孫建偉，于紅，吳俊峰，張美玲，羅強(qiáng)，孫娟娟

（大連海洋大學(xué)信息工程學(xué)院，遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧大連116023）

一種使用多特征的魚類圖像檢索方法

孫建偉，于紅，吳俊峰，張美玲，羅強(qiáng)，孫娟娟

（大連海洋大學(xué)信息工程學(xué)院，遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧大連116023）

為解決數(shù)量巨大、特征復(fù)雜的魚類圖像難以用單個(gè)特征準(zhǔn)確描述，以至于給魚類圖像檢索帶來困難的問題，提出了一種基于多特征的魚類圖像檢索方法——MFFIR，并針對魚類圖像的特點(diǎn)設(shè)計(jì)了由顏色直方圖、特征矩和Gabor特征構(gòu)成多維特征向量。在此基礎(chǔ)上，采用MFFIR法通過計(jì)算多維特征向量的特征相關(guān)性，實(shí)現(xiàn)了魚類圖像的匹配與檢索。為驗(yàn)證此方法的有效性，使用 “QUT_fish_data”數(shù)據(jù)集和“DLOU_fish_data”數(shù)據(jù)集進(jìn)行了仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，MFFIR法具有較好的準(zhǔn)確率和較強(qiáng)的魯棒性。

魚類圖像；多特征；圖像檢索

魚類圖像檢索對魚類科普、魚類資源調(diào)查具有重要意義，已引起了學(xué)者們的廣泛關(guān)注［1-2］。邵廣昭［1］采用基于圖像標(biāo)簽的方法開發(fā)了中國臺(tái)灣魚類資料庫檢索系統(tǒng)，該方法需要先對被檢索圖像進(jìn)行標(biāo)注，在圖像已經(jīng)被標(biāo)注的情況下，該系統(tǒng)能夠有效地對魚類圖像進(jìn)行檢索。然而，在互聯(lián)網(wǎng)環(huán)境下，圖像數(shù)量快速增長，對所有圖像進(jìn)行人工標(biāo)注耗時(shí)耗力，難以實(shí)現(xiàn)全面有效的檢索。為了解決這一問題，Hirata等［3］提出了基于內(nèi)容的圖像檢索（Content based image retrieval，CBIR）算法，該算法無需事先對圖像進(jìn)行手工標(biāo)注。CBIR在自然場景圖像檢索方面已經(jīng)取得了諸多進(jìn)展［4-6］。Zhang等［4］提出了一種改進(jìn)的顏色量化方案，通過計(jì)算HSV（Hue，Saturation，Value）顏色特征之間的歐氏距離來判斷特征之間的相似度，該方案能夠用全局顏色特征對顏色差異較為明顯的圖像進(jìn)行有效檢索，但不能對輪廓復(fù)雜且顏色特征不突出的檢索對象進(jìn)行有效檢索。Sakhare等［7］利用顏色特征以及Haar特征對自然場景圖像進(jìn)行檢索，通過提取圖像的顏色特征以及紋理特征，精確地提取出被檢索對象中的相似圖像。雖然CBIR在其他領(lǐng)域的應(yīng)用取得了較好的效果，但應(yīng)用在顏色和紋理均非常復(fù)雜的海洋生物檢索方面的研究較少。耿春云等［8］提取藻類圖像中的矩形度、能量等多種特征，利用多特征實(shí)現(xiàn)了不同藻類的圖像識(shí)別。但是所識(shí)別的藻類圖像背景單一，在真實(shí)海洋環(huán)境中魚類圖像檢索場景的復(fù)雜度較高。Reig-Bola?o等［2］利用橢圓傅里葉描述子提取魚類形狀特征，實(shí)現(xiàn)了3種不同形狀的魚類檢索。但在實(shí)際場景下，由于魚的游動(dòng)以及拍攝角度等原因會(huì)使魚的輪廓出現(xiàn)較大差異，單純基于輪廓特征進(jìn)行檢索不能滿足魚類圖像檢索的實(shí)際需要。真實(shí)環(huán)境下魚類圖像的檢索背景和前景較為復(fù)雜，顏色、紋理等特征都會(huì)對圖像識(shí)別或檢索結(jié)果產(chǎn)生影響。針對魚類的圖像特征，本研究中，筆者提出了一種多特征魚類圖像檢索方法（Multiple features fish image retrival，MFFIR）。該方法選擇全局顏色特征和Gabor特征作為魚類圖像檢索特征向量，既可以通過顏色特征克服魚類不同姿態(tài)造成的影響，又可以通過Gabor特征克服不同種魚類顏色相近問題。為驗(yàn)證算法的有效性，在“QUT_fish_data”和 “DLOU_fish_data”數(shù)據(jù)集上進(jìn)行了大量的測試，實(shí)驗(yàn)結(jié)果表明，MFFIR法具有較好的準(zhǔn)確率和較強(qiáng)的魯棒性。

