CN112364932B - 一种基于图像特征的拟态度建模***及方法 - Google Patents

一种基于图像特征的拟态度建模***及方法 Download PDF

Info

Publication number
CN112364932B
CN112364932B CN202011313654.1A CN202011313654A CN112364932B CN 112364932 B CN112364932 B CN 112364932B CN 202011313654 A CN202011313654 A CN 202011313654A CN 112364932 B CN112364932 B CN 112364932B
Authority
CN
China
Prior art keywords
mimicry
image
data set
modeling
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011313654.1A
Other languages
English (en)
Other versions
CN112364932A (zh
Inventor
隋涛
冯永新
蒋强
钱博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Ligong University
Original Assignee
Shenyang Ligong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Ligong University filed Critical Shenyang Ligong University
Priority to CN202011313654.1A priority Critical patent/CN112364932B/zh
Publication of CN112364932A publication Critical patent/CN112364932A/zh
Application granted granted Critical
Publication of CN112364932B publication Critical patent/CN112364932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种基于图像特征的拟态度建模***及方法，属于图像处理领域，其中，***包括：拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块；方法包括：根据样本图像，提取特征维度，得到拟态数据集；针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。解决了现有技术中缺少使用拟态度对生物拟态行为进行描述的方法以及使用拟态度进行建模的方法，为研究隐蔽拟态内在规律性提供有效方法。

