一种基于多尺度特征融合和极限学习机的种子识别方法
【技术领域】
[0001] 本发明涉及基于机器视觉的种子识别领域，特别是一种基于多尺度特征融合和极 限学习机的种子识别方法。
【背景技术】
[0002] 种子是农业生产中最基本的生产资料，是一切农业生产的基础。种子的准确、快速 鉴别对生产具有重要的指导意义。国内外种子鉴别常用的方法主要有荧光扫描鉴定法、化 学鉴定法和电泳鉴定法。这些方法需要较强的专业背景知识和较长的鉴别时间并且会对种 子产生一定损伤。因此，如何对农作物种子类别进行无损、快速鉴别是一个重要的研究方 向。近年来，随着机器学习的快速发展，国内外已有许多学者将机器学习应用于农产品种子 自动检测上。与人的视觉相比，基于机器视觉的农产品自动检测具有检测速度快、识别精度 高以及无损伤等特点。总的来说，基于机器视觉的种子识别具有如下优点：
[0003] 1)无损伤测量，对于测试的种子对象或者观察者本身均不会产生任何损伤，从而 提高了系统的安全性。
[0004] 2)客观性强，能够定量描述所需的测试指标，避免了因人为主观因素而产生的测 量误差，提高了对象识别的准确率。
[0005] 3)计算机视觉信号易于处理，并且能够对海量的信息进行无间断处理，可以快速 完成对种子的分析和识别任务。
[0006] 从机器视觉的角度出发，一般来说，对于玉米种子的识别研究上，主要是先提取种 子的颜色类，形态类等外观特征，然后通过诸如贝叶斯分类器、BP神经网络、支持向量机等 分类器对玉米种子进行识别。
[0007] 如：杨蜀秦、宁纪锋和何东健将BP神经网络应用到玉米品种的识别研究中。他分 析了玉米籽粒的形态特征，将提取的玉米籽粒形状、尺寸、颜色等相关的结构特征放入BP 神经网络进行了分类识别，但是利用BP神经网络进行训练所需的时间较长，并且最终的识 别准确率并不高。王宏勇，侯慧芳，刘素华将遗传算法和支持向量机相结合用于玉米种子的 分类识别。利用遗传算法将玉米种子图像的特征信息提取到支持向量机进行训练分类，从 而实现对玉米品种进行识别，该方法综合识别率较高，但是检测的时间和所消耗的空间也 较高。黄敏等利用高光谱反射图像处理技术，提取了玉米种子在563. 6~911. 4nm共55个 波段范围内的12个形状特征信息，对9个品种约432粒玉米种子，获得了测试集内93. 98% 的识别精度。此外，黄敏等也采用过光谱图像特征法对玉米种子品种的单粒识别问题进行 了研究，在玉米种子测试集数据内也取得了较高的识别精度。但这些研究都是基于单一特 征的识别模型、识别数目较少、并且需要专门的硬件设备。
【发明内容】
[0008] 本发明的目的在于提供一种基于多尺度特征融合和极限学习机的种子识别方法， 以克服现有技术中存在的缺陷，并实现对待测试种子的快速准确识别。
[0009] 为实现上述目的，本发明的技术方案是：一种基于多尺度特征融合和极限学习机 的种子识别方法，其特征在于，按照如下步骤实现：
[0010] 步骤Sl :对图像数据集中样本种子图像的多尺度局部HOG特征以及全局分布的 HSV特征进行多尺度融合特征提取，获取样本种子图像的多尺度融合特征信息；
[0011] 步骤S2 :采用ELM (Extreme Learning Machine)极限学习机的交叉验证训练对样 本种子图像的多尺度融合特征信息进行特征训练，建立集成分类模型；
[0012] 步骤S3 :在多尺度下通过采用滑动窗口机制对待测试种子图像进行分类检测识 另IJ，将待测试种子图像进行块状分割，分割为大小一致的窗口，并采用所述步骤Sl的方式 提取所有划分窗口内待测试种子图像的多尺度融合特征信息，将所提取待测试种子图像的 多尺度融合特征信息通过集成分类模型进行基于极限学习机的集成分类判断，并通过投票 表决的方式，得到待测试种子图像的分类检测结果。
[0013] 在本发明一实施例中，所述步骤Sl中多尺度局部HOG特征按照如下步骤提取：
[0014] 步骤Sll :对样本种子图像进行颜色空间的归一化，I(x，y) = I(x，y)gamma，其中，X、 y分别为样本种子图像中像素点的坐标位置，I (X，y)为的坐标位置的像素值；
[0015] 步骤S12:计算样本种子图像中所有像素点的一阶梯度，并将样本种子图像中像 素点（X，y)的一阶梯度表示为：
[0016] Gx(x,y) = H(x+1, y)-H(x-l, y),
[0017] Gy(x,y) = H(x, y+l)-H(x, y-1)；
[0018] 其中，Gx(x，y)、Gy(x，y)以及H(x，y)分别对应表示样本种子图像中像素点（x, y) 处的水平方向梯度、垂直方向梯度以及像素值，且像素点（x，y)处的梯度幅值和梯度方向 分别为：
[0019]
[0020]
