基于不規則圖像面積測量的窄體舌鰨個體重量估計*

馬國強，田云臣,2，李曉嵐

(1．天津農學院 計算機與信息工程學院，天津 300384；2．天津市水產生態與養殖重點實驗室，天津 300384)

?

基于不規則圖像面積測量的窄體舌鰨個體重量估計*

馬國強1，田云臣1,2，李曉嵐1

(1．天津農學院 計算機與信息工程學院，天津 300384；2．天津市水產生態與養殖重點實驗室，天津 300384)

對工廠化水產養殖來說，生產過程中的活魚分級、分塘環節十分關鍵，非接觸式、無傷害一直是追求的目標。通過數字圖像處理技術，得到窄體舌鰨扁平面不規則圖像并測算了其面積。采用一元線性回歸模型，分析了魚的重量和扁平面面積的關系，實驗結果表明，二者存在著一定的線性關系，相關系數為0.380 7。下一步的研究需要考慮到不同生長階段的舌鰨魚體厚度等因素影響，找出二者之間更準確的模型關系，為非接觸式測量重量和分級提供支持。

水產養殖；圖像處理；面積測量

引用格式：馬國強，田云臣，李曉嵐. 基于不規則圖像面積測量的窄體舌鰨個體重量估計[J].微型機與應用，2016,35(16)：67-71.

0　引言

近年來，伴隨社會經濟的發展，人們在日常生活飲食消費中，對水產品尤其是高檔海水養殖的水產品需求越來越大。與此同時，海水工廠化水產養殖的供給量已經超過海水捕撈的供給量，成為水產業的重要生產方式。

窄體舌鰨俗名舌鰨、鞋底魚，舌鰨科，屬于暖溫帶淺海底層魚，是海洋名貴經濟魚類之一。舌鰨科的魚廣泛分布于熱帶與溫帶海域，我國已知有2亞科、4屬、23種。

在水產工廠化養殖技術的發展過程中，科技人員不斷探索各種新技術以實現更高層次的智能化養殖模式。計算機視覺技術就是其中很重要的領域。史兵[1]設計了一種利用數字圖像處理技術對養殖現場中魚類生長情況實現監控的系統。馮子慧[2]設計和實現了水產養殖病害動態圖像的采集和遠程傳輸，并能進行實時溝通，及時反饋診斷結果。劉星橋[3]利用計算機數字圖像處理技術,應用MATLAB 軟件強大的圖像處理功能,實時監視池塘現場的情況,經過計算機的處理,分析現場情況,使魚類生長情況始終處于控制之中。還可以建立監控畫面,進行實時視頻監控,以早期發現魚類生長過程中的魚變等變異情況。張志強[4]將鯰魚、鯽魚、鳊魚、鯉魚作為研究對象，通過對魚圖像的分析和處理，對淡水魚識別的成功率高達96.7%。DUAN Y等人[5]利用計算機視覺技術對大西洋黑線鱈魚和大西洋鱈魚兩種活魚卵進行了計數實驗，與人工計數相比，平均計數誤差的假陽性為6%，假陰性為2%。這表明，該方法是客觀的，準確的。Liu Huanyu等人[6]使用帶LED燈水下攝像機獲得的罐底剩余的魚食顆粒圖像，再使用圖像處理技術，對養殖池底的剩余魚食顆粒圖像進行分析，計算出顆粒的剩余量，減少魚食浪費，一方面可以避免剩余魚食對水質的污染，另一方面可以降低飼料成本。WU T H等人[7]為水產飼喂決策開發了一套自適應神經模糊推理系統(ANFIS), 使用一個簡單的循環水養殖池中飼養的銀鱸作實驗,通過測量池中的溶解氧含量，開發一個模糊邏輯控制器FLC。在模糊邏輯控制器的等價ANFIS中，設置兩個語言學變量來描述魚群的覓食的狀態，建立由15個規則構成的規則庫。使用一種基于人工神經網絡的模糊邏輯技術的復合式學習方法，快速對語言變量建立模型和評價其相對貢獻，得到的ANFIS模型非常接近魚類的實際覓食行為。Liu Ziyi等人[8]介紹了使用計算機視覺測量大西洋鮭魚的覓食行為的一個方法。使用CCD相機記錄了大西洋鮭魚在飼養箱里的覓食行為，使用魚運動的幀差進行覓食行為分析，定義了基于計算機視覺和給定時間段的攝食活動指數作為測量指標cvfai。為了評估cvfai的可靠性，定義了人工觀察的攝食行為因子，隨時進行記錄。實驗表明，這兩種因子成線性關系，相關系數為0.919 5。