Description

一种基于图像特征的拟态度建模***及方法
技术领域
本发明属于图像处理领域，具体涉及一种基于图像特征的拟态度建模***及方法。
背景技术
生物拟态现象是生物进化的一种表现，生物的进化是一个很复杂的过程，所有的物种都会随着时间的改变而发生变化，在环境变化影响下，发生变异从而适应自然条件的生物可以生存、发展，而不适应自然条件的生物被淘汰。生物拟态可分为隐蔽拟态和标志拟态两大类。其中隐蔽拟态是广泛存在生物中的一种适应性行为，研究生物进化中的某些行为，生物拟态现象产生的内因和外因是揭示生物进化的重要基础，有利于揭示生物拟态的本质。
然而现有的技术中，并没有使用拟态度对生物拟态行为进行描述的方法，也没有使用拟态度进行建模的方法。
发明内容
针对现有技术的不足，本申请提出一种基于图像特征的拟态度建模***及方法，以解决现有技术中缺少使用拟态度对生物拟态行为进行描述的方法以及使用拟态度进行建模的方法。
第一方面，本申请提出一种基于图像特征的拟态度建模***，包括：拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块；
所述拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块依次顺序相连接；
所述拟态数据集建立模块，用于根据样本图像，提取特征维度，得到拟态数据集；
所述模糊综合评价模块，用于针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；
所述拟态度分析值模块，用于比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
第二方面，本申请提出一种基于图像特征的拟态度建模方法，采用所述的基于图像特征的拟态度建模***实现，包括：
根据样本图像，提取特征维度，得到拟态数据集；
针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；
比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
所述根据样本图像，提取特征维度，包括如下步骤：
选取样本图像；
对所述样本图像进行分割及处理，得到图像特征数据集合；
根据图像特征数据集合提取特征维度，得到拟态数据集。
所述选取样本图像，包括选取单纯背景图像、隐蔽态势图像以及无隐蔽态势图像。
所述对所述样本图像进行分割及处理，得到图像特征数据集合，具体为：
根据所述样本图像的特征，将所述样本图像划分成各具特征的区域；
使得所述区域内部任意两点的连接路径是连续的；
使得区域中所有像素点都满足基于某一特征的相似性准则，提取出基于各个特征的图像特征数据集合。
所述特征包括：颜色特征、灰度特征、纹理特征、边缘特征以及几何特征。
所述颜色特征包括：色度、饱和度、明度。
所述纹理特征包括：对比度、相关性、熵、平稳度、二阶矩(能量)、角点。
所述灰度特征指灰度直方图中的灰度峰值。
所述根据图像特征数据集合提取特征维度，得到拟态数据集，具体为：
在所述图像特征数据集合中选择与拟态度规律一致的特征，称为特征维度，集合所有特征维度，得到拟态数据集。
所述针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值，具体为：
根据拟态数据集，确定评价对象的因素论域；
确定评语等级论域，确定评价值与评价因素值之间的函数关系即为隶属度函数；
根据因素论域，建立模糊关系矩阵；
确定评价因素的权向量；
根据模糊关系矩阵以及评价因素的权向量合成模糊综合评价结果向量；
对所述模糊综合评价结果向量进行分析，得到拟态度分析值。
所述对所述模糊综合评价结果向量进行分析，得到拟态度分析值，具体为：
将所述模糊综合评价结果向量进行加权平均；
将加权平均的结果进行归一化；
针对归一化后的结果，采用隶属度函数或者最大隶属度进行求解，得到拟态度分析值。
有益技术效果：
本申请在借鉴现有的数字图像处理技术基础上，提取拟态数据集，并结合模糊综合评价法对数据特征进行综合评级，得到各特征参量权重，进而得到拟态度评价方法。进一步为研究隐蔽拟态内在规律性，提出生物拟态的拟态度评价模型，分析生物拟态中的拟态度对生物种群的影响。
附图说明
图1本发明实施例的一种基于图像特征的拟态度建模***原理框图；
图2本发明实施例的提取特征维度流程图；
图3本发明实施例的获取图像特征数据集合流程图；
图4本发明实施例的基于模糊综合评价对拟态度进行建模流程图；
图5本发明实施例的获取拟态度分析值流程图；
图6本发明实施例的一种基于图像特征的拟态度建模方法流程图；
图7本发明实施例的三类图像样本示意图；
图8本发明实施例的动力学仿真过程；
图9本发明实施例的动力学仿真结果；
