基于Gabor特征的貝類圖像分類識(shí)別算法研究

王海豐，張?chǎng)H

（1. 海南熱帶海洋學(xué)院 計(jì)算機(jī)工程學(xué)院， 海南 三亞 572022；2. 海南熱帶海洋學(xué)院 三亞市計(jì)算機(jī)視覺重點(diǎn)實(shí)驗(yàn)室， 海南 三亞572022）

基于Gabor特征的貝類圖像分類識(shí)別算法研究

王海豐1，2，張?chǎng)H1，2

（1. 海南熱帶海洋學(xué)院 計(jì)算機(jī)工程學(xué)院， 海南 三亞 572022；2. 海南熱帶海洋學(xué)院 三亞市計(jì)算機(jī)視覺重點(diǎn)實(shí)驗(yàn)室， 海南 三亞572022）

針對(duì)Gabor濾波器提取特征維數(shù)過(guò)高的特點(diǎn)，提出了一種基于Gabor濾波器和2D PCA相結(jié)合的特征提取改進(jìn)算法進(jìn)行螺貝類特征提取及分類。通過(guò)Gabor濾波器提取其圖像特征，確定圖像特征維數(shù)，采用2D PCA方法對(duì)變換后的特征進(jìn)行降維，并應(yīng)用支持向量機(jī)實(shí)現(xiàn)貝類圖像分類算法，實(shí)驗(yàn)結(jié)果表明：提出的特征能夠很好的表示貝類，分類算法實(shí)現(xiàn)簡(jiǎn)單，具有良好的分類性能。

貝類圖像分類；特征提取；Gabor濾波器；主成分分析

0 引言

中國(guó)水域廣闊，水產(chǎn)資源品種繁多，海洋資源中貝類資源豐富，而隨著貝類生產(chǎn)規(guī)模的不斷擴(kuò)大，其養(yǎng)殖、運(yùn)輸、銷售等環(huán)節(jié)均需對(duì)貝類進(jìn)行分類檢測(cè)。目前在我國(guó)對(duì)于貝類資源加工一直停留在初級(jí)階段，大多使用人為手工操作的方法來(lái)對(duì)貝類進(jìn)行凈化、前處理等操作。手工方式費(fèi)工費(fèi)時(shí)，準(zhǔn)確度也無(wú)法保證。有的時(shí)候還有可能對(duì)貝類造成損壞。目前計(jì)算機(jī)視覺技術(shù)在海產(chǎn)品種類識(shí)別及質(zhì)量檢測(cè)方面都有廣泛的應(yīng)用[1，2]。而相對(duì)于其他海產(chǎn)品，貝類的自動(dòng)分類及檢測(cè)的研究仍處于初級(jí)階段[3]。在圖像處理領(lǐng)域，小波變換等已經(jīng)被廣泛地應(yīng)用于計(jì)算機(jī)視覺、紋理分析以及醫(yī)學(xué)等領(lǐng)域[4]，其中，Gabor變換具有良好的視覺特性以及生物學(xué)背景等特點(diǎn)，能兼顧信號(hào)在時(shí)域和頻域中的分辨能力，可以捕捉到圖像的空間局部調(diào)制特性和方向選擇特性，而且Gabor小波變換對(duì)光照變化不敏感，系統(tǒng)的魯棒性很高。利用Gabor小波變換對(duì)貝類圖像進(jìn)行特征提取，能夠很好的捕捉到貝類的特征，但由于會(huì)產(chǎn)生圖像特征維度過(guò)高的問題，本文將2D PCA技術(shù)具有使樣本類間離散度和樣本類內(nèi)離散度比值最大的特性對(duì)貝類圖像數(shù)據(jù)降維處理。最后通過(guò)SVM分類算法對(duì)所提取的貝類圖像Gabor特征進(jìn)行分類，從而實(shí)現(xiàn)貝類圖像的識(shí)別。

1 試驗(yàn)材料和圖像采集系統(tǒng)

本研究所采用的貝類主要包括采集麗文蛤（Meretrix Cusoria）、青蛤（Cyclina sinensis）、櫛江珧（Atrina pectinata）、波紋巴非蛤（Paphia undulata）4種具有不同外觀特征的貝類為代表，具體實(shí)驗(yàn)如圖1所示。

