译文.pdf

Bottom Sediment Classification Method from Seabed Image for Automatic Counting System of Scallop 基于海底图像的扇贝底泥分类方法 资料来源 资料来源 Proceedings of ISOT 12 Intl Symposium on Optomechatronic Technologies 设计题目 设计题目 学生姓名 学生姓名 学院名称 学院名称 专业名称 专业名称 班级名称 班级名称 学 号 学 号 指导教师 指导教师 教师职称 教师职称 完成时间 完成时间 20XX XX XX 20XX XX XX 20XX 年年 XX 月 月 XX 日日 1 摘摘 要要 各相关组织举办各类渔业调查和收 集的资源状态的估计所需要的数据 在日 本常吕的扇贝养殖业中 通过分析海底图 像来研究鱼类资源 海底图像现在可以从 双体船技术中获得 但是 没有自动技术 来测量这些图像的数据 因此目前的调查 技术是专家手动测量 扇贝看起来与每个 环境不同 因此 提取扇贝区域的合适算 法取决于海底图像的底部沉积物 在本文 中 我们提出了一种分类海床底部沉积物 的方法 对于底部沉积物分类 我们使用 AdaBoost 使用各种纹理特征从弱分类器 伪造强分类器 本文介绍了一种对底部沉 积物进行分类的方法 比较了纹理特征的 有效性和结果 此外 我们提出了基于所 提方法的扇贝计数的实验结果 并评估了 该方法的有效性 一 介绍一 介绍 每个相关组织进行各种渔业调查并 收集估算资源状况所需的数据 1 调查 结果用于估算渔获量 捕捞时间和未来种 群 因此 调查必须更准确地衡量渔业的 数量 规模和状态 最近 已经开发了使用水下相机或其 视频来测量鱼类的调查方法 2 3 但 是 这些调查并未使用水下摄像机或其视 频的自动测量 T Hagisawa 等人研究了 一种测量红藻的方法 用于水下摄像机对 海带的渔业调查 4 在日本常吕的扇贝养殖业中 通过分 析海底图像来研究鱼类资源 1 海底图 像现在可以从双体船技术中获得 但是 没有自动技术来测量这些图像的数据 因 此目前的调查技术是专家手动测量 因 此 这在调查中既不高效也不长 必须开 发自动计数系统以更快地测量扇贝并更 准确地调查渔业 扇贝栖息地是砾石和沙子的海床 5 7 底部沉积物的分布包括常吕渔场中 的这些田地 5 K Enomoto 等人已经提 出了算法来计算来自砾石和沙子的海底 图像的扇贝 因为扇贝看起来与每个环境 不同 8 9 他们已经提出了从砾石和 沙子的海底图像中提取扇贝区域的算法 因为扇贝看起来与每个环境不同 因此 合适的算法取决于海底图像的底部沉积 物 在海洋学和渔业科学中 底部沉积物 分类的方法已经从侧扫声纳 SSS 10 13 的图像中提出 但是 没有一种方法 可以根据海床图像对底部沉积物进行分 类 在本文中 我们提出了一种从海底图 像中分类底部沉积物的方法 对于底部沉 积物分类 我们使用 AdaBoost 从弱分类 器中伪造一个强分类器 并使用各种纹理 2 特征 本文介绍了一种对底部沉积物进行 分类的方法 比较了纹理特征的有效性和 结果 此外 我们使用提出的测量扇贝方 法提出实验结果 下一节将介绍海底图像 扇贝 海底 环境以及海底图像中底部沉积物分类的 设计考虑因素 在第二节我们描述了各种 纹理特征 并提出了一种使用 AdaBoost 对底部沉积物进行分类的方法 第三节 显示了实验方法和从应用中获得的结果 我们对海底图像的方法 并讨论了我们的 方法的有效性 A A 海底环境和扇贝 海底环境和扇贝 图 1 显示了砾石和沙子海底区域的数 码照片 1536 x 1024 像素和 24 位色 这些海底图像包含扇贝 砾石 死壳等 在图 1 a 中 砾石有各种尺寸 形状和 颜色 在图 1 b 中 砂的粒度小于砂 砾 砾石很少 沙地上有彩色的东西 图2显示了砾石和沙子领域中64 x 64 像素的扇贝区域 