图10本发明实施例的拟态度建模总体方案。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本申请的目的是为研究生物拟态中的隐蔽拟态现象，在借鉴现有数字图像处理的方法，结合生物拟态的外在表现提取其形态、色彩、纹理等特征因素进行量化分析，提出拟态度的概念，利用数学建模的思想，给出拟态效果中各种因素的占比的权重值，并结合提取的特征参量，利用模糊综合评价法给出隐蔽拟态的拟态度判断依据，建立隐蔽拟的拟态度模型，并利用生物动力学模型预测生物拟态度对其种群数量的影响。
拟态是指某些生物在进化过程中形成的外表形状或色泽斑与其它生物或非生物异常相似的现象，是生物适应环境的最为典型的例子。生物拟态的样式繁多，拟态的目的和需求也都不一样。其中隐蔽拟态是生物拟态中最常见的一种拟态方式。
隐蔽拟态建模通过对隐蔽拟态图像进行计算机图像处理建模，得到隐蔽拟态图像特征数据集，然后利用模糊综合评价法对拟态数据集进行特征权重建模，得到相应的拟态度评价，再利用生物动力学模型微分方程和函数关系加以表述，实现对的该物种的种群预测，从而得到拟态度对种群数量的影响，证明了本申请提出的拟态度对种群预测是有效的。
第一方面，本申请提出一种基于图像特征的拟态度建模***，采用所述的基于图像特征的拟态度建模方法实现，如图1所示，包括：拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块；
所述拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块依次顺序相连接；
所述拟态数据集建立模块，用于根据样本图像，提取特征维度，得到拟态数据集；
所述模糊综合评价模块，用于针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；
所述拟态度分析值模块，用于比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
第二方面，本申请提出一种基于图像特征的拟态度建模方法，采用所述的基于图像特征的拟态度建模***，如图6及图10所示，包括：
步骤S1：根据样本图像，提取特征维度，得到拟态数据集；
翠蛱蝶的寄主植物一般常见的就是芒果树，还有漆树科的其他植物的叶子。翠蛱蝶幼虫常见体态体淡绿色，接近寄主植物的颜色。体两侧各长10个荆刺，刺上长毛，前胸1对和腹部末端1对较长，各伸向前面和后面。
选取对应的尖翅翠蛱蝶属幼虫图像，包括具有隐蔽态特征的翠蛱蝶毛毛虫(隐藏在树叶上)的图像和不具有隐蔽拟态的翠蛱蝶毛毛虫(没有树叶的隐蔽背景)的图像；利用图像处理技术，首先进行图像分割及处理，通过把图像分成不同性质的区域，实现提取目标对象的技术，图像分割是机器视觉领域中实现自动图像分析时必须要完成的前期工作。图像分割是根据图像的颜色、灰度、纹理、边缘、几何特征，将图像划分成各具特性的区域，使区域内部任意两点的连接路径是连续的，并且使区域中所有像素点都满足基于一定特征的某种相似性准则。
步骤S2：针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；
模糊综合评价是通过构造等级模糊子集把反映被评事物的模糊指标进行量化(即确定隶属度)，然后利用模糊变换原理对各指标综合。模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合性评价的一种方法。在复杂的***中，需要考虑的因素往往很多，因素还要分成若干层次，形成评判树状结构，对各层次的因素划分评判等级，各层次划分的评判等级数目应相同，上一层次与下一层次划分的评判等级要由单一的对应关系，以便数学处理运算，并确定各因子的隶属函数，求得各层次的模糊矩阵。模糊综合评价方法是模糊数学中应用的比较广泛的一种方法，首先确定被评价对象的因素(指标)集合评价(等级)集；再分别确定各个因素的权重及它们的隶属度向量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权向量进行模糊运算并进行归一化，得到模糊综合评价结果。
利用模糊综合评价是通过构造隐蔽拟态特征等级模糊子集把反映隐蔽拟态的模糊指标进行量化(即确定隶属度)，然后利用模糊变换原理对各指标综合。从颜色、形状、纹理、灰度等多个因素对隐蔽拟态隶属等级状况进行分析，从而对态度评价的一种方法。
步骤S3：比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
所述根据样本图像，提取特征维度，如图2所示，包括如下步骤：
步骤S11：选取样本图像；
在经过多个图像进行样本测试后，建立三类图像样本，分别是单纯背景样本(I类)(即单纯背景图像)，带背景拟态样本(II类)(即隐蔽态势图像)和无背景样本(III类)(即无隐蔽态势图像)测试集，从这三类样本分别选取了拟合度分别为拟态不同的九组图像见附图7。
步骤S12：对所述样本图像进行分割及处理，得到图像特征数据集合；
步骤S13：根据图像特征数据集合提取特征维度，得到拟态数据集。
HSV颜色空间图像识别与分析：
从色调、饱和度以及明度三个方面进行特征提取和分析。对附图7通过颜色HSV色度、饱和度、明度提取参数分析如表1。