圖1 實(shí)驗(yàn)貝類圖像Fig.1 The experimental shellfish image

通過(guò)在市場(chǎng)隨機(jī)購(gòu)買每種貝類80個(gè)為研究對(duì)象，將80個(gè)隨機(jī)分為2組，50個(gè)用于訓(xùn)練樣本，30個(gè)用于測(cè)試樣本。

貝類圖像的計(jì)算機(jī)視覺獲取系統(tǒng)如圖2所示，該系統(tǒng)由計(jì)算機(jī)、數(shù)碼相機(jī)、光源、載樣臺(tái)等組成。計(jì)算機(jī)選取HP pro 3380，Intel CPU i3-3200，主頻3.3GHz，內(nèi)存4G，數(shù)碼相機(jī)選用Sony DSCW50，根據(jù)實(shí)驗(yàn)貝類及其顏色特點(diǎn)，光源對(duì)稱安裝于底部，為了避免背景光反射對(duì)采集數(shù)據(jù)造成影響，在載樣臺(tái)上用白色紋理橡膠板作背景。樣品隨機(jī)擺放于載樣臺(tái)上，通過(guò)安裝在上方的數(shù)碼相機(jī)獲取其圖像。

圖2 圖像采集系統(tǒng)硬件Fig.2 The hardware of image acquisition system

2 Gabor濾波器及特征提取

二維Gabor濾波器能夠提取出圖像特定區(qū)域內(nèi)多尺度、多方向空間頻率的局部細(xì)微特征，因此它廣泛應(yīng)用于圖像識(shí)別中[5]。二維Gabor濾波器定義為[6]：

其中，z=(x, y)為空間域中的像素位置，u和v分別用于制定濾波的目標(biāo)方向和尺度，為L(zhǎng)2范式運(yùn)算符，σ為高斯窗口尺寸的空間常數(shù)。

對(duì)于貝類圖像 I( x, y)，Gabor濾波是指將輸入圖像和濾波器信息做卷積計(jì)算得到輸出響應(yīng)，形式如式（2）所示。

其中，*為卷積運(yùn)算，F(xiàn)( x, y)表示卷積圖像，即通過(guò)Gabor函數(shù)濾波后得到的圖像。

將圖像某個(gè)位置(x, y)處每個(gè)方向與尺度的Gabor小波響應(yīng)幅值聯(lián)合起來(lái)，可得到該點(diǎn)的Gabor小波特征。將圖像所有像素位置的Gabor特征聯(lián)合起來(lái)，就可以得到整個(gè)圖像的Gabor特征向量，如式（3）所示：

3 數(shù)據(jù)降維及分類算法

由于Gabor特征提取需要對(duì)待處理的圖像在其每個(gè)像素進(jìn)行計(jì)算，從而導(dǎo)致圖像特征維數(shù)過(guò)高，數(shù)據(jù)量過(guò)大，根本無(wú)法直接計(jì)算。所以要對(duì)提取后的特征進(jìn)行降維，將樣本點(diǎn)從輸入空間通過(guò)線性或者非線性變換映射到一個(gè)低維空間，從而獲得一個(gè)關(guān)于原數(shù)據(jù)集緊致的低維表示，有很多子空間投影方法能夠?qū)崿F(xiàn)高維向低維轉(zhuǎn)換，其中主成分分析（Principal Component Analysis PCA）就是一種典型的用來(lái)降維的子空間投影方法[7]。PCA變換是先將二維圖像矩陣轉(zhuǎn)化成一維圖像向量，但是通過(guò)這種方法轉(zhuǎn)化為一個(gè)高維圖像向量空間，數(shù)據(jù)維數(shù)過(guò)大，導(dǎo)致計(jì)算量很大，且PCA無(wú)法利用訓(xùn)練樣本的類別信息。二維主成分分析2D PCA與傳統(tǒng)PCA方法不同，2D PCA方法是基于二維圖像矩陣，而不是一維圖像向量。把任意一幅貝類圖像P看作是一個(gè)m×n的隨機(jī)矩陣，其2D PCA方法可以分為以下幾個(gè)步驟[8]：計(jì)算平均圖像矩陣；

