昆虫图像检测方法以及昆虫分类方法

技术领域

本发明涉及昆虫分类方法，具体涉及一种昆虫图像检测方法以及昆虫分类方法。

背景技术

遗传学是研究生物体的遗传及变异的科学，其属于生命科学的一个重要分支，许多其他分支，例如，基因工程学，是基于遗传学对基因的研究所衍生出来的新兴科学。由于基因与遗传蕴藏生物本身的奥秘，可通过微观的角度观察并解释巨观的生物现象，同时基因遗传学的发展亦可能解决人类社会自古以来的一些重大问题，例如老化与疾病，因此，各界莫不重视对基因的研究。

果蝇的基因数量约只有人类的三分之一，然而，控制果蝇发育的基因与人类的控制基因相似，加上果蝇生命周期短、可大量繁殖等适合进行遗传实验的优点，使得果蝇在基因研究上扮演重要的角色。以果蝇作为遗传学研究的材料，利用突变株研究基因和性状之间的关系已近一百年，至今，各种研究遗传学的工具已达完善的地步，果蝇提供我们对今日的遗传学的知识有其不可磨灭的贡献。

在果蝇的遗传基因研究上，基因工程研究者需要收集未交配过的雌果蝇，以保证遗传实验操作上不会受到其他雄性基因的污染导致实验失败。欲辨识未交配过的雌果蝇，传统的方法是以人力将果蝇固定于显微镜底下，并通过显微镜观察果蝇的腹部特征来挑选出未交配过的雌果蝇。但由于果蝇均是一次大量培养，且雌果蝇羽化8小时后即达性成熟，因此这种以人眼分辨未交配的雌果蝇的方式必须持续以同样间隔的时间进行，以避免雌果蝇在培养储存槽中即进行交配。上述挑选未交配的雌果蝇的作法相当耗费人工，同时以人眼判断果蝇特征的方式效率不佳，往往为了精准挑选出未交配的雌果蝇而丢弃掉大量无法确定特征的果蝇。

除了果蝇之外，不论是要分辨不同种类的昆虫或是同种类昆虫中不同的特征，同样都是需要借助人眼观察显微镜底下的昆虫再进行判断，因此也都具有传统分类方法耗费人力、时间以及效率不佳的问题。

发明内容

为解决上述问题，本发明提供了一种昆虫图像检测方法以及昆虫分类方法，通过计算机模式识别技术实现了昆虫种类的自动识别，同时精确度高。

为实现上述目的，本发明采取的技术方案为：

昆虫图像检测方法以及昆虫分类方法，包括如下步骤：

S1、将采集的将视频数据中的各帧图像由彩色转化为灰度，并将所述灰度图像与对应的建模背景进行差分操作；

S2、将所得的图像分割成一定数量的区域块；

S3、计算各图像块的特征值，所述特征值包括亮度特征值、颜色特征值、方向特征值，深度特征值和稀疏特征值；

S4、将所得各特征值的测度线性归一化至[0，1]范围之内；对各个超像素单元进行四种特征值的融合，得到超像素精度的显著性图；

S5、根据最大类间方差法，对所得的超像素精度的显著性图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；

S6、利用SIFT算法从查询图库中不同类别的图像中提取SIFT特征点，将所有特征点向量集合到一块，利用K-Means聚类算法合并相似的SIFT特征点，构造一个包含若干个词汇的词典；

S7、提取图像显著性区域的视觉词，统计图像显著性图内视觉词的个数，构造视觉短语，生成图像的图像描述；

S8、将所得图像的图像描述与知识数据库中每幅图像进行图像匹配，根据匹配的结果，判断待分类实蝇是否属于知识数据库中的已知种类。

其中，所述的知识数据库中包含已知类别的多种实蝇的特征数据。

其中，利用均值法进行背景建模。

其中，所述知识数据库中设有一网络爬虫，用于搜索与所查询数据相关的网站或文档。

其中，均值法为在视频图像中取连续N帧，计算这N帧图像像素灰度值的平均值作为背景图像的像素灰度值。

其中，所述步骤S5中的阈值取值范围为0.165～0.315。

其中，知识数据库连接有一更新模块，用于通过3G网络、Wi-Fi网络方式更新知识数据库。

本发明具有以下有益效果：

通过计算机模式识别技术实现了昆虫种类的自动识别，将视觉显著性与短语很好的结合起来，能够更加准确地反映查询图像中的显著性区域，提高了识别的精确度。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种昆虫图像检测方法以及昆虫分类方法，包括如下步骤：

S1、将采集的将视频数据中的各帧图像由彩色转化为灰度，并将所述灰度图像与对应的建模背景进行差分操作；

S2、将所得的图像分割成一定数量的区域块；

S3、计算各图像块的特征值，所述特征值包括亮度特征值、颜色特征值、方向特征值，深度特征值和稀疏特征值；

S4、将所得各特征值的测度线性归一化至[0，1]范围之内；对各个超像素单元进行四种特征值的融合，得到超像素精度的显著性图；

S5、根据最大类间方差法，对所得的超像素精度的显著性图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；

S6、利用SIFT算法从查询图库中不同类别的图像中提取SIFT特征点，将所有特征点向量集合到一块，利用K-Means聚类算法合并相似的SIFT特征点，构造一个包含若干个词汇的词典；

S7、提取图像显著性区域的视觉词，统计图像显著性图内视觉词的个数，构造视觉短语，生成图像的图像描述；

S8、将所得图像的图像描述与知识数据库中每幅图像进行图像匹配，根据匹配的结果，判断待分类实蝇是否属于知识数据库中的已知种类。

所述的知识数据库中包含已知类别的多种实蝇的特征数据。

利用均值法进行背景建模，是对一些连续帧取像素平均值，其基本思想为在视频图像中取连续N帧，计算这N帧图像像素灰度值的平均值作为背景图像的像素灰度值。这种算法速度很快。

所述知识数据库中设有一网络爬虫，用于搜索与所查询数据相关的网站或文档，进一步提高了分类的全面性。

所述步骤S5中的阈值取值范围为0.165～0.315。

知识数据库连接有一更新模块，用于通过3G网络、Wi-Fi网络方式更新知识数据库，可以实时更新知识库资料。

本具体实施通过计算机模式识别技术实现了昆虫种类的自动识别，将视觉显著性与短语很好的结合起来，能够更加准确地反映查询图像中的显著性区域，提高了识别的精确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。