表1颜色参数特征值
序号 X1 X2 X3
N1 0.015985809 0.054570617 0.022939394
N2 0.003569794 0.03303986 0.031208928
N3 0.004379602 0.012778607 0.080955229
N4 0.008330347 0.291153408 0.005806489
N5 0.006864363 0.369733979 0.123194545
N6 0.007071085 0.07567139 0.08102664
N7 0.038811038 0.111652648 0.133870738
N8 0.041069237 0.037249266 0.041296923
N9 0.079325778 0.028025219 0.004314055
参数定义说明：X1-主色调与色调均值的差值；X2-主饱和度与饱和度均值的差值；X3-主亮度与亮度均值的差值；
N1—N9是选取的样本数据样本1到样本9，可以看出这九组参数组中，主色调与色调均值的差值绝对值与三类拟态度存在一定的规律性，所以在建模选取权值系数时比重较高，主饱和度与饱和度均值的差值和主亮度与亮度均值的差值与拟态度规律不明显，建模选取权值系数时比重较弱。
纹理特征、形状特征识别与分析：
从样本图像的对比度、相关性、熵、平稳度以及能量的角度提取特征并获得特征值，在形状特征维度参数提取时选用角点作为衡量标准。同样，对附图7中各个图像通过对纹理、形状等参数提取特征如表2所示。
表2形状及纹理参数特征值
参数定义说明：X4-对比度；X5-相关性；X6-熵；X7-平稳度；X8-二阶矩(能量)；X9-角点数。
通过数据集观测，可以看出这九组参数组中，对比度、熵、平稳度、角点数与拟合度存在一定的规律性，所以系数权重较高，相关性、二阶矩(能量)、与拟合度规律不明显，系数权重赋值较弱。
灰度直方图辅助分析：
灰度直方图是灰度级的函数，它表示图像中具有每种灰度级的象素的个数，反映图像中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率，是图像的最基本的统计特征。灰度直方图表示图像中包括背景，叶子，包含虫子的叶子，叶干等信息，其有各自对应的灰度峰值，如果灰度直方图中峰的个数越少，表示图片中内容越单一，也就是表明拟态程度较高。
所述选取样本图像，包括选取单纯背景图像、隐蔽态势图像以及无隐蔽态势图像。
所述对所述样本图像进行分割及处理，得到图像特征数据集合，如图3所示，具体为：
步骤S121：根据所述样本图像的特征，将所述样本图像划分成各具特征的区域；
步骤S122：使得所述区域内部任意两点的连接路径是连续的；
步骤S123：使得区域中所有像素点都满足基于某一特征的相似性准则，提取出基于各个特征的图像特征数据集合。
所述特征包括：颜色特征、灰度特征、纹理特征、边缘特征以及几何特征。
所述颜色特征包括：色度、饱和度、明度。
所述纹理特征包括：对比度、相关性、熵、平稳度、二阶矩(能量)、角点。
所述灰度特征指灰度直方图中的灰度峰值。
所述根据图像特征数据集合提取特征维度，得到拟态数据集，具体为：
在所述图像特征数据集合中选择与拟态度规律一致的特征，称为特征维度，集合所有特征维度，得到拟态数据集。
利用模糊综合评价是通过构造隐蔽拟态特征等级模糊子集把反映隐蔽拟态的模糊指标进行量化(即确定隶属度)，然后利用模糊变换原理对各指标综合。从颜色、形状、纹理、灰度等多个因素对隐蔽拟态隶属等级状况进行分析，从而对态度评价的一种方法。
所述针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值，如图4所示，具体为：
步骤S21：根据拟态数据集，确定评价对象的因素论域；
定义P个评价指标，即：
X＝{X1,X2,…,Xp}
步骤S22：确定评语等级论域，确定评价值与评价因素值之间的函数关系即为隶属度函数；
针对P个图像特征参数设定评语等级，评语分为m个评价等级，V＝{v1，v2，v3，v4，v5}即5个等级集合。每一个等级可对应一个模糊子集，分别对应{高，较高，中等，较低，低}五个等级分类。
步骤S23：根据因素论域，建立模糊关系矩阵；
在构造了等级模糊子集后，要逐个对被评事物从每个因素xi(i＝1,2,…,10)上进行量化，即确定从单因素来看被评事物对等级模糊子集的隶属度(R|Xi)，进而得到模糊关系矩阵：
矩阵R中第i行第j列元素rij，表示某个被评事物从因素Xi来看对Vj等级模糊子集的隶属度。一个被评事物在某个因素Xi方面的表现，是通过模糊向量(R|Xi)＝(ri1,ri2,…,rim)来刻画的，而在其他评价方法中多是由一个指标实际值来刻画的，因此，从这个角度讲模糊综合评价要求更多的信息。
步骤S24：确定评价因素的权向量；
在模糊综合评价中，确定评价因素的权向量：A＝(a1,a2,……,ap)。权向量A中的元素ai本质上是因素Xi对模糊子集的隶属度。权向量的确定方法：一种方法是由具有权威性的专家及具有代表性的人按因素的重要程度来商定；另一种方法是通过数学方法来确定。现在通常是凭经验给出权重。