（1）計(jì)算估計(jì)的協(xié)方差矩陣Gt；

（2）計(jì)算Gt的特征值和特征向量；

（3）對(duì)Gt的n個(gè)特征值從小到大排序，取前d個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成最佳投影軸X；

（4）根據(jù)最佳投影軸X，計(jì)算Y=AX的新圖像，即特征提取，A為圖像矩陣；

（5）利用最小距離分類器分類。

貝類圖像分類識(shí)別算法就是根據(jù)已經(jīng)設(shè)計(jì)好的分類器，將待識(shí)別問題進(jìn)行分類。因此，分類識(shí)別的目的就是選取合適的分類器，分類器的好壞直接決定著識(shí)別率的高低。將待識(shí)別的貝類圖像特征與圖像庫(kù)中的圖像的特征進(jìn)行匹配，分類器不同，分類結(jié)果也會(huì)不一樣。支持向量機(jī)（Support Vector Machine SVM）[9，10]是數(shù)據(jù)挖掘中的一個(gè)新的方法，它能夠非常成功地處理回歸問題和模式識(shí)別中如分類問題、判別分析等諸多問題。本文采用支持向量機(jī)進(jìn)行貝類圖像分類，具體算法的流程如圖3所示。

圖3 算法流程圖Fig.3 Algorithm flow chart

4 實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證提出的分類算法選取實(shí)驗(yàn)貝類隨機(jī)放置于實(shí)驗(yàn)臺(tái)上，采集到的圖像分辨率為2816×2122，為了提高算法的運(yùn)算速度，將其下采樣為200×200，獲取貝類圖像后，采用中值濾波對(duì)圖像進(jìn)行去噪處理，實(shí)驗(yàn)中Gabor變換選用5個(gè)尺度8個(gè)方向組成的40個(gè)Gabor濾波器族，SVM的核函數(shù)選擇徑向基函數(shù)。實(shí)驗(yàn)算法中數(shù)據(jù)降維到樣本數(shù)目-1維，即24維度。表1為四種實(shí)驗(yàn)螺貝類圖像的正確識(shí)別數(shù)目及識(shí)別精度。

從實(shí)驗(yàn)結(jié)果中可以看出，其平均的正確識(shí)別率達(dá)到96.7%，試驗(yàn)中判斷錯(cuò)誤部分，主要是由于實(shí)驗(yàn)樣本中貝類過(guò)小，導(dǎo)致其在圖像中所占比例很小，通過(guò)Gabor濾波器得到的特征不明顯，可以通過(guò)增大圖像尺寸或者在選取圖像的時(shí)候盡可能的選擇紋理較為豐富的部分來(lái)克服該問題。利用本文提出的特征可以很好的區(qū)分不同的貝類，并可以進(jìn)行正確識(shí)別。實(shí)驗(yàn)數(shù)據(jù)證明本文提出的方法是可行的。

表1 算法性能比較Tab.1 Algorithm performance comparison

5 結(jié)論

本文提出了一種貝類識(shí)別的新方法，首先選用5個(gè)中心頻率和8個(gè)方向的40組Gabor濾波器組提取實(shí)驗(yàn)貝類圖像的Gabor特征，然后采用2D PCA對(duì)提取出來(lái)的特征進(jìn)行降維壓縮，解決了特征維數(shù)過(guò)高造成的維數(shù)災(zāi)難問題，最后采用SVM進(jìn)行分類識(shí)別，實(shí)驗(yàn)結(jié)果表明提出的特征提取算法在貝類識(shí)別中具有良好的分類性能。

［1］ White D. J.，Svellingen C.，Strachan N. J. Automated Measurement of Species and Length of Fish by Computer Vision［J］. Fisheries Research，2006，80（4）：203-210.

［2］ 張志強(qiáng)，牛智有，趙思明等.基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級(jí)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：350-354. Z Q Zhang，Z Y Niu，S M Zhao，et al. Weight Grading of Freshwater Fish based on Computer Vision［J］. Transactions of the CSAE，2011，27（2）：350-354.

