[发明专利]一种基于不同数量样本的浮游生物图像分类方法

权利要求书

1.一种基于不同数量样本的浮游生物图像分类方法，其特征在于，包括：

获取不同类别浮游生物的图像数据组成样本库；

提取浮游生物图像特征，构建特征向量；

其中，所述颜色特征指的是图像的颜色特征是图像的最基本特征。

2.根据权利要求1所述的方法，其特征在于，所述纹理特征是一种全局特征，它也描述了浮游生物图像的表面性质。和颜色特征不同的是，纹理特征不是基于像素点的特征，它是在包含多个像素点的一片区域中进行统计计算。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。我们通过灰度共生矩阵法和局部二值模式来描述浮游生物图像的纹理特征。

3.根据权利要求2所述的方法，其特征在于，所述纹理特征中的局部二值模式包括：将浮游生物彩色图像转为灰度图，在3*3的窗口内，以窗口中心像素为阈值，将周围相邻的8个像素的灰度值与中间像素值进行比较，若周围像素值大于阈值，则该像素点的位置被标记为1，否则标记为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，通过该数即得到该窗口中心像素点的LBP值，并通过这个数值来反映该区域的纹理特征。

4.根据权利要求2所述的方法，其特征在于，所述纹理特征中灰度共生矩阵法：灰度共生矩阵就是整幅图像中，在某一方向上相距为某一距离的两个像素同时出现的联合概率密度分布，反映了相邻像素的相关性。由于灰度共生矩阵的数据量很大，一般不作为区分纹理的特征，而是利用基于它构建的一些统计量作为纹理分类特征，如角二阶矩衡量灰度分布均匀与否，对比度衡量边缘的锐利程度，差异性衡量局部的对比度，熵衡量图像的复杂程度。

5.根据权利要求1所述的方法，其特征在于，在所述对于训练集足够多时，利用卷积神经网络提取浮游生物抽象特征；

首先对训练集进行图像预处理操作，主要为图像增强，包括翻转镜像操作、归一化等操作，然后搭建深度学习卷积神经网络提取特征，为了提高训练模型识别分类准确率和训练的时间，引入残差结构和迁移学习，利用训练完成后的卷积神经网络模型提取浮游生物图像的抽象特征。

6.根据权利要求1所述的方法，其特征在于，在训练完成后，所述得到对应的随机森林分类器以及深度学习分类器；

对于待检测未分类的浮游生物图像，利用步骤(2)所述方式提取图像特征组成特征向量。将提取的特征向量送入步骤(3)训练好的模型中进行浮游生物图像的分类；

训练好的模型会根据图像特征得出概率最高的类别，此类别即为浮游生物图像所属的类别。