基于计算机视觉的卵形鲳鲹眼部特征检测方法研究

胡祝华， 曹 路， 张逸然， 赵瑶池， 黄梦醒， 谢明山

(1 海南大学信息科学技术学院，海南 海口 570228；2 海南大学南海海洋资源利用国家重点实验室，海南 海口 570228)

基于计算机视觉的卵形鲳鲹眼部特征检测方法研究

胡祝华1,2， 曹 路1， 张逸然1， 赵瑶池1， 黄梦醒1,2， 谢明山1,2

(1 海南大学信息科学技术学院，海南 海口 570228；2 海南大学南海海洋资源利用国家重点实验室，海南 海口 570228)

鱼形态特征检测作为渔业信息化的一个重要课题，有着广泛地应用前景。现有的鱼眼特征检测主要依靠人工，操作复杂、效率低下、结果主观性强。因此提出一种基于图像处理及最小二乘椭圆拟合的鱼眼检测方法，首先在养殖场采集实验鱼例图像，再对鱼眼瞳孔和虹膜区域进行图像预处理，最后分别对鱼眼的瞳孔/虹膜轮廓进行椭圆拟合。实验结果显示，鱼眼瞳孔检测平均耗时325.96 ms，虹膜检测平均耗时364.57 ms，两者检测误差分别为7.247(1±11.82%)mm和12.179(1±14.05%)mm。研究表明，采用该方法不仅可以解决人工测量操作繁琐、主观性强等问题，而且能够避免测量过程耗时过长，为鱼眼的大批量非接触式测量提供了新途径。

形态特征检测；计算机视觉；图像预处理；直接最小二乘椭圆拟合

卵形鲳鲹(Trachinotusovatus)又名金鲳、黄腊鲳等，一般生活于热带及温带沿海，与银鲳(Pampusargenteus)相比，其味鲜美，价格便宜，成熟周期短、生长速度快，是一种高级的养殖鱼种[1-3]。在水产养殖管理中，获取鱼体可量性状对养殖渔业具有重要意义，它能直观反映不同养殖环境与应激条件下鱼的生长状况，同时也是养殖者进行喂养、捕捞、分级的主要信息依据[4]。现有的测量方法仍主要依靠人工，操作者手持游标卡尺等工具接触测量，存在劳动强度大、效率低、检测结果主观性强等问题[5]。同时，由于测量耗时过长，容易造成鱼脱水死亡[6]。因此，探究鱼体形态特征检测新方法，对水产养殖管理具有重要意义。

计算机视觉已广泛应用于水产鱼类形态检测中。如：一种可对大黄鱼可量性状进行检测的系统[6]；一种简单有效的金枪鱼长度测量方法[7]；一套可对比目鱼体长、体宽、厚度、体重等进行测量的检测系统[8]；结合3D成像和光谱分析技术实现对大西洋鲷鱼的新鲜度预测[9]。但是，以上研究基本都是围绕体长、体宽等特征进行，将计算机视觉技术应用于鱼眼的形态特征检测尚未见报道。因此，本文提出了一种基于图像处理和最小二乘椭圆拟合的卵形鲳鲹眼部特征检测方法。该方法利用图像采集装置采集图像数据后，首先获取鱼眼区域，并对鱼眼区域进行预处理，再采用直接最小二乘椭圆拟合方法获得虹膜/瞳孔的准确轮廓，进而得到虹膜/瞳孔的直径大小。该方法不仅可以自动、批量地获取到鱼眼的准确特征，还将人工测量所带来的主观误差尽可能降到最低。

1 材料与方法

1.1 材料

所用鱼例图像(JPG格式，4 608×3 456像素)均采集自海南省陵水县新村镇盐墩村鲳鱼养殖场(海南大学海洋学院产学研基地)，选用鲳鱼共100尾，采集时间为2016年11月。实验所用图像采集装置由标准平台(平台底长560 mm)、机械手臂、采集相机(OLYMPUS TG-4，f/2.0，焦距4 mm，自带镜头畸变校正)构成(图1)。