在砾石领域 扇贝区域 具有特殊的特征 例如棕褐色或赭色 形 状像带有条纹图案的扇形 图 2 a 和 b 扇贝不能隐藏在砾石下面 因为砾石大而 重 在沙地中 扇贝区域具有特殊的特征 例如白色的扇形边缘和形状像扇子 图 2 c 和 d 在扇贝边缘没有沙子 但 扇贝壳覆盖着沙子 这些事实是基于生态 学家和渔民的专业知识 a b 图 1 海底图像 a 砾石场 b 沙地 a b c d 图 2 扇贝区域的图像 大小 64 x 64 砾 石海底图像是 a 和 b 沙海床图像是 c 和 d 合适的算法取决于海床图像的底部 沉积物 K Enomoto 已经提出了从砾石和 沙子的海床图像中提取扇贝区域的算法 并显示了该方法的有效性 8 9 因为 扇贝看起来与每个环境不同 对于砾石和 沙子的扇贝提取算法 这些提取率准确率 分别为 95 0 8 和 89 0 9 因此 需要在每个场的基础上选择合适的扇贝 提取算法 并从海底图像开发底部沉积物 分类方法 对于海洋学 渔业科学和渔业 它在 底层沉积物分类中很重要 底泥分类结果 3 用于估算自然资源 潮汐和渔场的来源 对渔业管理具有重要意义 生态学中的 底部沉积物改变了鱼类 海藻和鱼壳 5 而且 底栖和底部沉积物相互影响 从侧扫声纳 SSS 10 13 的图像 中提出了底泥沉积分类的方法 这些方法 使用侧扫声纳图像的纹理分析对底部沉 积物进行分类 L Atallah 和 P J P Smith 展示了一种利用纹理特征和邻近算 法进行底部沉积物分类的方法 10 H Lannaya 等人 还展示了一种使用纹理特 征和支持向量机的方法 13 这些方法不 能应用海底图像的底部沉积物分类 因为 海底图像具有与侧扫声纳图像不同的信 息 海底图像是彩色的 并且比侧扫声 纳的图像更高的空间分辨率 因此 需要 选择纹理特征用于底部沉积物分类以从 海底图像测量扇贝 B B 提倡的方法 提倡的方法 图 3 显示了我们提出的提取扇贝区域 的系统 首先 对象图像执行预处理 9 接下来 通过底部沉积物分类来识别目标 图像的海底环境 基于底部沉积物分类 的结果 使用合适的扇贝提取算法提取扇 贝区域 最后 计数结果显示给用户 在本文中 我们提出了一种分类海床底部 沉积物的方法 我们使用 AdaBoost 从弱 分类器中构建一个强分类器 并使用各种 纹理特征 如直方图 GLCM 和 GLDM 第 二节解释了一种方法 第三部分还显示 了将我们的方法应用于海底图像所获得 的结果 以及基于底部沉积物分类的扇贝 提取结果 二 底部沉积物分类二 底部沉积物分类 A A AdaBoost AdaBoost 提取扇贝区域的合适算法应取决于 海底图像的底部沉积物 在本文中 底 部沉积物分离了砾石和沙子的区域 我 输入图像 预处理 平滑 提取可识别区域 删除框架区域 底部沉积物分类 使用 AdaBoost 识别 砾石场的提取算法 砾石场 沙场的提取算法 沙场 效果图像 图 3 提倡的计数系统 4 们描述了一种使用 AdaBoost 14 对海底 图像底部沉积物进行分类的方法 AdaBoost 是 Boosting 学习的典型实 例 AdaBoost 学习算法用于提高简单学 习算法的分类性能 它通过组合弱分类 函数的集合来形成更强的分类器 在提 升简单学习算法的语言中称为弱学习者 在第一轮学习之后 重新加权这些例子以 强调那些被先前的弱分类器错误分类的 例子 最终的强分类器采用感知器的形 式 弱分类器的加权组合 后跟阈值 AdaBoost 算法如图 4 所示 在本文 中 示例图像 Xi Yi 被剪切为海床图 像 如果图像 Xi 是砾石场 则 Yi 1 如果图像 Xi 是沙场 则 Yi 1 在强 分类器 H x 中 如果值为正 则输入图 像 X 为砾石场 如果值为负 则为砂场 我们使用纹理特征 例如直方图 灰 度级共生矩阵 GLCM 和灰度级差矩阵 GLDM 这些特征计算 RGB 和 HLS 的颜 色空间中的每个颜色元素 纹理特征将 在下一节中介绍 B B 弱学习者 