基于Gabor特征的贝类图像分类识别算法研究

王海丰，张鲲

（1. 海南热带海洋学院 计算机工程学院， 海南 三亚 572022；2. 海南热带海洋学院 三亚市计算机视觉重点实验室， 海南 三亚572022）

基于Gabor特征的贝类图像分类识别算法研究

王海丰1，2，张鲲1，2

（1. 海南热带海洋学院 计算机工程学院， 海南 三亚 572022；2. 海南热带海洋学院 三亚市计算机视觉重点实验室， 海南 三亚572022）

针对Gabor滤波器提取特征维数过高的特点，提出了一种基于Gabor滤波器和2D PCA相结合的特征提取改进算法进行螺贝类特征提取及分类。通过Gabor滤波器提取其图像特征，确定图像特征维数，采用2D PCA方法对变换后的特征进行降维，并应用支持向量机实现贝类图像分类算法，实验结果表明：提出的特征能够很好的表示贝类，分类算法实现简单，具有良好的分类性能。

贝类图像分类；特征提取；Gabor滤波器；主成分分析

0 引言

中国水域广阔，水产资源品种繁多，海洋资源中贝类资源丰富，而随着贝类生产规模的不断扩大，其养殖、运输、销售等环节均需对贝类进行分类检测。目前在我国对于贝类资源加工一直停留在初级阶段，大多使用人为手工操作的方法来对贝类进行净化、前处理等操作。手工方式费工费时，准确度也无法保证。有的时候还有可能对贝类造成损坏。目前计算机视觉技术在海产品种类识别及质量检测方面都有广泛的应用[1，2]。而相对于其他海产品，贝类的自动分类及检测的研究仍处于初级阶段[3]。在图像处理领域，小波变换等已经被广泛地应用于计算机视觉、纹理分析以及医学等领域[4]，其中，Gabor变换具有良好的视觉特性以及生物学背景等特点，能兼顾信号在时域和频域中的分辨能力，可以捕捉到图像的空间局部调制特性和方向选择特性，而且Gabor小波变换对光照变化不敏感，系统的鲁棒性很高。利用Gabor小波变换对贝类图像进行特征提取，能够很好的捕捉到贝类的特征，但由于会产生图像特征维度过高的问题，本文将2D PCA技术具有使样本类间离散度和样本类内离散度比值最大的特性对贝类图像数据降维处理。最后通过SVM分类算法对所提取的贝类图像Gabor特征进行分类，从而实现贝类图像的识别。

1 试验材料和图像采集系统

本研究所采用的贝类主要包括采集丽文蛤（Meretrix Cusoria）、青蛤（Cyclina sinensis）、栉江珧（Atrina pectinata）、波纹巴非蛤（Paphia undulata）4种具有不同外观特征的贝类为代表，具体实验如图1所示。

图1 实验贝类图像Fig.1 The experimental shellfish image

通过在市场随机购买每种贝类80个为研究对象，将80个随机分为2组，50个用于训练样本，30个用于测试样本。

贝类图像的计算机视觉获取系统如图2所示，该系统由计算机、数码相机、光源、载样台等组成。计算机选取HP pro 3380，Intel CPU i3-3200，主频3.3GHz，内存4G，数码相机选用Sony DSCW50，根据实验贝类及其颜色特点，光源对称安装于底部，为了避免背景光反射对采集数据造成影响，在载样台上用白色纹理橡胶板作背景。样品随机摆放于载样台上，通过安装在上方的数码相机获取其图像。

图2 图像采集系统硬件Fig.2 The hardware of image acquisition system

2 Gabor滤波器及特征提取

二维Gabor滤波器能够提取出图像特定区域内多尺度、多方向空间频率的局部细微特征，因此它广泛应用于图像识别中[5]。二维Gabor滤波器定义为[6]：

其中，z=(x, y)为空间域中的像素位置，u和v分别用于制定滤波的目标方向和尺度，为L2范式运算符，σ为高斯窗口尺寸的空间常数。

对于贝类图像 I( x, y)，Gabor滤波是指将输入图像和滤波器信息做卷积计算得到输出响应，形式如式（2）所示。

其中，*为卷积运算，F( x, y)表示卷积图像，即通过Gabor函数滤波后得到的图像。

将图像某个位置(x, y)处每个方向与尺度的Gabor小波响应幅值联合起来，可得到该点的Gabor小波特征。将图像所有像素位置的Gabor特征联合起来，就可以得到整个图像的Gabor特征向量，如式（3）所示：

