论文部分内容阅读
昆虫的种类自动识别技术用于解决专业的种类鉴定需求日益增加与鉴定人员相对缩减之间的矛盾,有较广阔的前景。蝴蝶作为鳞翅目昆虫在世界上分布很广,种类很多,约有2万种。如此多的种类对于识别来说存在着较大困难,因此对蝴蝶进行种类自动识别有着重要的意义。
该研究共收集了43种蝴蝶标本,每种20个样本,用于自动识别。我们设计了两种完全不同的蝴蝶自动识别系统:一种是基于蝴蝶前、后翅形态特征的自动识别系统;一种是基于蝴蝶正面颜色特征的识别系统。
在基于蝴蝶翅形态特征的自动识别系统中,我们设计了13个与大小尺度、方向均无关的几何形态特征用来描述蝴蝶翅的形态。这13个几何形态特征分别为:矩形度、延长度、偏心率、似圆度、球状型、叶状型、7个Hu不变矩。实验数据表明这13个形态特征能比较稳定地区分实验中用到的每种蝴蝶翅形态特征之间的差异。我们将蝴蝶前翅的这13个形态特征与后翅的13个形态特征合并成一个具有26个特征值的特征向量做为蝴蝶翅自动识别的模式特征。这其中前翅的特征值放在特征向量的前方,后翅的特征值放在前翅特征值之后。
基于上面提到的蝴蝶前、后翅的26个形态特征值,我们设计了一个3层的径向基的神经网络用来进行蝴蝶的模式特征的自动识别。对于43种实验用到的蝴蝶标本,每一种取10个样本。其中5个用来进行模式样本训练,5个用来进行识别准确率的测试。每一种蝴蝶翅的26个形态特征值与径向基神经网络训练的参数都会保存在数据文档中。在Windows平台下利用VisualC++编程语言开发了蝴蝶翅形态特征提取与基于蝴蝶翅形态特征的自动识别软件。对于要识别的蝴蝶,我们取其前翅与后翅放置在摄像机下的平板面光源上。前翅放在上方、后翅放在下方。软件可以自动提取前翅与后翅的26个形态特征值,并组合成一个特征向量。利用已经训练过的径向基神经网络,系统可以自动识别具有该特征向量值的蝴蝶属于哪个种类,从而达到自动识别的目的。
基于蝴蝶翅形态特征的自动识别系统中需要将蝴蝶标本的翅拆解下来,这样才能对前后翅的形态特征进行测量,对标本具有破坏作用。而基于蝴蝶翅正面颜色特征的自动识别系统只需要统计整个标本正面的颜色,不需要对翅进行拆解,对标本没有破坏作用。
在获取蝴蝶图像时,光照的强度与光源本身的色温会影响获取到的蝴蝶图像的颜色。为了保证在获取蝴蝶标本图像时颜色不会随环境中光照的明暗与光源色温的变化而改变,我们设计了专有的蝴蝶标本取像平台。图像获取平台包括:背景面光源(冷光源)、数字摄像机、镜头、环形Led白色光源、图像平台支架。该设备在获取蝴蝶数字图像时能较好地避免光照不均匀、背景有阴影、光源强度变化、光源色温变化等因素。比较适合于蝴蝶特征的提取与自动识别需要。实验中所有蝴蝶标本图像的获取均在此平台下完成。
基于蝴蝶正面颜色特征的自动识别系统中,我们采用了蝴蝶正面图像的红色、绿色、蓝色、亮度4个一维颜色直方图信息和红色、绿色2个与光照颜色无关的色度二维直方图信息做为蝴蝶的颜色模式特征。将所有颜色直方图信息合并成一个颜色特征向量,共264个特征值作为蝴蝶的颜色模式特征。在直方图计算过程中对直方图做了阶的缩小,同时采用了离散的高斯低通滤波进行了直方图平滑以减少噪声的影响。同时对直方图进行了基于面积的规一化操作,以使特征值对图像大小不敏感。面积规一化操作时只统计蝴蝶本身的区域,对图像中的背景像素没有进行统计。蝴蝶区域从背景图像中的分割采用了基于区域增长的图像分割算法。实验数据表明该方法统计的蝴蝶颜色信息对缩放与旋转都有一定的不敏感性,比较适合于做为蝴蝶识别的特征值。
在Windows平台下利用VisualC++编程语言设计了一个基于颜色特征的蝴蝶自动识别软件。模式识别机制采用径向基神经网络。对于43种蝴蝶标本,每种取20个样本。10个用来作为模式训练用,10个作为识别准确率测试用。在计算机上的特定目录下分别将不同种类的蝴蝶图像放在以该蝴蝶名称命名的不同目录下,软件可以对所有的蝴蝶图像进行一次性批量的颜色特征提取与径向基神经网络训练,并能保存所有蝴蝶颜色特征值与神经网络训练参数。需要识别蝴蝶种类时,只需要将蝴蝶标本放在与电脑相连的数字摄像机下。软件可以直接获取蝴蝶图像,并能直接将蝴蝶从背景图像中分割出来,同时提取其264个颜色特征值。随后软件利用已有的神经网络参数对该蝴蝶种类进行自动鉴识别。
实验测试结果表明基于蝴蝶前后翅形态特征的自动识别系统与基于蝴蝶正面颜色特征的自动识别系统对蝴蝶的自动识别都达到了较好的效果。