Page 18 - 《水产学报》2025年第11期
P. 18

朱国平，等                                                                水产学报, 2025, 49(11): 119102

              神经网络的特征提取方法。                                         相较于鱼类外形而言，针对耳石样本的特
                    传统特征提取方法  传统特征的提取可                         征提取方法有较大的不同。耳石通常在实验室
              简要分为基于全局特征的形状特征、纹理特征、                            条件下获取并清洗，然后置于黑色背景下，使
              形状特征以及基于局部特征的局部特征点                       [24] 。  用显微镜放大一定倍数进行拍照，获取的耳石
              全局特征会受到现实环境的影响，如光照、旋                             图片噪声信息较少，且轮廓明显。因此，针对
              转、噪声等。相比而言，局部特征反映了图像                             耳石的特征提取通常是提取耳石的外形轮廓特
              上的局部特殊性，往往对应着图像中的一些关
                                                               征。所采取的方法主要为基于离散傅里叶变换、
              键点信息，明暗变化的局部区域，具有较强的                             离散余弦变换提取傅里叶描述子，而傅里叶描
              稳健性 。不同的特征提取方法，具有各自的
                     [25]
                                                               述子在描述耳石外型轮廓时具有旋转、放大、
              特性以及适用情况，多个特征的组合在某些情
                                                               缩小不变性 。此外，还可以使用形状指数描
                                                                          [33]
              况下可以提高鱼类物种识别和种群判别的能力。
                                                               述耳石外型特征；此方法在鱼类物种识别和种
                   目前，传统特征提取方法已日渐成熟，众
                                                               群判别中也取得了较优的效果。Boudinar 等                  [25]
              多学者已针对特征提取方法进行研究。不同的                                                                    [34-35]
              鱼类物种在外观的颜色和纹理上有着显著的差                             提出，将二者组合使用可获得更优的效果                         。
                                                               表  1  归纳总结了上述多种传统特征提取方法及
              异，Kartika 等   [26]  利用这些信息，将颜色特征作
                                                               其在鱼类物种识别和种群判别研究中的应用。
              为分类依据判别鱼类物种类别。但由于鱼类颜
              色的种内高度可变性，以及视频色调和照明条                                  基于神经网络的特征提取  特征提取在
                                                               物种识别分类中起到了重要作用，所使用的特
              件的不同，单一的颜色特征在鱼类检测中已无
                                                               征决定了分类算法的性能。传统的特征提取依
                                             [27]
              法带来较好的性能提升。Joo              等    在颜色特征
                                                               赖于广泛的先验知识，且在实际应用中需要根
              的基础上，进一步提取了鱼体的轮廓特征用于
                                                               据不同鱼种反复调整所提取的特征，所构建的
              鱼类物种识别。Hu等          [28]  将颜色和纹理特征结合
              起来，打破颜色外观描述符的局限性，利用局                             模型泛化能力较弱。基于神经网络的特征提取
                                                               方法可较好地解决上述问题，近几年的研究也
              部二进制模式        (Local Binary Pattern, LBP) 纹理特
              征取得了较好的效果。Palazzo            等 [29]  发现，相较       显示该方法已逐渐被研究者所认可。
                                                                   神经网络较早就被应用于基于图片和影像
              于其他纹理提取方法，虽然局部二值模式在旋
              转或光照变化方面具有更好的稳健性，但它极                             数据的物种识别研究领域中。就目前的研究而
              易受到噪音的影响。为克服这一缺点，他们将                             言，基于图片和影像数据的鱼类物种识别多采
              局部二值模式特征与方向梯度直方图                      (Histo-    用基于神经网络的方法。较大一部分原因是图
              gram of Oriented Gradient, HOG) 特征结合使用，          片和影像数据属于高维度海量数据，传统的特
              在鱼类物种识别中获得出色的性能表现                    [20-21, 29-30] 。  征提取方法较难获取全面且有效的特征，而神
                   提取鱼类图片的关键特征对鱼类物种识别                          经网络获取的低级特征与高维语义特征可更好
              和种群判别显得尤其重要，所提取的关键特征                             地用于分类。随着计算机硬件和深度学习理论
              最好能够不受图片采集过程中相机缩放、位置、                            的发展，出现了在图片和影像数据上表现突出

              光线的影响。Fouad         等  [31]  发现，尺度不变特征           的神经网络结构—卷积神经网络。许多研究
              变 换   (Scale-invariant  Feature  Transform， SIFT)  均表明，神经网络在基于图片和影像数据的物
                                                                                                 [12]
              提取的特征对旋转、缩放和亮度变化具有较强                             种识别上有着超越传统分类器的效果 。例如，
              的稳健性，适合应用于鱼类图像特征提取                      [31-32] 。  Prasetyo  等  [38]  使用多级残差卷积网络，提取鱼
              此 外 ， Tharwat等    [30]  利 用 韦 伯 局 部 描 述 符        类的低级特征       (如点、线以及纹理特征等) 和高
              (Weber Local Descriptor, WLD)，将  WLD  特征与        级特征相结合用于分类，取得了高达                    99.6%  的
              归一化后的颜色特征结合，可以提高模型的准                             鱼类识别正确率。Lin          等 [39]  结合多层卷积层构
              确性。韦伯局部描述符与尺度不变特征变换特                             造新的    SUR  块，增加相关特征的权重，提高了
              征相比，对噪声像素和光照变化具有更强的稳                             鱼类识别模型在复杂水下场景下的分类能力。
              健性，且韦伯局部描述符比尺度不变特征变换                                 神经网络提取特征的能力较大程度上取决
              特征运算速度要快得多。                                      于数据量是否充足。在训练样本充足的条件下，

              https://www.china-fishery.cn                           中国水产学会主办    sponsored by China Society of Fisheries
                                                            4
   13   14   15   16   17   18   19   20   21   22   23