KNN与朴素贝叶斯在计算机视觉的鱼苗计数中的应用探索.docVIP

( 引言 每年鱼种养殖场或渔农都要根据自己的养殖需要购入鱼苗培育成鱼种，但购买时要做到鱼苗的准确计数很难。有些不法商贩和鱼苗繁殖场往往利用渔农的大意和这方面知识的欠缺，采用种种方法欺骗渔农，给养殖户带来了一定的经济损失，更重要的是影响了一年的养殖计划。 近几年来, 许多国家加快了对鱼苗计数技术研究的步伐, 应用了现代电子新技术, 在某些关键问题上有所突破。但由于被计数的对象（鱼苗）形态和行为习性上的特殊性，还有很多理论和技术问题，未得到解决。 目前国内比较好的一种鱼苗计数方法是朱从容提出的一种基于机器视觉的鱼苗自动计数方法，该方法对采集到的鱼苗灰度图像进行分析,通过数据拟合方法建立图像中鱼苗所占像素点数与鱼苗数的关系,并由此对鱼苗进行计数。点算图像内45尾、50尾鱼苗时,计数的准确率可达95%以上,计数时间在3 s以内。该法操作方便、快捷,具有灵敏度好、显色速度快且方法稳定的特点,完全满足海水及淡、咸水体氨氮的测定要求。[2] 但是在实际过程中我们不难发现，鱼苗在游动过程中会出现重叠的现象，由于该试验提到其所得到的计数准确率已符合养殖生产的一般要求,并未对鱼苗在游动过程中会出现重叠的现象做进一步的图像处理分析，《图像识别技术在鱼苗计数方面的研究与实现》中提到了对重叠区域进行细化，通过联通区域的端点数来判断鱼苗的个数。 [3] 为了进一步提高鱼苗计数的精度和效率，我们将数据挖掘的相关理论应用进来，同时也将从图像数据中提取的指标从1~2维逐步升级到了7~8维，并采用众多数据分类模型进行实验。本文就是在这一背景下，结合KNN和朴素贝叶斯分类算法，设计了基于计算机视觉的鱼苗计数实验，并对实验结果及两算法在这一应用中的优劣性进行了分析和比较。 KNN算法概述 K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。 本文所采用的K近邻距离模型及定标方案 本文中KNN算法在寻找K个最近邻的时候，所采用的距离函数为欧几里得距离。即两个向量之间的距离表示为： (其中i为向量属性的下标) 在计算距离之前，首先要对各属性进行归一化处理。在找到K个最近邻后，统计其中频度最高的类别，即为认定类标。本文并没有采用权重的方式。 朴素贝叶斯分类算法概述 贝叶斯分类是统计学分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Na?ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，且方法简单、分类准确率高、速度快。贝叶斯定理假设一个属性值对给定类的影响独立于其它设每个数据样本用一个n维特征向量来描述n个属性的值，即：，假定有m个类，分别用表示。给定一个未知的数据样本X（即没有类标号），若朴素贝叶斯分类法将未知的样本X分配给类，则 根据贝叶斯定理 得出对于所有类为常数，最大化后验概率可转化为先验概率各属性互相独立，先验可以从训练数据集求得,根据此方法，对一个未知类别的样本X，可以先分别计算出X属于每一个类别的概率，然后选择其中概率最大的类别作为其类别。 其中为类标为的所有样本第i个属性的均值，则为该情况下的标准偏差。 基于计算机视觉的鱼苗计数方法 传统的鱼苗计数方法采用量筒法等粗略的估计方法，误差很大，效率很低，而且数据常常受主观因素影响。近几年，基于计算机视觉的鱼苗计数方法正在不断兴起并逐步取代以往的计数方法。该方法主体思想是利用计算机视觉上的图像分割和识别等技术，分析硬件设备(通常是摄像头)获取的鱼苗群图像信息，经过一系列的去噪、二值、细化等方法处理后，计算和估计出鱼苗的数量。该方法测量迅速、精确、客观，而且对鱼苗的影响很小。 基于计算机视觉的鱼苗计数流程 图4-1：流程图 图4-2：原始鱼苗群图像 图4-3：二值化后图像 图4-4:细化后图像(已标出端点) 训练集属性指标与类标设定 本文在采用KNN和朴素贝叶斯方法进行鱼苗计数时，采用了如下表1的属性指标和类别： 序号 名称 类别 1 联通分量面积 属性 2 联通分量周长 属性 3 联通分量凸面积 属性 4 联通分量外接矩形长度 属性 5 联通分量外接矩形宽度 属性