1　特征提取

1.1特征選擇

魚類圖像具有豐富的顏色、紋理和輪廓特征。一般情況下，顏色特征或紋理、輪廓特征具有一定的區(qū)分度，可以利用顏色特征或輪廓、紋理特征對魚的大類進(jìn)行初步判斷。但是因?yàn)轸~類中存在同屬同一大類不同種類的魚具有相近顏色的情況，如鰈魚和偏口魚，顏色、形狀均很相近，此時(shí)，單純用顏色特征或輪廓紋理特征無法確定一條魚的具體類別［9-10］。此外，魚在游動(dòng)過程中姿態(tài)會(huì)發(fā)生一定變化，從而導(dǎo)致同一類魚的紋理和輪廓等特征也會(huì)具有一定差異性，單獨(dú)采用顏色特征或者紋理特征都不能準(zhǔn)確確定魚的類別，因此，魚類圖像檢索需要綜合考慮顏色特征和紋理特征［11-13］。

按照圖像特征所代表的像素范圍分為全局特征和局部特征。在用肉眼對魚的類別進(jìn)行區(qū)分時(shí)，一般從總體上看魚的顏色分布，如刀魚、鰈魚、偏口魚等整體上是灰色的，黃魚、黃花魚等整體上是黃色的。在根據(jù)顏色對魚的類別有一個(gè)初步的判斷之后，就需要通過局部的紋理變化對魚的類別進(jìn)行最終確認(rèn)，如青魚和鲅魚的整體顏色、輪廓差異較小，此時(shí)需要通過局部的紋理特征對二者進(jìn)行區(qū)分。

綜合以上分析，魚類圖像特征需要綜合考慮顏色特征和紋理特征，既要考慮全局特征又要考慮局部特征。顏色直方圖特征、矩特征［14］等全局顏色特征能反映用戶對圖像整體的感興趣程度；Gabor濾波所提取的能量特征［15］、加速穩(wěn)健特征 （Speeded Up Robust Features，SURF）特征［16］等局部特征能反映用戶對圖像局部區(qū)域的感興趣程度。因此，選擇顏色直方圖、顏色特征矩和伽柏 （Gabor）特征可作為魚類圖像特征。

1.2全局顏色特征提取

常見魚的體表顏色存在差異，全局顏色直方圖特征能夠反映圖像的顏色分布特點(diǎn)，同時(shí)，由于顏色直方圖特征不反映位置信息，因而能夠避免由于魚類游動(dòng)產(chǎn)生的位置及輪廓等差異對圖像檢索結(jié)果造成的影響。為了更好地適應(yīng)人眼的視覺特性，將RGB色彩空間轉(zhuǎn)化為HSV色彩空間，以提取魚類圖像的顏色信息。其中，HSV顏色空間轉(zhuǎn)換公式為

色彩空間轉(zhuǎn)化完成后，為了減少圖像中的信息冗余，增強(qiáng)顏色信息之間相互獨(dú)立性，同時(shí)又確保圖像的本身顏色特征不發(fā)生嚴(yán)重的失真，統(tǒng)計(jì)了原始圖像在HSV空間下的三通道顏色直方圖，然后將色度空間 （H）等間隔量化成8份，飽和度空間（S）等間隔量化成2份，亮度 （V）空間等間隔量化成2份。在量化后的HSV空間下，圖像的顏色可以被量化為8×2×2=32級顏色。將量化后的顏色直方圖作為特征向量，記為FC，其定義如下：

