CN103400147A - 基于图像处理的目标鱼识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于图像处理的目标鱼识别方法及系统，基于图像处理的目标鱼识别方法包括：获取鱼体彩色图像；通过对所述鱼体彩色图像进行图像分割获取目标图像；提取所述目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量；用RBF神经网络对由所述综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。本发明通过图像处理技术快速的自动提取鱼体的颜色、纹理、形状等判断鱼的状况所需特征，并通过RBF神经网络快速识别鱼是否是目标鱼，提高了识别目标鱼的速度。

Description

基于图像处理的目标鱼识别方法及系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的目标鱼识别方法及系统。

背景技术

随着渔业的发展，鱼类养殖业的规模在不断扩大，鱼类养殖的密度也非常大。一方面，一旦爆发鱼病对渔业生产将造成很大的威胁，如何能够快速、准确地对鱼病进行识别对于抑制鱼病的爆发和降低鱼病对渔业生产造成的损失都非常重要；另外，在大规模、高密度的鱼类饲养中，如何快速、准确地找到想要得到的目标鱼也提出了新的研究课题。

现有技术中，对目标鱼的识别主要借助于专家系统。在专家系统中，人工将目标鱼的体表、头部、腮部、腹部、鳞片、鱼鳍、肌肉、内脏等部位的症状、生长水环境等特征提交到专家系统，专家系统将人工提交的相关特征与系统数据库中的信息进行对比判断，给出对照图片、识别过程和识别结果。

根据以上描述可以看出，这种方法需要人工监控鱼的状况，需要人工准确的提供目标鱼的症状信息，不能快速的自动识别目标鱼。

发明内容

（一）要解决的技术问题

本发明的目的是提供一种基于图像处理的目标鱼识别方法与系统，能够快速的自动识别目标鱼。

（二）技术方案

一方面，本发明实施例提供了一种基于图像处理的目标鱼识别方法，包括：

获取鱼体彩色图像；

通过对所述鱼体彩色图像进行图像分割获取目标图像；

提取所述目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量；

用RBF(Radial Basis Function，径向基函数)神经网络对由所述综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

进一步地，所述通过对所述鱼体彩色图像进行图像分割获取目标图像，包括：

将所述鱼体彩色图像自动切割成矩形图像；

通过图像分割自动分离鱼体和背景图像，获得鱼体图像；

通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼腹图像作为目标图像；

进一步地，所述通过图像分割自动分离鱼体和背景图像，获得鱼体图案，包括：

用改进的K均值聚类算法对所述矩形图像进行图像分割，得到分割图像；

用数学形态学算法处理所述分割图像，提取与背景彻底分离的鱼体图像。

进一步地，所述通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼体腹部图像作为目标图像，包括：

用K均值聚类算法对所述鱼体图像进行分割，得到去尾鱼体图像；

通过数据统计得到鱼头和鱼腹的比例，用画圆的方法对去尾鱼体图像按比例切割，得到鱼头和鱼腹图像，将鱼腹图像作为目标图像。

进一步地，所述提取所述目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量，包括：

将所述鱼腹图像进行切割，得到大小相等的N个子图像；

对每一个所述子图像提取基于LBP(Local Binary Patterns，局部二值模式)直方图的纹理特征，将每一个所述子图像纹理特征信息连接起来并归一化，得到每一个所述子图像的纹理特征向量；

对每一个所述子图像提取基于颜色矩的纹理特征，将每一个所述子图像颜色特征信息连接起来并归一化，得到每一个所述子图像的颜色特征向量；

对所述鱼腹图像提取基于不变矩的形状特征，得到所述鱼腹图像的形状特征向量；

将每一个所述子图像的纹理特征向量、颜色特征向量与所述鱼腹图像的形状特征向量分别组成N个综合特征向量。

进一步地，所述用RBF神经网络对由所述综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼，包括：

将所述N个综合特征向量组成综合特征矩阵，将所述综合特征矩阵作为测试集；

获取训练集和测试集的特征矩阵作为神经网络的分类数据；

用RBF神经网络分类器对由综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

另一方面，本发明实施例提供了一种基于图像处理的目标鱼识别系统，包括：

图像获取模块，用于获取鱼体彩色图像；

目标图像获取模块，用于对所述图像获取模块获取的鱼体彩色图像进行图像分割获取目标图像；

特征提取模块，用于提取所述目标图像获取模块获取的目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量；

识别模块，用于用RBF神经网络对由所述特征提取模块输出的综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

