[论文解读] Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree

Mutasem K. Alsmadi, Khairuddin Omar+2 more|ArXiv.org|Dec 5, 2009

Spectroscopy and Chemometric Analyses参考文献 11被引用 39

一句话总结

本文提出了一种新型的鱼类识别系统，整合了鲁棒的特征选择、图像分割和几何参数提取，以提升分类准确率。采用人工神经网络（ANN）和决策树作为分类器，该方法能够准确地将鱼类分类至物种、科和毒性类别，其关键贡献在于通过先验知识系统性地加权特征，从而在不修改分类器架构的前提下提升分类器性能。

ABSTRACT

We presents in this paper a novel fish classification methodology based on a combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree. Unlike existing works for fish classification, which propose descriptors and do not analyze their individual impacts in the whole classification task and do not make the combination between the feature selection, image segmentation and geometrical parameter, we propose a general set of features extraction using robust feature selection, image segmentation and geometrical parameter and their correspondent weights that should be used as a priori information by the classifier. In this sense, instead of studying techniques for improving the classifiers structure itself, we consider it as a black box and focus our research in the determination of which input information must bring a robust fish discrimination.The main contribution of this paper is enhancement recognize and classify fishes based on digital image and To develop and implement a novel fish recognition prototype using global feature extraction, image segmentation and geometrical parameters, it have the ability to Categorize the given fish into its cluster and Categorize the clustered fish into poison or non-poison fish, and categorizes the non-poison fish into its family .

研究动机与目标

• 开发一个综合性的鱼类识别系统，整合多种图像分析技术以提升分类性能。
• 通过鲁棒的特征选择方法识别并加权对鱼类分类最具相关性的特征。
• 通过整合特征选择、图像分割和几何参数，在统一框架中弥补现有方法的不足。
• 利用单一原型系统，将鱼类分类至物种、科和毒性（有毒/无毒）类别。
• 将分类器视为黑箱，专注于优化输入特征表示，而非修改分类器结构。

提出的方法

• 应用鲁棒的特征选择方法，从鱼类图像中识别最具区分性的特征。
• 使用图像分割技术将鱼类区域从复杂背景中分离，提升特征提取的准确性。
• 从分割后的鱼类区域中提取形状、大小和纵横比等几何参数。
• 采用混合分类方法，结合人工神经网络（ANN）和决策树，将鱼类分类至物种、科和毒性类别。
• 预先确定特征权重，并用于引导分类器，从而在不改变架构的前提下提升性能。
• 系统以原型形式实现，利用数字图像支持实时鱼类识别。

实验结果

研究问题

• RQ1 当与图像分割和几何参数结合时，鲁棒的特征选择如何提升鱼类分类的准确率？
• RQ2 整合特征选择、分割和几何特征对分类器性能有何影响？
• RQ3 结合这些技术的统一框架是否能超越仅使用孤立技术的现有鱼类识别方法？
• RQ4 将加权特征作为先验知识，对提升分类器性能的有效性如何？
• RQ5 该系统能否通过单一处理流程可靠地将鱼类分类至物种、科和毒性类别？

主要发现

• 所提出的方法通过单一集成流程，实现了对鱼类在物种、科和毒性类别上的精确分类。
• 鲁棒的特征选择、图像分割和几何参数的整合，显著提升了分类性能，优于孤立使用各项技术的方法。
• 系统成功地将无毒鱼类归类至其对应的科，展示了在分类学分类中的高特异性。
• 将特征权重作为先验信息使用，可在不修改分类器架构的前提下提升分类器性能。
• 原型系统在实际应用中展现出可行性，尤其适用于生态监测和水产养殖监测场景。