PAPADAKIS V M等人[9]設計了一種可在亞秒(1/10 s)級對魚類行為視頻進行拍攝、傳輸、存儲的計算機視覺系統。該系統的3個工作站每天產生30 GB的視頻數據。

本文首先使用電子天平對單條窄體舌鰨稱重，并利用數字圖像獲取和處理技術得到窄體舌鰨扁平面的二值化圖像；然后，通過與標準物件像素數的對比，計算窄體舌鰨扁平面不規則圖像的面積；最后，計算舌鰨重量和扁平面面積的一元線性回歸模型，計算相關系數，分析相關性。實驗結果表明，相關系數為0.380 7，二者具有一定的相關性。

1　不規則面積圖像測量

圖像測量是指對圖像中目標或區域的特征進行測量和估計。廣義的圖像測量包括對圖像的灰度特征、紋理特征和幾何特征的測量和描述。狹義圖像測量僅指對圖像目標幾何特征的測量,比如長度、區域面積、歐氏距離、街區距離、棋盤距離以及空間關系等[10]。

圖像測量的一般步驟包括原始圖像獲取、圖像增強、圖像復原、圖像分割、待測量的目標區域圖像提取，然后進行目標區域圖像的相關特征測量。

本研究的圖像處理步驟如下。

1.1原始圖像獲取

圖像獲取是指通過圖像獲取設備得到現實世界中物體的數字圖像的過程。簡單地說，就是使用掃描儀、數碼相機等圖像獲取設備得到數碼照片文件的過程。一般來說，圖像獲取設備的性能和采集圖像的環境是影響數字圖像質量的重要因素[11-12]。

圖像分辨率和色彩位數是決定圖像質量的重要參數。這里采用1 600萬像素的數碼相機獲取24位真彩圖像。

1.2圖像轉換

圖像轉換是指通過計算公式，將真彩圖像的RGB值轉換為灰度圖像的灰度值。具體來說，就是根據經驗公式(1)，將每個真彩像素點的RGB值轉換為該像素點的灰度值。這樣，對整幅圖像來說，就從真彩圖像轉換成了灰度圖像。

Gray=R×0.299+G×0.587+B×0.114

(1)

1.3圖像增強

圖像增強的目的是改善圖像的視覺效果，針對給定圖像的應用場合，有目的地強調圖像的整體或局部特性，將原來不清晰的圖像變得清晰或強調某些感興趣的特征，擴大圖像中不同物體特征之間的差別，抑制不感興趣的特征，以改善圖像質量，豐富信息量，加強圖像判讀和識別效果，滿足某些特殊分析的需要。

從技術上來說圖像增強可以分為兩大類：空間域圖像增強和頻域圖像增強。其中空間域圖像增強是指直接對圖像的像素進行處理，也就是改變圖像中像素的灰度值[13]。線性灰度變換就是最常用的一種空間域圖像增強方法。

假定原圖像f(x,y)的灰度范圍為[a,b]，經過線性變換后，輸出圖像的灰度范圍為[c,d]，則該線性變換公式可表示為：

(2)

如果數字圖像的灰度范圍為0～M，但是大部分像素的灰度值落在[a,b]內，只有很小部分像素的灰度值不在該區間內，用式(2)一般不能得到很好的效果。為了改善增強圖像的視覺效果，用下式進行增強：

(3)

