[发明专利]基于图像处理的目标鱼识别方法及系统

说明书

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