基于形状特征的昆虫图像语义标注

《基于形状特征的昆虫图像语义标注》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于形状特征的昆虫图像语义标注摘要:鉴于人工对昆虫图像进行分类标注费时费力，而且由于主观因素的影响，使得标注结果不统一，造成后续对昆虫图像的检索结果不理想，本文提出了基于图像形状特征的昆虫图像语义标注方法。首先介绍了图像中目标对象的特征提取;详细阐述了基于图像底层特征进行聚类分析实现标注的过程;最后给出了用以上方法在VC++6.0环境中实现对昆虫图像标注的的实验结果。实验证明该方法不仅可以弥补传统昆虫学家手工对昆虫图像进行标注的方法的不足，同时能够给用户提供更为实时、准确的昆虫图像语义标注结果。关键字：特征提取;图像分割;图像标注中图分类号:TP39

2、1.4文献标识码:A文章编号:1003-2851(2010)08-0114-01图像标注是图像检索中重要的一项工作，理想的标注结果可以使图像检索为用户提供实时的、准确的需求对象。昆虫图像处理是图像处理的一个新的年轻领域。本文提出的基于形状特征的昆虫图像标注是计f机对昆虫图像进行有效管理和利用的一个突破性进展。其主要思想通过对图像中目标对象的形状特征做聚类分析，完成对昆虫图像的中目标对象的分类识别，并与昆虫学的领域知识相关联给出标注信息。一、实现过程及方法（一）研宄对象及其特点。在实际中昆虫个体可能具有的任何属性都是其特征，包括昆虫的形态特征、生化特征

3、、生理特征等，这些特征都可以作为我们识别某一种昆虫的依据。但在计算机中，只能由昆虫图像本身的特征来区别不同的昆虫。本文主要针对昆虫类中无翅亚纲的五大目昆虫图像进行标注。该五大目分别是原尾目、弹尾目、双尾目、石？目、衣鱼目，它们的共同特征是无翅，体型微小，但它们的外形差异较大，可以作为它们相互间的一个区分点。（二）实现过程实现的模块流程如下图［1,2］:1.形状特征提取算法描述［3］。基于无翅亚纲的五大目昆虫本身外在形状的显著差异，本文主要利用昆虫图像形状特征作为分类标注的依据。形状特征可以分为两类:边界特征和区域特征。基于边界的描述方法仅仅只利用了边

4、界信息，丢失了形状的内部内容，而且在目标形状脱节不能获取边界信息时难以适用。而基于区域的描述方法利用了目标形状的内部像素信息，可以应用于一般场合，由于目前所有的区域描述方法提取的均是形状的空域特征，因此该方法对噪声和形状的细微变化比较敏感，抗干扰能力不强。因此本文使用文献［3］提出的改进的傅里叶描述符，该方法提取的是图像中目标对象二维极坐标傅里叶变换后的频谱特征，可以出色地捕获目标形状的径向和环向特征，可以以一定的精度很好地描述目标物体的形状特征。而且可以对形状的相似性进行定量的判别，其抗干扰能力强，通用性较高。2.图像标注。本文实现标注的主要思想是

5、通过图像模式识别中动态聚类算法对待标注图像首先进行分类，在获取了分类号后通过与关键字库关联，从而实现图像的标注。本文的整个实验过程是在VC++6.0的环境下实现，关键字库是在SQLServer数据库下建立的一个二维表。(1)使用样本图像获得聚类中心动态聚类算法的主要思想是选择若干样品作为聚类中心，再按照某种聚类准则，将其余样品归入最近的中心，得到初始分类。然后判断初始分类是否合理，若不合理则按照特定规则重新修改不合理的分类，如此反复迭代，直到分类合理。本文采用K均值聚类算法，该算法能使聚类域中所有样品到聚类中心的距离平方和最小。选取K=5,以原尾目、

6、弹尾目、双尾目、石？目、衣鱼目五类昆虫为分类对象，首先使用K均值算法在180幅样本图像集上进行分类，目的是获取一个稳定的聚类中心，在聚类算法中，由于初始的聚类中心为单个样品，所以计算样品到聚类中心距离采用欧氏距离，公式为：Dij2=(Xi-Xj)T(Xi-Xj)=Xi-Xj2=(xik-xjk)2(l)其中n为特征向量X的维数,xik代表图像的某一特征值。后续在聚类中心不断更新的过程中，计算样品到聚类中心的距离的公式为：D2(X,w)=D2(X,X(w))=xk-xk(w)2(2)X(w)为第w的中心点，即以w中所有样品特征的平均值作为类中心。(1)

7、未知图像的聚类及标注。在以上获得的聚类中心的基础上计算待测样品X到的中心点X(w)的距离，采用公式(2)进行计算，根据聚类结果获得分类号，再根据分类号查询关键字库，从而获得图像的标注信息。标注结果如图4所示、实验结论实验表明利用目标对象的形状特征对昆虫图像进行标注，能够取得较理想的标注结果，但此方法仅适合于背景简单的昆虫图像标注。基于形状特征的昆虫图像语义标注在实现时还存在以下问题:首先,若图像中的昆虫对象与背景颜色相近时，无法较合理的将目标对象提取出来;其次，若背景构成复杂时也无法较准确提取对象，怎样将目标对象能更加全面、准确的提取出来，还有待于进

8、一步的研究。在实现分类时，为形成较稳定的聚类中心选择定量的图像数量进行预分类，该方法的效率在巨量图像面前成本