該方法將灰度值小于a的像素的灰度值全部映射為c，將灰度值大于b的像素的灰度值全部映射為d。很明顯，增強后的圖像損失了灰度值小于a和大于b的信息。

1.4圖像分割

圖像分割就是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。它是從圖像處理到圖像分析的關鍵步驟。現有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。

閾值分割是一種簡單有效的圖像分割方法，尤其是針對圖像中只有目標和背景兩類像素的灰度圖像。該方法用一個或幾個閾值將圖像的灰度級分為幾部分，將隸屬于同一部分的像素視為相同的區域。

最大類間方差法是閾值分割的典型算法，也稱為OSTU閾值法。其基本思想和計算方法如下。

(1)把一幅數字圖像f(x,y)中的像素按灰度級用閾值T分為C0和C1類，即灰度值小于等于T的歸為一類，大于T的歸為另一類。

C0={f1(x,y)|fmin≤f(x,y)≤T}

(4)

C1={f2(x,y)|fmax≥f(x,y)>T}

(5)

其中，fmin、fmax分別為圖像f(x,y)中灰度的最小值和最大值。

(2)計算各灰度值出現的概率。

(6)

C1出現的總概率為 ：

(7)

(3)計算均值。

C0的均值為：

(8)

C1的均值為：

(9)

圖像f(x,y)的均值為:

(10)

(4)計算兩類的類間方差。

定義兩類的類間方差為：

σ2(T)=P0(u-u0)2+P1(u-u1)2

(11)

最大類間方差把兩類的類間方差作為閾值選擇的判斷依據，認為最好的閾值T*應該是使類間方差σ2(T)取得最大值時的閾值，即:

T*={T*|σ2(T*)≥σ2(T),?T∈[fmin,fmax]}

(12)

該算法的優點是計算簡單，穩定有效，適用性比較強，尤其是當圖像中目標與背景的灰度值之比較大時，分割效果很好。

1.5圖像二值化

在數字圖像處理中，二值圖像占有非常重要的地位。圖像的二值化有利于圖像的進一步處理，使圖像變得簡單，而且數據量減小，能凸顯出感興趣的目標的輪廓。具體來說，圖像二值化是指根據圖像分割計算得到的閾值T，將圖像中所有灰度大于閾值的像素判定為屬于特定物體，其灰度值為0(黑色)，否則將這些像素點排除在物體區域以外，灰度值為255(白色)，表示背景或者例外的物體區域。利用公式(13)可以將灰度圖像g(x,y)轉換為二值圖像b(x,y)。

(13)

1.6目標區域圖像提取

經過上述圖像處理步驟，可以確定二值圖像中黑色部分為目標區域，即灰度值為0的像素構成了目標區域圖像。這樣，目標區域圖像提取就變得十分簡單了，直接判定灰度值為0的像素構成了目標區域。

1.7不規則目標區域圖像面積計算

不規則目標區域圖像面積的計算，一種簡單有效的方法是定標法，即總面積的計算可以通過目標區域總的像素個數乘以單個像素對應的面積得到[14]。在求取目標區域總像素個數的時候，在所測目標區域同一個視野內放置一個已知面積的標準物件，由該標準物件的面積除以圖像中該標準物件的總像素數，得到單個像素代表的面積。比如使用一元硬幣作為標準物件，其直徑為25 mm，面積為4.91 cm2。

S單個像素面積=標準物件面積/標準物件總像素個數

(14)

S目標區域面積=S單個像素面積×N目標區域像素個數

(15)

這里，標準物件面積=4.91 cm2。

綜上所述，不規則目標區域圖像面積測量方法的總體流程如圖1所示。

圖1　不規則目標區域圖像面積測量總體流程圖

2　基于不規則面積圖像測量的窄體舌鰨個體重量估計方法

窄體舌鰨體型扁平，呈長舌狀。假定窄體舌鰨個體重量與其身體的扁平面面積成線性關系，采用一元線性回歸分析來計算窄體舌鰨個體重量和身體的扁平面面積之間的關系。

2.1一元線性回歸分析

(16)

