（计算机软件与理论专业论文）基于图像的昆虫识别关键技术研究.pdf

基于图像的昆虫识别关键技术研究 摘要 昆虫识别是农林作物病虫害防治的基础。传统的昆虫识别方法是专家观察 昆虫的外部特征并与模式标本对照鉴定识别，费时费力。现有的昆虫自动识别 方法功能单一，性能有待提高。本文以国家自然科学基金“基于医学图像数据 挖掘技术的研究 和陕西省自然科学基会项目“文物的语义标注和本体检索技 术研究”为背景，针对图像的昆虫识别过程中预处理、特征提取、识别分类的 不同阶段，研究几何模型的图像分割、基于内容图像检索、基于降维的识别、 本体建立、基于本体的识别等关键技术，具有理论意义和应用价值。论文主要 研究成果如下： ( 1 ) 构建了昆虫识别两层次的新体系。将昆虫识别分为基于低层视觉特征的 昆虫识别、基于高层语义的昆虫识别两个层次，通过建立低层视觉特 征和昆虫高层语义的映射，缩小两个层次的“语义鸿沟”，实现了基于 本体的昆虫识别。 ( 2 ) 基于视觉特征的昆虫识别方法。从图像的纹理特征、局部特征、降维3 种技术角度提取昆虫视觉特征，结合相应的分类算法，昆虫识别性能 较好。 a ) 给出了昆虫彩色图像的分割预处理方法。鉴于现有几何可变形模型 主要用于灰度图像分割，提出并实现了对彩色图像快速几何可变形 模型的分割算法。 b ) 基于角度无关g a b o r 的s v m 昆虫识别方法。应用角度无关的a i g a b o r 提取昆虫纹理特征，形成纹理特征表示矩阵，利用s v m 算法实现了 昆虫识别。 c ) 基于s u r f 多分辨率直方图的昆虫识别方法。针对同种昆虫图像拍 摄时其光照、尺度往往不同，利用局部特征具有光照、尺度等不变 性，应用s u r f 描述子提取昆虫图像局部特征，由于其局部特征点 数不确定，应用多分辨率直方图算法实现特征点匹配。 d 1 基于普图回归l d a 的l 州n 昆虫识别方法。针对昆虫高维数据空间 基f 图像的昆虫识别关键技术研究 识别容易导致“维数灾难问题，应用谱图回归l d a 降维，将昆虫 投影剑特钶：f 空i 玎j 利嘲l 喇n 分类实现昆虫彭5 别。 ( 3 ) 基于本体的昆虫识别技术。利用基于视觉特征昆虫识别方法建立的视觉 特征和昆虫种类之间的映射关系，引入本体技术途径实现昆虫识别。 a ) 建立昆虫形态学分类知识本体。针对昆虫分类知识体系复杂的问题， 抽取昆虫分类知识元数据，采用本体建立方法，实现昆虫知识形式 化和共享。 b 、给出基于本体的昆虫识别新机制。分别建立昆虫图像视觉特征本体、 介质特征本体、昆虫形态学分类知识本体，应用昆虫图像视觉特征 和高层语义的映射关系，实现了基于本体指导下的昆虫识别。 ( 4 ) 昆虫识别系统原型设计。应用p r o t 6 醇建立本体，以v i s u a lc + + 6 0 和 m a t l a b 相结合，实现了本文相关算法，完成了原型系统的集成，验证 了算法的正确性和准确性，效果良好。 关键词：对象识别，降维，局部特征提取，本体，基于本体的昆虫识别 基于图像的昆虫识别关键技术研究 a b s t 舟c t i i i s e c t sr e c o g i l i “o ni st l 虻b a s i so fc r o pp e s la n dd i s e a s ec o n t r o li na g c u l t u r e a n df o r e s t r v t r a d i t i o n a l l ye x p e n s0 b s e et h ee x t e m a lf e a t u r e so fi n s e c t sa n dt h e n c o m p a r et h e s ef e a t u r e s w i t h s p e c i m e n sw h i l ei d e n t i f y i n gi n s e c t s ， w h i c hi s t i m e c o n s u m i n ga n dl a b o re x h a u s t i v e e x i s t i n gm e t h o d sf o ri n s e c t sa u t o m a t i c i d e n t i f i c a t i o ni ss i n l p l ef u n c t i o n a l l ya n dt h e i rp e r 】f o n n a n c en e e d st ob ei m p i o v e da s w e n u n d e rt h es u p p o no fn a t i o n a ln a t u r es c i e n c ef b u n d a t i o np r o j e c t r e s e a r c h 衄d a t am i n i n gb a s e do nm e d i c a li m a g ea n dt h es u p p o no fs h a n n x i sp r o v i n c e n a t u r e s c i e n c ef o u n d a t i o n p r o j e c t r e s e