基于鱼体背部弯曲潜能算法的四种主养鱼类识别

吴健辉1,2,3，张晓飞1,2，杨敏2，王锦萍1,2，谭志豪1,2

(1.湖南理工学院信息与通信工程学院，湖南岳阳414006；2.湖南理工学院IIP创新实验室，湖南岳阳414006；3.湖南理工学院复杂系统优化与控制湖南省普通高等学校重点实验室，湖南岳阳414006)

摘要：以四种主养淡水鱼鲫(Carassius auratus)、草鱼(Ctenopharyngodon idellus)、团头鲂(Megalobrama amblycephala)、鲤(Cyprinus carpio)为例，提出一种基于图像处理技术的鱼种类自动识别方法。首先通过鱼体信息采集系统获取待识别鱼体图像，并对其进行灰度化与二值化，得到鱼体轮廓信息；然后采用邻域边界算法对鱼体的轮廓进行提取，根据轮廓曲线建立鱼体背部轮廓数学模型；最后根据轮廓模型，采用鱼体背部弯曲潜能算法对不同种类鱼体样本的背部弯曲潜能值进行计算和聚类统计，得到不同鱼类样本的背部弯曲潜能值分布区间，从而通过比对待识别鱼体背部弯曲潜能值的区间实现对不同鱼类的自动识别。对四种主养鱼类的实验测试结果表明，对团头鲂的识别精度可以达到100%，对鲫、鲤和草鱼的识别精度达到96%，基本上能准确实现四种鱼体的分类识别，具有较好的实际应用价值。

关键词：图像处理；鱼类识别；背部轮廓；弯曲潜能

在我国水产养殖中，四大淡水主养鱼占据了很大的比例，但鱼类养殖的自动化水平较国外有一定的差距，特别是对鱼的生长过程监控以及鱼类自动识别上还有很大的提升空间[1]。例如在鱼苗育种时期需要对鱼体特征信息进行采集及快速识别，传统的方法是通过人工操作对鱼苗的各项参数进行测量，但该过程易对鱼苗造成损伤；在成鱼的出水加工过程中需要对不同的鱼类进行分类，传统的方法也是人工识别挑选，存在劳动强度大、准确率不高以及容易造成鱼体损伤等缺点。

近年来，随着图像处理技术的发展，基于图像的目标识别和分类技术在工农业领域都得到了广泛的应用，例如工业生产中的表面缺陷检测[2]、产品自动分拣[3]等，农业生产中的水果大小分级[4]、植物叶面尺寸测量[5]、表面损伤的检测[6]及表面颜色的成熟度检测[7]等。在鱼类识别研究方面也开始引入图像处理技术。例如万鹏等[8]将鱼体按长度方向平均分为5段，并将各段的平均宽度与长度的比值作为特征参数，利用BP(back propagation)神经网络对鲫(Carassiusauratus)和鲤(Cyprinuscarpio)进行了识别研究，平均识别率达到92.5%；张志强等[9]运用数字图像处理技术对淡水鱼图像进行处理，提取其各个颜色分量及长短轴之比等特征值，运用该特征值建立有关淡水鱼的品种识别模型，实现了鲢(Hypophthalmichthysmolitrix)、鳊(Parabramispekinensis)、鲤和鲫四种淡水鱼的分类识别；吴一全等[10]提出了一种基于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，利用该方法对团头鲂、鳙(Aristichthysnobilis)、鲫、草鱼、青鱼(Mylopharyngodonpiceus)5种淡水鱼进行了分类识别研究，并对各类鱼的识别精度作分析。在同一种类不同品种的鱼体识别上，White等[11]利用机器视觉技术针对比目鱼(Pleuronectiformes)的七种不同品种进行了识别研究；Alsmadi等[12]以潜在局部集合特征和距离、角度、边缘等形状参数为特征，采用Memetic算法的BP分类器进行鱼类识别研究，对20种鱼、400个训练样本和210个测试样本进行分类，识别正确率为84%，基本达到实际应用要求。

本研究在目前鱼类识别技术研究结果的基础上，应用最新的图像处理技术对四种常见的主养淡水鱼鲫、草鱼、团头鲂和鲤进行分类识别研究。通过对获取的鱼体图像特征进行提取，建立有关淡水鱼的背部轮廓特征数学识别模型，实现对四种鱼类的分类和识别处理。