（三）有益效果

有上述的技术方案可见，本发明实施例具有如下的有益效果：

本发明实施例中，通过获取鱼体彩色图像用图像处理技术对鱼体彩色图像进行自动分析处理。本发明实施例的方法自动提取鱼体的颜色、纹理、形状等特征，不需要人工观察描述，能够快速获取判断鱼的状况所需特征并通过RBF神经网络快速识别鱼是否是目标鱼，提高了识别目标鱼的速度。

当然，实施本发明的任一产品必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中基于图像处理的目标鱼识别方法的流程图；

图1A是本发明实施例分割出鱼体图像并提取鱼腹部图像作为目标图像的流程图；

图1B是本发明实施例通过图像分割自动分离鱼体和背景图像，获得鱼体图像的算法流程图；

图1C是本发明实施例通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼体腹部图像作为目标图像的算法流程图；

图1D是本发明实施例提取目标图像的颜色特征、纹理特征和形状特征，构成综合特征向量的流程图；

图1E是本发明实施例利用RBF神经网络对病鱼进行识别算法流程图；

图2是本发明一个实施例中基于图像处理的目标鱼识别方法的流程图；

图3是本发明实施例中基于图像处理的目标鱼识别方系统结构示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提出了一种基于图像处理的目标鱼识别方法，其中，该目标鱼例如可以为鲤科鱼类，参见图1，该方法包括：

S101：获取鱼体彩色图像；

S102：通过对鱼体彩色图像进行图像分割获取目标图像；

S103：提取目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量；

S104：用RBF神经网络对由综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

具体地，参见图1A，S102可以通过以下步骤实现：

S1021：将所述鱼体彩色图像自动切割成矩形图像；

S1022：通过图像分割自动分离鱼体和背景图像，获得鱼体图像；

S1023：通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼腹图像作为目标图像；

具体地，参见图1B，S1022可以通过以下步骤实现：

S1022a：用改进的K均值聚类算法对所述矩形图像进行图像分割，得到分割图像；

S1022b：用数学形态学算法处理所述分割图像，提取与背景彻底分离的鱼体图像。

具体地，参见图1C，S1023可以通过以下步骤实现：

S1023a：用K均值聚类算法对所述鱼体图像进行分割，得到去尾鱼体图像；

S1023b：通过数据统计得到鱼头和鱼腹的比例，用画圆的方法对去尾鱼体图像按比例切割，得到鱼头和鱼腹图像，将鱼腹图像作为目标图像。

具体地，参见图1D，S103可以通过以下步骤实现：

S1031：将所述鱼腹图像进行切割，得到大小相等的N个子图像；

S1032：对每一个所述子图像提取基于LBP直方图的纹理特征，将每一个所述子图像纹理特征信息连接起来并归一化，得到每一个所述子图像的纹理特征向量；

S1033：对每一个所述子图像提取基于颜色矩的纹理特征，将每一个所述子图像颜色特征信息连接起来并归一化，得到每一个所述子图像的颜色特征向量；

S1034：对所述鱼腹图像提取基于不变矩的形状特征，得到所述鱼腹图像的形状特征向量；

S1035：将每一个所述子图像的纹理特征向量、颜色特征向量与所述鱼腹图像的形状特征向量分别组成N个综合特征向量。

具体地，参见图1E，S104可以通过以下步骤实现：

S1041：将所述N个综合特征向量组成综合特征矩阵，将所述综合特征矩阵作为测试集；

S1042：获取训练集和测试集的特征矩阵作为神经网络的分类数据；

S1043：用RBF神经网络分类器对由综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

本发明实施例中，通过获取鱼体彩色图像通过图像处理技术对鱼体彩色图像进行自动分析处理，此方法自动提取鱼体的颜色、纹理、形状等特征，能够快速获取判断鱼的状况所需特征并通过RBF神经网络快速识别鱼是否是目标鱼，提高了识别目标鱼的速度。