a r c ho ns e m a n t i ca n n o t a t i o na n d o n t o l o g y r e t r i e v a l0 f r e l i c s ，g e o m e t r i cm o d e l - b a s e di m a g es e g m e n t a t i o n ， c 0 n t e n t - b a s e di m a g er e t r i e v a l ，d i m e n s i o nr e d u c t j o n b a s e d r e c o g n i t i o n ，o n t o l o g y b u i l d i n ga n do n t o l o g y - b a s e dr e c o g n i t i o na sw e l la ss e v e r a lo t h e rk e yt e c h n i q u e sa r e s t u d i e da c c o r d i n gt od i f f e r e n ts t a g e so fi d e n t i f i c a t i o ni e p r e - p r o c e s s i n g ，e x t r a c t i o n ， c l a s s i f i c a t i o ni ni m a g e - b a s e di n s e c t sr e c o g n i t i o ni nt h et h e s i s t h i sr e s e a r c hi so f t h e o r e t i c a la n da p p l i c a t i o nv a l u e m a i nc o n t r i b u t i o no ft h i st h e s i si sa sf o l l o w s ： ( 1 ) n e wh i e r a r c h ym e c h a n i s mf o ri n s e c t sr e c o g n i t i o ni sc o n s t l l l c t e d i n s e c t s r e c o g n i t i o ni s d i v i d e di n t ot w 0i e v e l st h a ta r el o w - l e v e lv i s u a l f e a t u r e sb a s e d r e c o g i l i t j o n a n dh i g l l - l e v e ls e m a n t i c b a s e d r e c 0 印i t i o n t l l r o u 曲 t h e m a p p i n g e s t a b l i s h m e n tb e 似e e nl o w - l e v e lv i s u a lf e a t u r e so fi l l s e c t s 锄dt h eh i 曲一l e v e l s e m a n t i c ， s e m a n t i c g a p b e t w e e nt h e s et w ol e v e l sa r en a r r o w e ds ot h a t 0 n t o l o g y - b a s e di n s e c t sr e c o g l l i t i o ni si m p l e m e n t e d ( 2 ) v i s u a lf e a t u r e s b a s e di n s e c t sr e c o g n i t i o n 1 m ef e a t u r e so fi n s e c t si m a g e s a r ee x t r a c t e d a c c o r d i n gt o t e x t u r ef e a t u r e s ， l o c a lf e a t u r e s ，r e d u c e d d i m e n s i o n t e c h n o l o g yf 硒mt h r e ed i f f e r e n ta n 舀e sa n dt h e nt h e s ef e a t u r e s a r ec l a s s i f i e db y c o r r e s p o n d i n gc l a s s i f i c a t i o na l g o r i t h m s ，s ot h a tb e t t e rp e 血册a n c e sa r eg a i n e db y t h e s em e t h o d s a ) i m a g es e 9 1 t l e n t a t i o np r e p r o c e s s i n gm e t h o d sf o rc o l o rj m a g eo fi n s e c t sa r e p r e s e n t e d b e c a u s et h ee x