金枪鱼深多分辨率分类方法研究

沙特国王大学学报基于学习复小波变换的金枪鱼深多分辨率分类方法Jisha Anu Josea，C.Sathish Kumarb，S.Sureshkumarca印度喀拉拉邦科塔亚姆拉吉夫·甘地技术学院b印度喀拉拉邦伊杜基政府工程学院c印度喀拉拉邦科钦喀拉拉邦渔业和海洋研究大学阿提奇莱因福奥文章历史记录：收到2020年2021年3月14日修订2021年3月16日接受2021年3月26日网上发售保留字：散射变换对偶树复小波变换学习复小波变换提升小波格式A B S T R A C T金枪鱼在商业上很重要，因为它作为罐头和生肉都很受欢迎金枪鱼在世界渔业产品中占很大比例。这些鱼是根据它们在出口生鱼和加工鱼产品的行业中的类型分类的。一个能将鱼类分类成不同种类的自动系统将使这些行业的工作变得容易。这项工作提出了一个自动化的金枪鱼分类系统，使用纹理宏观特征。该系统采用双树网络与信号匹配复小波变换。利用提升方法得到的信号匹配小波构造复小波。基于复小波的深层结构用于提取平移和变形不变特征。系统的性能进行了评估，使用不同的分类器与十倍交叉验证。结果表明，该系统给出了94.58%的准确率使用立方支持向量机（SVM）分类器。使用独立的数据集对该系统进行了评估，该系统的准确率为92.55%，精确率为92.52%，召回率为92.03%，F-评分为92.27%。使用不同的性能指标，如准确率，精度，召回率，F分数，和误分类错误的系统的性能进行比较。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍金枪鱼是海洋生态学中最具商业价值的鱼类，这是由于其优异的肉质（Lee 等人，1999 年）。根据国际海产品可持续性基金会（ISSF）的说法，黄鳍金枪鱼、大眼金枪鱼、蓝鳍金枪鱼、长鳍金枪鱼和鲣鱼是商业和休闲金枪鱼渔业最重要的物种（Restrepo等人，2016年）。金枪鱼根据其种类进行分类，现在，这种分离是手动完成的，这是耗时且容易出错的。为了满足全球对金枪鱼及其产品的需求，这些物种的加工一个自动系统可以快速地将鱼类分成不同的类型，这将简化这一过程。*通讯作者。电子邮件 网址：jishaanujose@gmail.com（J.A. Jose）。沙特国王大学负责同行审查制作和主办：Elsevier近年来，人们利用图像处理技术对不同种类的鱼类进行了大量的研究。在（Spampinato等人，2010），从图像中获得的纹理和形状特征的组合用于鱼类分类。Porn-panomchai等人（Pornpanomchai等人，2013）比较了使用形状和纹理特征的两种鱼类分类技术，使用人工神经网络（ANN）。使用颜色特征、来自灰度共生矩阵的特征和小波系数的鱼类分类在（Hu等人，2012年）。六个特征集生成和评估使用支持向量机（LIBSVM）分类器库。Andayani等人提出了使用概率神经网络分类器进行鱼类分类的几何不变矩（GIM）、灰度共生矩阵（GLCM）纹理特征和HSV颜色特征的组合（Andayani等人，2019年）的报告。报告了使用GLCM几何特征（Saputra和Herumurti，2016）和GLCM头部形状特征（Khotimah等人， 2015年）。深度学习技术因其在不同应用中的卓越性能而受到欢迎。最近，已经开发了几种用于鱼类分类的深度学习架构。三种不同的卷积神经网络（CNN）架构在其卷积层滤波器大小和池化大小方面不同，在（Ding等人， 2017年）。这项工作旨在https://doi.org/10.1016/j.jksuci.2021.03.0041319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6209找到对鱼类进行分类的最佳CNN架构。Liawatimena等人提出了一种修改后的CNN网络，名为FishNet，来自Alex- net，用于对三类鱼类进行分类（Liawatimena等人，2018年）。在（Iqbal等人，2019年），鱼类物种的识别和分类是基于深度CNN进行的，模拟为Alexnet的简化版本。结果表明，该模型采用较少的层数，比原有的Alexnet具有更好的性能。