僅用顏色直方圖不能全面反映圖像的全局特征，在魚類圖像顏色極其相近的情況下，全局顏色直方圖的分布差異并不十分明顯。為彌補(bǔ)顏色直方圖的局限性，引入了圖像的顏色特征矩，記為FM，定義如下：

其中，pi，j為圖像中第i個(gè)通道第j個(gè)像素的灰度值。

1.3局部紋理特征的提取

由于一些魚類圖像的顏色特征極其相似，單純依靠顏色特征很難取得良好的效果。在傳統(tǒng)魚類學(xué)對魚的分類方式中，經(jīng)常會(huì)以魚類的嘴、鰭、尾、鱗等局部區(qū)域的差異作為分類依據(jù)。這是因?yàn)槟承~類之間的整體差異性并不十分明顯，它們的差異性只局限于局部區(qū)域，所以引入了可提取圖像局部紋理信息的Gabor特征來進(jìn)一步提高檢索結(jié)果的準(zhǔn)確率。此外，Gabor特征還具有良好的圖像旋轉(zhuǎn)和縮放不變性，因而可以提高檢索結(jié)果的魯棒性。Gabor特征的提取過程如下：

（1）構(gòu)造Gabor濾波器，計(jì)算公式為

其中：σx、σy分別為濾波器的尺度參數(shù)，控制著濾波器窗口大?。籛為正弦調(diào)制頻率。

（2）用Gabor濾波器對原圖進(jìn)行濾波，濾波定義如下：

（3）Gabor特征提取，特征提取定義及Gabor濾波器輸出的平均值μ（W，θ，σx，θy）、標(biāo)準(zhǔn)差std（W，θ，σx，θy）定義如下：

2　相似度匹配

圖像檢索需對提取的特征向量進(jìn)行相似度匹配。常用的圖像相似度匹配度量方式包括距離度量和相關(guān)系數(shù)度量兩類方式。與歐式距離相比，相關(guān)系數(shù)度量更加注重特征向量之間方向上的差異，因?yàn)轸~類圖像所提取特征種類不同，單憑特征的數(shù)值差異不能很好地反映特征向量之間的相似性，需要注重特征向量方向差異，因此，本研究中采用相關(guān)系數(shù)度量魚類圖像之間的相似性。

常用的相關(guān)系數(shù)度量包括斯皮爾曼等級相關(guān)系數(shù) （Spearman rank）和皮爾遜相關(guān)系數(shù) （Pearson correlation coefficient），斯皮爾曼等級相關(guān)系數(shù)對數(shù)據(jù)條件的要求沒有皮爾遜相關(guān)系數(shù)嚴(yán)格，不論兩個(gè)變量的總體分布形態(tài)、樣本容量的大小如何，都可以用斯皮爾曼等級相關(guān)系數(shù)進(jìn)行度量。因?yàn)轸~類圖像樣本均為實(shí)際拍攝的魚類圖像，樣本特征向量的分布不能預(yù)知，因此，本研究中采用斯皮爾曼等級相關(guān)系數(shù)進(jìn)行圖像相似度度量［17］，其計(jì)算公式為

3　多特征的魚類圖像檢索方法描述

在確定了特征選擇、特征提取和相似度計(jì)算方法后，就可以用多特征進(jìn)行魚類圖像檢索，MFFIR法流程圖如圖1所示。首先進(jìn)行圖像的歸一化處理，然后按照特征選擇確定的原則提取32位全局顏色直方圖特征、6位顏色矩特征、24位Gabor特征，將上述特征按循序排列合并形成62位混合特征向量。采用了顏色特征、顏色矩特征、頻域Gabor特征，不同類型特征的獨(dú)立性較強(qiáng)，從而進(jìn)一步保證了混合特征向量內(nèi)部的相互獨(dú)立性。此外，由于魚類圖像數(shù)量龐大，62位特征向量對于所檢索的魚類圖像數(shù)量來說較為合適，能夠滿足基于現(xiàn)有圖像數(shù)據(jù)的檢索需求。本研究中，采用斯皮爾曼等級相關(guān)系數(shù)對所提特征進(jìn)行相似度計(jì)算，并對相關(guān)度得分按照降序排序，最后按排序輸出檢索結(jié)果。