机械手臂可调节相机位置、高度，拍摄时调整手臂使相机画面长度正好能够覆盖平台底长，利用装置采集到的部分鱼例图像(图2a)，选取鱼体的眼部区域(图2b)作为后续处理步骤的输入。

图1 鲳鱼图像采集装置

图2 实验所用鱼例

1.2 图像预处理

对鱼眼图像进行预处理的基本流程如图3所示。首先对鱼眼图像分别进行灰度化处理、直方图均衡、灰度拉伸操作[10-11]。通过对不同受检鱼眼进行采集比较发现：眼珠区域与眼睑部位的对比差异不够明显，需进行归一化处理，以便部分地消除这种差异所造成的影响。光线因素会造成图像局部过亮或过暗，需要对图像进行灰度变换，扩展其灰度范围，从而提高图像的对比度(图4)。

图3 预处理的基本流程

图4 鱼眼图像的灰度增强

对于瞳孔，往往需要选择一个合理的阈值来实现瞳孔区域提取。瞳孔通常为深色，其灰度远小于眼部其它部分，从灰度直方图(图5a)和鱼眼图像(图5b)中可以看出，瞳孔区域近似灰度值的像素点分布集中，且存在明显的峰谷。表1为目前主流的阈值化方法，考虑到采集环境相对固定、受检鱼眼图像灰度变化不大等因素，采用固定阈值法[12]分离瞳孔，选取左侧第一个峰值右侧峰谷的灰度值作为分割阈值，对整个图像进行阈值化，初步提取出瞳孔，结果如图5c所示。

图5 鱼眼图像的阈值化

方法原理参考文献固定阈值法基于多样本训练得到的固定阈值文献[12]自适应阈值法根据灰度特性将瞳孔图像分成瞳孔与背景2个部分文献[13]结合灰度均值的阈值法结合整幅图像的灰度均值得出文献[14]结合K-Means聚类的阈值法直方图分成3类,把均值最小一类的聚类中心作为阈值文献[15]

图5c中可以看出与瞳孔无关的背景干扰被提取了出来，该问题可以考虑使用形态学操作[16]来解决。图6a～c、图6d～f分别是以3、5、7为大小的结构元素进行开运算、闭运算得到的图像，结合实际开闭运算效果，先进行3×3开运算操作以修补瞳孔区域(图6g)，再进行5×5闭运算操作去除背景干扰，最终分离出瞳孔区域(图6h)。

图6 瞳孔图像的形态学处理

对于虹膜，首先对灰度修正后的图像进行Canny边缘检测[17](图7)，作为不同阈值条件下的边缘检测结果。其中，图7a为灰度修正后的原图，图7b～e分别是阈值为50、100、150、200的检测结果。可以看出，阈值为100时效果最好，提取的边缘较为完整，背景干扰较少。为了连通边缘轮廓，对边缘检测后的图像进行闭运算操作。图8a～d分别是结构元素大小为3、5、7、9所得到的图像，可以看出窗口大小为7的效果最好。

图7 不同阈值的Canny边缘检测结果

图8 不同结构元素大小的闭运算结果

2 轮廓拟合方法

预处理后的鱼眼图像需进行轮廓拟合操作。已知动物的瞳孔/虹膜形状与人类存在较大差异，其中人的瞳孔/虹膜形状近似圆形，羊眼则近似圆角矩形，鱼眼则接近于椭圆[18](图9)。

当待识别形状为不规则的类圆时，常采用椭圆拟合方法。目前已知的椭圆检测方法有投票聚类算法和最优算法[19]。直接最小二乘法作为一种最优算法，以代数距离平方和最小作为拟合原则[20]，其算法复杂度低，对噪声具有较好的稳定性。椭圆的平面曲线的一般方程[21]可表示为：

F(a,x)=a·x=ax2+bxy+cy2+dx+ey+f=0

(1)

其中:a=[abcdef]T,x=[x2xyy2xy1]T。根据最小二乘原理，曲线拟合问题可以通过使代数距离平方和最小D来解决：

(2)

求解时为了保证拟合结果为椭圆，设定约束条件为4ac-b2=1，满足该条件的二次曲线即为椭圆。因此约束条件可用矩阵表示为：aTCa=1，即:

(3)