使用在ImageNet上预训练的VGG16的鱼类分类由Hridayami等人提出（Hridayami等人，2019年）的报告。在这项工作中使用了50种鱼的数据集，每种鱼有15张图像。来自水下视频的自动鱼检测和物种分类由Jalal等人提出（Jalal等人，2020年）。使用混合模型将光流和高斯混合模型与YOLO深度网络相结合。基于CNN的系统在分类鱼类物种方面显示出良好的准确性，但该系统需要大量的数据。然而，转移学习技术最近与CNN一起使用以应对数据要求（Wang等人，2019）（Yu和Wang，2019）。此外，CNN系统显示出过度拟合并且计算昂贵。这项工作提出了一个深度多分辨率网络，以实现与这样的系统相当的性能，减少计算和更少的数据。该网络有两层用于特征提取，其中图像与双树复小波函数卷积，然后进行非线性模运算。双树复小波变换（DTCWT）最近被用于各种分类和去噪操作（Ilhan 等人，2018;Iqbal 等人，2014年）。用于提取散射系数的小波变换和模运算的级联在纹理分类中显示出成功（Sifre和Mallat，2013）。目前用于提取散射系数的小波与 现 有 的 小 波 相 比 ， 信 号 匹 配 小 波 可 以提 供 更 好 的 信 号 表 示（Jiwani等人，2010; Gupta和Joshi，2014）。该工作提出了一种使用学习的双树复小波变换提取散射系数用于金枪鱼分类的深层架构第二节简要介绍了散射变换和提升小波变换。拟议系统的详细信息及框图说明见第3节。第四节对实验结果进行了分析，第五节给出了结论。2. 简要背景2.1. 散射变换小波的局部化特性可以消除信号中的畸变，但小波具有平移协变特性。散射网络使用具有局部平均的多尺度和多方向复数Morlet小波（Sifre和Mallat，2013），并且其从分类问题中消除平移和变形效应。小波变换操作被定义为信号与该族中的每个小波的卷积。由于卷积是平移协变的，小波变换也是平移协变的。平移不变表示是通过增加一些非线性系统。小波系数的局部平移不变表示可以通过局部平均或模糊算子来实现。逐点模算子后接平均，可建立平移不变小波系数。所得到的系数是散射系数。平滑或平均操作会消除信号中的高阶矩，因此使用深度网络架构来补偿这种损失。通过平滑操作获得的包络被传递到下一层，在下一层中它与扩张小波当通过层传播时，网络取出低频分量并将高频传递到下一层。经过两级分解，我们得到能量近似为零的低频分量，因此，网络的深度为2。2.2. 提升小波变换提升技术用于构造新的小波或将现有的小波滤波器分解成更小的滤波步骤（Sweldens，1998）。基于提升格式的小波构造包括三个阶段：分裂阶段、预测阶段和更新阶段.在分裂阶段，输入信号被分成两个不相交的集合，通常是偶数和奇数样本。在第二阶段中，使用二抽头或四抽头预测滤波器从另一组样本预测不相交的样本组中的一组样本在这一阶段，分析高通和合成低通滤波器修改使用的预测，过滤器。预测样本集用于更新预测样本集，在这个阶段中使用两个抽头或四抽头更新滤波器。然后，更新滤波器修改分析低通和合成高通滤波器。在这些步骤之后获得一组新的分析和合成滤波器，其用于信号的分析。3. 拟议系统如果鱼是新鲜的，那么将金枪鱼识别为各自的物种相对更舒适，因为它们在颜色，形状，身体标记和形态上都不同。然而，由于变色、变形和皮肤磨损，在冷冻状态下识别变得复杂。因此，需要一个训练有素的系统来识别新鲜和冷冻条件下的金枪鱼品种。这项工作提出了一个自动化系统，可以分类金枪鱼到不同的物种，通过使用图像处理技术。所提出的系统的框图如图1所示。所捕获的图像被应用于预处理阶段，以减少背景效应并增强边缘。然后给出预处理后的图像进行特征提取。该系统使用了一个深散射网络架构，具有两个层次的分解，用于捕获纹理宏观特征的图像。深度网络中使用的复小波函数是通过提升方案从信号中学习的从网络的每一层中提取一组平移和变形不变特征，并对其进行约简以提高识别率。最后，将特征归一化，并使用不同的分类器区分鱼类。3.1. 数据集的详细信息在这项研究中使用了三种金枪鱼，Thunnus obesus（大眼金枪鱼），Katsuwonus pelamis（鲣鱼）和Thunnus albacares（黄鳍金枪鱼）。