i s t i n gg e o m e t r i cm o d e lc a no n l yb eu s e df o rd e f o 瑚a t i o n 伊a yi m a g es e g m e n t a t i o n ，r a p i dg e o m e t r i cm o d e lo fd e f o m a b l es e g m e n t a t i o ni s p r e s e n t e da n di m p l e m e n t e ds ot h a tc o l o ri m a g e sc a nb ew e l ld e a l tw i t h b ) a n g l ei n v a r i a n tg a 晰b a s e ds v mf o ri n s e c t sr e c o 印i t i o n t h et e x t u r e 基于图像的昆虫识别关键技术研究 f e a t l j r e sa r ee x t r a c t e db ya n g l ei n v a r i a n tg a b o ra n dr e p r e s e n t e da st e x t u r ef e a t u r e s m a t r i ka n dt h e ns v m i sa p p “e d0 nt h cm a t r 仅t or c c o g n i z ei i i s c c t s c ) s u r fb a s e dm u l t i r e s o l u t i 伽l l i s t o 伊a m sf o ri n s e c t sr e c o g n i t i o n a c c o r d i j l g t od i 骶r e n tl i g l l tc o n d i t i o na n ds c a l e ，l o c a lf e a t u r e st e c h n i q u e sa r ei n t r o d u c e dt o i n s e c t sr e c o 印i t i o n b a s e do nt h ei n v a r i a n to f l o c a lf e a t u r e st ol i g l l tc o n d j t i o na n d s c a l e ，s u r fd e s c r i p t o ri su s e dt oe x t r a c tl o c a lf e a t u r e so fj n s e c t si m a g e s s i n c et h e n u m b e ro fl o c a lf e a t u r e sa r eu n f i x e d ，m u l t i r e s o l u t i o nh i s t o 伊a mi sa p p l i e dt ol o c a l f e a t u r e sm a t c h i n g d ) s p e c t r a lr e 孕e s s i 伽sl d i a - b a s e dl n ni n s e c t sr e c o 印i t i o n s i n c e i n s e c t s i e c o g n i t i o ni nh i g h - d i m e n s i o n a ls p a c eu s u a l l yl e a d st od i m e n s i o nd i s a s t e r ，s p e c t i a l r e 伊e s s i o nb a s e dl d ad i m e n s i o nr e d u c t i o ni sa d o p t e ds ot h a ti n s e c t sa r ep r i 町e c t e d i n t oc e r t a i nf e a t u r e ss u b s p a c e ，a n dt h e nk ：n nc l a s s i f i c a t i o ni si m p l e m e n t e dt 0i n s e c t s r e c o g n i t i o n ( 3 ) o n t o l o g y b a s e di n s e c t sr e c o g n i t i o n b yt a k i n ga d v a n t a g eo ft h em a p p i n g b e t w e e nv i s u a lf 色a t u r e sa n di n s e c t st y p e ，0 n t o l o g ye n g i n e e r i n ga p p r o a c hi sa d o p t e d t oi m p l e m e n ti n s e c t sr e c o g ni t i o n a ) e s t a b l i s h m e n to fo n t o l o g yo fi n s e c t sm