一种基于DS多分类器融合的水稻飞虱识别方法（一）技术领域
本发明涉及农业和模式识别技术领域，特别涉及一种基于DS多分类器融合的水稻飞虱
识别方法。
（二）背景技术
水稻是我国重要的粮食作物，水稻飞虱是我国水稻的主要害虫，不同种飞虱对水稻造
成的伤害不同，所以准确识别水稻飞虱种类是防治害虫危害的有效措施。水稻飞虱种类的
识别技术能够解决专业的种类鉴定需求日益增加与鉴定人员相对缩减之间的矛盾，有较广
阔的应用前景。传统的水稻飞虱识别方法通常只有一个分类器来进行识别，这就导致仅仅
依靠一个分类器是很难达到较高的识别率，因此提高水稻飞虱识别准确率是目前亟待解决
的问题。
（三）发明内容
本发明为了弥补现有技术的不足，提供了一种处理多角度水稻飞虱变化情况准确率较
高的基于DS多分类器融合的水稻飞虱识别方法。
本发明是通过如下技术方案实现的：
一种基于DS多分类器融合的水稻飞虱识别方法，包括如下步骤：
（1）对现有的水稻飞虱图像灰度化，再采用中值滤波进行滤波，然后对图像进行二值
化，并结合形态学开运算，提取出水稻飞虱的中胸背板图像；
（2）提取水稻飞虱的中胸背板图像的Tamura纹理特征；
（3）将水稻飞虱的中胸背板图像分为两组，一组为训练集，一组为测试集；
（4）根据训练集中水稻飞虱的中胸背板图像特征提取后的特征创建神经网络分类器和
支持向量机分类器，将测试集中水稻飞虱的中胸背板图像特征提取后的特征代入已经创建
的神经网络和支持向量机分类器，最后采用DS融合的方法对结果进行融合，根据分类器融
合结果判断该水稻飞图像属于哪一类。
本发明的更优技术方案为：
步骤（1）中，所述现有的水稻飞虱图像有三类，分别为白背飞虱、灰飞虱和褐飞虱，每类
图像选取水稻飞虱的各个角度，即0度、30度、60度、90度、120度、150度和180度，所有角度都
是水稻飞虱头部与水平轴线的夹角；所述形态学开运算采用圆盘结构元素。
步骤（2）中，所述Tamura纹理特征包括粗糙度、对比度和方向度特征，将上述三个
特征进行归一化处理，归一化方法采用离差标准化。
步骤（4）中，建立的分类器用BP神经网络，支持向量机的核函数选用径向基核函
数；选用DS方法对BP神经网络和支持向量机决策结果融合，在融合前对神经网络分类器和
支持向量机分类器的决策结果进行归一化，归一化方法用离差标准化，然后根据融合后的
结果进行分类判别。
本发明步骤简单，操作方便，应用灵活，可处理多角度水稻飞虱变化情况，提高其
识别准确率，能够克服单一分类器的不足，适于广泛推广应用。
（四）附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的训练分类器的操作步骤示意图；
图2为本发明测试样本类别的判别过程示意图；
图3为本发明白背飞虱的多角度图像示意图；
图4为本发明提取的白背飞虱、灰飞虱和褐飞虱的中胸背板示意图。
（五）具体实施方式
实施例：
基于DS多分类器融合的水稻飞虱识别方法，其具体方法如下：
（1）水稻飞虱图像预处理
本发明图像共有三类水稻飞虱图像，一类为白背飞虱，一类为灰飞虱，另一类是褐飞
虱。由于三类飞虱的主要区别在于背部纹理。为了保证水稻飞虱图像检测的准确性，我们需
要对水稻飞虱图像进行预处理，提取每类水稻飞虱图像的水稻飞虱中胸背板。
首先将所有应用的水稻飞虱图像调整为统一大小，转化为灰度图像并且进行中值
滤波，然后二值化，结合形态学开运算提取所有的水稻飞虱图像中胸背板。
（2）水稻飞虱图像特征提取
本发明的水稻飞虱的图像特征提取采取了Tamura纹理特征。1978年Tamura等人在心理
学研究的基础上来研究人类对纹理视觉的感知，并提出了Tamura算法。该算法的6个分量对
应着心理学上纹理特征的6种属性，其中粗糙度、对比度以及方向度这三个分量能够很好的
应用于纹理合成、图像识别等方面。所以本发明的水稻飞虱的图像特征提取采取了Tamura
纹理特征粗糙度、对比度以及方向度这三个分量。其算法如下：
A.粗糙度
①计算图像中大小为2k×2k矩形区活动窗口中每个像素点的亮度均值。其中(x,y)代
表我们选定的图像区域处在整个图像中的位置，g(i,j)是选定区域中第(i,j)点的像素灰
度值，通过k来确定像素的范围。计算公式如下：
A k ( x , y ) = Σ i = x - 2 k - 1 x + 2 k - 1 - 1 Σ j = y - 2 k - 1 y + 2 k - 1 - 1 g ( i , j ) / 2 2 k ; ]]>；
②计算每个像素点在水平和垂直方向上互相不重合的活动窗口之间的平均强度差。见