1材料与方法

1.1鱼体样本采集系统

采用鱼体图像在线采集系统进行鱼体图像采集，该系统由硬件部分和软件部分组成。硬件部分如图1所示，主要包括摄像机、环形灯、图像采集卡和PC机，摄像机采用维视工业级摄像机MV-VS3200FC，光源采用32W的环形灯管，图像采集卡采用与摄像机对应的专用T1000 1394高速采集卡。鱼体图像采集上位机软件平台采用自主研发的基于VS2013与OpenCV的鱼体图像采集系统，能实现鱼体图像的实时采集和快速存储。

图1　鱼体图像采集系统硬件平台

1.2鱼体图像预处理

通过鱼体图像采集信息系统采集到鱼体的原始图像后，首先对图像进行预处理，包括灰度化、阈值化以及背部轮廓的提取，最后将预处理后的鱼体图像通过鱼体背部轮廓信息来计算鱼体背部弯曲潜能参数，再根据鱼体背部弯曲潜能参数进行不同种类鱼的分类识别。

1.2.1鱼体图像灰度化

灰度化即将彩色图像变为灰度图像，用灰度值代替原始的彩色信息。在本研究的鱼体识别中，只需要对鱼体的轮廓信息进行计算，从而得到其特征，因此不需要颜色信息。对于彩色图像，已知其中任意一个像素点中的R、G、B颜色分量值，则可以采用灰度化公式Gray=0.3R+0.59G+0.11B计算出该点的灰度值，并用灰度值代替原始的像素值，实现彩色图像到灰度图像的变换。对采集到的四种不同类型的鱼体图像灰度化后的效果如图2所示。

图2　四种鱼的图像灰度化效果图

1.2.2鱼体灰度图像二值化

从灰度图像中获取鱼体轮廓，可以通过二值化的方式进行。从图2所示的灰度化鱼体图像可知，鱼体的灰度值和背景的灰度值存在明显差异，因此通过适当选取阈值，可以实现灰度图像到二值图像的变换，并从二值图像中提取到鱼体的轮廓。

从上面的分析可知，二值化的关键是阈值的选取，恰当的阈值可以实现目标和背景的最佳分离。阈值的选择通常有静态阈值和自适应动态阈值，静态阈值在处理中固定不变，由于不需要实时计算阈值，处理速度快，但通用性一般不好；自适应动态阈值通过对待处理图像的灰度值进行计算和分析，通过迭代找到一个最佳的值作为阈值，对每一帧图像都能达到最佳的二值化效果，但速度稍慢。在本研究中，所用的鱼体图像采集系统光照度稳定，所采集到的鱼体图像在灰度值分布上具有相似的特点，因而可以采用固定阈值法进行二值化。

通过对不同鱼体样本的综合分析，取阈值50时对所有采集到的样本图像都能达到最佳的二值化效果。在二值化过程中，对大于50的像素灰度值，将其作为鱼体图像像素点，用白色表示(灰度值设为1)，小于50的像素点设为背景像素点，用黑色表示(灰度值设为0)。所采集的四种鱼体样本二值化后的效果图如图3所示。从图中可知各种鱼体的轮廓清晰，细节特征明显，达到轮廓提取的要求。

1.2.3鱼体轮廓提取

从二值化后的鱼体样本图像中提取鱼体的轮廓信息，常用的方法有边缘检测法和边界跟踪法。从图3可知，二值化后的图像中鱼体目标和背景差异明显，采用邻域边界跟踪算法可以很好地实现鱼体轮廓信息的提取。通过建立一个3*3的8邻域模板从图像第2行第2列进行目标边界搜索，如果中心点的8邻域中首次出现为‘1’的像素，则选择该点作为边界搜索起点并进行标记，构建一个新的8邻域并搜索下一个边界点，重复搜索直到全部像素搜索完成，最后将标记的像素点绘图即可得到鱼体的完整轮廓，如图4所示。

