CN109275609A - 基于图像处理的常见淡水鱼种类自动识别方法 - Google Patents

Abstract

基于图像的常见淡水鱼种类自动识别方法，首先通过鱼轮廓提取，并对获得的轮廓依次进行水平化、长度统一化和鱼头识别处理，然后提取鱼体头部夹角、夹角顶点、鱼尾柄高度及尾柄中点，进一步求出鱼头夹角和鱼的宽长比特征值，最后以鱼头夹角和鱼轮廓宽长比为特征对鳊鱼、鲫鱼、鲢鱼、草鱼这四种常见淡水鱼进行识别。本发明所提供的方法比用受环境和光照影响明显的颜色特征、受鱼鳍变形影响明显的鱼背部轮廓特征来对鱼种类识别的结果更加稳定可靠。

Description

基于图像处理的常见淡水鱼种类自动识别方法

技术领域

本发明涉及目标识别领域，具体涉及到一种图像处理的常见淡水鱼种类自动识别方法。

背景技术

淡水鱼在作为食品深加工前需要完成对不同种类的鱼进行分类任务，在淡水鱼苗育种时期同样需要区分不同种类的鱼进而对其特征信息采集，传统的方法是人工操作进行挑选，这种方法存在的缺点有：作业环境恶劣，劳动强度大，易损伤鱼体(如鱼鳞脱落、鱼鳍损伤等)，效率低且影响鱼的品质。

为了实现淡水鱼类自动化识别，图像处理技术已被应用到淡水鱼识别领域。目前，已公开的资料中基于图像处理的鱼类识别方法主要有三种：1)通过不同鱼种各个颜色分量及长短轴之比为特征进行识别(张志强等，基于机器视觉技术的淡水鱼品种识别[J].农业工程学报，2011,27(11):388-392)；2)通过鱼体背部轮廓相关系数算法对鱼体种类进行识别(涂兵等，基于背部轮廓相关系数算法的淡水鱼种类识别研究[J].计算机工程与应用,2016,52(16):162-166)；3)基于Krawtchouk矩、灰度共生矩阵、蜂群优化多核最小二乘支持向量机的识别方法(吴一全等.基于蜂群优化多核支持向量机的淡水鱼种类识别[J].农业工程学报,2014,30(16):312-319)。以上三种方法虽然能对不同鱼体进行识别，但识别结果极易受到如下因素影响：1)光线照射的角度和强度的不同；2)淡水鱼所处于的不同时期(幼鱼，成鱼，大鱼)；3)鱼身表面颜色，尾部，鱼鳍受外界影响易发生明显变化。这些因素也是鱼类识别的难点所在。

发明内容

本发提出了一种基于图像处理的常见淡水鱼种类自动识别方法，首先提取鱼轮廓头部夹角和鱼身宽长比参数，然后利用这两个参数联合对不同的常见淡水鱼种类进行识别。

为了解决上述技术问题，本发明提出以下技术方案：基于图像处理的常见淡水鱼种类自动识别方法，它包括以下步骤：

步骤1：鱼体图像轮廓规范化，包括：

步骤1.1：鱼轮廓提取：将二值化后的鱼的图像进行轮廓搜索，获得图像中鱼的轮廓；

步骤1.2：鱼轮廓图像水平化处理：首先计算鱼的轮廓的最小外截矩形W，进一步计算该矩形的一条长边a与水平方向之间的夹角a0，再将该最小外截矩形W连同其所包围的区域绕长边a的左端点旋转a0角度，使矩形W的长边与水平方向平行；

步骤1.3：鱼轮廓长度统一化：对矩形W连同其内部所含鱼轮廓的长、宽进行等比例放缩，直至矩形W的长度方向尺寸达到设定的长度L个像素，将像素长度L作为识别所有常见淡水鱼时的长度统一化标准；

步骤1.4：鱼头判别：沿矩形W的长边方向，同时从矩形W两端向中心逐列扫描并计算鱼的外凸部分轮廓宽度，则两端中鱼的外凸轮廓逐渐变宽的那端为鱼的头部所在端；

所述鱼轮廓的最小外截矩形W在步骤1的图像中并不显示，只提取矩形W的尺寸和位置数据按步骤1进行处理；

步骤2：鱼头部夹角提取：提取鱼嘴附近上、下轮廓点群，再将两个点群分别利用最小二乘原理进行线性拟合，拟合成的两条直线的夹角为α(锐角)为鱼体头部轮廓夹角，夹角顶点坐标为A(x_A,y_A)。

步骤3：鱼身宽长比提取：对鱼轮廓中心至尾部段逐列搜索，获得每列扫描到的上下轮廓点坐标分别为其中i＝1,2,3,…,n为扫描列数，上标u、d分别指同一列上的上、下轮廓，被扫描部分鱼身任一处的宽度h_i为：

鱼的尾柄宽度H为h_i的最小值：

H＝min(h_i)

鱼的尾柄中点坐标B(x_B,y_B)为：

B(x_B,y_B)＝(x_i,H/2)

若搜索到某列轮廓点数大于2个，则认为该部位存在鱼鳍，将该列数据全部舍去。A、B两点之间的距离为：

鱼身的宽长比k为：

进一步，通过联合比较不同的常见淡水鱼头部轮廓夹角α和鱼身的宽长比k，可以对常见淡水鱼种类进行自动识别。

本发明有如下有益效果：

1、提出并实现了一种基于图像处理的常见淡水鱼种类自动识别方法；

2、通过鱼头轮廓夹角和鱼身宽长比两个较稳定的鱼特征参数对鱼进行识别，比用受环境和光照影响明显的颜色特征、受鱼鳍变形影响明显的鱼背部轮廓特征来对鱼种类识别的结果更加稳定可靠。

