基于宇宙算法农业害虫图像检测.docVIP

基于宇宙算法农业害虫图像检测 　　摘要：采用宇宙算法，以为提高农业害虫图像检测的效果。首先通过格林方法建立害虫图像检测区域，包括图像特征点匹配以及误匹配点剔除，接着对边缘像素点的数据压缩，从而减少了待求数据，然后确定复合主从方式的宇宙拓扑结构。为防止在宇宙环线上的平行次主宇宙群因主宇宙群选择而未被选择出现信息空洞，通过各自平行从宇宙群建立虚拟拓扑结构，数据寻优系统通过次主宇宙群划分成多个并行子集值实现，最后给出算法流程。仿真试验结果表明，本研究算法对农业害虫图像检测效果清晰，定量分析结果较优。 　　关键词：农业害虫；宇宙算法；图像检测；特征点；拓扑结构；平行宇宙 　　中图分类号： TP391.41文献标志码： A 　　文章编号：1002-1302（2017）15-0195-04 　　农业害虫直接危害农作物的正常生理机能，影响农业经济效益，因此在农业生产中的很多阶段，须要检查是否存在害虫，把害虫从图像背景中检测出来，避免影响更大的范围[1]。 　　对检测农业害虫图像来说，传统方法依靠人工作业，造成效率低下、易受环境因素和主观因素影响[2]。通过计算机视觉处理实现农业害虫图像检测已受到广泛关注，目前智能算法有基于二维DWT算法（two dimensional discrete wavelet transform，简称TDDWT）、奇异值分解、一维傅立叶变换算法（singular value decomposition and one dimensional fourier transform，简称SVDODFT）等，这些算法能消除农业害虫图像的重复纹理背景[3-4]，但输入为二维图像，导致采集到的图像数据量相当大。基于统计学中的方差分析和指数加权移动平均（variance and exponential weighted moving average，简称VEWM）算法能对农业害虫图像中显示不均匀的区域进行检测[5]，但是只能针对较大的区域。基于模式比较和边界扩张算法（models comparison and boundary extension，简称MCBE），通过模式比较获得农业害虫图像的像素，边界扩张对像素区域合并分析害虫区域的特征信息[6]，但是该算法内存消耗较大。基于改进的回归诊断算法（improved regression diagnosis，简称IRD）检测农业害虫图像时可获得比较精确的图像数据[7]，但是须对图像进行分块计算，计算量很大。基于离散余弦变换（discrete cosine transform background filtering，简称DCTBF）的检测方法，可避免图像中无效数据间的相关性[8]，但只能在较白或较黑的区域获得较好的检测效果。 　　本研究采用平行宇宙算法（parallel universe algorithm，简称PUA）对农业害虫图像检测，通过格林方法先粗选择害虫图像区域，然后再利用特征点、模板匹配细选择害虫图像区域，宇宙算法确定拓扑结构以及进化模型，将每个次主宇宙群的数据寻优系统划分成多个并行子集值决策的数据寻优系统。仿真试验结果表明，本研究算法对农业害虫图像检测效果清晰，定量分析结果较优。 　　1农业害虫图像检测区域模型 　　1.1基于格林方法的农业害虫图像检测区域选择 　　采用格林方法先粗选择农业害虫图像检测区域[9]，设害虫图像区域为单连通闭区域D，由分段光滑曲线L围成，函数R（x，y）及Q（x，y）在D上具有一阶连续偏导数： 　　式中：λ为抑制系数，λ=[SX（]δ+η[KF（]δ2+η2[KF）][SX）]；R、C表示所处理每幅图像的尺寸大小，R×C数值结果表示检测区域的像素个数。当偏差图像Ir，c大于或等于对应的动态阈值时，则判定为变化区域。只有δ、η组合为较佳时，判断的正确率才高，通过平行宇宙算法寻优得到最佳组合。 　　算法流程：（1）输入图像；（2）获取特征点并进行匹配，满足Rmin，进行步骤（3），否则重新匹配；（3）匹配数据压缩；（4）宇宙并行子集划分更新宇宙；（5）宇宙进化代数使δ、η组合的正确率判断率大于99.981 6%，进行步骤（6），否则进行步骤（4）；（6）输出图像。 　　3试验仿真 　　试验计算机配置为CPU 3.0 GHz、内存2 GB、Intel主板，集成显卡，Matlab 7.0实现仿真，主宇宙设置为5个，每个主宇宙的从宇宙最大数量设置为15个。 　　3.1检测效果分析 　　选择2幅农业害虫图像进行检测，分别为玉米螟、蚕寄蝇，在试验中依次对TDDWT、VEWM、MCBE、IRD、PUA算法进行对比，结果如图3、图4所示。 　　4结论 　　本研究算法通过格林方法获得害虫图像的区域，为防止匹配数据过大，进行