图2（a）-（c）分别显示了大眼金枪鱼、鲣鱼和黄鳍金枪鱼的图像。鱼的图像是从阿拉伯海沿岸的Vizhinjam，Cochin和Thengapattanam港口收集的。研究中使用的数据集共有657张图像，包括220张大眼金枪鱼图像，215张鲣鱼图像和222张黄鳍金枪鱼图像。图像是使用尼康D3300数码单反相机，具有24.2百万像素的分辨率和30秒的快门速度捕捉。该论文的第三作者是水产大学的一名专业人员，他协助对图像进行了标记。图像被增强以增加它们的数量。应用于图像的增强操作为：吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6210Fig. 1. 拟议系统的框图。图二、不同种类的金枪鱼。模糊：核半径从0到5变化的高斯滤波器用于模糊图像。旋转：所有图像都以20的步长旋转，角度范围从0到180。对比度调整：所有图像的对比度调整到随机选择的对比度限制。平移：所有图像分别在水平和垂直方向上移动15和25个像素。模糊效果是使用图像编辑软件Photoshop执行的，而所有其他操作都是在MATLAB中实现的。数据集分为两组，一组用于系统的交叉验证分析（S1），另一组作为独立组（S2）用于测试系统。在S1中增强图像之后，数据集具有9016个图像，其中3018个图像2952张是大眼金枪鱼，2952张是鲣鱼，3046张是黄鳍金枪鱼。3.2. 预处理鱼的图像被手动裁剪以减少背景效果。所得到的图像由具有减少的背景的鱼体区域组成。这些图像然后被转换成灰度级以供进一步处理。然后，所有图像通过自适应直方图均衡块。该过程减少了人为诱导的边界，并增强了每个图像区域的局部对比度和边缘（Zuiderveld，1994）。图3示出了样本图像及其预处理图像。●●●●吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6211ð Þð Þð Þ¼ð Þð ÞX~2xωw¼xωwi：xωwð7Þ目标函数将给出最优更新滤波器系数，使得大部分信号能量集中在上分支。更新滤波器Uz然后用于修改分析低通和合成高通滤波器。因此，在提升技术结束时，从信号中学习一组新的并元小波滤波器图三. 原始图像和预处理图像的样本图像。3.3. 种子图像选择从每个类别中选择一个图像作为种子图像进行小波学习。在类内给出最大平均结构相似性指数的图像被作为该类的种子图像。结构相似性指数测度（SSIM）是衡量图像间相似性的标尺. SSIM的值范围为0到1。SSIM的高值表明图像彼此接近（Wang等人，2004年）。具有最高平均相似性指数的图像将显示出跨类别的低可变性，因此用于小波学习的集成信号中。3.4. 小波变换学习二进小波可以通过提升框架从信号中学习（Ansari和Gupta，2015）。下面给出小波学习的提升方案中的三个步骤分裂相位：在分裂相位中，通过使用懒惰小波将输入信号分成两个不相交的集合。设x0和xe分别表示使用小波获得的奇数和偶数样本集。惰性小波中使用的分析和合成滤波器是：H0z1H1zz1G0z1G1zz-12预测阶段：在这个阶段，一组样本是从另一组样本中预测出来的让我们考虑奇数样本从偶数样本预测的情况，如下所示。dnxon-xenωpn3其中，d n是预测误差。为了得到更好的预测，通过使用四抽头预测滤波器pn从最近的相邻样本预测奇数样本。用于选择预测滤波器系数的优化准则被给出为：~XN-1。Σn¼03.5. 复小波滤波器设计在（Kingsbury，2000）中，Kingsbury表明通过实现双树复小波变换（DTCWT）可以实现近似通过适当地设计每一级的滤波器延迟，在具有树a和b满足延迟约束的树a和b可以被解释为复小波的实部和虚在系统的树的低通滤波器之间分别需要一个采样周期和1=2采样周期的延迟用于第一和更高双树结构的第一级使用任何正交或双正交滤波器。通过在滤波器中插入或删除一个单位延迟，可以实现对于更高的电平，设计了q移位滤波器，它提供1= 2采样周期的延迟（Kingsbury，2003）。在这项工作中，从每个类的种子图像的合奏用于小波学习。