基于顏色特征的動物圖像分類識別仿真系統設計?

張公伯 谷昱良 朱和貴（東北大學理學院數學系沈陽110004）

基于顏色特征的動物圖像分類識別仿真系統設計?

張公伯 谷昱良 朱和貴
（東北大學理學院數學系沈陽110004）

為解決動物圖像分類識別問題，提出了一種基于顏色特征的動物圖像分類識別方法。該方法很好地利用了顏色直方圖和低階統計矩的屬性。首先確定選擇HSV顏色空間，依據圖像的顏色直方圖特性調整低階統計矩數值作為特征描述量，再通過K近鄰方法判斷圖像所屬類別，并構建仿真系統。實驗另外對比了組合類與單一類特征在識別準確率上的差異。實驗表明，該方法能較有效地識別出不同種類的動物，平均正確識別率可達89%。仿真系統具有實用性，組合類特征可在一定程度上提高識別準確率并降低識別時間。

動物分類識別；顏色特征；顏色直方圖；顏色統計矩；K近鄰方法

ClassNumber TP391.41

1 引言

用［2~3］；在畜牧業領域，根據監控圖像的形體信息獲取動物生長發育及健康狀況［7］。基于顏色特征進行圖像識別、檢索，模式匹配的方法近年來廣泛應用于各領域。張志斌等采用RGB顏色系統，基于統計分析提出一種綠色作物圖像分割方法［8］；王衛等利用車牌顏色相對固定的特點，提出一種基于顏色特征的車牌快速定位算法［9］；楊斌等根據森林火災中煙的光譜特性，提出基于顏色特征的無人機遙

特征識別技術是計算機科學和機器視覺領域一個熱門的課題。近年來特征識別技術逐漸推廣應用到對動物種類的識別上。在動物保護領域，通過動物圖像識別的跟蹤技術可以有效地對瀕危物種進行統計分析［1］；在醫學領域，對動物圖像的分析在生命科學與臨床醫學研究中起著重大的作感圖像識別［7］。

基于顏色特征具有穩定性和動物圖像分類識別具有重要研究意義的特點，本文在綜合顏色特征描繪子在圖像特征提取應用理論的基礎上，提出了基于顏色特征的動物圖像分類識別方法。提取經預處理后的動物圖片的顏色特征進行直方圖數學形態分析，并基于Matlab的GUI界面設計分類識別仿真系統。選取在百度圖片庫（http：//image.baidu. com）中收集到的動物圖片400張（共5種動物，每種動物圖片80張）進行測試，添加形狀特征中的偏心率特征組合成綜合特征與單一顏色特征識別效果進行對比。理論和實驗表明，基于顏色特征的識別是動物圖像分類識別的一種有效方法，特征的組合能提高分類準確率和速度。

2 基于顏色特征的動物分類識別方法

動物圖像識別的主要難點在于圖像光照亮度和復雜背景下動物位置的確定，這些因素導致識別難度增大，精度降低。分類識別系統在對所獲圖像進行預處理后，需要對動物圖像進行特征提取，即提取二維圖像高層語義信息，為后續的分類識別提供依據。而獲取有效的圖像的低層特征是提取圖像高層語義信息的關鍵環節［8］。

2.1 顏色特征識別原理

顏色是描述一幅圖像最簡便而有效的特征。在自然界中，同種動物通常具有相同或相近的顏色特征，不同種的動物則可能表現為不同的顏色特征，因此顏色可以作為區分不同種類動物最為簡單有效的一種手段。相對于幾何特征而言，顏色特征具有對圖像本身尺寸、方向和視角不敏感且有較高魯棒性的特點。