o 叩h o l o 百c a lt a x o n o m y s i n c et h e k n o w l e d g eh i e r a r c h yo f i n s e c t st a x o n o m yi s c o m p l i c a t e d ，i n s e c t sc l a s s i f i c a t i o n m e t a d a t ak n o w l e d g eu n i t sa r ee x t r a c t e da n dm a t u r eo n t o l o g ye s t a b l i s h m e n tm e t h o d s a r ea d o p t e dt oa c h i e v ef b 加a la n ds h a r i n gk n o w l e d g eo fi n s e c t s b ) n e wm e c h a n i s m so fo n t o l o g y - b a s e di n s e c t sr e c o g n i t i o ni sp r e s e n t e d i n s e c t s v i s u a lf e a t u r e so n t o l o g y ，m e d i af e a t u r eo n t o l o g ya r ee s t a b l i s h e d b yc o m b i n i n gt h e s e o n t o l o 舀e s ，a n dt a “n ga d v a n t a g eo ft h em a p p i n gb e t w e e ni n s e c t s v i s u a lf e a t u r e sa n d h i g hl e v e ls e m a n t i c ，o n t o l o g y - b a s e di n s e c t sr e c o g n j t i o ni si m p l e m e n t e d ( 4 ) i n s e c t sr e c o g n i t i o ns y s t e md e m oi sd e v e l o p e d u s i n gp r o t 6 9 6t oe s t a b “s h o n t o l o g y ，i nc o m b i n a t i o nw i t hv i s u a lc + + 6 0a n dm a t l a b ，t h ea 1 9 0 r i t h m sc o n c e m e d i nt h et h e s i sa r ei m p l e m e n t e da n di n t e g r a t e d t i l l ec o r r e c t n e s sa n dp r e c i s i o no f a 1 9 0 r i t h ma r et e s t e da n dt h ee 疵c t sa r e 目) o d k e y w o r d s ：o b j e c tr e c o g n i t i o n ，d i m e n s i o nr e d u c t i o n ，e x t r a c t i o no fl o c a lf e a t u r e s ， 0 n t o l o g y ，o n t o l o g y b a s e di n s e c t sr e c o g n i t i o n 西北大学学位论文知识产权声明书 本人完全了解西北大学关于收集、保存、使用学位论文的规定。学校有权保 留并向国家有关部门或机构送交论文的复印件和电子版。本人允许论文被查阅和 借阅。本人授权西北大学可以将本学位论文的全部或部分内容编入有关数据库进 行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时授 权中国科学技术信息研究所等机构将本学位论文收录到中国学位论文全文数据 库或其它相关数据库。 保密论文待解密后适用本声明。 学位论文作者签名：鱼幽指导教师签名： 缈驴彩月缪日7 力季年月夕日 西北大学学位论文独创性声明 本人声明：所呈交的学位论文是本人在导师指导下进行的研究工作及 取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，本论 文不包含其他人已经发表或撰写过的研究成果，也不包含为获得西北大学或 其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究 所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名锄幻 川年多月偈日 基于图像的昆虫识别关键技术研究 第一章绪论 昆虫识别是农林作物病虫害防治的基础。传统的昆虫识别方法一般是专家 依据昆虫的外部形状特征，通过观察昆虫的整体颜色、斑点、花纹特征以及触 角、头部、背部、腹部、口器、复眼、腿部、翅、毛和刺的形态结构特征，并 与已有准确记录的模式标本进行对照鉴定，给出昆虫的种类即属于昆虫分类学 体系中的哪个种。