圖1　魚類圖像檢索流程Fig.1 Flow chart of fish image retrieval

4　實(shí)驗(yàn)結(jié)果及分析

4.1材料與方法

為了驗(yàn)證本研究中提出的MFFIR方法的有效性，在Windows 7系統(tǒng)下使用Matlab2012b進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境的硬件配置為：Intell（R）Core i3-4150 CPU 3.5 GHz處理器，4 GB內(nèi)存。仿真實(shí)驗(yàn)在國內(nèi)外兩個(gè)魚類圖像數(shù)據(jù)集上進(jìn)行，并通過計(jì)算檢索結(jié)果的平均準(zhǔn)確率來評價(jià)算法的效果。

“DLOU_fish_data”由大連海洋大學(xué)圖像處理研究組建立，共包含219張魚類場景圖，共20類。“DLOU_fish_data”的特點(diǎn)是同種魚的姿態(tài)差異較大，并且所處的場景環(huán)境即圖像背景也不盡相同，以此驗(yàn)證MFFIR法對背景以及魚類姿態(tài)變化的魯棒性，圖2為 “DLOU_fish_data”數(shù)據(jù)集中圖像示例。

圖2　“DLOU_fish_data”數(shù)據(jù)集示例Fig.2 Samples of“DLOU_fish_data”DataSet

鲀 “QUT_fish_data”由澳大利亞昆士蘭州大學(xué)提供［18］，共包含4405張魚類圖像，每張圖像標(biāo)有魚類的名稱以及種類，共468類。為了客觀、有效地驗(yàn)證MFFIR法的有效性，從中挑選了4108張彩色魚類圖像并用數(shù)字重新命名后構(gòu)建了新的檢索庫?！癚UT_fish_data”的特點(diǎn)是魚的種類數(shù)目較多，圖像數(shù)目較大，以此驗(yàn)證MFFIR法在大規(guī)模數(shù)據(jù)集下的魯棒性。圖3為 “QUT_fish_data”數(shù)據(jù)集中圖像示例。

不同于大多數(shù)現(xiàn)有的非魚類圖像公開庫，本研究中采用的 “DLOU_fish_data”和 “QUT_ fish_data”魚類圖像數(shù)據(jù)庫的樣本分布具有很大的不均衡性，各類魚種的同類圖數(shù)量差異較大，這會(huì)造成各類別的召回率計(jì)算的差異性，從而影響評價(jià)的客觀性，并且圖像檢索的實(shí)際需求是盡可能方便快捷地讓用戶找到自己所希望找到的圖像信息。基于以上樣本數(shù)據(jù)的特點(diǎn)，本研究中采用Singha等［19］所用的評價(jià)標(biāo)準(zhǔn)，即計(jì)算檢索結(jié)果的平均準(zhǔn)確率：

其中：P為檢索準(zhǔn)確率；A為檢索結(jié)果中所包含的同類圖數(shù)；B為檢索結(jié)果中所包含的非同類圖數(shù)；為平均準(zhǔn)確率；k為檢索類別編號；Pk為第k類的準(zhǔn)確率；q為檢索魚類的類別數(shù)。

