[发明专利]基于深度特征与多核Boosting学习相结合的害虫图像识别方法

摘要

本发明涉及基于深度特征与多核Boosting学习相结合的害虫图像识别方法，与现有技术相比解决了害虫图像识别率低的缺陷。本发明包括以下步骤：获取自然图像集；害虫图像的收集、标记和预处理；利用训练集的样本形成块级特征；利用多核Boosting学习的SVM训练多核分类框架；将测试集的样本形成块级特征后，输入训练完成后的多核分类框架中，进行害虫图像的自动识别。本发明利用了害虫图像的多层深度特征并与多核Boosting学习相结合进行害虫的图像识别，提高了害虫识别的准确率。

主权项

1.一种基于深度特征与多核Boosting学习相结合的害虫图像识别方法，其特征在于，包括以下步骤：11)获取自然图像集，获取自然图像集并分割成自然图像块，使用无监督特征学习方法从未标记的自然图像块中训练学习字典；12)害虫图像的收集、标记和预处理，对所有害虫图像均在照明均匀的条件下拍摄，并将拍摄聚焦在害虫症状上，将所有害虫图像归一化并缩放到大小为200×200像素，得到若干个样本；将每种害虫的样本随机分成训练集和测试集；13)利用训练集的样本形成块级特征，将已标记的训练图像从不同尺度上提取图像块，将某尺度下的训练图像块集通过学习字典进行稀疏表示后，再通过空间对齐池化操作形成块级特征；所述的利用训练集的样本形成块级特征包括以下步骤：131)将已标记的训练图像从不同尺度上提取图像块，从粗粒度水平、中粒度水平和细粒度水平不同尺度上分别对训练图像提取图像块；对于一张训练图像y_i，利用某一个尺度大小的均匀网格分割得到K个害虫图像块[x₁,x₂,...,x_K]；132)将某尺度下的训练图像块通过学习字典进行稀疏表示；利用字典将图像块稀疏编码包括以下步骤：1321)对于给定的害虫图像y_i，使用均匀网格把图像分割成重叠方块[x₁,x₂,...,x_K]∈R^n×K；1322)利用奇异值分解算法学习得到的学习字典D，K个害虫图像块[x₁,x₂,...,x_K]对应的稀疏编码分别为找到每个块x_i的稀疏代码解决下面的优化问题，其中||·||₀是中非零元素的数目；采取l₁范数最小化替代，解决下面的优化问题：其中的解是对应的局部图像块向量x_i对应的特征向量，对应于一张害虫图像中所有的局部图像块的稀疏编码；133)通过空间对齐池化操作形成块级特征，其包括以下步骤：1331)第i个块的稀疏编码被划分成J段，其中表示系数的第j段；1332)然后进行加权，其公式如下：其中，矢量v_i对应于第i个局部块；一张训练图像对应的所有局部块分别对应的特征向量v_i形成矩阵V；1333)对矩阵V做池化操作，取矩阵V的对角元素产生最终的块级特征，其公式如下：s＝diag(V),其中：s表示从一张训练图像某一尺度上提取的特征向量；14)利用多核Boosting学习的SVM训练多核分类框架，将不同尺度下的块级特征通过基于多核Boosting学习的支持向量机训练多核分类框架；15)将测试集的样本形成块级特征后，输入训练完成后的多核分类框架中，进行害虫图像的自动识别。