基于可區(qū)分二進(jìn)制局部模式特征的蛾類昆蟲(chóng)識(shí)別

李小林　周蓬勃　周明全　黃世國(guó)*

1(福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院　福建 福州 350002)2(北京師范大學(xué)信息科學(xué)與技術(shù)學(xué)院　北京 100875)

?

基于可區(qū)分二進(jìn)制局部模式特征的蛾類昆蟲(chóng)識(shí)別

李小林1周蓬勃2周明全2黃世國(guó)1*

1(福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院福建 福州 350002)2(北京師范大學(xué)信息科學(xué)與技術(shù)學(xué)院北京 100875)

蛾類昆蟲(chóng)多為農(nóng)業(yè)害蟲(chóng)，自動(dòng)識(shí)別蛾類昆蟲(chóng)種類對(duì)蟲(chóng)害預(yù)測(cè)預(yù)報(bào)意義重大。針對(duì)現(xiàn)有昆蟲(chóng)自動(dòng)識(shí)別方法集中在目以上層次昆蟲(chóng)識(shí)別難以實(shí)現(xiàn)目?jī)?nèi)昆蟲(chóng)識(shí)別，提出一種基于紋理特征的蛾類昆蟲(chóng)識(shí)別方法。應(yīng)用一種改進(jìn)的局部二進(jìn)制模式提取昆蟲(chóng)圖像特征，對(duì)提取得到的特征矩陣按照蛾類昆蟲(chóng)類別抽取本質(zhì)維數(shù)，最后用KNN算法實(shí)現(xiàn)蛾類昆蟲(chóng)識(shí)別。實(shí)驗(yàn)結(jié)果表明：可區(qū)分CLBP能夠?qū)ハx(chóng)原始圖像直接提取特征并獲得優(yōu)異的識(shí)別性能，同時(shí)，能夠有效降低特征矩陣的維數(shù)，從而縮小存儲(chǔ)空間，降低相似性比較的計(jì)算復(fù)雜度。該研究拓寬了計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用范圍，有助于實(shí)現(xiàn)農(nóng)業(yè)病蟲(chóng)害的盡早預(yù)測(cè)。

二進(jìn)制局部模式蛾類昆蟲(chóng)圖像處理目標(biāo)識(shí)別

0　引　言

蛾類昆蟲(chóng)屬于鱗翅目，該類昆蟲(chóng)具有明顯的特征，尤其是不同昆蟲(chóng)的翅膀差異明顯。昆蟲(chóng)學(xué)家根據(jù)翅膀的特征對(duì)蛾類昆蟲(chóng)進(jìn)行分類。但傳統(tǒng)的方法費(fèi)時(shí)費(fèi)力，特別是在因特網(wǎng)環(huán)境下人工識(shí)別昆蟲(chóng)的方式難以發(fā)揮網(wǎng)絡(luò)技術(shù)的優(yōu)勢(shì)。因此，如何實(shí)現(xiàn)昆蟲(chóng)的自動(dòng)識(shí)別成為急待解決的問(wèn)題。

近年來(lái)，于新文等應(yīng)用不同的形狀參數(shù)描述昆蟲(chóng)的圖像特征實(shí)現(xiàn)基于圖像的昆蟲(chóng)識(shí)別[1]。馬駿等應(yīng)用數(shù)據(jù)形態(tài)學(xué)方法提取昆蟲(chóng)圖像骨架特征并結(jié)合神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)昆蟲(chóng)識(shí)別[2]。周龍則通過(guò)數(shù)學(xué)形態(tài)學(xué)提取昆蟲(chóng)邊緣特征實(shí)現(xiàn)昆蟲(chóng)識(shí)別[3]。劉德?tīng)I(yíng)等采用特征不變量等描述昆蟲(chóng)特征實(shí)現(xiàn)昆蟲(chóng)識(shí)別[4]。Wen等提出了基于圖像的5種果園害蟲(chóng)的自動(dòng)識(shí)別技術(shù)[5]，在此基礎(chǔ)上結(jié)合圖像的局部特征和全局特征進(jìn)一步提高識(shí)別性能[6]。Wang等利用基于內(nèi)容的圖像檢索技術(shù)提取昆蟲(chóng)的形狀特征、紋理特征和顏色特征實(shí)現(xiàn)蝶類昆蟲(chóng)的識(shí)別[7]，并應(yīng)用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)以提高識(shí)別性能[8]?，F(xiàn)有昆蟲(chóng)識(shí)別的方法主要集中在目層次的昆蟲(chóng)識(shí)別，一般均需先提取出圖像中的昆蟲(chóng)目標(biāo)區(qū)域，然后提取該區(qū)域的特征，但鑒于目前圖像分割技術(shù)的局限性，該處理往往是手工完成的，從而導(dǎo)致昆蟲(chóng)自動(dòng)識(shí)別無(wú)法實(shí)現(xiàn)。同時(shí)，現(xiàn)有昆蟲(chóng)識(shí)別技術(shù)認(rèn)為形狀、顏色特征優(yōu)于紋理特征，但蛾類昆蟲(chóng)形狀相似，同種昆蟲(chóng)顏色各異，但翅的紋理特征突出，因此，合適的紋理特征表示是有效識(shí)別蛾類昆蟲(chóng)的基礎(chǔ)。近年來(lái)，局部二進(jìn)制模式LBP特征提取技術(shù)被證明是較好的紋理特征提取方法，并已應(yīng)用于診斷病癥、鑒定性別、行為分類等[9-12]。同時(shí)，LBP技術(shù)也不斷得到改進(jìn)，出現(xiàn)了諸多變種，如主LBP、CLBP等[13-16]。