下面通过一个实施例来详细说明本发明实施例提出了的一种基于图像处理的目标鱼识别方法的实现过程，参见图2，该方法包括：

S201：获取鱼体彩色图像；

S202：将S201中获取的鱼体彩色图像自动切割成800×400的矩形图像；

S203：将S202中得到的800×400的矩形图像信息作为模板；

S204：求取图像的灰度直方图波峰数目m；

S205：计算图像灰度图的OTSU算法分割阈值t；

S206：用改进的K均值聚类算法对矩形图像进行图像分割，得到分割图像，其中，算法的聚类数目为m，初始聚类中心均值稳定在t附近；

S207：用数学形态学算法处理分割图像，提取与背景彻底分离的鱼体图像。

S208：获取S207中得到的鱼体图像信息作为模板；

S209：用K均值聚类算法对鱼体图像进行分割，得到去尾鱼体图像；

S210：通过数据统计得到鱼头和鱼腹比例，用画圆的方法对去尾鱼体图像按比例切割，得到鱼头和鱼腹图像，将鱼腹图像作为目标图像；

S211：将S210中得到的鱼腹图像进行切割，得到32*32大小的N个子图像；

S212：对每一个子图像提取基于LBP直方图的纹理特征，将每一个子图像纹理特征信息连接起来并归一化，得到每一个子图像的纹理特征向量；

S213：对每一个子图像提取基于颜色矩的纹理特征，将每一个子图像颜色特征信息连接起来并归一化，得到每一个子图像的颜色特征向量；

S214：对鱼腹部图像提取基于不变矩的形状特征，得到鱼腹图像的形状特征向量；

S215：将每一个子图像的纹理特征向量、颜色特征向量与鱼腹图像的形状特征向量分别组成N个综合特征向量；

S216：将S215中N幅子图像所提取出的特征向量组合成为N×487维矩阵；

S217：获取训练集和测试集的特征矩阵作为神经网络的分类数据；

S218：用RBF神经网络分类器对由综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

具体的，利用下述步骤提取图像子块的LBP直方图，将子块纹理特征信息连接起来并归一化，构成鱼腹图像的纹理特征，记为T₁～T₂₅₅。

（1）定义n*n的窗口，c为中心像素点，p是中心像素邻域内的点，g为像素点灰度值，以窗口中心像素g_c为阈值；

（2）将窗口中周围像素g_p与g_c比较，若g_p>g_c，则该点位置S_p=1，否则S_p=0；

（3）计算 $g_p^{\′}=S_p{2}^p;$

（4）再计算

得到此像素窗口的LBP值；

（5）重复（1）到（4），计算出原始图像上所有窗口的LBP值，最终得到LBP图像。

具体地，利用下述公式提取子图像的一阶矩、二阶矩和三阶矩，将子图像的颜色特征信息连接起来并归一化，构成鱼腹图像的颜色特征，记为C₁～C₂₂₅。

一阶矩 ${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{i.j}---\left(1\right)$

二阶矩 ${\mathrm{\σ}}_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{i,j}-{\mathrm{\μ}}_i)}^2\right)}^{\frac{1}{2}}---\left(2\right)$

三阶矩 $s_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{i,j}-{\mathrm{\μ}}_i)}^3\right)}^{\frac{1}{3}}---\left(3\right)$

其中，p(i,j)表示彩色图像第i个颜色通道灰度为j的像素出现的概率，N为图像像素个数。

具体地，利用下述公式提取基于不变矩的形状特征，利用下述公式提取图像的七个不变矩，构成形状1×7维特征向量，记为M₁～M₇。

m₁＝η₂₀+η₀₂                  （4）

$m_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}^2---\left(5\right)$

m₃＝(η₃₀-3η₁₂)²+(η₀₃-3η₂₁)²            （6）

m₄＝(η₃₀+η₁₂)²+(η₀₃+η₂₁)²              （7）

m₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+3η₀₃)²]+(η₀₃-3η₂₁)(η₀₃+η₂₁)    （8）

$m_6=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]+4{\mathrm{\η}}_{11}^2({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})({\mathrm{\η}}_{03}+{\mathrm{\η}}_{21})---\left(9\right)$

m₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

                                              （10）

其中，η_pq是图像归一化中心矩。

具体地，利用下述公式建立综合特征向量，构成形状b×487维特征向量。

纹理特征向量Texture=[T₁,T₂,…,T_n]               （11）

颜色特征向量Color=[C₁,C₂,…,C_k]               （12）

形状特征向量Shape＝[m₁,m₂,m₃,m₄,m₅,m₆,m₇]       （13）

综合特征向量Feature=[T₁,T₂,…,T_n,C₁,C₂,…,C_k,m₁,m₂,m₃,m₄,m₅,m₆,m₇]    （14）

其中，n为255，k为225。

具体地，按照如下公式，得到训练集和测试集的特征矩阵。

$\mathrm{Feature}=\left(\begin{array}{cccccccccccc}{T}_{11}& T_{12}& \·\·\·& T_{1n}& C_{11}& C_{12}& \·\·\·& C_{1k}& m_1& m_2& \·\·\·& m_7\\ T_{21}& T_{22}& \·\·\·& T_{2n}& C_{21}& C_{22}& \·\·\·& C_{2k}& m_1& m_2& \·\·\·\·& m_7\\ \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·& \·\\ T_{b1}& T_{b2}& \·\·\·& T_{\mathrm{bn}}& C_{b1}& C_{b2}& \·\·\·& C_{\mathrm{bk}}& m_1& m_2& \·\·\·& m_7\end{array}\right)$