根據顏色與空間屬性的關系，顏色特征的表達主要集中在全局顏色特征和空間顏色特征兩個方面，包括顏色矩、顏色直方圖和顏色相關圖等幾種方法。

2.1.1 顏色空間

RGB顏色空間是一種根據人眼對不同波長的紅、綠、藍光做出錐狀體細胞的敏感度描述的基礎色彩模式，通過混合RGB三刺激值來產生其它顏色［9］。模型以單位立方體互相垂直的三條棱作為R、G、B的值，每幅彩色圖像包括3個獨立的基色平面。該模型空間顏色不均勻，兩種顏色間的知覺差異不能用兩像素點A(r1，g1，b1)和B(r2，g2，b2)的間距表示。各分量常用簡便計算式為

HSV顏色空間是一種面向視覺感知的顏色模型，包含色度H、飽和度S和亮度V三個要素。模型以三維空間倒立的紡錘體的長軸為V值，離開長軸的距離為S值，圍繞軸的角度為H值。該模型亮度分量與圖像的彩色信息無關，與人感受顏色的方式緊密相連，空間兩種顏色間的知覺差異可用兩像素點A(s1，h1，v1)和B(s2，h2，v2)的間距表示［10］：

RGB顏色空間與HSV顏色空間可進行可逆轉換，通常數字圖像采用RGB顏色模型來顯示，在數字圖像處理時，將RGB顏色空間轉換到HSV顏色空間的情形更常見，記a=max(R，G，B)，b=m in(R，G，B)。一種快速轉換的公式為

其中H?[0°，360°]，S、V?[0，1]。比較兩顏色空間在動物圖像處理中的適應性，得到的R、G、B分量的灰度圖如圖1所示。

得到的H、S、V分量的灰度圖如圖2所示。

從圖1和圖2的比較中可以看出，由HSV顏色空間模型得到的圖片在人類視覺上更加直觀，是與人類對顏色的視覺感受最接近的顏色系統，故實驗采用HSV模型對HSV空間進行量化后再計算其直方圖，以減少計算量。

2.1.2 基于顏色矩的直方圖描述

顏色直方圖作為基于顏色特征進行識別廣泛采用的方法，描述了不同顏色在整幅圖像所占的比例，直觀反映了圖像顏色分布的統計特性，具有特征提取計算簡便和圖像尺度旋轉不變性的特點，適用于難以自動分割和不需要考慮物體空間位置的圖像［11］，且存在由于特征維數和相似度過高造成的誤檢現象。圖像的均衡化顏色直方圖可表示為

其中，hij為點(i，j)的顏色值，M′N為總像素數，L為顏色空間中包含的顏色總數，α為權系數。由圖2中的圖像繪制的直方圖如圖3所示。

由于圖像中任何顏色的分布均可由統計矩來表示，Stricker和Orengo提出了顏色矩的特征描述法［12］。顏色低階矩描述的圖像信息更充分，表達式為：

一階矩（mean）：

三階矩（skewness）：

其中，Pij為第j個像素的第i個分量出現的概率，n為像素數量。三種低階矩分別描述了圖像的色彩平均強度、顏色不均勻性和顏色偏斜度。因此，彩色圖像的顏色矩共有9個分量。得到圖1（a）的顏色低階矩值如表1所示。

表1 圖1（a）的顏色低階矩值

由表1的顏色特征值分析可得到，顏色一階矩顯示圖2（c）較亮些；顏色二階矩顯示圖2（b）灰度分布不均勻；顏色三階矩顯示圖2（b）灰度偏亮，與圖2（a）和（c）的灰度值偏斜方向相反。直方圖的橫軸表示亮度，從左至右由暗到亮，共256級；縱軸代表圖像中處于該亮度范圍的像素的相對數量。當各圖像的顏色直方圖具有相同概率分布特征時，顏色低階矩值會相同，給圖像特征區分造成困難，如下基于直方圖特征對統計矩值進行修訂。