该方法费时费力且只有拥有昆虫识别知识的技术人员才能进 行这样专业的识别工作。目前从事昆虫识别的科技人员尚很少，他们根本无时 间和精力进行现场昆虫识别等工作，远远不能满足农民的技术需求。而农民由 于知识水平限制等客观因素的影响，往往无法提供比较精确的关于昆虫形态的 文字描述供专家参考以识别昆虫，每年因无法及时识别昆虫造成的农业经济损 失巨大。 随着廉价图像获取设备的出现，昆虫图像的快速获取已成为现实。昆虫图 像具有极为丰富的信息，“一幅图胜过千言万语”，能够为昆虫识别提供直观的 视觉特征，缓解了农民因文字描述困难造成昆虫难以识别的问题。近年来，计 算机视觉、图像处理、模式识别、机器学习等技术的迅速发展使对象识别技术 迅速发展并得到了广泛应用。对象识别以识别图像中的对象种类为根本目的， 已较成功地应用于工业模型识别、人脸识别、虹膜识别，涉及到工业、社会安 全等诸多领域。该技术同样可以应用于昆虫识别。 基于图像的昆虫识别技术就是利用昆虫的分类知识，依据图像中昆虫对象 提供的信息内容，实现基于图像视觉特征提取基础上的昆虫识别。这种方法有 别于传统的基于文字描述的昆虫识别，可以完全依赖图像特征实现昆虫的自动 识别，与专家手工识别相比具有省时省力的优点。通过农民提供昆虫图像，应 用智能图像处理技术分析昆虫图像特征实现昆虫自动识别，将在一定程度上解 决科技人员不足、专家手工识别难以完成大量昆虫识别的难题。 目前，国际上有美国华盛顿大学的机器学习小组对昆虫识别进行了一些研 究。国内有中国农业大学、中国农业科学院等从昆虫图像几何特征提取方面进 行了一些研究工作。基于图像的昆虫识别技术尚处于初步研究阶段，是对象识 别技术的新应用领域和研究热点。研究该项技术既有深远的意义，也面临巨大 基于图像的昆虫识别关键技术研究 的挑战。本苹首先介绍课题的背景和研究意义，总结了论文的主要研究内容， i 兑明论文墩得的t 受戍累，最后给出了论文的组织结构。 1 1 课题背景与研究意义 基于图像的昆虫识别技术涉及到计算机视觉、图像理解、模式识别、知识 表示、数据库等诸多研究领域。 基于图像的昆虫识别技术的主要特点有： ( 1 ) 基于图像的昆虫识别是智能图像处理和对象识别技术新的应用领域。 现有方法将基于内容的图像检索技术用于昆虫识别，取得了一定的研究结果， 一定程度上实现了机器自动识别，改变了传统的昆虫识别技术，克服了基于文 字描述的昆虫识别以及昆虫学家手工识别方法的不足，能够给用户提供更为实 时、准确的昆虫识别结果，拓宽了基于内容图像检索方法的应用领域，具有一 定的应用价值和科学意义。但是通用的图像检索方法在昆虫识别的准确率方面 还有待提高。 ( 2 ) 一幅昆虫图像能够提供的丰富信息是文字描述无法比拟的，应用基于 内容图像检索技术提取图像的低层视觉特征可以实现昆虫的机器识别，省时省 力。可供选择的昆虫图像低层特征主要有颜色、纹理、形状3 种。目前，已存 在许多基于内容图像检索算法，这些算法在昆虫识别中的应用尚待研究。 ( 3 ) 特征提取涉及到两个问题：一是对图像中的哪个部分即图像信息的哪 个子集可以有效地表达对象；二是如何对取样信息提取描述子加以表示。局部 特征提取方法只关注感兴趣点或区域，将这些兴趣点和区域的描述信息综合表 示完整的对象，这种描述方式与人类视网膜的神经元对事物的反映是一致的。 这种方法无需图像分割，应用较少的突出点( 感兴趣点) 就可以表示整幅图像， 并且具有尺度不变性、旋转不变性等诸多优点。如何应用局部特征提取方法有 效地表示昆虫图像有待于进一步研究。 ( 4 ) 为了满足一定统计指标的模型，随着维数的增加，需要的样本数量将 指数增长。如果把图像的每个像素认为是一个属性，则属性太多，昆虫样本太 少，从而导致“维数灾难”，使识别性能急剧下降。昆虫图像包含的大量信息中 存在着很多冗余信息，这些信息有些是与识别无关的信息，还有些是噪声数据， 2 基于图像的昆虫识别关键技术研究 它们的存在也会导致“维数灾难”。如何直固有限的样本过滤噪声信恩，获得本 质维数是昆虫识别中急待解决的问题。应用降维技术可以有效地压缩图像信息， 通过子空间中的图像信息重构高维昆虫对象信息，实现基于特征子空问映射的 昆虫识别是解决识别过程中“维数灾难”的关键技术。降维技术在昆虫识别中尚 未得到应用。 ( 5 ) 昆虫分类知识是昆虫识别的基础。昆虫长期演化过程中因生活条件的 改变引起新陈代谢和机能的改变，从而与复杂多变的外界环境相适应，导致外 部结构的改变，形成繁多种类。如何抽取其结构的同源性，构建昆虫的分类体 系，并加以形式化，对于昆虫识别是极为重要的。本体技术是对复杂知识形式 化的有力工具，可以用它完成体系复杂、概念多、层次多、层次间又有一定关 联的昆虫分类知识的形式化。昆虫形态学分类本体的建立将有助于昆虫知识的 共享和基于本体指导下的昆虫语义标注技术的实现。 ( 6 ) 提取出的昆虫图像低层特征和人类对昆虫对象高层语义的理解存在着 “语义鸿沟”，在昆虫形态学分类本体的支持下，应用昆虫分类识别算法，可以 在本体环境中建立高层概念和图像低层特征之间的映射关系，缩小“语义鸿沟”。 昆虫识别涉及的学科领域多、知识复杂，很有必要构建基于本体指导的昆虫识 别新体系。 