野生动物学报 Chine Journal of Wildlife 2021, 42 (2): 452 -459
Chine Journal of Wildlife
驚暑暑暑暑書書書書書蕭殲§詈蠹
飜®®炉滁谶
野生动物学扌艮
鑿i 濛i 濛i 濛i 濛i 濛i 镰
http : //ysdw. paperopen, com
雉鸡亚种种群的图像识别研究
王彪▽王筠"屈军乐2
(1.深圳大学生命与海洋科学学院，深圳，518060；
2.深圳大学光电工程学院，光电子器件与系统重点实验室，深圳，518060)
稿件运行过程
摘要:
收稿日期：2020-09-10
修回日期：2020-11 -26发表日期：2021 -05 -10
关键词：动物学；
生态学； 图形识别；
算法；系统进化学
Key words : Zoology ；
Ecology ；flip flap
miluoImage recognition ；Algorithm ；
Phylogeny
教育学排名中图分类号：Q954； TP391 文献标识码：A
文章编号：
2310-1490 (2021) 02-452-08
雉鸡的亚种众多，在其表型与遗传上具有地理变异。雉鸡的一些亚种适应于不同的
现代大学英语精读5
地理条件(例如：寒带、热带、干旱区、高原)形成了独特的群体形态特征，尤其体现在
we remain雄性个体的羽色图案上。羽色图案的复杂性给雉鸡亚种的人工鉴定带来了挑战，为此,
本研究探索应用图像识别技术对雉鸡亚种进行识别。对3种识别算法：K 近邻分类算 法，概率神经网路和符号分类器进行了比较。通过序列前向选择法、序列后向选择法、
序列浮动前向选择法和序列浮动后向选择法等算法对差异纹理特征进行提取和比较。本 研究对25个雉鸡亚种的高质量博物馆标本的图片进行分析验证。结果表明，目前的图
像识别技术只能识别羽色图案差异较大的5个类群，其中概率神经网路具有最高的雉鸡 亚种识别鉴定效率。
Image Recognition in the Common Pheasantleatherman
(Phasianus colchicus) Subspecies
WANG Biao 12 WANG Yun 1 * QU Junie 2
基金项目：国家自然科学基金(31702013)
第一作者简介：王彪，男，36岁，博士后；主要从事生态学研究。E-mail ： wangbiao@ szu. edu. cn
* 通讯作者：王筠，E-mail : yunw@ szu. edu. cn
(1. College of Life Sciences and Oceanography, Shenzhen University,
Shenzhen, 518060, China ；
2. College of Optoelectronic Engineering, Key Laboratory of Optoelectronic
Devices and Systems of Ministry of Education and Guangdong Province, Shenzhen University, Shenzhen, 518060, China)
Abstract : There are many subspecies of comm o n pheasa n t, and there are geographical variati o ns
in their phe n o t ypes and gen e tics. Some subspecies of common pheasa n t have formed unique
王彪等：雉鸡亚种种群的图像识别研究453
morphological characteristics to adapt to different ,cold,heat,aridity,plateau), which is reflected in the feather color patter n s of male birds.The complexity of feather color pat-terns pos challenges to the manual identification of common pheasant subspecies.For this rea-son,we explored the applicati o n of image recog n ition tech n o l ogy to ide n tify common pheasa n t subspecies.We compared three recog n ition algorithms,viz.K nearest neighbor classificati o n algorithm,probabilistic neural network,and symbol classifier.We extracted various textural features and compared them using algorithms such as quenee forward lection,quenee backward lection,quenee floating forward lection,and quence floating backward lection. We an a lyzed and verified the pictures of high-quality muum specime n s of25comm o n pheasa n t subspecies.The tested image recognition tech n o l ogy identified five groups characterized by large
differe n ces in feather color patter n s.The probabilistic n e ural n e twork yielded the highest ide n tifica-tion efficiency.