[0021] 步骤S13 :将样本种子图像进行按序逐级分割，并根据每个级别对应将每一级的 样本种子图像均匀分割为若干个区域，计算每个区域中所有像素点的边缘梯度直方图，并 将边缘梯度直方图对应投影到预设固定角度，通过统计投影后的边缘梯度直方图的边缘梯 度信息，得到每一级样本种子图像的边缘梯度局部区域特征；
[0022] 步骤S14 :将每一级样本种子图像的边缘梯度局部区域特征采用如下归一化因子 进行归一化：
其中V表示一个还没有被归一化的向量，它包含了 给定区间（block)的所有直方图信息，I |v| |k表示V的k阶范数，且k = 2, e为一常数；
[0023] 步骤S15 :采用滑动窗口机制，选取窗口像素、滑动块大小、单元大小以及滑动步 长，并以单元为扫描步长，利用块对每一级样本种子图像归一化后的边缘梯度局部区域特 征进行密集扫描，并计算每一级样本种子图像对应的滑动窗口内的HOG特征；
[0024] 步骤S16 :将所有级别样本种子图像对应的HOG特征按序进行级联，获取样本种子 图像的HOG特征。
[0025] 在本发明一实施例中，在所述步骤S13中，所述逐级分割的级别包括第一级、第二 级以及第三级；所述第一级采用L = O进行表示，且该L = O表示所述第一级的轮廓分割 图，也即表示整个样本种子图像的边缘轮廓图；所述第二级采用L = 1进行表示，且在所述 第二级中，将整个样本种子图像进行均分，分为四个子区域；所述第三级采用L = 2进行表 示，且在所述第三级中，将所述第二级中的每个子区域再对应划分为四个子区域。
[0026] 在本发明一实施例中，在所述步骤Sl中，对样本种子图像的全局分布的HSV 特征采用如下进行提取：记HSV颜色空间的色调为H、饱和度为S、亮度为V，且令V =
max (R，G，B)， ?
并有：
[0027]
[0028] H e [0, 360]，S e [0, 1]，V e [0, 1];
[0029] 采用如下方式将HSV空间中的色调H、饱和度S以及亮度V进行非等间隔量化，并 采用直方图对应进行表示：
[0030]
[0031] 在本发明一实施例中，在所述步骤S2中，还包括以下步骤：
[0032] 步骤S21 :建立平方损失函数：
，其中，hv表示的是样本 输入的特征向量，L个隐层单元的单隐层网络：
，且该fVOO 用以趋近于零的误差逼近样本种子图像中Z个互异的数据样本{(hu，tu)} e I^XRd，au 为输入权重，bu为隐层单元偏置值，β u表示连接第u个隐层单元和网络之间的输出权 重，G(au，bu，h v)表示第u个隐层对应于数据样本1\的隐层单元的输出，且G(au，bu，h v)= g(au ?hv+bj，g为激活函数，au七代表输入权重8。与数据样本中的内积，K u彡L， 1彡V彡Z，L、Z、c以及d均为正整数；
[0033] 步骤S22 :将式
改写为J = (Ηβ _Τ)τ(Ηβ -T)，H为隐层 单元输出矩阵，通过求解最小化平方损失函数获取ELM极限学习机的网络参数，即通过求 解最小二乘解^获取ELM极限学习机的网络参数，使得：
[0034]
[0035] 并进一步得：
[0036]
[0037] 其中：H+= (HtH) 1Ht0
[0038] 在本发明一实施例中，在所述步骤S3中，按照以下步骤实现：
[0039] S31 :将待测试种子图像进行无损压缩，记待测试种子图像的原图像为F (〇, ρ)，大 小为ΜΧΝ，缩小后的图像为G(o'，ρ'），大小为Ic1MXk2N ;
[0040] S32:采用滑动窗口机制对待测试种子图像进行分类检测识别，选取窗口像素、滑 动块大小、单元大小以及滑动步长；在同一大小的窗口下，对待测试种子图像进行分层缩 放，采用步骤Sl中的方式，对每层缩放后、滑动窗口中待测试种子图像的多尺度融合特征 信息进行提取；将所提取的待测试种子图像的多尺度融合特征信息输入集成分类模型，采 用均等权重投票表决的方式进行投票表决，且在该投票过程中，集成分类模型中每一个分 类器的投票权重均相同，并且各个分类器之间相互独立；
[0041] S33:采用基于模糊聚类的局部窗口融合方法，对多尺度条件下待测试种子图像进 行滑动窗口分类检测识别过程中产生的多区域窗口混叠进行局部融合，获取待测试种子图 像的分类检测结果。
[0042] 在本发明一实施例中，在所述步骤S31中，计算待测试种子图像像素中的采样间 隔Δ〇和Δρ:
，其中，g(〇, Ρ)表示的是 采样之后待测试种子图像中的各个子块的均值，并得出相临两个采样点之间所包含的原图 像的子块，Bp
;其中，1彡O SMaSpSHk2 均为缩小倍数，1彡〇彡MI，1彡ρ彡k2N，当Ic1= 1^2时为按比例缩小，当k # 1^2为不按比 例缩小，且Μ1Λ2〈1 ;
[0043] 在本发明一实施例中，在所述步骤S33中，所述基于模糊聚类的局部窗口融合方 法通过如下步骤实现：
[0044] S331 :记U = UuX2,…，χη}，表示的是待分类检测窗口集合，其