為了避免現(xiàn)有處理方法先分割昆蟲(chóng)目標(biāo)后提取特征的不足，本研究采用拍攝得到的蛾類昆蟲(chóng)原始圖像，用CLBP算法直接提取這些昆蟲(chóng)圖像的紋理特征，同時(shí)鑒于CLBP得到的特征矩陣巨大，而蛾類昆蟲(chóng)的本質(zhì)特征維數(shù)有限的特點(diǎn)，對(duì)CLBP特征矩陣提取可識(shí)別的本征維數(shù)，從而有限地降低特征矩陣存儲(chǔ)容量，并降低相似度比較的計(jì)算復(fù)雜度。

1　可區(qū)分的CLBP

1.1蛾類昆蟲(chóng)的特點(diǎn)及其特征提取

鱗翅目昆蟲(chóng)約有112 000種，其中蛾類昆蟲(chóng)是鱗翅目中最大的類群，占90%左右，其外觀變化很多，難以作一般描述。如圖1(a)、(b)和(c)屬于同一種蛾類，但其形狀和顏色均差異明顯。圖1(d)則屬于另一種蛾類昆蟲(chóng)。由圖1可知，顏色和形狀作為蛾類昆蟲(chóng)的特征表示效果不理想，但從紋理看，圖1(d)和(a)、(b)和(c)差異較明顯。因此，紋理特征也可作為蛾類昆蟲(chóng)識(shí)別的依據(jù)。

LBP是近年來(lái)提出的很好的紋理特征提取算法，已出現(xiàn)多種變種。其中CLBP在原有LBP基礎(chǔ)上綜合考慮了中心點(diǎn)和其相鄰像素點(diǎn)的差異程度以及中心點(diǎn)。

對(duì)于一幅圖像中給定的某一像素，傳統(tǒng)的LBP特征計(jì)算如下：

(1)

(a)　　　　　　　　　　(b)

(c)　　　　　　　　　　(d)

文獻(xiàn)[16]認(rèn)為式(1)忽略中心點(diǎn)與其相鄰像素點(diǎn)的差異程度不利于圖像特征提取，因此，在式(1)基礎(chǔ)上提出：

(2)

其中：c為閾值，一般取整幅圖像的像素平均值。mp|gp-gc|。

同時(shí)，認(rèn)為中心點(diǎn)對(duì)目標(biāo)識(shí)別也有影響，提出下式：

CLBPCP,R=s(gc-c)

(3)

其中：c為閾值，一般取整幅圖像的像素平均值。

為了使CLBP特征具有旋轉(zhuǎn)不變性，LBPP,R改寫(xiě)為:

(4)

圖2是圖1(a)的昆蟲(chóng)CLBP特征表示，RI表示具旋轉(zhuǎn)不變性的CLBP特征，M表示式(2)表示的特征，S為式(1)表示的特征，數(shù)字8和24分別表示為式(1)和式(2)中P的值。

