贝叶斯在计算机视觉中的应用,KNN与朴素贝叶斯在计算机视觉的鱼苗计数中的应用探索.doc...

文档介绍：

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。同时,在鱼苗销售、鱼苗运输、放养密度及成活率计算等方面, 都需要进行鱼苗计数。在鱼类增养殖中, 这是一项直接影响科学管理和经济效益的重要技术工作, 因此, 关于鱼苗计数方法的研究, 早已引起国内外养鱼界和科技界的重视。[1]

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****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(Naïve Bayes,NB)分类算法可以与决策树和神

内容来自淘豆网www.taodocs.com转载请标明出处.