弱学习者 1 颜色直方图 砾石场中有各种彩 色砾石 但有灰色沙子和白色贝壳碎片 图 1 我们将颜色特征定义为直方图 在本文中 我们使用直方图的这些统计数 据 如 平均值 标准偏差 对比度 这些特征计算 RGB 和 HLS 的颜色空间 中的每个颜色元素 用于直方图 Fcolor的统计的弱较弱的 h x 被定义为 h x 1 如果 1 否侧 1 这里 是每个颜色特征的阈值 统 计数据 Fcolor 大于阈值 图像是砾石场 否则这是沙场 2 GLCM 灰度共生矩阵 GLCM 16 15 是一种从图像中提取纹理特征的流 行统计方法 共生矩阵元素的值呈现两个 相邻像素的相对频率 其中一个像素具有 灰度级 i 和其他 j 这种矩阵是对称的 并且也是两个相邻像素之间的角度关系 的函数 GLCM 是在一个段上计算的 该段 由位移矢量 检查 该位移矢量由其幅度 和其方向 图 5 定义 在本文中 我们使用了 GLCM 的这些 统计数据 平均值 标准偏差 ASM 角二阶矩 能源 熵 相关性 同质性 相异 对比 5 在这里 我们设定 1 3 5 0 用于 GLCM FGLCM 统计的弱精简 h x 定义为 h x 1 如果 1 否侧 2 这里 是每个特征的阈值 如果统计 FGLCM 大于阈值 则图像是砾石场 否则 这是沙场 3 GLDM 灰度差矩阵 GLDM 15 16 是提取像 GLCM 这样的纹理特征的统计方 法 差矩阵元素的值呈现两个相邻像素的差的相对频率 其中一个像素具有灰度级 i 和 其他 j 位移矢量与 GLCM 中的 相同 给定 x1 y1 xm ym 其中 xi X yi Y 1 1 初始化D1 i 1 其中 i 1 T 使用 Dt 分布训练弱学习者 得到弱假设 ht X 1 1 有错误 t P 选择 1 2 ln 1 更新 1 如果 如果 exp 其中 Zt 是归一化因子 输出最终假设 H 1 图 4 AdaBoost 算法 在本文中 我们使用了 GLDM 的这些统计数据 平均值 SD 标准差 ASM 角二阶矩 IDM 逆差矩 熵 对比 6 这里 我们设定 1 3 5 0 GLDM FGLDM 统计的弱精简 h x 定 义为 H 1 如果 1 否侧 这里 k是每个特征的阈值 在统计 数据中 FGLDM 超过阈值k 图像是砾石 场 否则这是沙场 三 三 实验实验 在本节中 我们将评估底部沉积物分 类的准确性 并应用所提出的方法来提取 扇贝区域 A A 方法方法 1 实验 1 识别准确度评估 在弱精 简中 我们使用 7 个数据集的组合 数 据集是 数据 I 直方图 数据 2GLCM 数据 3GLDM 数据 4Histogram 和 GLCM 数据 5Histogram 和 GLDM 数据 6GLCM 和 GLDM 数据 7 直方图 GLCM 和 GLDM 图 5 两个像素的相对位置的定义 我们使用留一法交叉验证 LOOCV 检查底部沉积物分类的准确性 假出交 叉验证涉及使用来自原始样本的单个观 察作为验证数据 并将剩余的观察作为训 练数据 重复这一过程 使得样品中的 每个观察结果一次用作验证数据 使用 LOOCV 评估每个数据集的底部沉 积物分类的准确性 在这个实验中我们 使用了 240 个砾石图像和 149 个砂图像 这些纹理图像选择在框架中间的左上角 边缘为 64 x 64 像素 其尺寸为 128 x 128 像素 8 图 6显示了砾石和沙子领域的 原始样本 2 实验 2 扇贝提取 我们结合所提 出的方法检查扇贝提取 在砾石场中 扇贝和其他区域通过扇贝提取算法提取 沙场 反之亦然 我们尝试使用底部沉 积物分类的结果提取扇贝区域 图 6 原始样本的样本 大小 128 x 128 砾 石海底图像是 a 和 b 沙海床图像是 c 和 d 7 图 7 扇贝图像的样本 大小 128 x 128 砾 石海底图像是 a 沙海床图像是 b 在砾石场中 通过使用以下过程提取 扇贝区域 7 首先 仅使用形状特征 强 边缘点 提取候选扇贝区域 在此过程 