基于ELM算法的鲜活淡水鱼图像自动归类研究

作     者：胡灿 

作者单位：湘潭大学 

学位级别：硕士

导师姓名：李枚毅

授予年度：2017年

学科分类：0908[农学-水产] 08[工学] 09[农学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：鱼类图像识别 灰度共生矩阵 几何不变矩 主成分分析 粒子群算法 ELM算法 

摘      要：随着科学技术的飞速发展,越来越多的计算机技术应用于生活中的各行各业。我国养殖的淡水鱼种类繁多,传统的人工作业耗时耗力,将机器视觉技术用于水产养殖具有很大的优越性。在图像识别的各种研究方向中,鱼类识别一直是一个少有人涉及的领域。在以往的研究成果中,一些研究也谈及了鱼类识别问题,但实际问题要复杂得多。在鱼类物种的应用研究中,鱼类识别是研究的第一步,首要目的是要从背景复杂的图片中分割出鱼全身区域。在现有的研究中,进行图像预处理的图片一般是采集于某些特定实验环境下,背景较为单一,对鱼的朝向和状态都有一定的要求。但在本文中,图片部分来源于各大网站,部分来自自己采集,扩大了数据样本的范围,从某种程度上减少了对鱼类图片的依赖。本文的主要研究工作如下:(1)选取4种常见的淡水鱼共200张图像作为研究对象,采用四折交叉验证法将样本随机分成4个子集,每次将其中一个子集作为测试样本,其余的3个子集合作为训练样本。(2)针对鱼的特征提取,前期对鱼图像进行背景分割、图像灰度化、二值化、去噪处理和轮廓提取等预处理操作,得到淡水鱼的一系列处理图。(3)为了全面反映鱼的特征,从鱼的颜色、体型、纹理三个方面着手,基于RGB颜色分量、Hu不变矩、灰度共生矩阵提取了共计25特征值,最后对这些特征值进行主成分分析(PCA)降维处理,提取出6个主成分。(4)利用粒子群优化算法对影响极限学习机的隐含层的两个主要参数输入层权值和隐含层阈值进行优化,进而得到优化的极限学习机分类器。实验结果表明,PSOLM比ELM、SVM、BP在识别准确率上有较大的提高,稳定性更好,且最后的分类识别结果准确率达到了96.67%,达到了预期的分类目标,即进行鲜活淡水鱼的自动归类具有实际的应用价值。