步骤S25：根据模糊关系矩阵以及评价因素的权向量合成模糊综合评价结果向量；
利用合适的算子将A与各被评事物的R进行合成，得到各被评事物的模糊综合评价结果向量B。即：
其中b1是由A与R的第j列运算得到的，它表示被评事物从整体上看对vj等级模糊子集的隶属程度。
步骤S26：对所述模糊综合评价结果向量进行分析，得到拟态度分析值。
所述对所述模糊综合评价结果向量进行分析，得到拟态度分析值，如图5所示，具体为：
步骤S261：将所述模糊综合评价结果向量进行加权平均；
步骤S262：将加权平均的结果进行归一化；
步骤S263：针对归一化后的结果，采用隶属度函数或者最大隶属度进行求解，得到拟态度分析值。
实际中最常用的方法是最大隶属度原则，但在某些情况下使用会有些很勉强，损失信息很多，甚至得出不合理的评价结果。提出使用加权平均求隶属等级的方法，然后经过归一化，根据隶属度函数或者最大隶属度进行求解，对于多个被评事物并可以依据其等级位置进行排序。
通过对评判逐对象进行，对被评价对象有唯一的评价值，以最优的评价因素值为基准，其评价值为1；其余欠优的评价因素依据欠优的程度得到相应的评价值，不受被评价对象所处对象集合的影响。可以依据各类评价因素的特征，确定评价值与评价因素值之间的函数关系(即：隶属度函数)。综合评价的目的是要从对象集中选出优胜对象，所以还需要将所有对象的综合评价结果进行排序。
我们以样本N1为例，说明用模糊综合评价法计算拟态度的流程
步骤S21：根据拟态数据集，确定评价对象的因素论域；
通过图像特征分析提取出了翠蛱蝶属毛毛虫图像的10个特征维度用Xi表示，对其生物拟态度作为评价指标：
X＝{X1,X2,…,Xp}
中特征维度参数说明如下：X1-主色调与色调均值的差值绝对值；X2-主饱和度与饱和度均值的差值绝对值；X3-主亮度与亮度均值的差值绝对值；X4-对比度；X5-相关性；X6-熵；X7-平稳度；X8-二阶矩(能量)；X9-角点数；X10-灰度直方图峰值；
步骤S22：确定评语等级论域，确定评价值与评价因素值之间的函数关系即为隶属度函数；
针对10个图像特征参数设定评语等级，评语分为5个评价等级：V＝{v1，v2，v3，v4，v5}即5个等级集合。每一个等级可对应一个模糊子集，分别对应{高，较高，中等，较低，低}五个等级分类。
步骤S23：根据因素论域，建立模糊关系矩阵；根据数据集来对图像参数对单因素模糊评价，得到评判矩阵：
步骤S24：确定评价因素的权向量；
根据图像参数提取数据源，对10个特征维度的权重评判如下：
A＝(a1,a2,a3,…a10)＝(0.3,0.02,0.03,0.2,0.01,0.2,0.1,0.02,0.1)
步骤S25：根据模糊关系矩阵以及评价因素的权向量合成模糊综合评价结果向量；
采用普通矩阵乘法(即加权平均法)计算数组B：
B＝(0.484,0.278,0.1264,0.105,0.043)
对B进行归一化得到：B＝(0.47,0.27,0.12,0.10,0.04)。
步骤S26：对所述模糊综合评价结果向量进行分析，得到拟态度分析值。
依据最大隶属度原则，bmax＝b1＝0.47，为最大值，所以N1的拟态度为高。
基于拟态度评价的生物动力学仿真建模，以证明拟态度的准确性：
在翠蛱蝶发育过程中，不同的明显的形态特征，对于处在发育阶段的种群也会产生不同的影响。以翠蛱蝶幼虫作为研究阶段，研究生物与环境拟合度对于幼虫数量的影响，以此为基础开始种群生命***的模拟过程。研究中构成拟合度作为控制不同拟态度幼虫存活率的主要控制变量。根据幼虫与环境的拟合度之间的相互关系、相互制约关系及其动态变化特征，利用STELLA软件构建相应的模型，绘制出相应的流图，如图8所示。
1)捕食者和猎物关系的数学模型
描述捕食者和猎物相互关系的第一个典型模型是Lotka和Volterra提出的，他们采用了下面一组联立微分方程：
其中x和y分别代表猎物和捕食者的种群密度，f和g分别代表猎物的生殖率和因捕食而导致的死亡率；u和v分别代表捕食者的生殖率和死亡率。
更详细的描述则有：
其中的b和d是猎物在无捕食情况下的出生率和死亡率，a是捕食者的搜寻效率，c是捕食者因生殖而对猎物的消耗效率。e是捕食者的死亡率。
该模型建立的基本前提条件是：
猎物种群在无捕食者存在时将呈指数增长；
捕食者种群在无猎物存在时将呈指数下降；
捕食者采用随机搜寻方式，并对遇到的猎物具有无限攻击能力；
因捕食而获得的能量可导致有更多的捕食者出生。
表3参数模型
表4参数取值
通过仿真结果如图9所示，可以明显看出，拟态度越高的虫子，在外因上从颜色、形状特征、纹理等方面与周围环境取得相似度较高的背景色，拟态效果大大降低的其天敌的发现概率，在猎物和捕食者模型里表现出拟态降低了捕食者的搜寻效率，说明了生态***中处于食物链下方的生物要想提高种群的数量，只能让自己去不断进化趋向拟态更加成功的方向，才能保证了种群的数量不至于减少。