中获得了一些候选区域 使用颜色特征 或条纹图案特征从候选区域中选择扇贝 区域 在沙地中 通过使用以下过程提取扇 贝区域 8 通过动态阈值处理从所获得 的图像中提取候选的扇贝边缘像素 接 下来 使用霍夫变换提取候选扇贝区域 最后 通过使用壳特征和壳边缘特征的阈 值处理来提取扇贝区域 这里 具有扇贝区域的图像被称为扇 贝图像 没有扇贝区域的图像被称为其他 图像 我们在砾石场中使用了 24 个扇贝 图像和 87 个其他图像 在沙地中使用了 20 个扇贝图像和 87 个其他扇贝图像 在 这里 我们仅使用扇贝图像 通过适当的 提取算法在每个场上提取所有扇贝 并且 使用数据 7 用于底部沉积物分类 图 7显 示了扇贝和其他在砾石和沙子领域的图 像 B B 结果结果 1 实验 1 的结果 表 1 给出了底部 沉积物分类识别率的实验结果 所有识 别率均超过 96 数据 6 和 7 中砾石和 沙子的识别率分别为 100 0 和 96 6 底部沉积物分类的样本如图 8 所示 在图 8 a c 中 这些图像 只能识别 直方图 GLCM 和 GLDM 等功能 但使用这 些功能和 AdaBoost 可以正确识别它 表 1 底部沉积物分类的识别率 认可率 砾石 砂 总共 数据 1 98 3 96 0 97 43 数据 2 99 6 97 3 98 7 数据 3 98 8 96 0 97 7 数据 4 99 2 97 3 98 5 数据 5 99 2 96 6 98 2 数据 6 100 0 96 6 98 7 数据 7 100 0 96 6 98 7 图 8 底部沉积物分类的样本图像 砾石海底 图像是 a 和 b 沙海床图像是 c 这 些图像仅在纹理特征上无法正确识别 但使用 数据 6 和 7 进行识别 2 实验 2 的结果 表 2 和 3 给出了 使用扇贝提取算法对砾石和沙子进行扇 贝提取的实验结果 表 2 和表 3 中正确 识别了所有图像 在砾石场中 使用扇贝 8 提取算法为砂场提取了一些图像 提取区 域的例子如图 9 所示 扇贝提取算法在砂 砾场图像中提取错误 扇贝等 图 9 在 扇贝图像中 所有提取的区域都是扇贝提 取算法对沙场的误差 然而 在沙地中 没有使用扇贝提取算法对砾石场提取的 区域 表 2 实验 2 的结果在砾石领域 扇贝 其他 数字图像 24 87 扇贝提 取算法 砾石 24 100 0 87 100 0 沙 6 25 0 39 44 8 底部沉 积物分 类 砾石 真 24 100 0 87 100 0 沙 假 0 0 0 0 0 0 表 3 实验 2 的结果在沙领域 扇贝 其他 数字图像 20 87 扇贝提 取算法 砾石 0 0 0 0 0 0 沙 20 100 0 87 100 0 底部沉 积物分 类 砾石 假 0 0 0 0 0 0 沙 真 20 100 0 87 100 0 图 9 使用扇贝提取算法对砾石场中的沙地进 行实验结果样本 扇贝图像是 a 和 b 其他图像是 c 和 d C C 讨论讨论 我们使用 AdaBoost 从海底图像开发 了一种底部沉积物分类方法 在图 8 a c 中 这些图像仅被错误识别为直 方图 GLCM 和 GLDM 等特征 但使用这些 特征和 AdaBoost 可以正确识别 因此 使用 AdaBoost 的方法是有效的 因为 AdaBoost 选择并集成了更好识别的分类 器 纹理特征最好是使用直方图 GLCM 和 GLDM 进行底部沉积物分类的数据集 在实验 2 中 使用扇贝提取算法对砾 石场中的沙地进行提取区域 图 9 沙 场的扇贝提取算法使用白色像素 8 但 砾石场的扇贝提取算法使用强边缘点 7 因此 沙地的扇贝提取算法错误地提取了 砾石场中的扇贝区域 表 2 砾石场的 扇贝提取算法提取了沙地中的无区域 表 3 因为在沙地中很少有强边缘点和砾石 因此 我们提出的方法对扇贝自动计数系 统很重要 据说专家手工测量的计数精度为 95 这些结果对扇贝的计数足够准确 结果还表明了该方法对扇贝计数的有效 