[发明专利]一种基于非监督学习技术的害虫图像特征学习与自动分类方法

说明书

本发明涉及一种基于非监督学习技术的害虫图像特征学习与自动分类方法，与现有技术相比解决了对害虫图像因遮挡和污染导致害虫识别能力差的缺陷。本发明包括以下步骤：进行大规模害虫图像块随机采样；害虫图像的非监督特征字典学习；害虫图像特征编码并进行特征池化操作；多类分类器识别。本发明提高了害虫识别的准确率，利用非监督的字典训练方式构造非监督字典，结合稀疏编码的方式并对特征进行池化操作，实现了特征较强的鉴别力，有效地表示了害虫图像。

技术领域

本发明涉及图像识别技术领域，具体来说是一种基于非监督学习技术的害虫图像特征学习与自动分类方法。

背景技术

随着精准农业的兴起，计算机图像处理技术为农业生产提供了新思路，为实现害虫图像的自动识别提供了先进的技术手段。由于其具有准确性高、速度快、信息量大等优点，在农作物害虫识别方面得到较多的应用，可以高效地识别农作物虫害，科学管理农作物生长，提高农作物产量和质量。然而实际农田环境复杂，害虫种类多样，所拍摄的害虫图像容易产生遮挡或污染，对提高识别率有一定的限制。稀疏表示的方法对遮挡和像素污染等均具有鲁棒性，而稀疏表示的前提是训练出较好的保存特征原子的完备字典，因此如何更优地进行特征学习并对特征进行有效表示已经成为亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术中对害虫图像因遮挡和污染导致害虫识别能力差的缺陷，提供一种基于非监督学习技术的害虫图像特征学习与自动分类方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于非监督学习技术的害虫图像特征学习与自动分类方法，包括以下步骤：

进行大规模害虫图像块随机采样，对图像进行随机抽样，将该抽样过程在所有的训练样本图像上执行，进行大规模的图像块采集；

害虫图像的非监督特征字典学习，使用非监督学习方法构建特征字典 D＝[d₁,d₂,...,d_M]∈R^n×M,其中M表示字典的大小，每一列d_j表示字典的原子；

害虫图像特征编码并进行特征池化操作，利用非监督字典D_T，将害虫图像块向量y_i编码成为特征向量x_i；将特征转化为保存重要信息而丢弃不相干信息的特征；

多类分类器识别，通过多类分类器对正负特征进行训练学习，实现训练样本害虫所属类别的判定。

所述的进行大规模害虫图像块随机采样包括以下步骤：

采集训练害虫图像视频帧，对每帧的害虫图像进行划分区块，在其中一个区块进行随机抽样，在区块内抽样r×r的图像块，其中n＝r×r，n为非监督字典的维数，在区块矩阵范围内以随机数的形式产生r×r图像块的中心点坐标(x,y)，以此坐标在区块范围内抽样边长为r的小图像块；

对帧内每个区块执行随机抽样过程，并将各个区块定义为稀疏特征进行池化操作时所界定的池化范围；

对训练害虫图像视频所有帧均进行划分区块并进行随机抽样过程，获得原始字典的训练样本特征，组成训练样本特征矩阵Y。

所述的害虫图像的非监督特征字典学习包括以下步骤：

初始化随机字典D，设置稀疏度k，对原始特征归一化操作，初始化字典表示为D＝[d₁,d₂,...,d_M]∈R^n×M；

利用正交匹配追踪方法，固定随机字典D对输入数据Y进行稀疏表示得到稀疏向量矩阵X，