(a) S8　　　　　　　　(b) RIS8

(c) S24　　　　　　　　(d)RI S24

(e) M8　　　　　　　　　(f)RI M8

(g) M24　　　　　　　　　(h) RI M24

圖2(a)-(d)為傳統(tǒng)的LBP特征表示即式(1)以及旋轉(zhuǎn)不變性處理的圖像處理結(jié)果。圖2(a)和(b)比較表明旋轉(zhuǎn)不變性處理后得到的特征較不具旋轉(zhuǎn)不變性的特征能夠更好表達(dá)昆蟲(chóng)的紋理特征；圖2(b)和(d)表明P=24時(shí)的昆蟲(chóng)LBP特征比P=8時(shí)的特征更清晰和精細(xì)；圖2(e)-(h)則為式(2)以及旋轉(zhuǎn)不變性處理的圖像處理結(jié)果，是CLBP特征中考慮到中心點(diǎn)和其相鄰點(diǎn)灰度差異程度外得到的紋理特征表示，同樣地，旋轉(zhuǎn)不變性處理后的比未經(jīng)處理的特征圖像、P=24比P=8時(shí)的特征圖像更清晰細(xì)致。圖1(d)和(h)則表明式(1)即傳統(tǒng)的LBP特征和式(2)即CLBP中擴(kuò)展傳統(tǒng)LBP后的特征之間具有差異且有互補(bǔ)性。因CLBP中式(3)表示的圖像特征與昆蟲(chóng)本身不具有對(duì)應(yīng)關(guān)系，在本文中未列出。因此，本研究?jī)H應(yīng)用CLBP中的式(1)和式(2)以及旋轉(zhuǎn)不變性處理后的特征表示。

1.2可區(qū)分的CLBP

第一步：得到每幅圖像的主要模式

對(duì)直方圖fi降序排列后得到新的按其模式的個(gè)數(shù)降序排列fi，對(duì)fis做以下循環(huán)運(yùn)算：

Fork=1toTotal

break;

用Vec存儲(chǔ)篩選出的前k個(gè)模式。Veci表示第i幅圖像的前k個(gè)模式直方圖。

對(duì)于同一類中的圖像提取其CLBP特征并抽取前K個(gè)模式，同一類中不同圖像的k可能不一樣。

第二步：得到每類圖像的可區(qū)分模式

設(shè)某類圖像的個(gè)數(shù)為nj個(gè)，Veci為該類某幅圖像的主要模式，i=1,…,nj。假設(shè)輸出的第num類圖像的可區(qū)分模式為Class-Vecnum，則:

Class_Vecnum=Vec1

Forcount=2tonj

Class_Vecnum=Veccount∩Class_Vecnum

第三步：得到總的可區(qū)分模式

設(shè)總的可區(qū)分模式為T(mén)otal_Class_Vec，圖像集中圖像的類別數(shù)量為nclass，則:

Total_Class_Vec=Class_Vec1

Forcount=2tonclass

Total_Class_Vec=Class_Veccount∪Total_Class_Vec

2　實(shí)驗(yàn)結(jié)果分析

用數(shù)碼相機(jī)(分辨率為500萬(wàn)像素)在日光燈照明情況下分別拍攝福建農(nóng)林大學(xué)林學(xué)院昆蟲(chóng)標(biāo)本室中尺蛾科、燈蛾科、夜蛾科等三個(gè)科的昆蟲(chóng)圖像，其圖像數(shù)分別為49、43和20，共112幅圖像。將每類圖像隨機(jī)各取出一半圖像作為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集的圖像為57幅、測(cè)試集為55幅。對(duì)每幅圖像提取CLBP特征，即在提取傳統(tǒng)LBP特征基礎(chǔ)上進(jìn)一步提取旋轉(zhuǎn)不變性處理后的式(2)的特征，然后提取可區(qū)分的CLBP，最后用KNN算法實(shí)現(xiàn)識(shí)別。

本實(shí)驗(yàn)在WindowXP操作系統(tǒng)上用Matlab2009b編程語(yǔ)言實(shí)現(xiàn)，處理器為Intel1.6GHz，內(nèi)存為2GB。

表1　不同粒度可區(qū)分特征提取方法的識(shí)別率

注： 表中所有特征均為可區(qū)分特征，用D表示；RI、M、S、8、24的含義與圖2同

表2　P為24時(shí)LBP和CLBP可區(qū)分特征提取方法的識(shí)別率

注：表中所有特征均為可區(qū)分特征，用D表示；RI、M、S、8、24的含義與圖2同

表3　P為24時(shí)CLBP和可區(qū)分CLBP的維數(shù)