(17)

相關系數r計算公式如下：

(18)

2.2變量的設定

3　實驗與分析

首先，實驗選用從市場上購買的窄體舌鰨保鮮魚作為測試對象，使用電子秤稱重(精確到0.1 g)；其次，使用普通USB攝像頭連接計算機同時拍攝單條魚和一元硬幣圖像，再使用MATLAB作為圖像處理軟件，得到窄體舌鰨魚體目標區域和一元硬幣目標區域；第三步，根據一元硬幣的面積和圖像區域求出單個像素代表的面積，進而計算出窄體舌鰨圖像區域的面積；最后，利用一元線性回歸方法分析窄體舌鰨的扁平面面積和其重量的關系，并計算相關系數，分析其相關性。

3.1實驗用魚及稱重

實驗共選用50條完整無破損、大小不等的窄體舌鰨保鮮魚。使用天津市天平儀器有限公司生產的TD6001型電子天平進行稱重，精度為0.1 g。

3.2攝像頭和圖像采集系統

攝像頭選用奧尼(aoni)百腦通 D881HD720P 高清網絡攝像頭，CMOS傳感器，硬件像素100萬，分辨率為1 280×720；使用實驗室用三腳架作為拍攝支架；使用白色亞克力板作為三腳架的底板；使用Windwos 7系統自帶的ECap(1.0.1.4)視頻捕捉軟件作為圖像采集軟件。圖像采集部分硬件如圖2所示。

圖2　圖像采集硬件系統示意圖

3.3圖像處理軟件和算法程序

圖像處理軟件使用MATLAB 2015b。MATLAB自帶了圖像處理(Image Processing)和計算機視覺(Computer Vision)工具箱，工具箱中提供了大量相關函數。本文中的圖像處理程序都是基于工具箱中的函數編寫的。用到的圖像處理函數有圖像增強函數imadjust()、全局閾值計算函數graythresh()、圖像二值化函數im2bw()、目標區域圖像像素點計算函數numel()和find()等。

3.4魚體扁平面面積計算

當一幅圖像經過上述處理后，首先計算圖像中一元硬幣的像素數N一元硬幣，然后根據公式(14)得到S單個像素面積，再根據公式(14)求得圖像中單條窄體舌鰨魚的扁平面面積。

3.5圖像和數據

原始真彩圖像、二值化圖像如圖3所示。

圖3　原始真彩圖像和二值化圖像

圖像中一元硬幣(標準物件)的像素數和每條魚的像素數以及計算后每條魚的扁平面面積見表1(第1～10幅圖像的數據)。

表1　一元硬幣、窄體舌鰨扁平面面積和像素數(第1～10幅圖像)

3.6一元線性回歸分析

圖4　窄體舌鰨扁平面面積和重量關系圖

從分析數據可知，窄體舌鰨個體重量與其扁平面面積存在一定的相關性，相關系數為0.380 7，但是相關性較弱。造成相關性不夠強，可能有若干方面的原因：一是線性相關假設是否符合魚類生長的實際情況，比如不同生長階段的窄體舌鰨，魚體厚度不一樣；二是保鮮魚體內的含水量不同等；三是實驗用魚數量過少造成的抽樣誤差過大。這些都有待于進一步研究。

4　結論

本文提出了一種利用圖像處理技術，通過測量舌鰨扁平面面積，估計其重量的新方法。實驗結果表明，該方法具有一定的可行性，但準確性有待提高。需要進一步研究擬合度更高的相關模型公式，為養殖過程中活魚的非接觸式分塘、分級提供支持。

[1] 史兵,趙德安,謝代峰.計算機圖像處理技術在水產養殖業中的應用[J].微型機與應用,2004,23(7):46-48.

[2] 馮子慧,王麗娟,楊晶瑩,等.水產養殖病害遠程動態圖像采集與傳輸系統的組成及實現[J]. 水產科技情報,2014,41(4):180-183.

