[发明专利]一种生物数据性状识别系统

说明书

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。

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；

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, , 为生物图像数；

提取特征模块，对生物前景图像序列提取颜色特征、斑驳特征,计算生物前景图像序列的斑驳特征值得到斑驳特征值序列，通过阈值，确定斑驳合格序列与斑驳不合格序列,；

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,；

数据处理模块，将数据进行条件分析，当颜色状态好的生物前景图像序列和斑驳合格序列中的，是合格生物，输出合格生物序列。

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。