1.一种多分辨率粮虫种类视觉识别方法,其特征在于:在多分辨率镜头基础上,对拍摄的低分辨率、中分辨率、高分辨率三幅粮虫图像分别运用OTSU算法对其进行二值化,然后利用Blob算法分别提取低、中、高三种分辨率的粮虫图像的连通区域,并在所述低分辨率粮虫图像上对疑似粮虫目标区域定位;在所述Blob算法提取的所述中分辨率粮虫图像连通区域的基础上,根据中、低分辨率粮虫图像缩放倍数和低分辨率粮虫图像上疑似粮虫目标区域在中分辨率粮虫图像上进行重定位,并计算Blob算法提取疑似粮虫目标连通区域的面积参数与周长参数,据此确定是否为粮虫区域;最后在Blob算法提取的高分辨率粮虫图像连通区域基础上,根据高、中分辨率粮虫图像缩放倍数和已确定中分辨率粮虫图像的粮虫区域在高分辨率粮虫图像上进行重定位,然后在Blob算法提取粮虫目标连通区域内采用局部二值模式粮虫纹理特征和随机森林分类器在高分辨率粮虫图像上对粮虫实现识别;
拍摄的所述低、中、高三种分辨率的粮虫图像,是由多个不同焦距镜头基于同一场景采集得到;选用低、中、高分辨率粮虫图像并对其进行重建方法为:首先以低分辨率粮虫图像中的疑似粮虫区域作为基准图像,并以低分辨率粮虫图像的倍建立中分辨率粮虫图像, 即: 若低分辨率粮虫图像的分辨率为 , 则重定位中分辨率粮虫图像的分辨率为 ,的取值由镜头焦距获取;将中分辨率粮虫图像的像素值依照 倍采样直接填充到高分辨率粮虫图像上,并以中分辨率粮虫图像的 倍建立高分辨率粮虫图像, 即: 若中分辨率粮虫图像的分辨率为 , 则重建高分辨率粮虫图像的分辨率为, 的取值由镜头焦
距获取;
根据变焦缩放变换矩阵,所述重定位后的高一级分辨率粮虫图像 中的每一个像素点与低一级分辨率粮虫图像中的相应像素点 有如下约束形式:其中: 和 分别是 轴和 轴上的比例系数,考虑到像素大小为标准方形,所以;由于不同分辨率粮虫图像的焦距已知,低分辨率粮虫图像与中分辨率粮虫图像之间缩放倍数为 ,即 ;中分辨率粮虫图像与高分辨率粮虫图像之间的缩放倍数为 ,即 ;
利用双线性插值法将低分辨率粮虫图像中每个Blob块像素映射到中、高分辨率粮虫图像中,然后计算中、高分辨率粮虫图像中每个像素点的灰度值, 实现粮虫目标区域重定位。
2.根据权利要求1所述多分辨率粮虫种类视觉识别方法,其特征在于:为抑制复合干扰源下凸显粮虫目标来提高粮虫视觉检测效果,构造 结构元素,同时使用水平方向和垂直方向的线性结构元素,对二值化的所述低、中、高三种分辨率粮虫图像进行膨胀运算,实现粮虫目标增强进而提高粮虫检测识别率。
3.根据权利要求1所述多分辨率粮虫种类视觉识别方法,其特征在于:根据中、低分辨率图像缩放倍数和低分辨率粮虫图像上疑似粮虫目标区域进行重定位,并计算其面积参数与周长参数的方法为:
a、采用面积参数 度量目标区域大小,对于斑块区域 , 定义为该区域中像素点的数目,即:
式中: 为像素坐标值, 为该点的像素值;
b、采用周长参数 度量目标区域特征,对于斑块区域 , 定义为斑块区域边界上像素点的个数;
即:
式中: 为像素坐标值, 为该点的像素值。
4.根据权利要求1所述多分辨率粮虫种类视觉识别方法,其特征在于:采用局部二值模式粮虫纹理特征和随机森林分类器对粮虫实现识别的方法为:利用像素点 的 邻域内灰度变化来表示高分辨率粮虫图像像素点的纹理模式;变换公式如下:
其中 表示图像在像素点 的邻域内的灰度变化,取值为:表示图像在该像素点处的二值纹理模式,代表邻域内像素点的灰度值相对于中心点的变化情况; 为变换系数,构成变换系数矩阵 ;
为便于表示和计算,将 邻域的纹理基元映射为 之间的值,用其值代替原 邻域中间像素的像素值;粮虫纹理模式的值作为像素值即得到相应粮虫纹理谱图像;统计变换后图像各像素点的纹理值的频数,即得到粮虫图像的纹理谱直方图;
然后引用随机森林分类器按照生成分类树的规则生成多棵分类树,通过重抽样术生成多个树分类器 ,其中 是独立同分布的随机向量,每棵树分类器进行投票并按得票结果而定;
每次抽样生成自助样本集,全体样本中不在自助样本中的剩余样本称为OOB(Out‑Of‑Bag)数据,OOB数据用来预测分类正确率,每次预测结果进行汇总得到错误率的OOB估计,以测试样本进行评估组合分类器的分类效果;利用随机森林分类器,通过在每个节点处随机选择局部二值模式粮虫纹理特征进行分支,最小化各分类树之问的相关性进而提高分类精确性;
在分类阶段,类标签是由所有决策树的分类结果综合而成,也即由每个分类树投票和概率平均得到;对于测试样例 ,预测类标签 可以得到:其中 为森林中决策树的数目, 为示性函数, 为树 对类别 的分类结果,是树 的叶子节点数, 是森林中 棵决策树的权重;
采用投票方式决定粮虫类标签,即测试集遍历森林中的每棵树并记录其对每个粮虫目标的分类结果,得票高于预定阈值类标签即为目标粮虫种类标签。