本研究中，在驗(yàn)證圖像檢索算法的檢索效果時(shí)考慮了檢索的精確度，以及魚類圖像庫中每一類魚的同類圖的數(shù)量分布情況。針對 “DLOU_fish_ data”的同類圖數(shù)量為10副左右，計(jì)算了“DLOU_fish_data”圖像庫檢索結(jié)果排名第一（Top 1）和前五名 （Top 5）檢索結(jié)果的平均準(zhǔn)確率。針對 “QUT_fish_data”每一類魚的同類圖的數(shù)量為18副左右，計(jì)算了 “QUT_fish_data”檢索結(jié)果排名第一 （Top 1）、前五名 （Top 5）和前十名 （Top 10）檢索結(jié)果的平均準(zhǔn)確率，并將其作為指標(biāo)對圖像檢索結(jié)果進(jìn)行評價(jià)。檢索排名低于同類圖平均數(shù)量一半的被認(rèn)定為無效檢索結(jié)果，以此確保檢索評價(jià)的客觀有效性。此外，本研究中采用平均檢索時(shí)間來評價(jià)檢索算法的檢索效率，計(jì)算公式為其中：T為檢索全部測試圖像的總時(shí)間 （s）；n為測試圖像的個(gè)數(shù)。

圖3　“QUT_fish_data”數(shù)據(jù)集示例Fig.3 Samples of“QUT_fish_data”DataSet

4.2結(jié)果與分析

為了驗(yàn)證算法的魯棒性，分別采用單獨(dú)采用顏色特征的圖像檢索算法 （Color）和單獨(dú)采用紋理特征的圖像檢索算法（Texture）以及MFFIR法對兩個(gè)數(shù)據(jù)集進(jìn)行檢索實(shí)驗(yàn)，結(jié)果如圖4～圖6所示。

從圖4可以看出：采用MFFIR方法的Top1（第一名）檢索結(jié)果要高于單獨(dú)采用顏色特征或紋理特征的圖像檢索算法，這表明MFFIR方法的檢索精度要優(yōu)于單獨(dú)采用顏色或單獨(dú)采用紋理的檢索方法；從Top5（前五名）的檢索結(jié)果可以看出，相較于其他兩種方法，MFFIR方法具有較高的平均準(zhǔn)確率，這表明MFFIR方法能夠更好地檢索出圖庫中所包含的同類圖。進(jìn)而可以驗(yàn)證，MFFIR方法對于復(fù)雜場景和魚類姿態(tài)差異具有較強(qiáng)的魯棒性。但是從檢索結(jié)果來看，本研究中所用MFFIR法對于個(gè)別場景下的魚類圖像的檢索效果還存在一定誤差。這是由于本研究中所用MFFIR算法提取的是原圖中的圖像特征，當(dāng)待檢索魚類占圖像的面積比例小于場景面積，并且圖像的場景信息較為復(fù)雜時(shí)，采用MFFIR法會(huì)受到場景信息的干擾，從而影響檢索的準(zhǔn)確度。

圖5　“QUT_fish_data”20類平均準(zhǔn)確率Fig.5 Precision of 20 categories for“QUT_fish_data”

從圖5可以看出，MFFIR法在 Top1（第一名）、Top5（前五名）、Top10（前十名）的檢索結(jié)果中均取得了最好的結(jié)果。這表明，MFFIR法相較于單獨(dú)采用顏色或紋理特征的算法對大規(guī)模數(shù)據(jù)集下的圖像檢索具有更好的檢索精度和適應(yīng)性。

圖6　“QUT_fish_data”（a）和 “DLOU_fish_data”（b）的總體平均準(zhǔn)確率Fig.6 Total average precision for“QUT_fish_data”（a）and“DLOU_fish_data”（b）

