涂 兵, 谭志豪, 彭仕玉, 刘 航, 彭 柯

(1. 湖南理工学院 信息与通信工程学院, 湖南 岳阳 414006; 2. 湖南理工学院 复杂系统优化与控制湖南省普通高等学校重点实验室, 湖南 岳阳 414006)

洞庭湖湿地中鸟的图像色彩与纹理特征融合识别算法研究

涂 兵1,2, 谭志豪1, 彭仕玉1,2, 刘 航1, 彭 柯1

(1. 湖南理工学院 信息与通信工程学院, 湖南 岳阳 414006; 2. 湖南理工学院 复杂系统优化与控制湖南省普通高等学校重点实验室, 湖南 岳阳 414006)

为实现鸟类物种识别和自动化观测, 针对鸟的图像的自动提取和识别过程中的问题, 开展了一系列的研究工作. 首先对鸟的彩色图像进行二值化, 接着采用Log算法对鸟的轮廓进行提取, 然后对鸟进行初步颜色特征提取, 对特征颜色较明显的鸟进行粗分类, 再接着对特征色不太明显的鸟类进行基于灰度共生矩阵算法的纹理特征提取, 最后对提取的纹理特征进行BP神经网络分类, 最终达到对鸟的识别. 实验结果表明, 平均识别正确率达到70%以上.

Log算法; 轮廓; 特征提取; 纹理特征; BP神经网络

引言

环洞庭湖经济圈中有300多种珍贵的鸟类资源. 如今, 全球环境遭受严重破坏, 鸟类也因为环境的改变而面临着濒临灭绝的危险. 随着图像识别技术与物联网技术的迅速发展, 利用现代技术手段来识别物种成为了一个重要的研究方法, 但是, 运用图像识别技术与物联网技术对鸟类进行观测与识别的方法还有待提高与改善, 所以进一步开展鸟类识别和湿地联网保护研究, 将具有重大的生态和社会意义.

陈伟斌、林菡[1,2]等人提出了一种基于SVM的湿地鸟类物种识别方法, 这是一种基于SVM的决策树的分类方法; 在轮廓特征提取方面, 文献[3～10]中将颜色特征提取应用到了不同植物的提取上, 取得了良好的效果; 文献[11～15]对图像的纹理特征应用了一些算法, 如将支持向量机和灰度共生矩阵应用到图像的纹理特征提取上, 取得了一定的效果. 本文针对洞庭湖湿地中十一种鸭科鸟类, 采用基于图像、纹理特征融合的识别算法进行鸟的识别, 寻求比较有效的鸟类自动识别方法, 为深入开展鸟类物种识别和湿地联网保护研究提供技术基础.

1 环洞庭湖鸭科鸟类的识别

1.1 图像预处理

在对鸟的图像进行轮廓提取之前, 需要对图像进行预处理, 预处理主要包括图像的采集, 图像的灰度化处理、降噪处理. 把彩色图像转化为灰度图像, 使灰度值与彩色R,G,B分量值产生一一对应的关系. 由于R,G,B的取值范围为[0, 255], 因此灰度级别总共有256级. 常用的灰度化方法有最大值法、平均值法和加权平均值法等三种.

图像噪声影响图像的识别和处理, 为了对目标图像进行有效提取, 抑制噪声信息, 从而获取高质量的图像, 需要对图像进行噪声滤波预处理. 由于噪声类型的多种多样, 图像去噪的方法也不同. 本文在对象进行轮廓提取之前采用高斯滤波器去噪. 鸟图像识别流程框图如图1所示.

图1 鸟图像识别流程图

1.2 基于Log算法的鸟轮廓提取

本文对鸟图像的轮廓采用Marr和Hildreth提出的Log算法. 基于Log算法轮廓提取的步骤为:

① 滤波处理: 对图像在一定范围内做平滑滤波. 为了减小空间位置误差和频域误差, 其选择的滤波器是达到测不准下限的高斯滤波器

其中G(x,y)是一个圆对称函数, 其平滑的作用是可通过σ来控制的. 将图像G(x,y)与f(x,y)进行卷积,可以得到一个平滑的图像, 即

② 增强: 对平滑图像g(x,y)进行拉普拉斯运算, 即

③ 检测: 边缘检测是通过检测零交叉点来进行. 因平滑会导致边缘延伸, 所以只需考虑局部梯度最大值的点.

图2为采用Log算法的轮廓提取示意图.