在上面的约束条件下，最小化问题可以用联立的广义特征系统求解。根据Lagrange乘子法，引入Lagrange算子λ并求导可得到以下方程组：

其中:数据样本集合D为[x1，x2，…，xN]T，S=DTD。式(4a)显然是广义特征值求解问题，根据广义特征值求解方法求得(4)式的解，得到：

(5)

(6)

分别将虹膜/瞳孔预处理后图像中的所有像素点作为拟合数据，进行最小二乘椭圆拟合操作，最终得到的拟合结果如图10所示。

图9 不同物种眼球的特征

图10 鱼眼图像的直接最小二乘椭圆拟合

3 像素距离转换

通过上述步骤得到的距离为像素距离，实际使用时需转换为实际距离。已知图像采集装置底长LRP，采集所得图像长LCP，瞳孔/虹膜的像素距离LCF，转换后的实际距离LRF。其中，LRP为560 mm，LCP为4 608像素。因为LCF通过算法可求得，则实际长度可通过式(7)计算求得。

(7)

4 结果

试验中使用2.2GHz Intel(R) Core(TM) i5计算机，内存为2GB，用MATLAB 2013b编程实现，分析软件界面如图11所示，分别对100组鱼例的彩色鱼眼图像(像素为150×150)进行检测。为了方便展示，从中随机抽取10组结果进行显示。

图11 分析软件界面

4.1 试验效果

传统的类圆检测可以采用经典的Hough圆变换[22]来完成，该方法可以减少干扰，圈出瞳孔的位置。但是该方法复杂度过高，而且针对虹膜的检测不够准确。为了检验本文方法的实际效果，将其与Hough法进行对比(表2)。可以看出，两种方法均能较好地拟合瞳孔/虹膜轮廓；在瞳孔轮廓拟合上两种方法的效果基本一致；在虹膜轮廓拟合上，Hough法稳定性较差。综合来看，本文方法效果好于Hough法。

表2 Hough法与本文方法检测效果的对比

4.2 试验精度

图12为本文方法的测量结果。为检验该结果的精度，采用相对误差来度量。相对误差定义为系统测量值与标准值之差的绝对值除以标准值[23]。

图13为Hough法与本文方法的瞳孔/虹膜直径测量结果的对比，其中，标准测量结果为采用人工测量3次后的平均值。人工测量过程：在鱼排上将鱼麻醉后平放在量鱼板上，用卡尺对鱼眼进行3次独立测量并记录测量结果，最后求得平均值。结果显示，本文方法在瞳孔测量上与Hough法效果基本相同，两者测量误差分别为7.247(1±11.82%) mm和7.226 (1±12.06%) mm。对于虹膜测量，两种方法的测量结果均存在较大偏差，Hough法误差为12.461 (1±16.75%) mm，本文方法测量误差较小，为12.179 (1±14.05%) mm。

图12 本文方法的测量结果

图13 本文方法与Hough法的测量结果对比

值得注意的是，根据成像原理，不同距离物体在相机中成像大小不一样(近大远小)。由于金鲳鱼体具有一定的厚度，导致鱼眼的成像距离与测量板的成像距离存在一定的差异，使得公式(7)计算结果与实际尺寸会也存在一定的误差。但是，由于大部分鱼体呈扁平特征，金鲳鱼尤为突出，因此本文没有考虑这部分距离差异对测量带来的误差影响。在后续的研究中，可以根据一类鱼体具有大致相同的厚度，然后在像素距离转换中把距离差异所带来的计算误差考虑进去。

4.3 实验耗时

对两种方法的运行耗时情况分别进行统计，结果(图14)显示，本文方法瞳孔测量平均耗时325.96 ms，虹膜测量平均耗时364.57 ms，Hough法瞳孔测量平均耗时1190.16 ms，虹膜测量平均耗时1221.22 ms。结果表明，本文方法平均耗时更短，运行速度比Hough法快3～4倍，具有较好的实时性。