3 数据降维及分类算法

由于Gabor特征提取需要对待处理的图像在其每个像素进行计算，从而导致图像特征维数过高，数据量过大，根本无法直接计算。所以要对提取后的特征进行降维，将样本点从输入空间通过线性或者非线性变换映射到一个低维空间，从而获得一个关于原数据集紧致的低维表示，有很多子空间投影方法能够实现高维向低维转换，其中主成分分析（Principal Component Analysis PCA）就是一种典型的用来降维的子空间投影方法[7]。PCA变换是先将二维图像矩阵转化成一维图像向量，但是通过这种方法转化为一个高维图像向量空间，数据维数过大，导致计算量很大，且PCA无法利用训练样本的类别信息。二维主成分分析2D PCA与传统PCA方法不同，2D PCA方法是基于二维图像矩阵，而不是一维图像向量。把任意一幅贝类图像P看作是一个m×n的随机矩阵，其2D PCA方法可以分为以下几个步骤[8]：计算平均图像矩阵；

（1）计算估计的协方差矩阵Gt；

（2）计算Gt的特征值和特征向量；

（3）对Gt的n个特征值从小到大排序，取前d个特征值对应的特征向量构成最佳投影轴X；

（4）根据最佳投影轴X，计算Y=AX的新图像，即特征提取，A为图像矩阵；

（5）利用最小距离分类器分类。

贝类图像分类识别算法就是根据已经设计好的分类器，将待识别问题进行分类。因此，分类识别的目的就是选取合适的分类器，分类器的好坏直接决定着识别率的高低。将待识别的贝类图像特征与图像库中的图像的特征进行匹配，分类器不同，分类结果也会不一样。支持向量机（Support Vector Machine SVM）[9，10]是数据挖掘中的一个新的方法，它能够非常成功地处理回归问题和模式识别中如分类问题、判别分析等诸多问题。本文采用支持向量机进行贝类图像分类，具体算法的流程如图3所示。

图3 算法流程图Fig.3 Algorithm flow chart

4 实验及结果分析

为验证提出的分类算法选取实验贝类随机放置于实验台上，采集到的图像分辨率为2816×2122，为了提高算法的运算速度，将其下采样为200×200，获取贝类图像后，采用中值滤波对图像进行去噪处理，实验中Gabor变换选用5个尺度8个方向组成的40个Gabor滤波器族，SVM的核函数选择径向基函数。实验算法中数据降维到样本数目-1维，即24维度。表1为四种实验螺贝类图像的正确识别数目及识别精度。

从实验结果中可以看出，其平均的正确识别率达到96.7%，试验中判断错误部分，主要是由于实验样本中贝类过小，导致其在图像中所占比例很小，通过Gabor滤波器得到的特征不明显，可以通过增大图像尺寸或者在选取图像的时候尽可能的选择纹理较为丰富的部分来克服该问题。利用本文提出的特征可以很好的区分不同的贝类，并可以进行正确识别。实验数据证明本文提出的方法是可行的。

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

5 结论

本文提出了一种贝类识别的新方法，首先选用5个中心频率和8个方向的40组Gabor滤波器组提取实验贝类图像的Gabor特征，然后采用2D PCA对提取出来的特征进行降维压缩，解决了特征维数过高造成的维数灾难问题，最后采用SVM进行分类识别，实验结果表明提出的特征提取算法在贝类识别中具有良好的分类性能。

［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］ 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. 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］ 里红杰，陶学恒，于晓强.计算机视觉技术在海产品质量评估中的应用［J］.食品与机械，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］ 常金凤，李成，李荧.光声成像技术在生物医学中的研究进展［J］.新型工业化，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，谢昊，张传林.基于优化Gabor滤波器和GMRF的笔迹特征提取方法［J］.计算机工程与应用，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］ 张晓煜，普杰信.基于主分量分析与支持向量机的人脸检测研究［J］.微计算机信息，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］ 肖晓，徐启华.基于SVM与BP的分类与回归比较研究［J］.新型工业化，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.

三亚院地科技合作项目（2014YD30）

王海丰（1980-），男，副教授，博士，主要研究方向为模式识别与智能控制，虚拟现实技术等；张鲲（1981-），男，教授，硕士，主要研究方向为智能数据分析与数据挖掘等。

本文引用格式：王海丰，张鲲. 基于Gabor 特征的贝类图像分类识别算法研究［J］. 新型工业化，2016，6（2）：59-62.