图2 Log算法轮廓提取示意图

1.3 鸟的特征颜色提取

在对鸟进行轮廓提取后, 然后在鸟的轮廓范围内进行颜色特征提取. 鸟类的羽毛颜色是最为直观和显著的彩色图像特征, 不同鸟类的羽毛颜色有较大的差别. 根据鸟类羽毛颜色来区分鸟类, 能有效地反映鸟类图像的整体性和色彩性, 并且颜色提取的特征具有一定的有效性, 分类效果明显, 具有较高的鲁棒性.因此, 颜色特征的提取与选择对图像特征提取与选择具有重要意义.

RGB是颜色分量提取的重要途径, RGB是目前使用率最高的一种颜色系统之一, 它是通过控制R,G,B三个颜色通道的数值变化以及各类数值的不同组合来获得不同的颜色. 虽然RGB只有三种颜色, 但是每一个RGB分量都被分配了一个在0～255范围内的强度值, 并且通过不同数值的不同比例的混合方法,可以在屏幕上显现16777216(256×256×256)种颜色. 本文中对鸟的颜色采取黑色、白色、红黄色、绿色、蓝色分量的提取, 各颜色分量对应的R、G、B见表1. 对绿头鸭和斑嘴鸭颜色分量的提取示意图如图3、图4所示.

表1 颜色提取RGB颜色分量值

图3 绿头鸭的颜色分量提取图

图4 斑嘴鸭的颜色分量提取图

1.4 鸟的纹理特征提取

灰度共生矩阵是一种重要的纹理特征提取方法. 首先计算由灰度共生矩阵推导出的纹理特征, 得到相应的纹理参数:

在(N×N)的图像中, (i,j)表示原图像素点坐标，偏离它的另一点(i+a,j+b)在灰度坐标轴上以“灰度对”(g1,g2)来表示. 距离差分值(a,b)取不同的数值组合, 可以得到不同情况下的联合概率矩阵,当a=1,b=0时, 像素对是水平的, 即0°扫描; 当a=0,b=1时，像素对是垂直的, 即90°扫描; 当a=b=1时, 像素对是右对角线的, 即45°扫描; 当a=-1,b=1时, 像素对是左对角线, 即135°扫描.k为灰度的级数,p(g1,g2)为每一种(g1,g2)出现的概率. 其中

根据纹理体征提取的公式与算法, 对通过颜色特征识别后的每种鸟类进行纹理特征提取. 绿翅鸭的纹理特征图如图5所示. 特征色不明显的纹理特征参数见表2.

图5 绿翅鸭的纹理图

表2 鸟的纹理灰度共生矩阵特征参数

2 实验与仿真分析

2.1 鸟的特征颜色初步分类

根据RGB原理的提取方法, 在已经提取出来的颜色基础上进行计算, 运用特征色像素点除以原图像素点的方法得出特征颜色占鸟类总颜色的百分比:

我们对洞庭湖区中十一种鸭科类鸟类进行特征颜色提取, 统计结果见表3. 通过颜色特征提取与颜色特征数据库中的数据进行简单比较, 可以比较有效地区别绿翅鸭、绿头鸭、琵嘴鸭、棉凫、斑嘴鸭.

表3 特征颜色提取数据统计表

2.2 基于BP神经网络鸟类分类器

在通过特征颜色提取后, 然后对未识别的剩余鸟进行纹理特征提取, 对提取出来的特征参数进行训练, 采用基于BP神经网络分类器对鸟进行分类. BP神经网络分类器训练步骤为[13]:

①初始化: 设定各层神经元数目, 其中Wij为输入节点到隐层节点的连接强度,Tjk为隐层接点到输出节点的连接强度;

②设定最大迭代次数、最小误差、并对各连接强度参数进行初始化;

③前向计算: 输入样本向量X, 利用计算隐层输入向量, 利用公式Mij=tan(Sj)计算出隐层的输出向量;

⑤反向传播: 若期望输出O(k), 则输出端的平方误差为, 通过梯度下降法调整隐层与输出层之间的权值Tjk. 同理, 由隐层节点上的误差调整输入层与隐层之间的权值Wij, 循环步骤3和5, 直到达到设定要求;

⑥存储好各层的权值, 用训练好的网络对鸟类进行识别.

将得到的纹理特征参数进行基于BP神经网络特征识别, 从而对鸟进行分类, 所得结果见表4. 每种鸟的彩色图片为40张——20张训练样本, 20张测试样本.