图3　四种鱼体样本的二值化结果图

图4　四种鱼的图像轮廓提取结果

1.3鱼体特征提取

1.3.1鱼体背部轮廓数学建模

根据提取的四种家养淡水鱼的图像轮廓，对鱼体吻端A、尾柄B、C和背部D进行提取，进而构建鱼体背部轮廓数学模型，如图5所示。

图5　鱼体背部轮廓曲线

然后对四种鱼的背部轮廓曲线采用图6的背部轮廓模型进行归一化处理，归一化计算公式为：

(1)

式(1)中xmax，xmin为ABCD所包围的鱼体背部轮廓曲线图像(N*M)中对应的M像素点的最大值与最小值，x为ABCD构成的鱼体背部轮廓曲线对应的二值化值，x′为对背部轮廓曲线归一化后的计算结果。四种鱼体图像采用背部轮廓数学模型归一化后的背部轮廓曲线效果如图6所示。

图6　鱼体背部轮廓曲线归一化建模

1.3.2鱼体背部轮廓弯曲潜能值计算

对四种鱼体背部轮廓进行归一化建模后，采用刚体形状识别中的弯曲潜能(BP:Bending Potential)方法[13]来计算鱼体背部弯曲潜能值。弯曲潜能的定义如图7所示，对于轮廓段C(q1，q2)，其弧长为l(q1，q2)，q1与q2之间最短的轮廓段是弦长d(q1，q2)，由于弧长l和弦长d都是轮廓段C的自身属性，固定弦长d(q1，q2)，如果弧长l(q1，q2)越大，则C(q1，q2)的可弯曲度越大，定义hg为曲线的弯曲潜能：

(2)

与传统的重要性度量相比，弯曲潜能对局部的轮廓扰动不敏感，并且能表示物体在视觉上重要的部分，根据hg计算鱼体背部曲线的弯曲潜能值能够较准确的对鱼体进行分类。

图7　弯曲潜能值的定义

2实验结果与分析

2.1样本采集

利用鱼体图像在线采集系统对水产养殖业中常见的鲫、草鱼、团头鲂和鲤进行样本采集，最终采集到180尾样本(每种鱼45尾)作为研究对象。首先对采集的鱼体测试图片进行编号，其中1～45号为鲫，46～90号为草鱼，91～135号为团头鲂，136～180号为鲤。图8为采集的四种鱼类样本中每种鱼前五尾的样本示意图。

2.2不同种类鱼的背部曲线弯曲潜能值计算统计

从采集到的四组不同种类鱼体图像样本中，每组选择前面20尾进行鱼体背部弯曲潜能值的计算和区间统计分析，即作为分析样本。对分析样本的所有计算和仿真都在Matlab R2009a软件中进行，其操作流程采用上文所述的方法，即对每尾鱼先进行预处理，然后进行背部轮廓建模和归一化，最后计算出每尾鱼的背部弯曲潜能值，部分鱼体样本的背部弯曲潜能值如表1所示。

80个鱼体样本的弯曲潜能值计算完毕后，再对各个计算值的分布区间进行聚类统计，其统计分布结果如图9所示。

从图9中可以看出，四种鱼其对应的背部弯曲潜能值分布在不同的区间，并且有着明显的差异，其中团头鲂由于背部轮廓弯曲度最大，所以其背部弯曲潜能参数值最小，其聚类分布区间主要在70～77；鲫的背部弯曲潜能值较大，其聚类分布区间主要在80～95；鲤的背部弯曲潜能值相比鲫较平直，其聚类分布区间主要在95～110，由于部分鲤和鲫的背部弯曲率接近，因此鲤和鲫的聚类分布区间比较接近，存在误识的可能；而草鱼的背部弯曲率最小，即最平直，其弯曲潜能值最大，聚类分布区间在110～130。

表1　部分样本的背部弯曲潜能值计算结果

图9　测试图片鱼体背部轮廓弯曲潜能值分布

2.3基于背部弯曲潜能值的四种鱼识别结果

对待识别的未知种类鱼通过在线采集鱼体图像，经过处理后计算其背部弯曲潜能值，然后根据其值落入的区间范围确定其种类。实验中采用已经采集的四种鱼体样本中每组余下的25个样本作为测试样本进行识别测试，共100个待测鱼体样本的识别统计结果如表2所示。