注：D、RI、M、S、8、24的含義同表1

首先比較了不同粒度時(shí)CLBP可區(qū)分昆蟲(chóng)圖像特征表示的分類識(shí)別率(表1)。表1可看出P=24時(shí)的CLBP可區(qū)分特征表示的分類識(shí)別率比P=8時(shí)的CLBP可區(qū)分特征表示的高11%。P=8和P=24時(shí)的CLBP可區(qū)分特征的混合表示與P=24時(shí)的CLBP可區(qū)分特征表示的分類識(shí)別率相同。這說(shuō)明P=24時(shí)的分類識(shí)別性能優(yōu)于P=8的，也說(shuō)明P=24時(shí)的特征表示包含了蛾類昆蟲(chóng)識(shí)別所需的特征表示信息。在此基礎(chǔ)上，進(jìn)一步比較P=24時(shí)，傳統(tǒng)LBP即DRIS24可區(qū)分圖像特征和CLBP即DRIM24+DRIS24可區(qū)分圖像特征的分類識(shí)別率(表2)。表2可看出P=24時(shí)的LBP特征表示的分類識(shí)別率比P=24時(shí)的CLBP特征表示的低9.2%，說(shuō)明CLBP能夠有效地提高蛾類昆蟲(chóng)識(shí)別率，具有更好的識(shí)別性能。表3可看出P=24時(shí)的可區(qū)分CLBP特征表示的維數(shù)僅為初始CLBP特征表示的0.7%以下，其中DRIM24的維數(shù)僅為RIM24的維數(shù)的0.2%，即99.8%的維數(shù)特征對(duì)分類不具影響，同時(shí)，DRIS24的維數(shù)僅為RIS24的維數(shù)的0.7%，99.3%的維數(shù)被丟棄了，且不影響分類性能。因此，可區(qū)分CLBP特征表示方法不僅能夠提高蛾類昆蟲(chóng)的分類識(shí)別性能，并且能夠由于急劇減少用于分類的特征維數(shù)從而能夠更容易實(shí)現(xiàn)快速識(shí)別蛾類昆蟲(chóng)的目標(biāo)。

3　結(jié)　語(yǔ)

蛾類昆蟲(chóng)的翅膀具明顯的紋理特征且差異明顯。與傳統(tǒng)昆蟲(chóng)識(shí)別方法將顏色描述子和形狀描述子作為昆蟲(chóng)特征不同，紋理特征是適用于目以下的昆蟲(chóng)識(shí)別的特征表示方法。本研究中我們用CLBP提取昆蟲(chóng)原始圖像的紋理特征，并根據(jù)類別信息提取共有的表示模式，有效地降低了用于識(shí)別的維數(shù)，與不具區(qū)分的CLBP特征維數(shù)相比，僅利用其不到1%的總維數(shù)即可以有效地識(shí)別蛾類昆蟲(chóng)，最后用KNN算法得到的分類準(zhǔn)確率為96.4%。由此可知，可區(qū)分的CLBP特征是適用的蛾類昆蟲(chóng)特征提取方法。在此基礎(chǔ)上開(kāi)發(fā)出的蛾類昆蟲(chóng)自動(dòng)識(shí)別系統(tǒng)具有實(shí)際的應(yīng)用價(jià)值。同時(shí)，該系統(tǒng)還可以與網(wǎng)絡(luò)技術(shù)相結(jié)合，從而使得蛾類昆蟲(chóng)的遠(yuǎn)程自動(dòng)識(shí)別成為可能。本研究成果有助于農(nóng)業(yè)病蟲(chóng)害的盡早發(fā)現(xiàn)，從而減少經(jīng)濟(jì)缺失。

[1] 于新文，沈佐銳，高靈旺，等．昆蟲(chóng)圖像幾何形狀特征的提取技術(shù)研究[J]．中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，8(3):47-50．

[2] 馬駿，王建華． 一種基于數(shù)學(xué)形態(tài)學(xué)的植物病蟲(chóng)識(shí)別方法[J]．深圳大學(xué)學(xué)報(bào):理工版，2004，21(1):72-75．

[3] 周龍．基于數(shù)學(xué)形態(tài)學(xué)的儲(chǔ)糧害蟲(chóng)圖像邊緣檢測(cè)算法的研究[J]．微計(jì)算機(jī)信息，2005，21(4):115-116．

[4] 劉德?tīng)I(yíng),丁為民,趙三琴．稻飛虱圖像形狀和顏色特征提取的研究[J]．江西農(nóng)業(yè)學(xué)報(bào),2009,21(5):97-98.

[5]WenC,GuyerDE,LiW.Localfeature-basedidentificationandclassificationfororchardinsects[J].Biosystemsengineering,2009,104(3):299-307.

[6]WenC,GuyerD.Image-basedorchardinsectautomatedidentificationandclassificationmethod[J].ComputersandElectronicsinAgriculture,2012,89:110-115.