表4 鸟的识别结果统计表

3 总结

将图像分析处理算法运用到鸟类识别的分类研究中, 意义在于研究出鸟类物种自动分类的识别机制.基于分析模式识别理论和鸟类物种分类识别算法, 通过提取鸟的彩色特征, 构建了一种简单的鸟的彩色特征粗识别; 当鸟的特征色比较明显时, 能达到比较好的识别正确率; 当鸟的特征色不太明显时, 通过基灰度共生矩阵纹理特征提取, 采用BP神经网络分类, 能比较好的识别鸟的物种. 本研究方法能够为鸟类联网在线物种识别提供思路, 具有较大的实际意义.

[1] 陈伟斌. 带先验信息的SVM决策树的鸟类图像识别研究[J]. 河南城建学院学报, 2009, 18 (6): 45～48

[2] 林 菡, 林宏基, 陈伟斌. 基于SVM的湿地鸟类物种识别方法[J]. 软件导刊, 2012, 11(12): 165～167

[3] 李金娟. 基于迭代技术的图像轮廓提取方案的研究与实现[J]. 科学技术与工程, 2013,13(28): 8325～8328

[4] 殷 刚. 基于改进的Codebook算法的车轮轮廓提取[J]. 内蒙古农业大学学报, 2014, 35 (1): 103～107

[5] 韩迎辉. 基于改进扫描线逼近的鱼眼图轮廓提取算法的研究[J]. 电子器件, 2013, 36 (6):784～788

[6] 倪元敏, 巫 茜. 基于模糊形态学的图像边缘轮廓提取改进分割算法[J]. 西南师范大学学报, 2013, 38(12): 95～100

[7] 岑喆鑫, 李宝聚, 石延霞, 等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报, 2007, 34 (6): 1425～1430

[8] 沈宝国, 陈树人, 尹建军, 等. 基于颜色特征的棉田绿色杂草图像识别方法[J]. 农业工程学报, 2009, 25(6): 163～167

[9] 孙永科, 周开来, 胡坤融. 复杂背景中的阔叶轮廓提取技术[J]. 现代计算机, 2014, 11(04): 57～60

[10] 梁文东. 基于MATLAB的玉米果穗图像轮廓提取[J]. 农业网络信息, 2014, 6(1): 21～23

[11] 何 利. 基于图像纹理颜色特征的猪体识别研究与实现[D]. 广东: 华南理工大学硕士学位论文, 2010: 1～49

[12] 陈 英, 杨丰玉, 符 祥. 基于支持向量机和灰度共生矩阵的纹理图像分割方法[J]. 传感器与微系统, 2012, 31(9): 60～63

[13] 陈 寅, 周 平. 植物叶形状与纹理特征提取研究[J]. 浙江理工大学学报, 2013,30(3): 394～399

[14] 谢国波, 陈云华, 张 灵, 等. 基于嘴巴特征点曲线拟合的哈欠检测[J]. 计算机工程与科学, 2014, 36(4): 731～736

[15] 朱新召, 周 莉, 陈 杰, 等. 一种提取鱼眼镜头成像区域的算法及实现[J]. 科学技术与工程, 2014, 14(16): 277～279

The Research of the Image Color and Texture Feature Fusion Recognition Algorithm of Birds in the Dongting Lake Wetland

TU Bing1,2, TAN Zhi-hao1, PENG Shi-yu1,2, LIU Hang1, PENG Ke1
(1. College of Information and Communication Engineering, Hunan Institute of Science and Technology, Yueyang 414006, China; 2. Key Laboratory of Optimization and Control for Complex Systems, Hunan Institute of Science and Technology, Yueyang 414006, China)

In order to realize the identification and automatic observation of the bird species, a series of research work based on the automatic extraction and identification has being developed. To achieve the recognition of the birds, employing binarization of the bird’s color image first, and then, using the Log algorithms to extract the outline of the birds. Next, according to the preliminary extraction of the color features of the birds, processing coarse classification to the birds and extracting the texture features based on gray level occurrence matrix to the birds which are not obvious on the color characteristics. Finally, classifying the texture features on the BP neural network. The experimental results show that the average recognition accuracy above 70%.

Log algorithm; outline; feature extracting; texture feature; BP neural network

TP317.4

A

1672-5298(2015)02-0027-06

2014-11-30

湖南省教育厅科研一般项目(14C0515); 湖南理工学院科研项目(2014Y30); 湖南理工学院大学生研究创新项目; 湖南省高校科技创新团队支持项目(湘教通[2012]318号); 湖南省高校产业化培育项目(13CY021)

涂 兵(1983− ), 男, 湖南岳阳人, 博士, 湖南理工学院信息与通信工程学院讲师. 主要研究方向: 信息处理与控制