[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

摘要

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。

主权项

1.一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，其特征在于，包括以下步骤：11)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；所述的进行大规模害虫图像块随机采样包括以下步骤：111)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；112)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；113)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；12)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,…,dM]∈Rn×M,其中M表示字典的大小，每一列dj表示字典的原子；13)害虫图像特征编码并进行特征池化操作，利用非监督字典DT，将害虫图像块向量yi编码成为特征向量xi；将特征转化为保存重要信息而丢弃不相干信息的特征；14)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。