表2　四种鱼的识别综合测试结果

2.4识别结果分析与讨论

从表2对四种主养鱼类的识别结果可以看出，团头鲂由于背部轮廓特征最显著，因而其背部弯曲潜能参数值最小，不会落入其它鱼的区间，识别率可达到100%；但是个别鱼体较大的鲫其背部弯曲潜能值增大可能落入到鲤的分布空间，而较小的鲤也存在背部弯曲潜能值减少而识别为鲫，因此鲫和鲤中各自出现了一尾鱼的误识；草鱼的背部最平直，因此其背部弯曲潜能值最大，但体型较小的草鱼其背部曲率会增加，因此其背部弯曲潜能值可能减少而落入到鲤的区间，测试中也存在一尾鱼的识别误差。但从整体上看，100尾测试鱼体样本的综合识别率高于96%，达到了对四种主养鱼的分类识别目的。

同时，从上面的实验结果分析可知，本研究对鱼类的识别分类方法依赖于鱼体的背部轮廓曲率，算法的通用性较差，无法完成对背部轮廓曲率接近或者一样的鱼体识别，存在一定的局限性。但对于四种主养的淡水鱼，本文的方法相比目前的其它方法，在识别准确性和可靠性上有明显提升，达到实用的标准。本研究方法还可以通过增加鱼体样本的聚类分析来精确统计各个聚类区间，从而进一步提升识别的准确率，较其它方法有更好的实际操作性。

3结论

本文围绕四种主养淡水鱼开展了基于背部轮廓弯曲潜能计算的识别与分类工作，通过鱼体图像采集、预处理、背部轮廓建模及背部弯曲潜能值的计算，最终得到了四类鱼的背部弯曲潜能值的聚类分布区间。测试样本的识别准确率充分证明了本文方法对团头鲂、鲫、鲤、草鱼四种淡水鱼识别的有效性。在下一步的研究中，通过增加分析样本和测试样本的数量，进一步提升不同类型鱼体背部弯曲潜能值的区间分布精细度，实现对更多不同种类鱼体的识别；同时在研究中通过分析样本找到背部弯曲潜能值相似的鱼类，进一步研究新的识别方法，争取实现更多淡水鱼的分类识别，为淡水鱼类养殖业提供最新的技术支持。

参考文献:

[1]刘焕亮.2004年我国鱼类养殖产量、构成与展望[J].渔业现代化,2005,6:3-5.

[2]刘泽,王嵬,王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报,2010,24(11):1012-1017.

[3]王保升,汪木兰.基于货单的多品种产品自动分拣系统[J].包装工程,2010,31(19):109-112+120.

[4]司永胜,乔军,刘刚.基于机器视觉的苹果识别和形状特征提取[J].农业机械学报,2009,40(8):161-165.

[5]郭斯羽,周乐前,温和.长叶柄轴对称植物叶片长度的图像测量方法[J].电子测量与仪器学报,2015,29(6):866-873.

[6]Xu L M,Zhao Y C.Automated strawberry grading system based on image processing[J].Comput Electron Agric,2010,71(8):32-39.

[7]Blasco J,Cubero S.Development of a machine for the automatic sorting of pomegranate (Punica granatum) arils based on computer vision[J].J Food Eng,2009,90(1):27-34.

[8]万鹏,潘海兵,龙长江,等.基于机器视觉技术淡水鱼品种在线识别装置设计[J].食品与机械,2012,28(6):164-167.

[9]张志强,牛智有,赵思明,等.基于机器视觉技术的淡水鱼质量分级[J].农业工程学报,2011,27(2):350-354.

[10]吴一全,殷骏,戴一冕,等.基于鲫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.

[11]White D J,Svellingen C.Automated measurement of species and length of fish by computer vision[J].Fish Res,2006,80(4):203-210.

[12]Alsmadi M K,Omar K B,Noah S A,et al.Fish recognition based on robust features extraction from size and shape measurements using neural network[J].J Comput Sci,2010,6(10):1088-1094.

[13]Shen W,Bai X,Hu R,et al.Skeleton growing and pruning with bending potential ratio[J].Pat Recog,2011,44(2):196-209.