Claims (8)

1.一种基于图像特征的拟态度建模***，其特征在于，包括：拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块；
所述拟态数据集建立模块、模糊综合评价模块以及拟态度分析值模块依次顺序相连接；
所述拟态数据集建立模块，用于根据样本图像，提取特征维度，得到拟态数据集；
所述模糊综合评价模块，用于针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值，具体为：根据拟态数据集，确定评价对象的因素论域；确定评语等级论域，确定评价值与评价因素值之间的函数关系即为隶属度函数；根据因素论域，建立模糊关系矩阵；确定评价因素的权向量；根据模糊关系矩阵以及评价因素的权向量合成模糊综合评价结果向量；将所述模糊综合评价结果向量进行加权平均；将加权平均的结果进行归一化；针对归一化后的结果，采用隶属度函数或者最大隶属度进行求解，得到拟态度分析值；
所述拟态度分析值模块，用于比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
2.一种基于图像特征的拟态度建模方法，采用权利要求1所述的基于图像特征的拟态度建模***实现，其特征在于，包括如下步骤：
根据样本图像，提取特征维度，得到拟态数据集；
针对所述拟态数据集，基于模糊综合评价对拟态度进行建模，得到拟态度分析值；
比较所有样本图像的拟态度分析值，所述拟态度分析值最高的即说明对应样本图像中的生物与其环境拟态度最高。
3.如权利要求2所述的基于图像特征的拟态度建模方法，其特征在于，所述根据样本图像，提取特征维度，包括如下步骤：
选取样本图像；
对所述样本图像进行分割及处理，得到图像特征数据集合；
根据图像特征数据集合提取特征维度，得到拟态数据集。
4.如权利要求3所述的基于图像特征的拟态度建模方法，其特征在于，所述选取样本图像，包括选取单纯背景图像、隐蔽态势图像以及无隐蔽态势图像。
5.如权利要求3所述的基于图像特征的拟态度建模方法，其特征在于，所述对所述样本图像进行分割及处理，得到图像特征数据集合，具体为：
根据所述样本图像的特征，将所述样本图像划分成各具特征的区域；
使得所述区域内部任意两点的连接路径是连续的；
使得区域中所有像素点都满足基于某一特征的相似性准则，提取出基于各个特征的图像特征数据集合。
6.如权利要求5所述的基于图像特征的拟态度建模方法，其特征在于，所述特征包括：颜色特征、灰度特征、纹理特征、边缘特征以及几何特征。
7.如权利要求6所述的基于图像特征的拟态度建模方法，其特征在于，所述颜色特征包括：色度、饱和度、明度；所述纹理特征包括：对比度、相关性、熵、平稳度、二阶矩、角点；所述灰度特征指灰度直方图中的灰度峰值。
8.如权利要求3所述的基于图像特征的拟态度建模方法，其特征在于，所述根据图像特征数据集合提取特征维度，得到拟态数据集，具体为：
在所述图像特征数据集合中选择与拟态度规律一致的特征，称为特征维度，集合所有特征维度，得到拟态数据集。
CN202011313654.1A 2020-11-20 2020-11-20 一种基于图像特征的拟态度建模***及方法 Active CN112364932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011313654.1A CN112364932B (zh) 2020-11-20 2020-11-20 一种基于图像特征的拟态度建模***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011313654.1A CN112364932B (zh) 2020-11-20 2020-11-20 一种基于图像特征的拟态度建模***及方法