昆虫识别技术主要围绕着基于内容图像检索技术的应用、局部特征提取、 降维技术、知识表示、语义映射等方面展开研究。 基于图像的昆虫识别技术应用前景广阔，可以应用于： ( 1 ) 植物检疫 植物检疫是为了防止人为地传播植物危险性病虫，保护本国、本地区农业 ( 广义的) 生产和农业生态系统的安全，对在国内和国际间流通的植物、植物 产品及其他应检物品，在流通前、流通中、流通后采取的一系列旨在预防危险 性病虫传播和定殖的措施。由于植物检疫中遇到的昆虫物种很多，一旦不慎引 入不适宜的昆虫物种将对本地的物种产生巨大的影响。目前每年因为检疫部门 人力不足导致昆虫物种异地流动带来的经济损失达数十亿，甚至带来地区性无 法恢复的生态灾难。基于图像的昆虫识别技术可以辅助植物检疫人员根据获取 的昆虫图像进行机器自动或者半自动识别，将有效地降低引入危险昆虫物种的 3 基于图像的昆虫识别关键技术研究 可能性，提两植物检疫的效率。 ( 2 ) 植物病虫害预测颅报及其防治 植物病虫害预测预报是病虫害系统管理中极其重要的组成部分，是病虫害 综合治理工作的基础，是在植物尚未形成损失之前采取综合措施，实现对病虫 害的可持续控制。植物病虫害的发现早晚所造成的损失差别巨大，基于图像的 昆虫识别可以解决现有病虫害识别专家人力资源的不足，农民可以直接应用该 技术进行远程的或本地的、有效地昆虫识别，实现病虫害的及早发现。同时该 技术也能够帮助昆虫学家更快更好地判别昆虫种类。 ( 3 ) 生态信息学研究的重要组成部分 目前，国外兴起了与生物信息学相类似的生念信息学的研究。目自订，斯坦 福大学和华盛顿大学等机器学习和图像处理组已丌始进行植物和昆虫的识别问 题。特别值得一提的是华盛顿大学将昆虫识别作为生态信息学研究的重要组成 部分，将机器学习技术用于昆虫识别并已取得了一些研究成果。 综上所述，基于图像的昆虫识别技术涉及多个领域，广泛应用于海关、植 物检疫部门、森林病虫害防治部门等，具有广泛的应用前景。 近几年来，对基于图像的昆虫识别做了一些研究，但不深入。目前的研究 主要集中在基于内容图像检索技术在昆虫识别中的应用，采用的特征提取方法 较简单，其研究范围较窄，与对象识别技术的发展不相适应，存在如下不足： ( 1 ) 昆虫图像分割结果的好坏对昆虫识别的性能有一定的影响，但现有昆 虫图像方法限于传统分割方法如阈值方法等。如何应用新的图像分割算法分割 昆虫彩色图像，较好地得到昆虫对象，这部分研究较少。 ( 2 ) 基于局部特征的对象分类和识别技术是近年来国内外研究的热点。该 技术通过寻找图像在各种转换形式下均保持显著的部分，提取基于这些显著部 分的特征描述子来表示完整的对象。昆虫图像的获取其光照条件、视角、大小 等均会发生变化，传统的纹理特征提取方法难以实现光照不变性、尺度不变性、 视角不变性的对象识别。基于局部特征的昆虫识别研究工作还有待展丌。 ( 3 ) 昆虫样本数目较少，属性很多，直接在图像高维空间中进行昆虫识别， 将造成“维数灾难”。降维技术通过寻找高维空i 日j 中的本质维数，建立图像高维 空间与其对应的特征子空间的映射，实现低维数据空间中的识别分类，一定程 4 基于图像的昆虫识别关键技术研究 麦上解决了”维敷灾难问题。目冉西基于降维的对象识别技术已经在人睑识别中 得到广泛应用，被认为是较为成功的对象识别方法。降维技术在昆虫分类识别 中的应用急待研究。 ( 4 ) 昆虫分类知识是昆虫识别的基础。但昆虫分类体系复杂，如何与领域 专家合作，提取出昆虫分类知识概念及概念间的关系，并加以形式化描述，使 之能够为计算机理解，从而实现知识共享还有待进一步研究。 ( 5 ) 目前存在很多图像特征提取的描述子，这些描述子散见于不同的论文 中。如何将这些描述子规范化，建立关于描述子的知识体系并加以形式化，对 于昆虫图像特征提取的研究是很有意义的。 ( 6 ) 人类通过给对象赋予概念实现对图像的理解，计算机则通过提取图像 的视觉特征实现对对象的识别，两者之| 、日j 存在着“语义鸿沟”。建立昆虫图像视 觉特征和高层语义之间的联系还有待进一步研究。 1 2 本论文的主要贡献 系统地总结国内外基于图像的昆虫识别技术的研究成果，以及在新的应用 环境下面临的挑战，对原来的算法进行改进提高识别性能，将新的方法理论应 用于昆虫识别，丰富了识别的手段，克服了原有方法的局限性。 ( 1 ) 图像分割结果的好坏将对基于区域的对象识别算法产生一定的影响。 基于几何可变形模型的图像分割算法是近年来研究的热点，但处理的对象大多 局限于灰度图像的分割，对彩色图像的分割较少研究。彩色图像分割有r 、g 、 b 3 个通道，是一种基于矢量的分割方法，而灰度图像仅有一个通道，是一种基 于标量的分割，两者的分割机制是不同的。现有的彩色图像分割方法有的将彩 色图像先转换成灰度图像再进行分割，有的是对彩色图像的3 个通道分别处理 然后直接将其叠加形成分割结果。这种简单的转换和叠加方式将导致不正确的 图像分割结果。为此，本文将基于矢量的彩色空问测度方法用于几何主动轮廓 模型，提出了基于几何可变形模型的矢量图像分割方法，针对几何主动轮廓模 型计算速度较慢的问题，提出了基于快速水平集的昆虫彩色图像分割，极大提 高了原有几何主动轮廓模型的处理速度。 ( 2 ) 现有的昆虫识别方法一般提取图像的简单几何特征或者游程矩阵纹理 基于图像的昆虫识别关键技术研究 特征实现昆虫的识别。