附图说明

图1是以鳙鱼为例定义的常见淡水鱼轮廓参数示意图；

图2是利用本发明识别的四种常见淡水鱼头部夹角分布图；

图3是利用本发明识别的四种淡水鱼宽长比分布图；

具体实施方式

下面结合附图对本发明的实施方式做进一步的说明。

采用鳊鱼、鲫鱼、鲢鱼、草鱼四种具有代表性的淡水鱼为对象对本发明进行实施方式验证，每种鱼原始图像45幅，共180幅。其中，120幅(每种鱼30幅)作为训练样本，用于提取头部夹角和鱼身宽长比特征；其余60幅(每种15幅)作为检验样本进行结果验证。

参见图1，为以鳙鱼为例定义的常见淡水鱼轮廓参数示意图，其轮廓为对鱼采用Sobel算子进行轮廓检测、后通过膨胀、腐蚀操作获得，且经过了鱼轮廓图像水平化和轮廓长度统一化处理。在鱼头识别后，提取L₁:x＝L/45、L₂:x＝L/7两直线区间里的部分的鱼头轮廓点群分别进行直线拟合，拟合成的两条直线的夹角α(锐角)为鱼体头部轮廓夹角，夹角顶点坐标为A(x_A,y_A)，其中x为以鱼嘴最前端点为坐标原点、与矩形W的长边平行且指向鱼身方向的坐标；L为鱼轮廓统一化后的总长度。对鱼轮廓后半段即L₃:x＝L/2至鱼尾的轮廓段逐列扫描并计算得到鱼尾柄宽度H和尾柄中点B(x_B,y_B)，并计算宽长比k。进一步，抽取所述四种常见淡水鱼共120幅图像的α、k参数，汇总结果如图2-3所示。

参见图2，草鱼的头部夹角分布在40.8～50.12之间，而鲫鱼头部轮廓夹角分布在57.34～68.56度之间，且与鳊鱼和鳙鱼的头部夹角范围有显著区别，即通过判别鱼的头部轮廓夹角即可识别出草鱼和鲫鱼。但是，鳙鱼和鳊鱼头部夹角大小范围存在交叉，区分度不够明显，若仅从鱼头部夹角来考虑，无法将鳙鱼、鳊鱼进行分类。

进一步，参见图3，鳙鱼的宽长比分布为0.112～0.138，鳊鱼的宽长比分布为0.132～0.149，即鳙鱼和鳊鱼的宽长比分布区间有较为显著的区别。因而，首先通过鱼头部轮廓夹角识别出草鱼和鲫鱼后，在此基础上，可进一步通过比较鱼的宽长比识别出鳙鱼和鳊鱼，最终实现对四种淡水鱼类进行识别。

以上表明综合比较鱼轮廓的头部夹角及鱼轮廓的宽长比的分布范围，可以明显将鳊鱼、鲫鱼、鲢鱼、草鱼四种常见淡水鱼识别区分。

进一步，用剩余的60幅四种常见淡水鱼的图像按本发明所提供的方法经过处理后进行验证，统计结果表明本发明所提供的方法对以上常见四种淡水鱼识别的正确率可达94.97％，表明本发明所提供的方法对所述的常见的四种淡水鱼有较高的识别率。

Claims (2)

1.基于图像处理的常见淡水鱼种类自动识别方法，其特征在于，包括以下步骤：

步骤1：鱼体图像轮廓规范化，包括：

步骤1.1：鱼轮廓提取：将二值化后的鱼的图像进行轮廓搜索，获得图像中鱼的轮廓；

步骤1.2：鱼轮廓图像水平化处理：首先计算鱼的轮廓的最小外截矩形w，进一步计算该矩形的一条长边a与水平方向之间的夹角a0，再将该最小外截矩形W连同其所包围的区域绕长边a的左端点旋转a0角度，使矩形w的长边与水平方向平行；

步骤1.3：鱼轮廓长度统一化：对矩形w连同其内部所含鱼轮廓的长、宽进行等比例放缩，直至矩形w的长度方向尺寸达到设定的长度L个像素，将像素长度L作为识别所有常见淡水鱼时的长度统一化标准；

步骤1.4：鱼头判别：沿矩形w的长边方向，同时从矩形w两端向中心逐列扫描并计算鱼的外凸部分轮廓宽度，则两端中鱼的外凸轮廓逐渐变宽的那端为鱼的头部所在端；所述鱼轮廓的最小外截矩形w在步骤1的图像中并不显示，只提取矩形w的尺寸和位置数据按步骤1进行处理；

步骤2：鱼头部夹角提取：提取鱼嘴附近上、下轮廓点群，再将两个点群分别利用最小二乘原理进行线性拟合，拟合成的两条直线的夹角为α(锐角)为鱼体头部轮廓夹角，夹角顶点坐标为A(x_A,y_A)；

步骤3：鱼身宽长比提取：对鱼轮廓中心至尾部段逐列搜索，获得每列扫描到的上下轮廓点坐标分别为其中i＝1,2,3,L,n为扫描列数，上标u、d分别指同一列上的上、下轮廓，被扫描部分鱼身任一处的宽度h_i为

鱼的尾柄宽度H为h_i的最小值：

H＝min(h_i)

鱼的尾柄中点坐标B(x_B,y_B)为：

B(x_B,y_B)＝(x_i,H/2)

若搜索到某列轮廓点数大于2个，将该列数据全部舍去。A、B两点之间的距离为：

记鱼身的宽长比k为：

2.基于图像处理的常见淡水鱼种类自动识别方法，其特征在于，通过联合比较不同的常见淡水鱼头部轮廓夹角α和鱼身的宽长比k，可以对常见淡水鱼种类进行自动识别。