性 四 四 结论结论 本文介绍了对海底沉积物进行分类 并从海底图像中提取扇贝区域的方法 此方法使用纹理特征作为直方图 GLCM 和 9 GLDM 我们通过组合检查了准确性 另 外 扇贝正在使用合适的算法进行计数以 基于所提出的方法的结果来提取扇贝 将所提出的方法应用于海床图像所获得 的实验结果表明我们的方法是有用的 未来的工作 我们将开发应用程序来 计算海底图像的扇贝 并将我们的技术应 用于渔业调查的视频 参考文献参考文献 1 Hokkaido Abashiri Fisheries Experiment Station Monitoring Manual Hokkaido Abashiri Fisheries Experiment Station 2006 2 N Honda T Watanabe Vertical distribution survey of the giant jellyfish Nemopilema nomurai by an underwater video camera attached to a midwater trawl net Bulletin of the Japanese Society of Scientific Fisheries vol 73 no 6 pp 1042 1048 Nov 2007 3 K Fujita T Watanabe and D Kitagawa Behavioral responses of the snow crab Chinoecetes spp to the ground rope of a bottom trawl Bulletin of the Japanese Society of Scientific Fisheries vol 72 no 4 pp 695 701 Jan 2 006 4 T Hagisawa K Enomoto M Toda M Tamura M Kimura S Takeda Extraction Method of Red Algae for Fishery Investigation in Laminaria Fishery Technical report of IEICE vol III pp 31 36 2011 5 T Kinoshita Research on Breeding of Scallop North Publishing House pp 1 106 1949 6 I Hayami PTERIOMORP HIA Marine Mollusks in Japan pp 910 911 2000 7 K Enomoto M Toda and Y Kuwahara Extraction Method of Scallop Area in Gravel Seabed Images for Fishery Investigation Trans IEICE voI E93 D no 7 pp 1754 1760 Jul 2010 10 8 K Enomoto M Toda Y Kuwahara Extractio n Method of Scallop Areas Using Shelly Rim Features Considering Bottom Sediment of Sand The twelfth IARP Conf Machine Vision Applications pp 263 266 2011 9 L Atallah and P J P Smith Automatic seabed classification by the analysis of sidescan sonar and bathymetric imagery Proc IEEE vol 151 no 5 pp 327 336 Oct 2004 10 J M Preston AC Christney W T Collins