[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

说明书

本发明公开了一种基于不同数量样本的浮游生物图像分类方法。具体为一种基于随机森林和卷积神经网络的浮游生物识别分类方法，本发明首先需要获取不同类别的浮游生物图像，在不同类别浮游生物中分别抽取部分图片作为训练集，当训练集样本不多时，对每幅图像提取特征(包括颜色特征、纹理特征、形态特征)，把这些特征组合为特征向量训练随机森林分类器；当训练集样本多时，对每幅图像送入卷积神经网络提取抽象特征训练神经网络分类器。将未分类的浮游生物图像提取特征用上述分类器进行识别分类即可识别出对应的类别。相比于人工分类浮游生物的方法，本发明具有分类准确率高，成本低，可以快速进行大量浮游生物的分类。

技术领域

本发明涉及机器学习及图像识别技术领域，具体为一种通过提取浮游生物图像特征并利用随机森林和卷积神经网络来分类浮游生物图像的方法。

背景技术

浮游生物是一种非常多样的基本微生物群，几乎存在于每一个水体中，并在食物链中发挥着至关重要的作用，考虑到浮游生物的重要性，对浮游生物进行自动分类的研究是非常必要的。

通过水下相机拍摄并提取的浮游生物数量多、类别多、形态各异，通过人工筛选并对这些浮游生物图像进行分析，需要专业生物学领域技术人员才能进行分析判断，并且工作量非常大，劳动强度高，但是因为专业人员长期的工作疲劳也会导致人为的分类误差。传统分类的这些弊端，使得浮游生物自动识别分类方法研究具有重要的实际意义。

发明内容

为了节约劳动成本、避免专业人员长期疲劳、解决工作量大等浮游生物分类问题，本发明提供了一种基于不同数量样本的浮游生物图像分类方法。根据收集到训练集的多少选择不同的方法训练模型，本发明能够对不同类别的浮游生物通过提取特征使用训练好的模型准确快速的进行分类，并且具有实用性。

为了达到上述技术目的，本发明所述图像分类方法为：

(1)获取浮游生物的图像数据，构建图像样本库

首先在水下相机设备中获取不同类别的浮游生物图像，构建浮游生物样本集。将每种类别的浮游生物图像放入不同文件夹中保存，目的是为了根据文件夹的名字去对应每种浮游生物的真实标签，方便后续训练时将预测值与真实标签进行比较。

(2)提取浮游生物图像特征构成特征向量

当样本库数据不够多时，分别提取浮游生物图像颜色特征、纹理特征、形态特征，将所有的特征进行特征融合组合成特征向量，方便后续随机森林根据这些特征进行训练。

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；根据样本库选择80％的图像作为训练集，20％的图像作为验证集。首先需要对训练集浮游生物图像进行图像预处理操作，主要包括图像增强(翻转镜像操作)、归一化等操作，为了提高训练模型识别分类准确率和训练时间，引入残差结构和迁移学习操作，利用搭建好的卷积神经网络提取浮游生物图像的抽象特征。

(3)训练浮游生物分类器

当训练集不够多时，将步骤(2)所述的颜色、纹理、形态特征进行多特征融合，将这些所有的特征组合成为一个特征向量，将训练样本中所有的浮游生物图像的特征向量用随机森林进行训练。假设浮游生物图像有M个样本，有放回的随机选择M个样本(每次随机选择一个放回后继续选)。假设样本有N个特征，在决策时的每个节点需要分裂时，随机地从这N个特征中选取n个特征，满足nN，从这n个特征中选择特征进行节点分裂。基于随机抽样的M个样本以及n个特征按照节点分裂的方式构建决策树。按照上述步骤步构建大量决策树组成随机森林，然后将每棵树的结果根据投票法进行综合并保存模型。