從圖6可以看出，相較于單獨(dú)采用顏色或者紋理特征的圖像檢索方式，MFFIR方法能夠較為精確地檢索出檢索圖所對應(yīng)的同類圖，并且對魚類姿態(tài)變化、圖像背景差異和圖像規(guī)模差異都具有良好的魯棒性。因此，MFFIR方法能夠較好地適應(yīng)以及滿足魚類圖像檢索的需求。另一方面，從檢索結(jié)果中看出，一些魚類類別的檢索結(jié)果相對另一些魚類類別較差，對其進(jìn)行分析后發(fā)現(xiàn)，其原因在于檢測結(jié)果相對不理想的魚類的形態(tài)以及顏色與其他類別的魚類種類存在很大的相似性，這表明采用顏色和紋理特征的混合特征檢索仍具有一定的局限性。針對這個(gè)問題可以采取增加特征提取的種類，從更多的角度構(gòu)建混合特征向量，以提高檢索結(jié)果的準(zhǔn)確性。此外檢索結(jié)果的差異性也與數(shù)據(jù)集的樣本分布不均衡性有關(guān)，圖庫中各類魚類的同類圖數(shù)量不一致會(huì)增大檢索的困難度，但是從另一個(gè)角度來看，采用這樣的數(shù)據(jù)集所得的檢索結(jié)果更加符合檢索的實(shí)際要求和客觀性。

MFFIR檢索算法在 “DLOU_fish_data”和“QUT_fish_data”數(shù)據(jù)集上進(jìn)行圖像檢索實(shí)驗(yàn)，圖片的平均分辨率為384×256像素，單幅圖片檢索的平均檢索時(shí)間為0.01 s。這表明，MFFIR檢索算法中有較高的圖像檢索效率。

5　結(jié)語

針對魚類圖像檢索存在的問題，提出了一種使用多特征的魚類圖像檢索方法——MFFIR方法。用該方法分別提取了魚類圖像的局部紋理特征以及全局顏色特征進(jìn)行特征匹配，進(jìn)而得到檢索結(jié)果。為測試算法的魯棒性，在 “DLOU_fish_data”和“QUT_fish_data”數(shù)據(jù)集上測試了MFFIR方法的效果。仿真實(shí)驗(yàn)表明，MFFIR方法能夠很好地適應(yīng)魚類姿態(tài)差異、場景差異和數(shù)據(jù)集的規(guī)模差異。但是，由于目前缺少針對魚類圖像檢索的公開數(shù)據(jù)集，故本次實(shí)驗(yàn)用的魚類圖像庫的規(guī)模仍然不夠大，在大規(guī)模數(shù)據(jù)集上的實(shí)驗(yàn)效果研究還有待于進(jìn)一步研究。另外，如何將基于內(nèi)容的魚類圖像檢索與基于文本的檢索有效結(jié)合起來以提高檢索效果，還需要進(jìn)一步研究。這些將是未來研究的主要方向。

致謝：感謝澳洲昆士蘭大學(xué)提供“QUT_fish_ data”魚類圖像數(shù)據(jù)庫！

［1］ 邵廣昭.臺(tái)灣魚類資料庫網(wǎng)絡(luò)電子版［EB/OL］.http：//fishdb. sinica.edu.tw/mobi/home.php.［2015-10-05］

［2］ Reig-Bola?o R，Marti-Puig P，Gallego E，et al.Feature selectionfor analyzing and retrieving fish otoliths using Elliptic Fourier Descriptors of shapes［C］//Proceedings of the 7th International Conference on Next Generation Web Services Practices.Salamanca：IEEE，2011：290-295.

［3］ Hirata K，Kato T.Query by visual example：content based image retrieval［C］//Proceedings of the 3rd International Conference on Extending DatabaseTechnology.BerlinHeidelberg：Springer，1992：56-71.

［4］ Zhang Lei，Lin Fuzong，Zhang Bo.A CBIR method based on colorspatial feature［C］//Proceedings of IEEE Region 10 Conference on TENCON 99.Cheju Island：IEEE，1999（1）：166-169.

［5］ Marques O，Mayron L M，Borba G B，et al.On the potential of incorporating knowledge of human visual attention into Cbir systems ［C］//Proceedings of 2006 IEEE International Conference on Multimedia and Expo Toronto，Ont：IEEE，2006：773-776.

［6］ Kuo Y H，Cheng Wen-huang，Lin H T，et al.Unsupervised semantic feature discovery for image object retrieval and tag refinement ［J］.IEEE Transactions on Multimedia，2012，14（4）：1079-1090.

［7］ Sakhare S V，Nasre V G.Design of feature extraction in content based image retrieval（CBIR）using color and texture［J］.International Journal of Computer Science&Informatics，2011，1（2）：57-61.