提升技术产生一个双正交的，在双树架构的第一级使用的过滤器。学习滤波器分解总体信号，并且其近似系数用于学习更高级别的滤波器。对于DTCWT中的更高电平，Kingsbury使用二进制原型滤波器来设计q移位滤波器。在这项工作中，我们使用低通滤波器学习LL子带作为原型型滤波器的设计的q移位滤波器。最后将得到的信号匹配滤波器组用于双树小波的特征提取。3.6. 特征提取与约简分类系统的性能高度依赖于用于任务的特征。该方法使用纹理宏观特征的图像进行分类。采用信号匹配复小波滤波器对图像进行多分辨率分析，提取特征。一个两层网络与学习小波用于特征提取的工作。使用学习的双树复小波对输入图像进行滤波，J= 5尺度和h6方向，给出多分辨率分析。将不同尺度和方向的实树和虚树的所得系数组合以获得复小波系数（Singh和Kingsbury，2017）。p¼argminp2002年ð4Þa.b其中N是预测误差向量的长度结束时在该阶段，分析高通和合成低通滤波器被使用优化的预测滤波器P z进行修改。更新阶段：在该阶段中，使用两抽头更新滤波器U z来更新预测阶段的近似系数。更新的近似系数如下：aunxendnωun5其中，Wa表示来自树a的系数，Wb表示来自树a的系数。来自TreeB的对于每个尺度j，从实树和虚树为每个方向创建子带。因此，每个尺度的组合复子带的数量将是六个。对小波变换的输出进行逐点L2由于从合成低通滤波器应该是原始信号的最接近的近似值，对象-PJ1/2k1]1/4jxωw1j 1/4r。ffi ffixffiffiffi ffiωffiffi ffiwffiffi ffiaffiffi ffiΣffi ffijffi2ffi ffiþffiffiffiffi ffijffiffi ffi.ffiffiffixffiffiffiωffiffiffiffiwffiffiffibffiffiΣffiffiffijffi2ffiffið8Þ用于获得更新滤波器系数的函数被定义为：Nx-1u¼argminux1n-xn6n¼0其中，N x是信号x的长度。通过应用窗口大小为2Jw的局部平均滤波器或空间滤波器，从分解的子带中提取局部平移不变特征。QJ 1 /2k1]x1/4 jxωw1jω/2Jw911吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6212ΣΣ××ð Þ ð Þ空间平均过程导致信号的高阶矩损失，因此，小波分解进一步应用于子带，为系统提供深度网络架构PJ½k1;k2]jjxωw1jωw2j10如第2.1节所述，将两层架构应用于图像以进行特征提取。通过对两级分解中的所有子带进行空间滤波来获得一组分解不变系数。这些被连接在一起以形成如下给出的特征向量F<$Pj<$k1]x;Pj<$k1;k2]x11特征约简和归一化。通过求二维和三维的平均值，将所有子带图像的系数连接起来得到特征向量。为了提高分类性能，对约简后的特征向量进行归一化处理。3.7. 分类在最后一步中，使用不同的分类器进行十重交叉验证来评估所提取特征的性能研究了k近邻分类器（kNN）、支持向量机（SVM）、核极端学习机（KELM）、线性判别分析（LDA）、随机森林分类器、概率神经网络（PNN）和人工神经网络（ANN）的分类效果kNN是一种非参数监督机器学习分类器，它搜索与查询点最接近的k个点，并根据k个点之间的接近程度对查询进行分类（Liao和Vemuri，2002）。SVM是一种判别分类器，它在特征空间中搜索最优超平面。超平面将把特征点分成不同的类（Joachims，1998）。在SVM中使用不同的核函数以更好地分离数据点。ELM是一种前馈神经网络，它在单次传递中学习隐藏节点的输出权重（Huang例如， 2006年）。内核ELM使用不同的函数，如多项式，小波和径向基函数（RBF）核。包围分类器通过组合一系列n个学习模型来创建复合模型。当集成中的分类器是决策树时，集成被称为随机森林（Random Forest，2005）。LDA试图通过最大化类间方差与类内方差的比值来分离数据点（Balakrishnama和Ganapathiraju，1998）。