图14 Hough法与本文方法检测耗时对比

5 讨论

5.1 不同光照条件下测量偏差比较

本文方法在光照均匀条件下测量偏差较低。其原因是，本方法多使用固定阈值法确定图像处理中的阈值。在光照均匀条件下，阈值范围稳定且容易被确定，图像处理效果较好；而在光线非均匀条件下，图像局部过亮或过暗，难以确定较为稳定的阈值范围，导致图像处理效果较差。图像处理效果直接影响鱼眼轮廓拟合的准确率。因此，针对非均匀光照条件下的鱼眼轮廓拟合需要进一步完善。

5.2 与人工测量法比较

Strachan[24]指出手工测量鱼体体长的速度约12尾/min。Jeong等[8]针对比目鱼体长、厚度、体重等多个参数设计的检测系统能达到15尾/min的测量速度。本文方法主要针对鱼眼部位进行测量，假设瞳孔/虹膜检测在系统中同时进行，理论上能够达到约160尾/min的检测速度。当大批量测量时，相较人工测量，本文方法检测速度更稳定，测量结果也更准确、客观。其原因是，人工测量的主观性较强，当测量基数增大时这种差异会愈发明显；另外，不同操作者的熟练度也会影响测量耗时，体力不断消耗也会明显增加测量耗时。

6 结论

本文提出了一种基于计算机视觉和图像处理技术，并结合最小二乘椭圆拟合的卵形鲳鲹眼部特征检测方法。该方法既可以较为准确地检测出鱼眼的瞳孔大小，也可以准确地检测出鱼眼虹膜的大小。实验结果表明，鱼眼瞳孔检测平均耗时为325.96 ms，虹膜检测平均耗时为364.57 ms，与参考数据进行比较，瞳孔和虹膜的检测误差分别为7.247(1±11.82%)mm和12.179(1±14.05%)mm，基本达到了实时、准确的检测要求。因此，该方法不仅可以自动、批量地获取到鱼眼的准确特征，还将人工测量所带来的主观误差尽可能降到最低，为鱼眼的大批量非接触式测量提供了新途径。由于绝大多数鱼苗的眼部形态特征分布与本文实验所用卵形鲳鲹类似，因此，本文方法还可以推广到其他种类的鱼眼测量。

在实际使用中，本文方法对光照条件较为敏感，光照的不均可能会对采集的图像质量造成影响，并最终影响到眼部的特征检测结果。这也是课题组在下一步的研究中要解决的问题。

□

[1] 刘志玲,唐启胜.金鲳养殖过程中的病害防治[J].科学养鱼, 2014(6): 81.

[2] 农新闻,米强,朱瑜,等.卵形鲳鲹的含肉率及肌肉营养价值研究[J].中国水产,2008 (9):73-75.

[3] 彭志东.卵形鲳鲹的人工繁育技术[J].当代水产,2007(9):14-15.

[4] 段延娥,李道亮,李振波,等.基于计算机视觉的水产动物视觉特征测量研究综述[J].农业工程学报, 2015, 31(15):1-11.

[5] MA Q, JIANG J, ZHU D, et al. Rapid measurement for 3D geometric features of maize ear based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(1): 208-212.

[6] 余心杰,吴雄飞,王建平,等.基于机器视觉的大黄鱼形态参数快速检测方法[J]. 集成技术, 2014 (5): 45-51.

[7] HSIEH C L, CHANG H Y, CHEN F H, et al. A simple and effective digital imaging approach for tuna fish length measurement compatible with fishing operations[J].Computers & Electronics in Agriculture,2011,75(1):44-51.

[8] JEONG S J, YANG Y S, LEE K, et al. Vision-based Automatic System for Non-contact Measurement of Morphometric Characteristics of Flatfish[J]. Journal of Electrical Engineering & Technology, 2013, 8(5):1194-1201.

[9] IVORRA E, VERDU S, SáNCHEZ A, et al. Predicting Gilthead Sea Bream (Sparus aurata) Freshness by a Novel Combined Technique of 3D Imaging and SW-NIR Spectral Analysis[J]. Sensors, 2016, 16(10):1735.

[10] GONZALEZ R C, WOODS R E. Digital Image Processing [M]. 3rd Edition. Upper Saddle River: Prentice Hall, 2010:728-788.