[7]WangJ,JiL,LiangA,etal.Theidentificationofbutterflyfamiliesusingcontent-basedimageretrieval[J].BiosystemsEngineering,2012,111(1):24-32.

[8]WangJ,LinC,JiL,etal.Anewautomaticidentificationsystemofinsectimagesattheorderlevel[J].Knowledge-BasedSystems,2012,33:102-110.

[9]BurcinK,VasifNV.Downsyndromerecognitionusinglocalbinarypatternsandstatisticalevaluationofthesystem[J].ExpertSystemswithApplications,2011,38(7)::8690-8695.

[10]ShanC.Learninglocalbinarypatternsforgenderclassificationonreal-worldfaceimages[J].PatternRecognitionLetters,2012,33(4):431-437.

[11]LiuYY,ChenM,IshikawaH,etal.AutomatedmacularpathologydiagnosisinretinalOCTimagesusingmulti-scalespatialpyramidandlocalbinarypatternsintextureandshapeencoding[J].Medicalimageanalysis,2011,15(5):748-759.

[12]NanniL,BrahnamS,LuminiA.LocalTernaryPatternsfromThreeOrthogonalPlanesforhumanactionclassification[J].ExpertSystemswithApplications,2011,38(5):5125-5128.

[13]PujolFA,GarcíaJC.ComputingthePrincipalLocalBinaryPatternsforfacerecognitionusingdataminingtools[J].ExpertSystemswithApplications,2012,39(8):7165-7172.

[14]FathiA,Naghsh-NilchiAR.Noisetolerantlocalbinarypatternoperatorforefficienttextureanalysis[J].PatternRecognitionLetters,2012,33(9):1093-1100.

[15]PapakostasGA,KoulouriotisDE,KarakasisEG,etal.Moment-basedlocalbinarypatterns:Anoveldescriptorforinvariantpatternrecognitionapplications[J].Neurocomputing,2013,99:358-371.

[16]GuoZ,ZhangL,ZhangD.Acompletedmodelingoflocalbinarypatternoperatorfortextureclassification[J].IEEETransactionsonImageProcessing,2010,19(6):1657-1663.

RECOGNINGINSECTSOFMOTHSPECIESBASEDONDISCRIMINATIVELOCALBINARYPATTERNFEATURES

LiXiaolin1ZhouPengbo2ZhouMingquan2HuangShiguo1*

1(College of Computer and Information,Fujian Agriculture and Forestry University,Fuzhou 350002,Fujian,China)2(College of Information Science and Technology,Beijing Normal University,Beijing 100875,China)

Mostofinsectsofmothspeciesaretheagriculturalpests,thereforetheautomaticrecognitionofthecategoryofinsectsofmothspeciesareofgreatimportanceforpestprediction.Currentautomaticinsectrecognitionmethodsmostlyfocusonrecognisingtheinsectsabovetheorderlevelbutarehardtorecognisetheinsectsontheorderlevel,inlightofthisproblemweproposedatexturefeature-basedrecognitionmethodforinsectsofmothspecies.Itextractsthefeaturesofinsectimagesbyapplyingamodifiedlocalbinarypatternalgorithm(CLBP),anddistilsnaturedimensionfromtheextractedfeaturematrixaccordingtothecategoryofinsectsofmothspecies,andfinallyappliesKNNalgorithmtotherealisationofrecognisinginsectsofmothspecies.ExperimentalresultsshowedthatthediscriminativeCLBPcanextractfeaturesfromoriginalinsectimagesdirectlyandachievesexcellentrecognitionperformance,meanwhileitcaneffectivelyreducethedimensionsoffeaturesmatrix,sothatdwindlesthestoragespaceanddecreasesthecomputationalcomplexityofsimilaritycomparison.Ourresearchbroadenstheapplicationscopeofcomputervisionandwillbehelpfulforearlypredictionofagriculturepestsanddiseases.

LocalbinarypatternInsectsofmothspeciesImageprocessingObjectrecognition

2014-10-27。國(guó)家自然科學(xué)基金項(xiàng)目(61170203)；福建省自然科學(xué)基金項(xiàng)目(2013J01071);國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃前期研究專項(xiàng)(2011CB311802);虛擬現(xiàn)實(shí)應(yīng)用教育部工程研究中心開(kāi)放基金項(xiàng)目(MOEBNUEVRA200904)。李小林，副教授，主研領(lǐng)域：智能圖像處理。周蓬勃，實(shí)驗(yàn)員。周明全，教授。黃世國(guó)，副教授。

TP391

ADOI:10.3969/j.issn.1000-386x.2016.03.039