若直方圖中各分量對應的像素數量不同，則直方圖所對應的離散面積也不同。定義直方圖離散面積，并構造加權函數λ1(p)=1+（其中m為實驗比較的直方圖個數），該加權函數整體考慮了直方圖各分量所對應的像素數量值。由于像素數量值的順序統計量所對應的分量順序在全體圖像分量中可以采用冒泡排序方法構造出一個排列，不同直方圖的排列可能不同。由顏色矩特性可得排列前后不改變顏色矩，記構造排列各分量移動總次數為Ci，由此構造加權函數λ(p)=1+，該加權函數考慮了直方圖各分量2得到位置。不同直方圖的峰值個數可能會有所差異，記滿足pi-1

其中，β1、β2、β3?［0，1］為權系數，且β1+β2+ β3=1，β1<β2<β3。改進的圖像顏色矩可表示為：′=λ(p)μ，σ′=λ(p)σ，s′=λ(p)s。

2.2 分類識別系統的程序設計

圖像預處理：圖像預處理質量的優劣對特征的提取有著重要的作用，其過程包括背景分割、圖像二值化、去除雜點、圖像填補、腐蝕膨脹、圖像分割等，是識別系統初級階段的重要組成部分。系統部分圖像處理結果如圖4所示。

特征提取：系統以提取顏色特征為主要識別特征，為保證提高系統識別精度，使系統具有較強的通用性，另提取形狀特征中的偏心率特征進行識別。由圖4（a）得到的顏色直方圖如圖5所示。

系統識別結果：K近鄰分類器識別。

為解決不同種動物毛色間存在相似度導致的類別特征閾值范圍存在交叉和重疊的問題，并提高分類的準確率，選取K最近鄰識別方法。該方法無需訓練過程，簡單可靠。將樣本集圖片計算得到的每幅圖像的特征數值表示成向量形式，并標記所屬類別，記為Sample={(x1，y1)，(x2，y2)，…，(xm，ym)}，其中，xi為向量，xj為標記類別。使用歐氏距離判斷相似程度，即

取K值為5，根據距離度量在訓練集Sample中找出與測試樣本t距離最近的5個點，記為集合O5（s），判斷t所屬類別y：

其中，I(yi=cj)為示性函數，括號內等式成立其值為1，否則值為0。即判斷在集合O5（s）中哪種類別占的最多，則判定測試樣本屬于哪一類。

3 實驗仿真結果

實驗在MatlabR2014a的實驗環境下，選取5種動物圖片，分別為大象、狗、馬、貓、青蛙，每種80幅，共400幅。每種動物的40幅圖像作為樣本集進行特征提取的計算，另40幅圖像進行識別實驗。采用了HSV顏色空間，求取顏色直方圖，并分別以改進的顏色低階矩和結合圖像偏心率的綜合特征為特征值構造特征矩陣，以歐氏距離的K近鄰識別方法對測試圖像進行分類和識別。模擬仿真得到分類結果，驗證基于顏色特征識別動物圖片算法的有效性，比較組合特征與單一特征識別結果準確率的差異。定義分類準確率為：A=C/T，其中C為正確分類的動物圖像的個數，T為測試動物圖像的總數。識別結果如表2所示。

表2 仿真實驗結果

實驗結果分析表明，基于顏色特征的動物圖像識別平均正確識別率可達89%，平均識別時間為0.2692s；綜合幾何特征后，正確識別率可達91.5%，識別時間為0.2588s。即顏色特征對動物圖像分類識別是有效的特征，將多種特征結合的分類識別可提高分類準確率并減少識別所需時間。對于形狀差異明顯的動物種類，綜合特征后對檢測效果提升的有效性更大。由于實驗選取樣本數量不夠完備，訓練結果有一定的局限性。如圖6構建GUI界面直觀地展示仿真系統識別效果。