[3] 劉星橋,李娟,張如通.MATLAB圖像處理在水產養殖中的應用[J]. 微計算機信息,2006,22(11-3):300-302.

[4] 張志強. 基于機器視覺的淡水魚品種識別及重量預測研究[D]. 武漢:華中農業大學，2011.

[5] DUAN Y, STIEN L H, THORSEN Anders, et al. An automatic counting system for transparent pelagicfish eggs based on computer vision[J]. Aquacultural Engineering,2015,67:8-13.

[6] Liu Huanyu, Xu Lihong, Li Dawei. Detection and recognition of uneaten fish food pellets in aquaculture using image processing[J]. Proceedings of the SPIE,Sixth International Conference on Graphic and Image Processing (ICGIP 2014), 2015,9443.

[7] WU T H, HUANG Y I, CHEN J M. Development of an adaptive neural-based fuzzy inference system forfeeding decision-making assessment in silver perch (Bidyanusbidyanus) cultu-re[J]. Aquacultural Engineering, 2015,66:41-51.

[8] Liu Ziyi, Li Xian, Fan Liangzhong, et al. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering,2014,60:20-27.

[9] PAPADAKIS V M, GLAROPOULOS A, KENTOURI M. Sub-second analysis of fish behavior using a novelcomputer-vision system[J]. Aquacultural Engineering,2014,62:36-41.

[10] 圖像測量[EB/OL].(2010-10-10)[2016-03-28]http://baike.baidu.com/link?url=A7bWim7JKhrAxuBLPqt-GF59NAtuZNxDcIg 2AHi3IujBn6Zp3IjTm3soo7TNKXzqRmMh-gXPcyyjIbhZuRM3 Aq.

[11]童剛,朱鴻博. 圖像處理在紅綠燈判別中的應用[J]. 微型機與應用,2013,32(4):88-90,93.

[12]李靖宇,穆偉斌,金成,等. 圖像分割在醫學圖像處理中的應用研究[J]. 微型機與應用,2012,31(8):29-31.

[13] 劉剛. MATLAB數字圖像處理[M]. 北京：機械工業出版社, 2010.

[14] Wang Weihua, Zhang Fang, Wang Weiqing. Image area measurement based on horizontal scan line[J]. International Journal of Intelligent Information Technology Application,2009,2(1):8-11.

Individual weight estimation of cynoglossus gracilis based on measurement of irregular image area

Ma Guoqiang1, Tian Yunchen1,2, Li Xiaolan1

(1.School of Computer & Information Engineering, Tianjin Agriculture University, Tianjin 300384, China;2. Tianjin Key Laboratory of Aquatic Ecology and Aquaculture, Tianjin 300384, China)

For aquaculture, the classification of live fish and the deconcentrition of fish into more ponds are very important process. Non-contact and no-harm are always the target of this process. Using the technology of digital image processing, the binary irregular image of cynoglossus gracilis is got and measured. We analyze the relationship between the weight of fish and flat surface area by a linear regression model. The experimental results show that two parameters has a certain linear relationship, and the correlation coefficient is 0.380 7. Further research is needed to account for the effects of different growth stages of cynoglossus gracilis body thickness and other factors, and a more accurate model is needed to identify the relationship between the two parameters, to provide support for the non-contact measurement of weight and classification.

aquaculture; image processing; area measurement

公益性行業(農業)科研專項(201203017)；2015年天津市地方標準修訂計劃(2015-156)；天津市科技支撐計劃重點項目(14ZCZDNC00009)；天津市科技重大專項與工程(15ZXHLNC00080)

TP391.412

A

10.19358/j.issn.1674- 7720.2016.16.020

2016-03-28)

馬國強(1973-)，男，博士，講師，主要研究方向：圖像處理與模式識別、物聯網技術。

田云臣(1967-)，通信作者,男，學士，教授，主要研究方向：水產養殖業信息化。E-mail:tianyunchen@tjau.edu.cn。

李曉嵐(1976-)，女，碩士，講師，主要研究方向：信息管理與信息系統。