下式:Ek,h＝|Ak(x+2k-1,y)-Ak(x-2k-1,y)|，Ek,v＝|Ak(x,y+2k-1)-Ak(x,y-2k-1)|。
Ek,h是该像素点水平方向的差值，Ek,v是该像素点垂直方向的差值，根据像素点，能
够找到让E值达到最大的最佳尺寸Sbest的点，见下式，另外k是使在任意方向都能使E值达到
最大时的下标值。
Sbest(x,y)＝2k；
③通过计算整个图像中Sbest的平均值得到粗糙度Fcrs，其中m和n是图像的宽度和高度，
见式：
B.对比度
对比度是指图像中明暗区域中白色和黑色之间的亮度比，像素的差别范围越大对比度
就越大，反之，也是如此。对每个像素的邻域进行计算，得其均值、方差、峰态等统计特性，来
衡量整个图像或者区域中对比度的全局变量。计算公式如式：；
其中σ是图像灰度的标准方差，α4是图像灰度值的峰态，通过α4＝μ4/σ4定义：μ4是四阶
矩均值，σ2是图像灰度值的方差。
C.方向度
方向度描述纹理是如何沿着某方向散布或集中的，它与纹理基元的排列规则和形状的
差异有关。计算方法如下：
①计算各像素处梯度向量的模和方向，见公式： | Δ G | = ( | Δ H | + | Δ V | ) / 2 , θ = tan - 1 ( Δ V / Δ H ) + π 2 . ]]>
其中和的计算分别是通过图像与下列两个算子做卷积。
；。
②把范围分成16等分，在每个等分的小区间内取最大值φ，在每个小区域内
统计与角相对应的大于给定阈值的像素数np。计算全部像素的梯度向量数目并且构
造直方图，此直方图先对的取值范围进行离散化处理，φp是此直方图的峰值的位置
点。最后，图像整体的方向度可以通过下式得到：
F d i r = Σ p n p Σ φ ∈ w p ( φ - φ p ) 2 H D ( φ ) , ]]>
其中，是峰值，wp是谷之间该峰值的范围。这些特征反映了图像方向性排列的一致
度。
（3）水稻飞虱图像识别
本发明使用的是BP神经网络和支持向量机做分类器。先把水稻飞虱图像的提取的
Tamura纹理特征粗糙度、对比度以及方向度，这些特征进行归一化。不同评价指标往往具有
不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲
影响，需要进行数据标准化处理，以解决数据指标之间的可比性。以下是两种常用的归一化
方法：
①min-max标准化
也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数
如下：
，
上式中max为样本数据的最大值，min为样本数据的最小值。
②Z-score标准化方法
这种方法给予原始数据的均值和标准差进行数据的标准化。经过处理的数据符合标准
正态分布，即均值为0，标准差为1，转化函数为：
，
其中为所有样本数据的均值，为所有样本数据的标准差。
将水稻飞虱图像分为两部分，一部分为训练集，一部分为测试集,根据训练集图像
的归一化的Tamura纹理特征粗糙度、对比度以及方向度创建神经网络和支持向量机。本发
明选用BP神经网络。支持向量机核函数选用径向基。然后将测试集图像归一化的Tamura纹
理特征粗糙度、对比度以及方向度代入创建的BP神经网络和支持向量机。将得到的结果同
样进行归一化。
本发明采用Dempster-Shafer（DS）多分类器融合的方法进行水稻飞虱识别分类。
DS多分类器融合的方法的原理如下。
设有L个分类器D＝{D1,D2,…DL}，模式类别有c类W＝{w1,w2,…,wc}。每个分类器输
出是一个c维矢量代表了该分类器对各个类别的支持度Dj(x)＝[dj,1(x),dj,2(x),…,dj,c
(x)]。
我们将所有分类器输出以矩阵的形式给出:
；
DP(x)的第i行表示第i个分类器的输出。分类器融合意味着找到一个能够表示对各个
类别支持度的c维向量D(x)＝[μ1(x),μ2(x),…,μc(x)]；
定义 DT j ( x ) = 1 M j Σ x k ∈ w j D P ( x k ) , ]]>，Mj为wj类的样本数。
Dempster-Shafer分类器融合方法步骤如下：
①是DTj的第i行，Di(x)为DP(x)的第i行，计算接近度Φ，
；
②计算置信度
③计算每一类的支持度
本发明有2个分类器D＝{D1,D2}，模式类别有3类W＝{w1,w2,w3}。每个分类器输出是
一个3维矢量代表了该分类器对各个类别的支持度Dj＝{dj,1,dj,2,dj,3}；我们将所有分类器
输出以矩阵的形式给出。DS分类器融合意味着找到一个能
够表示对各个类别支持度的3维向量D(x)＝[μ1(x),μ2(x),μ3(x)]，然后取其支持度最大值
所属类别为所属于的类别。