一种基于上下文感知字典学习的害虫图像分类方法
【专利摘要】本发明提供一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；将待分类害虫图像进行预处理，得到测试样本；将测试样本进行稀疏表示维数约简处理；将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。本发明能够提高复杂场景中的害虫图像分类的精度和效率，提升传统农作物害虫诊断模式。
【专利说明】一种基于上下文感知字典学习的害虫图像分类方法
【技术领域】
[0001] 本发明涉及计算机视觉、模式识别、智能农业等【技术领域】，具体是一种基于上下文 感知字典学习的害虫图像分类方法。
【背景技术】
[0002] 害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大 量减产。施用化学农药虽能够大大减轻农业损失，但使用化学农药引起的"三致"问题（指 农药对高等动物的致基因突变、致癌、致畸作用）、农药残留、环境污染等负面影响日益突 出。可见，对害虫进行预测预报，从而进行有效防治显得尤为重要，但进行这些工作的前提 之一，就是要对害虫进行准确地分类与识别。传统的害虫图像分类方法在环境得到有效控 制的前提下性能卓越，然而在现实场景中，针对害虫图像的复杂背景、图像中害虫的不同姿 态等情况，仅利用害虫图像外观特征信息进行训练学习，其识别的难度较大，识别精度有 限。为此，如何开发出一种速度快、精度高的害虫图像分类方法已经成为亟待解决的技术问 题。
【发明内容】
[0003] 本发明的目的在于提供一种基于上下文感知字典学习的害虫图像分类方法，以提 高在复杂背景下，害虫分类与识别的精度。
[0004] 本发明的技术方案为：
[0005] -种基于上下文感知字典学习的害虫图像分类方法，该方法包括以下步骤：
[0006] (1)将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干 类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；
[0007] (2)将待分类害虫图像进行预处理，得到测试样本；
[0008] (3)将测试样本进行稀疏表示维数约简处理；
[0009] (4)将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习 得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；
[0010] (5)对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本 的类别。
[0011] 所述的基于上下文感知字典学习的害虫图像分类方法，所述步骤（1)中，构造学 习函数，利用训练样本完成害虫图像过完备字典的学习，具体包括：
[0012] (21)构造如下学习函数：
[0013]
【权利要求】
1. 一种基于上下文感知字典学习的害虫图像分类方法，其特征在于，该方法包括以下 步骤： (1) 将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训 练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习； (2) 将待分类害虫图像进行预处理，得到测试样本； (3) 将测试样本进行稀疏表示维数约简处理； (4) 将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到 的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差； (5) 对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类 别。
2. 根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（1)中，构造学习函数，利用训练样本完成害虫图像过完备字典的学习，具体 包括： (21) 构造如下学习函数：
中，D表示通过学习得到的过完备字典，A表示通过学习得到的所有类别训练样本的稀疏系 数，G表示通过学习得到的线性多类分类器参数，W(:)表示通过学习得到的回归模型参数， Y表示所有类别训练样本，Dc!表示初始字典，Ac!表示所有类别训练样本的初始稀疏系数，yi 表示第i类训练样本，η表示训练样本的总类别数，L{yi，f (ai，G^}表示第i类训练样本的 分类器学习函数，％表示第i类训练样本的稀疏系数，f(ai，GJ表示含有参数&的线性多 类分类器模型，&表示线性多类分类器初始参数，M{li(j)，g(ai，Wjj))}表示第i类训练 样本的第j个上下文感知信息的回归学习函数，m表示每类训练样本的上下文感知信息的 总个数，gfepWjj))表示上下文感知信息的回归模型，ljj)表示第i类训练样本的第j个 上下文感知信息的学习标记信息，λ、μ表示预设参数； (22) 读取害虫图像样本库，对训练样本进行学习，直至每类训练样本的稀疏系数均满 足如下约束条件： aj |〇^Τ 其中，％表示第i类训练样本的稀疏系数，Τ表示预设阈值。
3. 根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（2)中，将待分类害虫图像进行预处理，具体包括：对待分类害虫图像进行去 噪、增强与分割。
4. 根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（3)具体包括： (31) 计算出测试样本的稀疏系数： X = Dm/ ax 其中，x表示测试样本，Dm，是通过学习得到的过完备字典的一部分，即只考虑训练样本 的V个上下文感知信息，ax表示测试样本的稀疏系数； (32) 将测试样本的稀疏系数进行约简：
其中，表示ax约简后的估计值。
5. 根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（4)中，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下 文感知信息的残差，具体采用如下公式得到：
其中，Θμ(Χ)表示测试样本与第i类训练样本的第j个上下文感知信息的残差，X表示 测试样本，D表示通过学习得到的过完备字典，表示测试样本的稀疏系数约简后的估计 值，λ表示预设参数，m表示上下文感知信息的总个数，η表示训练样本的总类别数，1山_) 表示第i类训练样本的第j个上下文感知信息的学习标记信息，W(j)表示通过学习得到的 回归模型参数。
6. 根据权利要求1所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（5)，具体包括： (1) 找出测试样本与各类训练样本上下文感知信息的残差最小值，该残差最小值对应 的训练样本的类别，即为测试样本的类别； (2) 若测试样本与各类训练样本上下文感知信息的残差不存在最小值，则通过聚类分 析将测试样本放入害虫图像样本库。
7. 根据权利要求2所述的基于上下文感知字典学习的害虫图像分类方法，其特征在 于，所述步骤（21)中， 所述含有参数&的线性多类分类器模型f (ai，GJ，构造如下： f (aj, G〇) = G〇aj 其中，&表示线性多类分类器初始参数，ai表示字典重构过程中第i类训练样本的稀 疏系数； 所述上下文感知信息的回归模型g(ai，Wjj))，构造如下： g(ai，ff〇(j)) = W〇(j)ai 其中，Wjj)表示回归模型初始参数，％表示字典重构过程中第i类训练样本的稀疏系 数。
【文档编号】G06K9/62GK104102922SQ201410337565
【公开日】2014年10月15日 申请日期:2014年7月15日 优先权日:2014年7月15日
【发明者】王儒敬, 谢成军, 李 瑞, 张洁, 洪沛霖, 宋良图, 董伟, 周林立, 郭书普, 张立平, 黄河, 聂余满 申请人:中国科学院合肥物质科学研究院, 安徽省农业科学院农业经济与信息研究所