PNN是一种前馈网络，在隐藏层使用径向基函数（Specht，1990）。人工神经网络使用不同数量的神经元，这些神经元被布置为与一些权重互连的层。学习过程改变网络的权重和偏差以最小化误差（Byvatov等人，2003年）。4. 结果和讨论在这项工作中，每个图像的大小调整为128 256像素的大小。然后将调整大小的图像转换为灰度。种子图像是根据其平均SSIM值从每个类别中选择的，学习的目的。不同类别的种子图像及其平均SSIM值见表1。然后将来自每个类别的种子图像逐行连接以生成总体信号。然后，基于提升方案的小波学习应用于集成信号。四抽头预测P z和两抽头更新U z滤波器被初始化用于预测和更新阶段，如下所示：Pz 1z-1z-2z-312Uz1z113表1种子图像和每个类的平均SSIM值。类别种子图像平均SSIM大眼金枪鱼0. 267鲣鱼0.1946黄鳍金枪鱼0.2606这些系数在预测和更新阶段根据相应的目标函数进行更新。在预测和更新阶段之后，生成新的滤波器，形成信号匹配分析和合成滤波器。利用提升算法从信号集合中学习出一个9/7双正交滤波器。在双树结构的第一级中使用从集合信号学习的滤波器。从总体信号的LL子带学习一组滤波器，用于更高级别的在更高层次上，为了设计q移位滤波器，学习的分析滤波器被用作原型滤波器。从信号集合中产生的滤波器组被用于双树结构中以得到复小波。图4示出了通过提升方案从总体信号学习的复小波。图5示出了在深度架构的每一层中获得的子带图像的数量。在这项工作中，比例因子J= 5，因为它显示出比四个尺度分析更好的结果。该架构的第一层生成30个图像，对应于六个方向和五个尺度。在这30张图像中，有24张图像被传递到下一级进行进一步分解（Singh和Kingsbury，2017）。从第一层中的尺度1获得的图像被分解为第二级中的尺度j= 2、3、4和5。类似地，对从j= 2获得的图像进行分解第三、四、五音阶因此，架构的第2层总共提供360个图像。通过局部平均，从原始图像和子图像操作符在大小为2Jw的空间窗口上。空间滤波通过使用频率峰值为1且椭圆包络的偏心率为零的Gabor小波实现高斯滤波器因此，滤波操作将给出大小为4 8的特征图像。这些图像的系数作为特征。特征见图4。从种子图像的集合学习信号匹配复小波。吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6213PPKKPK× ×图五. 每层中分解图像的数量。表2为模拟而改变的参数和分类器的最佳参数值。分类器参数优化值在这项工作中使用了诸如准确度、精确度、召回率、F分数和误分类错误（MCE）之类的度量性能指标的表达式（十四）、Ktpitni准确度i1tpifnifpitniKTP I精密度i½1tpifpiFscoreKTP I召回i½1tpifni2012年2月1日精确度和召回率ð14Þ1/4b2精确度和召回森林因此从每个输入图像获得的图像的大小为12412（391 4 8= 12412）。然后通过找到平均值来减少该特征向量MCE¼1-准确度其中tp=真阳性，fp=假阳性，fn=假阴性，b=常数，K=类别数。表4利用立方SVM分类器对各子带特征进行分类精度分析沿着第二和第三维度产生特征向量长度391在提供给分类器之前，对减少的特征集进行归一化该系统是通过十倍交叉验证使用不同的分类器。表2中示出了针对具有每个分类器的最佳参数的模拟而改变的参数的细节表3中示出了使用来自深层架构的宏观纹理特征通过十重交叉验证评估的不同分类器的性能测量。结果表明，立方SVM分类器在金枪鱼分类中的准确率最高。一种宏观评估技术被用来评估使用不同分类器的多类分类系统的性能（Sokolova和Lapalme，2009）。