4 結語

隨著數字影像技術和生態文明的發展，依據動物數字圖像識別出動物種類的方法具有實用與推廣價值。本文提出了一種利用動物圖像的顏色特征對其進行分類識別的方法。該文章的創新點在于巧妙地根據顏色直方圖的特點調整了顏色統計矩，使圖像間的差異描繪更加明顯，并比較了增加其他類別特征時，識別算法效率的改變。通過對顏色空間的選擇、顏色特征得提取，運用K近鄰方法并結合圖像處理技術構建了仿真系統。實驗結果分析表明，該識別方法可用于不同種類的動物圖片的分類識別，特征組合能提高識別和分類準確率。

［1］曾陳穎.面向珍稀野生動物保護的圖像監測與識別技術研究［D］.北京：北京林業大學，2015.［2］SPINK A J，TEGELENBOSCH R A，BUMA M O，et al.The EthoVision video tracking system--a tool for be?havioral phenotyping of transgenic mice.［J］.Physiology& Behavior，2001，73（5）：731-744.

［3］CRAWLEY JN.Exploratory behaviormodelsofanxiety in m ice.［J］.Neuroscience&Biobehavioral Reviews，1985，9（1）：37-44.

［4］張國學，車立忱，尹成美，等.動物防疫監督管理遠程監控系統設計［J］.現代畜牧獸醫，2005（9）：28-30.

［5］張志斌，羅錫文，臧英，等.基于顏色特征的綠色作物圖像分割算法［J］.農業工程學報，2011，27（7）：183-189.

［6］王衛，陳繼榮，徐璟業.基于顏色特征的車牌快速定位［J］.計算機工程與應用，2006，42（1）：226-229.

［7］楊斌，馬瑞升，何立，等.基于顏色特征的遙感圖像中煙的識別方法［J］.計算機工程，2009，35（7）：168-169.

［8］孫君頂.圖像特征提取與檢索技術［M］.北京：電子工業出版社，2015.

［9］吳富寧，楊子彪，朱虹，等.基于顏色特征進行農作物圖像分類識別的應用研究綜述［J］.中國農業科技導報，2003，5（2）：76-80.

［10］SMITH JR，CHANG SF.Local colorand texture extrac?tion and spatial query［C］//International Conference on Image Processing，1996.Proceedings.IEEE，1996：1011-1014 vol.3.

［11］楊丹.MATLAB圖像處理實例詳解［M］.北京：清華大學出版社，2013.

［12］STRICKER A M A，ORENGOM.Similarity of Color Im?ages［J］.ProceedingsofSPIE，1970，2420：381-392.

Design of Anim als’Recognition and Sim u lation System Based on Color Feature

ZHANG Gongbo GU Yu liang ZHU Hegui
（InstitutionsofMathematic，Northeastern University，Shenyang 110004）

To solve the problem of animals’images recognition，a kind of classified method based on their color features is put forward.Themethod takes the advantage ofnature of color histogram and lower statisticalmoment.First，the HSV color space is chosen and the lower statisticalmoment value ismodified based on the nature of color histogram as the characteristic statistic vari?ables.Then the images category is judged through k-nn searchmethod and a simulation system is built.The experiment also com?pares the classified accuracy of combined classwith that of single class.The experiment shows that themethod can classify the ani?mals effectively and averaged class recognition rate reaches 89%.The simulation system is practical and combined class features can improve recognition accuracy and reduce its time to some extent.

animal classification，color feature，colorhistogram，colorstatisticalmoment，K-nnmethod

TP391.41

10.3969/j.issn.1672-9730.2017.05.020

2016年11月7日，

2016年12月20日

國家級大學生創新創業訓練計劃資助項目（編號：201610145014）；中國博士后科學基金資助項目（編號：2016M 591446）；中央高校基本科研業務費（編號：N140503004）；國家自然科學基金青年科學基金資助項目（編號：61402097）資助。作者簡介：張公伯，男，研究方向：應用統計、圖像處理。谷昱良，男，研究方向：圖像處理。朱和貴，男，博士，副教授，研究方向：機器學習、統計建模、圖像處理、多媒體信息安全。