[0037]所述知識數(shù)據(jù)庫中設有一網(wǎng)絡爬蟲，用于搜索與所查詢數(shù)據(jù)相關的網(wǎng)站或文檔，進一步提高了分類的全面性。
[0038]所述步驟S5中的閾值取值范圍為0.165?0.315。
[0039]知識數(shù)據(jù)庫連接有一更新模塊，用于通過3G網(wǎng)絡、W1-Fi網(wǎng)絡方式更新知識數(shù)據(jù)庫，可以實時更新知識庫資料。
[0040]本具體實施通過計算機模式識別技術實現(xiàn)了昆蟲種類的自動識別，將視覺顯著性與短語很好的結合起來，能夠更加準確地反映查詢圖像中的顯著性區(qū)域，提高了識別的精確度。
[0041]以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。
【主權項】
1.昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，包括如下步驟: 51、將采集的將視頻數(shù)據(jù)中的各幀圖像由彩色轉化為灰度，并將所述灰度圖像與對應的建模背景進行差分操作； 52、將所得的圖像分割成一定數(shù)量的區(qū)域塊； 53、計算各圖像塊的特征值，所述特征值包括亮度特征值、顏色特征值、方向特征值，深度特征值和稀疏特征值； 54、將所得各特征值的測度線性歸一化至[O，I]范圍之內(nèi)；對各個超像素單元進行四種特征值的融合，得到超像素精度的顯著性圖； 55、根據(jù)最大類間方差法，對所得的超像素精度的顯著性圖進行自適應閾值分割，得到具有突出顯著的目標部分的二值圖； 56、利用SIFT算法從查詢圖庫中不同類別的圖像中提取SIFT特征點，將所有特征點向量集合到一塊，利用K-Means聚類算法合并相似的SIFT特征點，構造一個包含若干個詞匯的詞典； 57、提取圖像顯著性區(qū)域的視覺詞，統(tǒng)計圖像顯著性圖內(nèi)視覺詞的個數(shù)，構造視覺短語，生成圖像的圖像描述； 58、將所得圖像的圖像描述與知識數(shù)據(jù)庫中每幅圖像進行圖像匹配，根據(jù)匹配的結果，判斷待分類實蠅是否屬于知識數(shù)據(jù)庫中的已知種類。2.根據(jù)權利要求1所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，所述的知識數(shù)據(jù)庫中包含已知類別的多種實蠅的特征數(shù)據(jù)。3.根據(jù)權利要求1所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，利用均值法進行背景建模。4.根據(jù)權利要求1所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，所述知識數(shù)據(jù)庫中設有一網(wǎng)絡爬蟲，用于搜索與所查詢數(shù)據(jù)相關的網(wǎng)站或文檔。5.根據(jù)權利要求3所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，在，均值法為在視頻圖像中取連續(xù)N幀，計算這N幀圖像像素灰度值的平均值作為背景圖像的像素灰度值。6.根據(jù)權利要求1所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，所述步驟S5中的閾值取值范圍為0.165?0.315。7.根據(jù)權利要求1所述的昆蟲圖像檢測方法以及昆蟲分類方法，其特征在于，知識數(shù)據(jù)庫連接有一更新模塊，用于通過3G網(wǎng)絡、W1-Fi網(wǎng)絡方式更新知識數(shù)據(jù)庫。
【專利摘要】本發(fā)明公開了一種昆蟲圖像檢測方法以及昆蟲分類方法，包括如下步驟：將采集的將視頻數(shù)據(jù)中的各幀圖像由彩色轉化為灰度，并將所述灰度圖像與對應的建模背景進行差分操作后進行分割；計算各圖像塊的特征值，將特征值歸一化、融合處理；根據(jù)最大類間方差法，對所得的超像素精度的顯著性圖進行自適應閾值分割，得到二值圖；生成圖像的圖像描述，并將其與知識數(shù)據(jù)庫中每幅圖像進行圖像匹配，根據(jù)匹配的結果，判斷待分類實蠅是否屬于知識數(shù)據(jù)庫中的已知種類。本發(fā)明通過計算機模式識別技術實現(xiàn)了昆蟲種類的自動識別，將視覺顯著性與短語很好的結合起來，能夠更加準確地反映查詢圖像中的顯著性區(qū)域，提高了識別的精確度。
【IPC分類】G06K9/00, G06K9/46, G06F17/30, G06K9/62
【公開號】CN105243390
【申請?zhí)枴緾N201510638158
【發(fā)明人】秦雪峰, 李衛(wèi)海, 張立磊, 楊和連
【申請人】河南科技學院
【公開日】2016年1月13日
【申請日】2015年9月25日