其中，n为255，k为225，训练集的b为500，测试集的b为鱼腹部分切割出的32*32大小的图像子块数目。

本发明实施例还提出了一种基于图像处理的目标鱼识别系统，参见图3，该系统包括：

图像获取模块301，用于获取鱼体彩色图像；

目标图像获取模块302，用于对图像获取模块301获取的鱼体彩色图像进行图像分割获取目标图像；

特征提取模块303，用于提取目标图像获取模块302获取的目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量；

识别模块304，用于用RBF神经网络对由特征提取模块303输出的综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。

可见，本发明实施例具有如下有益效果：

（1）本发明实施例中，通过获取鱼体彩色图像用图像处理技术对鱼体彩色图像进行自动分析处理。本发明实施例的方法自动提取鱼体的颜色、纹理、形状等特征，不需要人工观察描述，能够快速获取判断鱼的状况所需特征并通过RBF神经网络快速识别鱼是否是目标鱼，提高了识别目标鱼的速度。

（2）本发明实施例中，通过图像处理技术自动提取鱼体特征，不需要人工观察描述，能够更加准确的提取鱼体特征，有利于对目标鱼的识别。

（3）本发明实施例中，将鱼体的纹理特征、颜色特征和形状特征综合起来判断鱼的状态，判断的依据更加充分，判断结果更加准确。

（4）本发明实施例中，自动识别目标鱼，提高了识别的效率，节省了人力和时间。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后需要说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于图像处理的目标鱼识别方法，其特征在于，包括： 

获取鱼体彩色图像； 

通过对所述鱼体彩色图像进行图像分割获取目标图像； 

提取所述目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量； 

用RBF神经网络对由所述综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。 

2.根据权利要求1所述的方法，其特征在于，所述通过对所述鱼体彩色图像进行图像分割获取目标图像，包括： 

将所述鱼体彩色图像自动切割成矩形图像； 

通过图像分割自动分离鱼体和背景图像，获得鱼体图像； 

通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼腹图像作为目标图像。 

3.根据权利要求2所述的方法，其特征在于，所述通过图像分割自动分离鱼体和背景图像，获得鱼体图案，包括： 

用改进的K均值聚类算法对所述矩形图像进行图像分割，得到分割图像； 

用数学形态学算法处理所述分割图像，提取与背景彻底分离的鱼体图像。 

4.根据权利要求2所述的方法，其特征在于，所述通过形状分割自动分离鱼体的头部、腹部和尾部，将鱼体腹部图像作为目标图像，包括： 

用K均值聚类算法对所述鱼体图像进行分割，得到去尾鱼体图像； 

通过数据统计得到鱼头和鱼腹的比例，用画圆的方法对去尾鱼体图像按比例切割，得到鱼头和鱼腹图像，将鱼腹图像作为目标图像。 

5.根据权利要求1所述的方法，其特征在于，所述提取所述目标 图像的颜色特征、纹理特征和形状特征，得出综合特征向量，包括： 

将所述鱼腹图像进行切割，得到大小相等的N个子图像； 

对每一个所述子图像提取基于LBP直方图的纹理特征，将每一个所述子图像纹理特征信息连接起来并归一化，得到每一个所述子图像的纹理特征向量； 

对每一个所述子图像提取基于颜色矩的纹理特征，将每一个所述子图像颜色特征信息连接起来并归一化，得到每一个所述子图像的颜色特征向量； 

对所述鱼腹图像提取基于不变矩的形状特征，得到所述鱼腹图像的形状特征向量； 

将每一个所述子图像的纹理特征向量、颜色特征向量与所述鱼腹图像的形状特征向量分别组成N个综合特征向量。 

6.根据权利要求1所述的方法，其特征在于，所述用RBF神经网络对由所述综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼，包括： 

将所述N个综合特征向量组成综合特征矩阵，将所述综合特征矩阵作为测试集； 

获取训练集和测试集的特征矩阵作为神经网络的分类数据； 

用RBF神经网络分类器对由综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。 

7.一种基于图像处理的目标鱼识别系统，其特征在于，包括： 

图像获取模块，用于获取鱼体彩色图像； 

目标图像获取模块，用于对所述图像获取模块获取的鱼体彩色图像进行图像分割获取目标图像； 

特征提取模块，用于提取所述目标图像获取模块获取的目标图像的颜色特征、纹理特征和形状特征，得出综合特征向量； 

识别模块，用于用RBF神经网络对由所述特征提取模块输出的综合特征向量组合成的测试集进行分类处理，识别鱼是否是目标鱼。 

Images