［3］ 里紅杰，陶學(xué)恒，于曉強(qiáng).計(jì)算機(jī)視覺技術(shù)在海產(chǎn)品質(zhì)量評(píng)估中的應(yīng)用［J］.食品與機(jī)械，2012，28（4）：154-156. H J LI，X H TAO，X Q YU. Application of Computer Vision Technology on Quality Evaluation of Seafood［J］. Food & Machinery，2012，28 （4）：154-156.

［4］ 常金鳳，李成，李熒.光聲成像技術(shù)在生物醫(yī)學(xué)中的研究進(jìn)展［J］.新型工業(yè)化，2014，4（9）：1-10. J F CHANG，C LI，Y LI. Development of Photo acoustic Imaging Technology in Biomedical Applications［J］. The Journal of New Industrialization，2014，4（9）：1-10.

［5］ ZHAO Yin-di，ZHANG Liang-pei，LI Ping-xiang. A Texture Segmentation Algorithm Based on Directional Gabor Filters［J］. Journal of Image and Graphics. 2006，11（4）：504-510.

［6］ 邱娟，謝昊，張傳林.基于優(yōu)化Gabor濾波器和GMRF的筆跡特征提取方法［J］.計(jì)算機(jī)工程與應(yīng)用，2015，（17）：145-150. J QIU，H XIE，C L ZHANG. Handwriting Feature Extraction Method based on Optimal Gabor Filter and GMRF［J］. Computer Engineering and Applications，2015，（17）：145-150.

［7］ 張曉煜，普杰信.基于主分量分析與支持向量機(jī)的人臉檢測(cè)研究［J］.微計(jì)算機(jī)信息，2006，22（14）：285-287. X Y Zhang，J X Pu. Face Detection Based on Principal Component Analysis and Support Vector Machin［J］. Microcomputer Information，2006，14：285-287.

［8］ Wang L，Wang X，Zhang X，ET Althea Equivalence of Two-dimensional PCA to Line-based PCA［J］.Pattern Recognition Letters，2005，26：57-60.

［9］ C. J. Burges. A Tutorial on Support Vector Machine for Pattern Recognition［J］. Data Mining and Knowledge Discovery，1998，2（2）：121-167.

［10］ 肖曉，徐啟華.基于SVM與BP的分類與回歸比較研究［J］.新型工業(yè)化，2014，4（5）：48-53. X Xiao，Q H Xu. A Comparative Research on the Classification and Regression Based on SVM and BP［J］. The Journal of New Industrialization，2014，4（5）：48-53.

Research on Shellfish Image Classification Algorithm based on Gabor Features

WANG Hai-feng1, 2, ZHANG Kun1, 2
(1. School of Computer Engineering, Hainan Tropical Ocean University, Sanya, Hainan, 572022 China; 2. Sanya Key Laboratory of Computer Vision, Hainan Tropical Ocean University, Sanya Hainan, 572022 China)

Aim at the characteristics that the feature dimension extracted by Gabor filter is too high. In this paper， a kind of feature extraction algorithm is put forward based on the combination of Gabor filter and 2D PCA. Through the Gabor filter to extract the image features and determine the image feature dimension. Use 2D PCA method to process dimension reduction for the transformed feature. And support vector machine （SVM） is applied to implement shellfish image classification algorithm. The experimental results show that the proposed characteristics well express shellfish. Implement a simple classification algorithm. Has a good classification performance.

Shellfish image classification；Feature extraction；Gabor filter；Principal components analysis

10.3969/j.issn.2095-6649.2016.02.010

WANG Hai-feng， ZHANG Kun. Research on Shellfish Image Classification Algorithm based on Gabor Features[J]. The Journal of New Industrialization, 2016, 6(2): 59-62.

三亞院地科技合作項(xiàng)目（2014YD30）

王海豐（1980-），男，副教授，博士，主要研究方向?yàn)槟Ｊ阶R(shí)別與智能控制，虛擬現(xiàn)實(shí)技術(shù)等；張?chǎng)H（1981-），男，教授，碩士，主要研究方向?yàn)橹悄軘?shù)據(jù)分析與數(shù)據(jù)挖掘等。

本文引用格式：王海豐，張?chǎng)H. 基于Gabor 特征的貝類圖像分類識(shí)別算法研究［J］. 新型工業(yè)化，2016，6（2）：59-62.