[发明专利]一种基于图像处理的鸟鸣声特征强化方法

说明书

本发明公开了一种基于图像处理的鸟鸣声特征强化方法，涉及图像处理、深度学习和鸟类识别技术。本方法是：①对鸟鸣声数据集进行预处理，包括重采样和归一化，得到鸟鸣声的频谱图；②对频谱图进行信噪分离，得到信号谱图和噪声谱图；③对所有频谱图进行分块；④对分块后的信号谱图进行数据增强：⑤通过Jet映射对数据增强后的灰度图像进行伪彩色处理，得到三通道RGB彩色图像；⑥通过迁移学习方式，得到识别结果。本发明的有益效果是：①用于高效地进行鸟类自动识别；②通过将一维时域的鸟鸣声信号转换为二维时频域的生物频谱信息；③图像处理包括：鸟鸣声信噪分离、特异性数据增强和视觉感知力增强，为深度学习在鸟类自动识别领域的探索更进一步。

技术领域

本发明涉及图像处理、深度学习和鸟类识别技术领域 ，特别是涉及一种基于图像处理的鸟鸣声特征强化方法。

背景技术

生物多样性是人类赖以生存的条件，是社会可持续发展的战略资源，是生态安全和粮食安全的重要保障。由于分布范围广、研究资料齐全和对环境的敏感性，鸟类是生物多样性的重要指示类群。掌握鸟类种群现状及其动态变化信息，对保护和评估生态系统都具有重要意义。鸟类鸣声多种多样，包含了重要的行为意义、物种特异性和丰富的生物学信息，同时也是对其进行物种识别的主要手段。鸟鸣声的分类学意义，目前已成为鸟声研究与鸟类系统分类学研究交叉的热点。

生物频谱作为声景观生态学理论分析的重要组成部分，是监测、研究和分析生态系统多样性的重要途径。利用适当的方法对其进行分析能够充分展现声音的时频特性，从而有效地识别出生物的差异性。鸟鸣声谱图作为研究鸟的物种属性的重要途径，其频谱分析对鸟类多样性监测至关重要。

深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域中应用前景最为广阔的技术。随着深度学习在计算机视觉领域的不断突破，运用其处理图像识别任务已成为一种高效且专业的技术。在该技术背景的支持下，本发明结合鸟鸣声特性，对鸟鸣声谱图进行了针对性的处理。

发明内容

本发明旨在提供一种基于图像处理的鸟鸣声特征强化方法，以解决现有技术在识别过程中的鸣声特征不突出、噪声干扰严重和生物频谱信息不全面的问题。

为实现上述目的，本发明的技术方案为：

具体地说，一种基于图像处理的鸟鸣声特征强化方法包括以下步骤：

①对鸟鸣声数据集进行预处理，包括重采样和归一化，得到鸟鸣声的频谱图；

②对频谱图进行信噪分离，得到信号谱图和噪声谱图；其中，信号谱图包含鸣唱和鸣叫部分，噪声谱图包含噪音和静音部分，信号谱图作为原始训练样本，噪声谱图用于背景噪声增强的一种途径；

③对步骤②中信噪分离后的所有频谱图进行分块，并调整每小块频谱图的大小以适合用于训练的神经网络的输入维度；

④对步骤③中分块后的信号谱图进行数据增强，由于频谱图不同于传统图像，之间的差异限制了广泛的图像处理技术的直接应用；综合考量鸟鸣声和频谱图的特性，本数据增强处理特别方法包括频域变换、噪声添加和同类样本混合：

⑤为增强灰度图像的视觉感知力，同时方便对不同的神经网络进行迁移学习，通过Jet映射对数据增强后的灰度图像进行伪彩色处理，得到三通道RGB彩色图像，将这些三通道RGB彩色图像分为训练集和测试集，其中训练集占80%，测试集占20%；

⑥通过迁移学习方式，选取合适的神经网络模型，对其进行微调并使用步骤⑤中的训练集进行训练，最终通过验证集验证模型准确率，得到识别结果。

相较于现有技术，本发明的有益效果是：

①针对自然复杂声学环境下基于鸟鸣声的物种分类问题，提出一种基于图像处理的鸟鸣声特征强化方法；缓解了鸟鸣声在识别过程中的背景噪声高、鸣声特征不突出、鸣声数据不平衡和生物频谱信息不全面等问题，用于高效地进行鸟类自动识别；