雉鸡(Phasianus colchicus)，颈部下方有一圈显著白色环纹，为我国雉科(Phasianidae)中分布最广的鸟类。目前已确定多达31个亚种，一些亚种从表型与遗传上已适应于不同的地理区域(例如：寒带、热带、干旱区、高原等)，从而形成了各具特色的独特群体群体间的差异可能是自然选择、配偶选择、群体历史迁移等共同的影响［2'4］o近年来，动物学家通过形态分类和分子生物学手段对雉鸡亚种的种群类型进行了较为深入的研究［5'6］o例如：Qu等°〕以线粒体DNA(mtDNA)控制区基因1079bp碱基序列为遗传标记，研究了中国雉鸡28个群体的分子生态(将我国雉鸡群体分成3个进化支(clade)，与依形态上划分的“白翅组、准嚼尔组、灰腰组”对应同)。Liu等扩大了取样的范围，对全国13个亚种58个采样点的483个雉鸡样本进行了线粒体DNA控制区和细胞色素b 共1625bp的序列进行了分析，将全国的雉鸡分为7个主要进化支，发现随着适宜的栖息地的扩大，雉鸡群体适应性产生的差异也在各亚种之间的形态上有所体现［9_11］o Kayvanfar等的研究确认了eZegazw亚种的分布范围在中国云南西北部，在所研究的17个亚种中处于基础地位，并且验证了雉鸡可能起源于中国东南部森林的假设氏一⑶。
雉鸡的亚种种群具有分布范围广、群体数量大、扩散能力弱等特点，在漫长的进化历史中，形成了形色各异的亚种羽色图案形态。通过对雉鸡亚种羽色形态进行研究，能够更精准地对其进行亚种分类，
基于宏观形态的类别又可以与微观分子的进化进行比较分析，即可揭示种群遗传格局和历史动态，并能从另一角度理解自然选择、种群历史等对于雉鸡遗传格局及演化的不同影响［14-16\同时，基于形态学的详细分
析可为基因与形态的关联研究(genome-wide association study)提供更多的有用信息却⑷。
雉鸡亚种羽色形态观察大多通过动物学家人眼进行，但有经验的动物识别专家往往需要多年的经验积累。对于雉鸡这样分布广、数量大、亚种形态复杂易混的物种来说，识别准确难以实现。随着数码相机等观察设备的更新换代，可以运用图像数字化的技术对光线、角度、环境干扰等多种复杂因素的进行修正，明显提高了野外采集雉鸡羽色形态的图像质量。通过实验室计算机图形的后期数字化分析，可以帮助更好地识别雉鸡亚种，对物种鉴定进行辅佐纠偏。
实现数字图形识别的前提是通过特征提取，将雉鸡图像区域与背景区分出来。因此，需要建立雉鸡羽色数据库，应用已有的信息进行辅助提取。另一方
454野生动物学报Chine Journal of Wildlife2021,42(2):452-459
面，羽毛的样式和颜色受遗传与环境交互影响，是一些具有独特纹理的图案和一些不可描述的特征组合。图像数字化处理：（1）基于像素的分割：利用像素外观作为像素分配标签；（2）基于区域的分
割：主要通过寻找图像之间的边界来将图像分割成区域；（3）基于图像标记的分割：被定义于全局能量函数，但精准度取决于外观和图像梯度的识别［20'21］o特征提取后，需要用数字分类方法对图像进行解析，这是一种基于模板匹配的动物图像监测模型，并可通过基于颜色特征的支持向量机（support vector machine,SVM）对雉鸡的分类特征进行聚类与描述。其中，K近邻分类算法（/^-nearest neighbor）、概率神经网路（probabilistic neural network）和符号分类器（symbolic classifier）是最有效的3种算法［22-26］o本研究通过以上3种算法，对大英博物馆提供的25个雉鸡亚种的标准图片进行识别，探索数字识别在雉鸡亚种鉴定中的可能性。
1材料与方法
本研究的雉鸡亚种外观性状图像取自大英博物馆馆藏标本，共25个亚种，每个亚种2张不同角度的全身数码图片（图1）。对图片的处理包含图像切割、特征提取、特征分析与聚类3个步骤。
图1拍摄自大英博物馆馆藏的雉鸡样品图像
Fig.1Pheasants images taken from the collection of the British Muum
1.1图像分割
chau首先通过TernausNet对图形微切分割出色彩微格，并将其灰白化0〕（图2）。对于原始分割进行赋值
、合并、再切割。在分割中，图像的中心区域被称为目标标记区域，图像的边界称为背景标记区域。对数值矩阵进行标记：标记对象区域、标记背景区域和非标记区域口刃。提取对象轮廓及非标记区域被分配给对象区域或背景区域。1.2特征提取
利用Gabor函数的滤波器微格对数字图像模式进行分析，将有效表征的重复结构进行归纳，在空间域和频率域的联合不确定性之间进行折中［勿。基于频率分析的数学特性通过Gabor函数来进行描述，将空间和频率联合的不确定性最小化。微格分析通过应用同一组尺度和方向选择性的Gabor来完成的a〕。对图像的过滤所应用的二维Gabor函数G（%；y）及其傅
立
王彪等：雉鸡亚种种群的图像识别研究455叶变换G（“；”）可以写成:
g（«,y；A,0,（/r,o-,y）=exp（
式中：波长（入）：以像素为单位指定，大于等于2，不大于输入图像尺寸的五分之一；方向（0）:Gabor函数并行条纹的方向，取值为0到360°；相位偏移（小：取值范围-180。到180°，分别对应中心对称的
(01011100)=128护1）现（俗手+汕
center-on函数和center-off函数；长宽比（了）：空间纵横比，Gabor函数形状的椭圆率。操作程序可在/mhaghighat/gabor获取°
0100100 1111000 0010100 0010101 101010096125114128153121144 4585125139110182124 283453242796914 26286556715693 393453242796114
图2雉鸡样品图像的分割赋值处理过程
Fig.2Process of gmentation and assignment of the pheasant images
1-3特征分析与聚类
通过检测重要特征来减少数据的维度，每个雉鸡图像所使用的特征选择算法分为两类：（1）过滤法：通过矩阵评估和选择特征子集的数据特征，需要滤波器用作图像预处理步骤；（2）包含法：使用机器学习算法的性能来评估每个算法候选特征子集，寻找最优化学习的特征算法。
聚类方式包括：
K近邻分类算法是基于"最近距离（nearest neighbor）"的算法，通过R语言中的yalmpute程序包实现[31-33]o K近邻分类算法采用向量形式测试样本特征，找到每个训练示例的向量的欧氏距离，作为最近距离。随后，将标签分配在测试样本上，利用“平滑”假设，归类聚合相同的微格模块。
概率神经网路是3层结构的前馈网络，来自贝叶斯决策网络（Bayesian network），通过R语言中的PNN 程序实现（/chast/pnn）。它基于训练样本的概率密度函数，使用相似的概率密度函数，针对每个测试向量单独进行计算[34]）o在输人到网络之前对向量进行同一化。隐含层每个分类含一个节点，输出层具有用于每个模式分类的节点。
符号分类器使用提取的Gabor特征作为雉鸡样本的符号表示⑶皿，通过R语言中的symbolicDA程序实现（keii.ue.wroc.pl/symbolicDA）o由于雉鸡羽毛的特征在每个亚组中具有的类内差异较小，区分这些变化较困难。因此使用非常规数据处理，能够更有效地区分并保存数据之间的差异。基于象征特征的算法适应于捕捉变化区间值的特征向量。
2结果
雉鸡亚种图像识别结果显示了分割与特征提取的性能和效率，此步骤结果可直接影响到后面的聚类分