Publications (2)

Publication Number Publication Date
CN112364932A CN112364932A (zh) 2021-02-12
CN112364932B true CN112364932B (zh) 2024-02-02

Family

ID=74533064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011313654.1A Active CN112364932B (zh) 2020-11-20 2020-11-20 一种基于图像特征的拟态度建模***及方法

Country Status (1)

Country Link
CN (1) CN112364932B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108256761A (zh) * 2018-01-15 2018-07-06 中国人民解放军陆军装甲兵学院 顶置武器站灰色模糊综合评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108256761A (zh) * 2018-01-15 2018-07-06 中国人民解放军陆军装甲兵学院 顶置武器站灰色模糊综合评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于模糊综合评价的民机虚拟维修训练评估;王守敏;孙有朝;;飞机设计(第06期);全文 *
融合滤子技术的拟态物理学算法及其应用;张建新;张宏立;;计算机仿真(第07期);全文 *

Also Published As

Publication number Publication date
CN112364932A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
Al-Hiary et al. Fast and accurate detection and classification of plant diseases
Al Bashish et al. A framework for detection and classification of plant leaf and stem diseases
CN111553240B (zh) 一种玉米病害病情分级方法、***和计算机设备
CN106446942A (zh) 基于增量学习的农作物病害识别方法
Dey et al. Automatic detection of whitefly pest using statistical feature extraction and image classification methods
CN111832642A (zh) 一种基于vgg16在昆虫分类学上的图像识别方法
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
Arumugadevi et al. Color image segmentation using feedforward neural networks with FCM
Sabri et al. Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing
Pramunendar et al. A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment.
CN115578660A (zh) 基于遥感图像的土地地块分割方法
Marcos et al. Coffee leaf rust detection using genetic algorithm
CN112364932B (zh) 一种基于图像特征的拟态度建模***及方法
Suwarningsih et al. Ide-cabe: chili varieties identification and classification system based leaf
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别***和方法
CN115511838A (zh) 一种基于群智能优化的植物病害高精度识别方法
García-Lamont et al. Human mimic color perception for segmentation of color images using a three-layered self-organizing map previously trained to classify color chromaticity
CN114548291A (zh) 基于mr-cnn算法的生态生物识别方法
Jodas et al. Deep Learning Semantic Segmentation Models for Detecting the Tree Crown Foliage.
Shedthi B et al. Detection and classification of diseased plant leaf images using hybrid algorithm
García-Lamont et al. Segmentation of color images by chromaticity features using self-organizing maps
Chaugule et al. Seed technological development—a survey
Bharti et al. Detection and classification of plant diseases
Hosseini et al. Identify fungal diseases of cucumber (Powdery Mildew and Anthracnose) using image processing and artificial neural network approach
Tandrio et al. Prediction of Glucose Content and Level of Tomato Maturity with Backpropagation Based on Image Vector Feature

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant