Materials and methodsButterfly wing

Materials and methods
Butterfly wing images
We used images of 268 specimens from seven butterfly species:
Dilipa fenestra(33), Graphium sarpedon(57), Libythea celtis (30),
Luehdorfia puziloi(50),Papilio maackii(31),Papilio xuthus(33), and
Parantica sita (34) (see Fig. 1). Each image had a resolution of
760×507 pixels and was in RGB color. We focused attention on the
shape of the butterfly's wing. Thus, the left wing of each specimen
was segregated from the original image and transformed to a binary
image with a resolution of 379×567 pixels. Each image pixel was
described by a value of 1 (black) or 0 (white) (seeFig. 2B) using the
image processing tool provided by MATLAB ver. R2007a. The Prewitt
edge detection algorithm (Gonzalez and Woods, 2002) was then used
to obtain an image of the boundary shape of the left wing from the
corresponding binary image (seeFig. 2C).
A database of boundary shape images was used to train the species
identification system and to assess the validity of our method to
identify the species of an input specimen. Two-thirds of the image
collection was used as the training data. The remaining one-third was
used as the validation data set.
Feature extraction
Lee (2010)andLee et al. (2010, 2011)proposed a novel method
based on BLS entropy for recognizing object shapes. This entropy was
defined on a simple branch network consisting of a single node and
its branches (see Fig. 3). This simple network was called the unit
branch network (UBN). The BLS entropy, s, can be defined as
s¼−
Pn
i¼1
pi log pi
ðÞ=log n ðÞ. Here, the probability of the i-th branch of
the UBN is defined aspi ¼l
i=
Pn
k¼1
l
k, where nis the number of branches
in the UBN and lkis the length of the k-th branch (k=1, 2, 3,…, n).
The denominator, log (n), is introduced to normalize the entropy.
We extracted 360 pixels that were evenly distributed along the
boundary shape of the binary wing shapes according to the following
procedure.
Step 1. Choose the pair of pixels farthest from one another (denoted
byxt andxbinFig. 4A, respectively) in the boundary. Find the
pointxcthat divides linext–xbinto equal segments.
Step 2. Select two boundary regions (depicted by red inFig. 4A) that
are within 20% of the distance of linext–xbabove and below
the line that contains the pointxcand is perpendicular to line
xt–xb.
Step 3. Choose a pair of pixels closest to one another,xl and xr
,
between the two boundaries selected in step 2. Find the point
xothat divides the linexl–xr
into equal segments.

ผลลัพธ์ (ไทย) 1:

วัสดุและวิธีการรูปปีกผีเสื้อเราใช้ภาพ specimens 268 จากเจ็ดผีเสื้อพันธุ์:Dilipa fenestra(33), Graphium sarpedon(57), Libythea celtis (30),Luehdorfia puziloi (50), Papilio maackii (31), Papilio xuthus(33) และParantica สิตา (34) (ดู Fig. 1) แต่ละภาพมีความละเอียดของ760 × 507 พิกเซลและสี RGB เรามุ่งเน้นความสนใจในการรูปร่างของปีกของผีเสื้อ ดังนั้น ทางปีกซ้ายของแต่ละแยกจากภาพต้นฉบับ และเปลี่ยนการไบนารีภาพ มีความละเอียดของ 379 × 567 พิกเซล แต่ละพิกเซลของรูปภาพได้โดยค่า 1 (สีดำ) หรือ 0 (สีขาว) (seeFig. 2B) ใช้การรูปภาพของเครื่องมือโดย MATLAB ไม่ R2007a การประมวลผล Prewittจากนั้นใช้ขอบตรวจสอบอัลกอริทึม (Gonzalez และป่า 2002)เพื่อให้ได้รูปทรงปีกซ้ายจากขอบเขตตรงฐานรูป (seeFig 2C)รูปร่างขอบเขตของฐานข้อมูลใช้รถไฟสายพันธุ์ระบบการระบุ และประเมินถูกต้องของวิธีการของเราระบุชนิดของการป้อนข้อมูล สองในสามของภาพคอลเลกชันถูกใช้เป็นข้อมูลการฝึกอบรม มีที่เหลือหนึ่งในสามใช้เป็นชุดข้อมูลตรวจสอบแยกลักษณะการทำงานลี (2010) andLee et al. (2010, 2011) เสนอวิธีนวนิยายตาม BLS เอนโทรปีสำหรับการจดจำรูปร่างของวัตถุ เอนโทรปีนี้ได้กำหนดบนเครือข่ายเรื่องสาขาประกอบด้วยโหนเดียว และสาขา (ดูที่ Fig. 3) เครือข่ายนี้ได้ถูกเรียกว่าหน่วยเครือข่ายสาขา (UBN) BLS เอนโทรปี s สามารถกำหนดเป็นs¼−Pni¼1พี่ปิล็อกðÞ =ðÞ n ล็อก ที่นี่ ความเป็นไปได้ไอสาขาของUBN เป็น ¼l aspi กำหนดฉัน =Pnk¼1lk ที่นิสจำนวนสาขาUBN และ lkis ความยาวของสาขา k th (k = 1, 2, 3,..., n)มีการแนะนำตัวหาร ล็อก (n), จะทำให้ปกติเอนโทรปีเราสกัด 360 พิกเซลที่ได้กระจายอย่างสม่ำเสมอตามร่างขอบเขตของรูปทรงปีกไบนารีตามขั้นตอนการขั้นตอนที่ 1 เลือกคู่ของพิกเซล farthest from กัน (สามารถบุbyxt andxbinFig 4A ตามลำดับ) ในขอบเขต ค้นหานี้pointxcthat แบ่งเซ็กเมนต์เท่า linext – xbintoขั้นตอนที่ 2 เลือกภูมิภาคเขต 2 (แสดง ด้วยสีแดง inFig 4A) ที่ภายใน 20% ของระยะห่าง ของ linext – xbabove และด้านล่างบรรทัดที่ประกอบด้วย pointxcand มีเส้นบรรทัดxt-xbขั้นตอนที่ 3 เลือกคู่เคียงกัน xl และ xr พิกเซล,ระหว่างขอบเขตสองที่เลือกไว้ในขั้นตอนที่ 2 ค้นหาจุดxothat แบ่ง linexl – xrในเซกเมนต์เท่านั้น

ผลลัพธ์ (ไทย) 2:

วัสดุและวิธีการ
รูปปีกผีเสื้อ
เราใช้ภาพของ 268 ตัวอย่างจากเจ็ดชนิดผีเสื้อ:
Dilipa หน้าต่าง (33), Graphium Sarpedon (57), Libythea celtis (30),
Luehdorfia puziloi (50), ผีเสื้อ maackii (31), ผีเสื้อ xuthus ( 33) และ
Parantica อยู่ (34) (ดูรูปที่ 1). ภาพแต่ละภาพมีความละเอียด
760 × 507 พิกเซลและอยู่ในสี RGB เรามุ่งเน้นความสนใจไปที่
รูปร่างของปีกผีเสื้อ ดังนั้นปีกซ้ายของแต่ละชิ้นงานที่
ถูกแยกออกจากภาพเดิมและเปลี่ยนเป็นเลขฐานสอง
ภาพที่มีความละเอียดของ 379 × 567 พิกเซล พิกเซลภาพแต่ละภาพได้รับการ
อธิบายโดยค่า 1 (สีดำ) หรือ 0 (สีขาว) (seeFig. 2B) โดยใช้
เครื่องมือการประมวลผลภาพให้โดย MATLAB เวอร์ชั่น R2007a Prewitt
ขั้นตอนวิธีการตรวจหาขอบ (อนซาเลซและวูดส์ 2002) ได้ถูกนำมาใช้
เพื่อให้ได้ภาพของรูปร่างเขตแดนของปีกซ้ายจาก
ภาพไบนารีที่สอดคล้องกัน (seeFig. 2C).
ฐานข้อมูลของภาพรูปร่างเขตแดนถูกนำมาใช้ในการฝึกอบรมสายพันธุ์
ระบบการระบุและประเมินความถูกต้องของวิธีการของเราที่จะ
ระบุชนิดของชิ้นงานที่มีการป้อนข้อมูล สองในสามของภาพ
คอลเลกชันที่ใช้เป็นข้อมูลการฝึกอบรม ส่วนที่เหลืออีกหนึ่งในสามถูก
นำมาใช้เป็นข้อมูลในการตรวจสอบชุด.
คุณลักษณะสกัด
ลี (2010) andLee และคณะ (2010, 2011) ได้เสนอวิธีการใหม่
ขึ้นอยู่กับเอนโทรปี BLS การตระหนักถึงรูปทรงของวัตถุ เอนโทรปีนี้ถูก
กำหนดไว้ในเครือข่ายสาขาที่เรียบง่ายประกอบด้วยโหนดเดียวและ
กิ่งก้านของมัน (ดูรูปที่. 3) เครือข่ายนี้ง่ายที่เรียกว่าหน่วย
เครือข่ายสาขา (UBN) เอนโทรปี BLS, S, สามารถกำหนดเป็น
s¼-
Pn
i¼1
ล็อกปี่ปี่
DTH = n ล็อก DTH นี่น่าจะเป็นของสาขาที่ i ของ
UBN ถูกกำหนด aspi ¼l
i =
Pn
k¼1
ลิตร
k ที่ NIS จำนวนสาขา
ใน UBN lkis และความยาวของสาขา k-th (k = 1, 2, 3, ... , n).
ส่วนเข้าสู่ระบบ (n) เป็นที่รู้จักที่จะปรับเอนโทรปี.
เราสกัด 360 พิกเซลที่มีการกระจายอย่างเท่าเทียมกันตาม
รูปร่างขอบเขตของรูปทรงปีกไบนารีตามต่อไปนี้
ขั้นตอน.
ขั้นตอนที่ 1. เลือก คู่ของพิกเซลที่ไกลที่สุดจากคนอื่น (แสดง
byxt andxbinFig. 4A ตามลำดับ) ในขอบเขต ค้นหา
pointxcthat แบ่ง linext-xbinto ส่วนเท่ากัน.
ขั้นตอนที่ 2 เลือกสองภูมิภาคเขตแดน (ภาพสีแดง inFig. 4A) ที่
อยู่ใน 20% ของระยะทางของ linext-xbabove และด้านล่าง
บรรทัดที่ประกอบด้วย pointxcand จะตั้งฉากกับเส้น
XT -xb.
ขั้นตอนที่ 3. เลือกคู่ของพิกเซลที่ใกล้เคียงที่สุดกับอีกคนหนึ่ง, XL และ XR
,
ระหว่างสองขอบเขตที่เลือกไว้ในขั้นตอนที่ 2 หาจุด
xothat แบ่ง linexl-XR
เป็นส่วนเท่ากัน

ผลลัพธ์ (ไทย) 3:

วัสดุและวิธีการ

เราใช้ภาพปีกผีเสื้อภาพ 268 ตัวอย่าง จากเจ็ดชนิดผีเสื้อ :
dilipa หน้าต่าง ( 33 ) graphium ซาปิดอน ( 57 ) , libythea ศรี ( 30 ) ,
luehdorfia puziloi ( 50 ) papilio maackii ( 31 ) papilio ซูธัส ( 33 ) ,
parantica สีดา ( 34 ) และ ( ดูรูปที่ 1 ) ภาพแต่ละภาพ มีความละเอียดของพิกเซล
760 × 507 และอยู่ใน RGB สี เรามุ่งเน้นความสนใจเกี่ยวกับ
รูปร่างของผีเสื้อปีกดังนั้น ทางปีกซ้ายของแต่ละตัวอย่าง
ถูกแยกจากภาพต้นฉบับและแปลงภาพไบนารี
ด้วยความละเอียด× 379 581 พิกเซล ภาพแต่ละพิกเซลจะถูกอธิบายโดยค่า
1 ( สีดำ ) หรือ 0 ( สีขาว ) ( seefig . 2B ) โดยใช้การประมวลผลภาพ MATLAB เครื่องมือ
โดย Ver . r2007a . พรูต
ขอบการตรวจสอบขั้นตอนวิธี ( กอนซาเลซและป่า , 2002 ) จากนั้นใช้
เพื่อให้ได้ภาพขอบเขตของรูปร่างของปีกซ้ายจาก
ภาพไบนารีที่สอดคล้องกัน ( seefig . 2 ) .
ฐานข้อมูลภาพขอบเขตรูปทรงใช้รถไฟชนิด
ตัวระบบ และประเมินความถูกต้องของวิธีการของเรา

ระบุชนิดของ input ตัวอย่าง สองในสามของภาพคอลเลกชัน
ถูกใช้เป็นข้อมูลการฝึกอบรม หนึ่งในสามที่เหลือคือ
ใช้ในการตรวจสอบข้อมูลการตั้งค่า .

การสกัดคุณลักษณะลี ( 2010 ) andlee et al . ( 2010 , 2011 ) ได้เสนอวิธีใหม่
ตาม BLS เอนโทรปีที่จำรูปร่างวัตถุ เอนโทรปีนี้
นิยามบนง่ายเครือข่ายสาขาประกอบด้วยโหนดเดียว
กิ่ง ( ดูรูปที่ 3 ) เครือข่ายอย่างง่ายนี้ถูกเรียกว่าหน่วย
เครือข่ายสาขา ( UBN ) BLS เอนโทรปี , S , สามารถกำหนดเป็น
s

ผม¼− PN ¼ 1
pi pi
เข้าสู่ระบบðÞ = log n ðÞ . ที่นี่คือ ความน่าจะเป็นของ i-th สาขา
L
¼ ASPI UBN กำหนด =
PN

L
k k ¼ 1 ซึ่งเป็นหมายเลขของสาขา
ใน lkis UBN และความยาวของ k-th สาขา ( k = 1 , 2 , 3 , . . . , n )
ส่วน log ( n ) คือระบบปกติเอนโทรปี .
เราสกัด 360 พิกเซลที่กระจายตัวไปตามรูปร่างของปีกที่ไบนารี
ขอบเขตรูปร่างตาม

ขั้นตอน ขั้นตอนที่ 1 เลือกคู่ของพิกเซลที่ไกลจากคนอื่น ( แทน
byxt andxbinfig . 4A ตามลำดับ ) ในขอบเขต ค้นหา
pointxcthat แบ่ง linext – xbinto เท่ากับกลุ่ม .
ขั้นตอนที่ 2 เลือกสองเขตแดนภูมิภาค ( ภาพโดย infig สีแดง 4 )
ภายใน 20 % ของระยะทางของ linext – xbabove และด้านล่าง
บรรทัดที่มี pointxcand ตั้งฉากกับเส้นและสี

XT . ขั้นตอนที่ 3เลือกพิกเซลใกล้คู่ของกันและกัน และ 9000 XL

ระหว่างสองตัวที่เลือกไว้ในขั้นตอนที่ 2 หาจุด
xothat แบ่ง linexl – 9000
เป็นส่วนเท่ากัน