这种基于通用的图像检索方法是否适用于昆虫识别急需 验i i f 。为此，本文将些肇丁内容的图像特征提取疗法用丁昆虫i ! 别比较每 种特征描述子的识别效果，实验结果表明：基于内容的图像特征提取描述子在 昆虫识别性能上尚存在不足。 ( 3 ) 许多学者认为g a b o r 纹理特征描述子是较为理想的纹理特征提取方法， 但该方法的不足在于当方差、角度等参数的取值发生变化时，同一对象的g a b o r 变换的能谱也发生变化，导致特征表示矩阵的均值和方差也发生变化，从而对 识别性能造成影响。针对上述问题，本文通过对g a b o r 变换积分，给出了角度 不变的g a b o r ( a m 西ei n v a r i 锄tg a b o r ，简称a i g a b o r ) 昆虫特征表示。在此基础 上，应用支持向量机( s u p p o nv e c t o rm a c h i n e ，简称s v m ) 训练昆虫样本的纹 理特征表示数据，然后根据训练得到的分类函数实现昆虫的识别。基于舢g a b o r 的s v m 昆虫识别方法有效地提高了昆虫识别性能。 ( 4 ) 昆虫图像的获取一般是在不同的光照条件及不同的环境条件下完成 的。由于上述因素的存在，同种昆虫图像的狄度分布规律可能存在着较大差别。 在此情况下，较准确地分割出图像中的对象极为困难，从而导致对象形状和纹 理提取上造成误差，应用一般的形状和纹理特征提取算法性能较差。基于局部 特征的方法无需图像分割，利用对象的显著区域或感兴趣点来表示图像，可以 实现光照不变、尺度不变等情况下的对象识别，有利于提高昆虫识别的性能。 本文将近年来一些较好的局部特征的识别方法用于昆虫的特征表示。应用局部 特征算法提取昆虫图像特征时，不同图像的特征点的数目是不一致的，这与一 般的匹配算法有不同的地方，为此，本文在昆虫局部特征表示的基础上；提出 基于局部特征的多分辨率直方图昆虫识别方法，解决了昆虫特征表示和相似性 匹配的问题。本研究拓宽了局部特征提取技术的应用领域。 ( 5 ) 根据机器学习理论，为了满足一定统计指标的模型，随着维数的增加， 需要的样本数量将指数增长。昆虫图像空间属于高维数据空间，依据上述理论 为了获得较好的昆虫识别效果，需要海量昆虫数据样本进行训练，但现实中能 够收集的样本数目与昆虫图像数据的指数级之比是很小的，在昆虫图像高维空 问中的识别将造成“维数灾难”，无法得到较好的识别性能。本文借鉴人脸识别 中“特征人脸”等的研究思路，对昆虫图像预处理，应用p c a ，计算“特征昆虫” 6 基于图像的昆虫识别关键技术研究 子空r 日j 将调练洋本和待识别样本投影到该峰维子空间将高维数据空r 日j 表示 为该子窄问的线性组合，从而建市昆虫图像高维空l 日j 和低维子特征空问的映射 关系，应用其系数向量之间的相似性分类，实现昆虫的识别。这些方法首次在 昆虫识别中得到应用。针对昆虫图像高维空间，u ) a 特征值计算复杂，无法用 于昆虫识别，应用基于谱图回归u ) a 求解昆虫特征子空间。 ( 6 ) 昆虫分类知识是昆虫识别的基础，而昆虫分类知识体系复杂，应用本 体技术抽取昆虫分类知识的元数据模型，进行昆虫知识中概念及其联系的规范 化说明，建立昆虫分类知识本体，实现昆虫分类知识的共享。 ( 7 ) 与昆虫识别相关的知识复杂，普通用户难以掌握识别相关的所有知识。 创建昆虫识别相关的知识本体将有助于用户理解和掌握。昆虫识别的高层概念 与机器对图像视觉特征的认知之间存在着“语义鸿沟”，应用我们研究的昆虫识 别方法建立昆虫图像视觉特征和高层语义层的映射，给出了基于本体的昆虫识 别机制，分别建立图像视觉特征本体、介质特征本体，实现了基于本体的昆虫 识别。 1 3 本论文的组织结构 全文共分1 0 章。五个部分。 第一部分，包括第一章和第二章。第一章是绪论部分，着重介绍了课题背 景意义以及本文的研究内容和主要研究成果。第二章主要从基于图像的昆虫识 别、昆虫图像的低层视觉特征提取、基于局部特征的对象识别、降维技术、本 体方法、语义标注等方面对基于图像的昆虫识别技术及相关领域的国内外现状 进行了回顾和分析。 第二部分，第三章，是昆虫的图像预处理部分。，主要针对昆虫彩色图像的 分割，提出几何主动轮廓模型的昆虫彩色图像分割以及快速水平集昆虫彩色图 像分割。 第三部分，昆虫识别部分，包括第四、五、六、七章。第四章将常见的形 状和纹理提取算法用于昆虫识别，并进行算法性能的比较。第五章针对g a b o r 纹理特征提取算法的不足，实现了基于a l g a b o r 昆虫视觉特征提取，并结合s v m 分类算法，有效地提高了原有g a b o r 算子的性能。第六章将h a 玎i s 、s i f t 、s u r f 7 基于图像的昆虫识别关键技术研究 等局部特征提取算子用于昆虫对象，提出了基于s u r f 的多分辨率直方图相似 性匹配算法实现昆虫i j ! 别。第七章提出了基下“特征昆虫”以及擎于谱图凹归 l d a 等识别算法，通过训练集建立昆虫对象高维空问和低维子特征空间的映射 关系，然后将测试集投影到特征子空间，应用蝌算法实现基于特征子空间 的昆虫识别。 第四部分，昆虫识别知识表示部分，包括第八、九章。第八章抽取昆虫分 类知识的元数据模型，建立昆虫分类知识本体。