[11] 蔡超峰, 任景英. 基于直方图均衡化的手背静脉图像对比度增强[J]. 计算机应用, 2013, 33(4):1125-1127.

[12] ZUO J, SCHMID N A. On a methodology for robust segmentation of nonideal iris images[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2010, 40(3): 703-718.

[13] LIAGHATDAR A, KANGARLOO K, FAROKHI F. Pupil localizing in video images the first step toward eye monitoring[C]// International Conference on Multimedia Technology. IEEE, 2011:3163-3166.

[14] 彭建,向军.一种基于形态学的虹膜定位快速算法[J].计算机工程与应用,2012,48(4):193-196.

[15] 骆名猛,吴锡生.改进的快速虹膜定位算法[J].计算机工程与应用,2010,46(17):200-203.

[16] 陈勇平,郭文静,王正.基于数学形态学的木材单板节子识别改进算法[J].林业科学,2015,51(9):90-95.

[17] CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986 (6): 679-698.

[18] LAND M F. Visual optics: the shapes of pupils[J]. Current biology, 2006, 16(5): 167-168.

[19] 王志彬,王开义,张水发,等.基于K-means聚类和椭圆拟合方法的白粉虱计数算法[J].农业工程学报,2014,30(1):105-112.

[20] 闫蓓,王斌,李媛.基于最小二乘法的椭圆拟合改进算法[J].北京航空航天大学学报, 2008, 34(3): 295-298.

[21] FITZGIBBON A, PILU M, FISHER R B. Direct Least Square Fitting of Ellipses[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1999, 21(5):476-480.

[22] 孙亦南,刘伟军,王越超.一种用于圆检测的改进Hough变换方法[J].计算机工程与应用,2003(20):35-37.

[23] KREINOVICH, VLADIK. How to define relative approximation error of an interval estimate: a proposal[J]. Applied Mathematical Sciences, 2013(5/8):211-216.

[24] STRACHAN N J C. Length measurement of fish by computer vision[J]. Computers and electronics in agriculture, 1993, 8(2): 93-104.

Study on eye feature detection method ofTrachinotusovatusbased on computer vision

HU Zhuhua1,2, CAO Lu1, ZHANG Yiran1, ZHAO Yaochi1, HUANG Mengxing1,2，XIE Mingshan1,2

(1 College of Information Science and Technology, Hainan University, Haikou 570228, China；2 State Key Laboratory of Marine Resource Utilization in South China Sea, Hainan University,Haikou 570228, China)

As a vital issue of information based fisheries, morphological feature detection of fish is widely applied to many domains. The existing fish eye feature detection mainly depends on manual work, and the operation process is complex with low efficiency and subjective results. Therefore, a detection method of fish eye based on image processing and least square ellipse fitting is proposed. Firstly, fish images are collected from facilities in farm. Then image preprocessing is performed on fish eye pupil and iris. Finally, the edge of the fish eye pupil and iris is identified by ellipse fitting method. As seen from the results, pupil detection costs an average time of 325.96 ms, iris detection costs an average time of 364.57 ms, pupil detection error is 7.247 (1±11.82%) mm, and iris detection error is 12.179 (1±14.05%) mm. Studies have shown that the proposed method can not only solve the problem that manual work is complex and subjective, but also avoid the time-consuming measuring process and provide a new way for large quantities of fish eye non-contact measurement.

morphological feature detection; computer vision; image preprocessing; direct least square ellipse fitting

10.3969/j.issn.1007-9580.2017.04.003

2017-01-30

海南省重大科技计划项目(ZDKJ2016015)；海南省自然科学基金项目(20166232，20167238，617033)；海南大学南海海洋资源利用国家重点实验室开放项目子课题(2016013B)；海南大学南海海洋资源利用国家重点实现室导向课题(OX2017012)；海南大学研究生优秀学位论文培育计划项目

胡祝华(1979—)，男， 副教授，研究方向：智慧农业、海洋通信。E-mail：eagler_hu@163.com

赵瑶池(1980—)，女，副教授，研究方向：智慧农业、计算机视觉与图像处理。E-mail：yaochizi@163.com

TP212.9

A

1007-9580(2017)04-015-09