456野生动物学报 Chine Journal of Wildlife 2021, 42 (2) ： 452 -459
析。在提取时，不同的种群呈现出不平衡的数据集。 检测的雉鸡5大亚种类群，包括：黑颈雉鸡(Phasiaw
us colchicus colchicus )、橄榄腰雉鸡(Phasianus colchicus
rabbithole
tarimensis )、灰腰雉鸡(Phasianus colchicus hagenbec- ki)、准格尔雉鸡(P/iasiam ” colchicus mon
golicus )和白 来说，所有模型取得的识别效果并不好，主要在于雉
鸡的羽色过于接近。其中灰腰雉鸡的利用概率神经网 路(PNN)的识别精度最高，为62. 3% o 而橄榄腰雉鸡
和白翅雉鸡则分别利用K 近邻分类算法(KNN)和概率
神经网路(PNN)所获得的识别度最低，仅有20. 5%。
歸黑*
£詡罐產⑴
翅雉鸡(Phasianus colchicus chrysomelas )(图 3 )。总的四级高频词汇
■ 黑颈雉鸡
Black-necked pheasant
□橄榄腰雉鸡
Olive —rumped pheasant
□灰腰雉鸡
Grey —rumped pheasant
isy miyake
■准格尔雉鸡
Kirghiz pheasant
□ 白翅雉鸡
图3 3种识别模型在5个雉鸡亚种集群中的比较
Fig. 3 Comparison of three recognition models in five pheasant subspecies clusters
White —winged pheasant
对完整雉鸡图像数据集的识别包含5大亚种集群
一共25个亚种，但来自各大集群的亚种数目并不平
衡，本研究依然采纳所有亚种图像进行分析验证。结
果表明雉鸡在大的亚种类群中识别度较高。依然是概
率神经网路取得了最好的效果，识别性能从19. 2%到
60. 4%。最简单的模型K 近邻分类算法性能较低。模
型符号分类器也显示了较好的结果。
本研究对图像切割后的灰度微格的识别效率，继 而运用序列前向选择法、序列后向选择法、序列浮动
前向选择法和序列浮动后向选择法等算法，对差异纹
理特征进行提取和聚类，并进行了多重组合验证⑶ 这种验证技术仅适用于K 近邻分类算法、概率神经网
路和符号分类器的基础构架设计。其模型具有预先训
练的权值，本研究的实验结果显示了完整的验证结
果。在数据模拟进行到40%时，数值就已趋于稳定,
平均值稳定为(70.8 ±4.5)，验证了识别结果的可靠
性。
在对雉鸡亚种图像识别的进一步验证中，本研究
将所有亚种图片共50张对应的主要亚种类群进行比
对，5个亚种类别为：黑颈雉鸡、橄榄腰雉鸡、灰腰 雉鸡、准格尔雉鸡和白翅雉鸡。在只考虑不平衡数据
集的验证中，每一类的所有图像样本被拆分为2组: 预测亚种类群与目标亚种类群(表2)。同时，类群的
判别应用了 3种聚类模型。如果有2个以上判定为同
一种，可认定为这一种。结果证明，本研究并没有3
个模型判定为3个不同类群的情况，因此50个实验 图像都被归集到相应的群组之中。其中，3个模型判
定完全一致的占52. 5% o 通过这个3模型联合验证
法，雉鸡亚群的平均识别率已经达到了 70%，最低的
(即对于橄榄腰雉鸡的识别)也在60%。
3分析与讨论
本研究测试了通过羽毛图案对雉鸡亚种类群进行
识别的计算方法，主要依托K 近邻分类(KNN )、概率 神经网路(PNN)和符号分类器3大函数。利用最大区 域合并分割雉鸡图像，从分割图像中提取Gabor 特
征，判别Gabor 特征，然后使用3大算法进行特征选
择。对于所提出的方法的有效性，我们也进行了不同
维度的验证，包括对能采集到图像资料的所有亚种
(共25种)进行了分析，并在交叉验证中混入来自
图