第九章给出了基于本体的昆虫 识别机制，建立了昆虫图像视觉特征本体、介质特征本体，实现了基于本体的 昆虫识别。 第五部分，第十章。对本文的各个技术点作出总结，同时提出了进一步发 展的可能性，指出了今后可以继续展开研究的工作方面。 1 4 小结 本章给出基于图像的昆虫识别定义、涉及的相关技术、特点、应用范围和 前景，确定了本文的研究内容以及我们在昆虫识别上的主要研究成果，最后说 明了论文的组织结构。 8 桀于图像的昆虫识别关键技术研究 第二章国内外研究现状分析 基于图像的昆虫识别是直接利用用户提供的图像中昆虫对象的视觉特征， 由机器自动或者半自动地给出昆虫的种类，从而实现昆虫识别，对于植物检疫、 农林作物病虫害的防治具有重大的意义，是生态系统信息学的重要组成部分。 目前，基于图像的昆虫识别研究尚处于初步研究阶段。本章主要介绍与昆虫识 别相关的研究技术现状并进行分析。 2 1 基于图像的昆虫识别 基于图像的昆虫识别是综合应用计算机视觉技术、图像处理技术、模式识 别技术等实现昆虫识别。 国外对基于图像的昆虫识别研究较早。最早的报道是k e a g y 等利用机器视 觉技术识别甲虫为害。s e n a 等从玉米植株顶部垂直向下拍照，获取玉米最上部 展丌叶片图像，提出了一种图像处理新算法，能识别被玉米螟为害过的上部叶 片。c k 矗m n a k a r a n 【k a l l j n a k a r 锄e ta l ，2 0 0 4 】等提取红色面粉甲虫的直方图特征、 纹理特征和阶矩来表示昆虫对象，在此基础上应用四层后向神经网络算法进行 分类识别。 国内近几年也对昆虫识别进行了一些研究。邱道尹等【丘艮2 0 0 2 】利用从粮库 现场实验采集的粮虫图像对其进行分割，并对处理后的二值图像提取面积、周 长、复杂度作为粮虫对象的图像特征，应用模糊决策算法进行粮虫对象的分类。 于新文f 于，2 0 0 3 】等提取了区域面积、边界周长、孔洞数、偏心率、形状参数、 圆形性、似圆度、球状性和叶状性9 个直观易测的特征。采用判别分析方法对 这些特征进行筛选得到6 个具有判别意义的特征，分别为区域面积、偏心率、 形状参数、周长、似圆度、叶状性，以这些特征表示昆虫对象。赵汗青等【赵， 2 0 0 3 a ；赵，2 0 0 3 b ；赵，2 0 0 3 c 】提取形状参数、叶状性、球状性等1 1 项数学形 态特征进行了统计分析，选择出适当的特征用于表示不同目、总科和科阶上的 昆虫对象，实现基于目、总科和科阶层次上的昆虫识别。张红梅等【张，2 0 0 3 a ； 张，2 0 0 3 b 】提出根据仓储物害虫图象的狄值游程矩阵自动提墩图象的纹理特征 实现仓储物害虫的识别。马骏等【马，2 0 0 4 】提出一种膨胀和腐蚀的快速算法用 9 基于图像的昆虫识别关键技术研究 于提取病虫骨架特征，根据不同种类病虫骨架的几何矩特征，应用神经网络进 行瘸虫i j5 别。范艳峰等【范，2 0 0 5 a ；范，2 0 0 5 b 】提出聚h j 全局阔值方法对增强后 的谷物害虫图像进行区域分割，在此基础上分r 、g 、b 三种分量狄值图像的一 阶灰度值统计量特征3 6 个( 均值、方差、偏度、峰值、能量和熵) ；r 、g 、b 三种分量狄度值图像的灰值游程矩阵纹理特征3 乖1 6 个( 0 。、4 5 、9 0 、1 3 5 四个 不同方向的短游程长度、长游程长度、灰度的不均匀度量和游程长度的百分率) ： 几何特征3 个( 区域面积、周长和长宽比) 作为谷物害虫的图像特征。张红梅 等【张，2 0 0 5 】提取静态储粮害虫图像的数理统计特征、纹理特征和几何形状特 征，并在此基础上采用b p 神经网络进行分类和识别。廉飞字等【廉，2 0 0 6 】使用 小波变换对储粮害虫的高维图像矢量进行压缩，利用图像的高频部分对应于图 像的边缘和轮廓，较好地压缩和表征了害虫图像的特征，提出了一种s v m 的 分类判别。 综上所述，日f j ，j 昆虫识别技术仅仅是基于内容的图像检索技术在该领域内 的初步应用。 2 2 基于内容的昆虫图像视觉特征提取 现有的基于内容的昆虫图像提取算法主要集中以下几个方面。 一是基于形状特征的昆虫识别。形状特征是描述对象的重要手段，但现有 的形状描述方法还不成熟，难以做到准确而稳健的形状特征提取与匹配，使得 昆虫识别的性能降低。现有的方法主要是通过提取昆虫对象的区域面积、偏心 率、形状参数、周长、似圆度、叶状性、几何矩等特征实现基于形状特征的昆 虫识别。 二是基于纹理特征的昆虫识别。纹理是一种反映一个区域中像素灰度级的 空间分布的属性，是描述对象特征的重要因子。现有的方法一般采用灰值游程 矩阵来表示图像的纹理【张，2 0 0 3 a ；张，2 0 0 3 b 】。某狄度值的游程长度一般定义 为在被检测区域中的连续的、共线的、并且具有相同灰度值的像素点的个数。 灰度值游程矩阵m ( 8 的元素m d 则是检测区域里在口方向上灰度值为g 而游程 长度为，的像素点出现的次数。 ( 1 ) 短游程优势 1 0 基于图像的昆虫识别关键技术研究 ( 肌，= ) 肛；上生生一 ( 2 1 ) 薹善肌 当短游程越多时，瓯越大。 ( 2 ) 长游程优势 p 2 ) r 只：卫三一 ( 2 2 ) 薹善 当长游程越多时，瓯越大。 ( 3 ) 灰度值的不均匀性度量 【