［8］ 耿春云，郭顯久.基于仿生模式識(shí)別算法的海洋微藻識(shí)別研究［J］.大連海洋大學(xué)學(xué)報(bào)，2014，29（5）：525-529.

［9］ 朱清澄，孫棟，花傳祥，等.西非近海真鯛生物學(xué)特征的初步研究［J］.大連海洋大學(xué)學(xué)報(bào)，2015，30（6）：686-691.

［10］ 朱清澄，陳丙見，金鑫，等.緬甸安達(dá)曼海淺色黃姑魚生物學(xué)特性的初步研究［J］.大連海洋大學(xué)學(xué)報(bào)，2013，28（5）：487-491.

［11］ Possegger H，Mauthner T，Bischof H.In defense of color-based model-free tracking［C］//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston，MA：IEEE，2015：2113-2120.

［12］ Danelljan M，Khan F S，F(xiàn)elsberg M，et al.Adaptive color attributes for real-time visual tracking［C］//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus，OH：IEEE，2014：1090-1097.

［13］ Cimpoi M，Maji S，Kokkinos I，et al.Describing textures in the wild［C］//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus，OH：IEEE，2014：3606-3613.

［14］ Chen Guangyi，Bui T D，Krzyzak A，et al.Small bowel image classification based on Fourier-Zernike moment features and canonical discriminant analysis［J］.Pattern Recognition and Image A-nalysis，2013，23（2）：211-216.

［15］ Yang Meng，Zhang Lei，Shiu S C K，et al.Gabor feature based robust representation and classification for face recognition with Gabor occlusion dictionary［J］.Pattern Recognition，2013，46（7）：1865-1878.

［16］ Bay H，Tuytelaars T，Van Gool L.Surf：speeded up robust features ［M］//Leonardis A，Bischof H，Pinz A.Computer vision-ECCV 2006.Berlin Heidelberg：Springer，2006：404-417.

［17］ Nielsen F ?.A new ANEW：Evaluation of a word list for sentiment analysis in microblogs［C］//1st Workshop on Making Sense of Microposts.Steamboat Springs，Colorado，United States：IEEE，2011：93-98.

［18］ Anantharajah K，Ge Zongyuan，McCool C，et al.Local inter-session variability modelling for object classification［C］//Proceedings of IEEE Winter Conference on Applications of Computer Vision.Steamboat Springs，CO：IEEE，2014：309-316.

［19］ Singha M，Hemachandran K.Content based image retrieval using color and texture［J］.Signal&Image Processing，2012，3（1）：39-57.

A fish image retrieval method using multiple features

SUN Jian-wei，YU Hong，WU Jun-feng，ZHANG Mei-ling，LUO Qiang，SUN Juan-juan
（Key Laboratory of Marine Information Technology of Liaoning Province，College of Information Engineering，Dalian Ocean University，Dalian 116023，China）

It is impossible to apply single feature to describe fish image which is characterized by large quantity and complicated features.A novel fish image retrieval method is proposed using multiple features as MFFIR and characterized to deal with the problem of the fish image retrieval.On the basis of analysis，a multi-features vector comprised of color histogram feature，color moment feature and Gabor feature is designed based correlation calculation method to calculate the similarity between images.The fish image retrieval method was described in detail，and some experiments were designed to test the performance of MFFIR on“QUT_fish_data”dataset and“DLOU_fish_ data”dataset.The findings show that MFFIR has good performance and robust.

fish image；multiple-feature；image retrieval

TP391.41

A

10.16535/j.cnki.dlhyxb.2016.04.017

2095-1388（2016）04-0449-07

2015-12-28

國家海洋公益性科研專項(xiàng) （20135002-6）；大連市科技計(jì)劃項(xiàng)目 （2015A11GX022）

孫建偉 （1990—），男，碩士研究生。E-mail：499293647@qq.com

于紅 （1968—），女，博士，教授。E-mail：yuhong@dlou.edu.cn