各种性能表310折交叉验证的不同分类器的平均性能度量值分类器准确度（%）精密度（%）召回率（%）F评分（%）MCE（%）KNN88.7588.8079.6883.9511.25QLDA92.1791.9485.9588.547.83PNN88.7088.7579.5983.8811.30多项式KELM91.9991.8485.1488.358.01随机森林90.5790.6382.7686.429.43安84.5885.1873.6478.5215.42Cubic SVM94.5894.7289.6492.045.42KNNSVMLDAk值，k = 1，2，3核=线性，高斯，二次，三次线性，二次k = 1立方二次PNN扩散系数，p = 0.1至1p = 0.1安隐藏层（L），传递函数数量神经元，历元，学习率L = 2，logsig[256，128]，Kelm多项式KELM，d = 2，33000，0.3多项式随机小波核学生人数内核，d = 370层1精度层2精度子带，j= 183.32子带，j= 281.15子带，j= 384.26子带，j= 483.27子带，j= 583.58子带，j= 282.15子带，j= 382.30子带，j= 482.12子带，j= 583.41子带，j= 382.02子带，j= 480.42子带，j= 582.67子带，j= 482.02子带，j= 583.44子带，j= 581.56––吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6214¼为了识别在分类过程中有帮助的最佳子带，使用立方SVM的每个子带特征结果表明，当j= 3时，第二层子图像j1的子带特征具有最高的识别精度使用不同特征集的类的可分性由图中的散点图显示。六、t-SNE散点图用于显示使用不同特征集的类别分离。t-SNE通过将高维数据映射到二维或三维空间中的位置来帮助可视化高维数据（Van der Maaten和Hinton，2008）。在独立集（S2）上对系统性能进行了评估，系统显示出92.55%的准确率，92.52%的精确率，92.03%的召回率和92.27%的F分数。数据和独立集交叉验证评估的混淆矩阵如图所示。7.第一次会议。还将所提出的系统与现有技术的系统（Hu等人，2012; Andayani等人，2019; Iqbal等人，2019; Hridayami等人， 2019年），并在准确率，精度，召回率，F分数和误分类错误（MCE）方面进行了比较。通过使用最先进的系统方法从我们的数据集中提取特征并评估见图6。不同特征集的散点图。见图7。 具有（a）数据交叉验证（b）独立数据集的立方SVM分类器的混淆矩阵。表5拟议系统与最先进系统的比较业绩指标（%）系统提取的特征所用分类器精度精度召回F-scoreMCE（Hu等人， 2012年）HSV颜色空间LIBSVM81.4181.0168.6774.4818.59（Andayani等人， 2019年度）颜色、纹理和几何不变矩PNN86.1986.1075.7980.6213.81（Iqbal等人，2019年度）预训练的AlexNet功能Softmax93.2993.2087.6190.266.71（Hridayami等人， 2019年度）预训练的VGG16功能Softmax93.5993.4888.0190.576.01提出基于学习复小波的散射系数Cubic SVM94.5894.7289.6492.045.42吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6215和这里使用的分类器一样表5显示了所提出的系统与最先进系统的比较。实验结果表明，该系统具有较高的性能比其他方法在金枪鱼分类。5. 结论本文提出了一个金枪鱼自动分类系统，用于不同种类的金枪鱼的分离。三个物种的图片从阿拉伯海沿岸的不同港口收集金枪鱼。这些图像在特征提取之前进行预处理。预处理步骤包括图像裁剪以减少背景影响和图像增强的自适应直方图均衡。从每个类中确定种子图像以生成用于学习信号匹配滤波器的集合信号。将具有最大平均相似性指数值的鱼图像作为一类的种子图像。利用提升方案，从信号集合中设计了一个信号匹配复小波。纹理宏观特征提取通过这个架构的图像。使用不同的分类器进行十重交叉验证，评估使用学习的基于复杂小波的深度网络其中，立方SVM 分类器表现出最高的准确率为94.58%。所提出的系统在一个独立的集上的性能也进行了评估。结果表明，该系统在独立集上的准确率为92.55%。该系统与国家的最先进的系统进行比较，所提出的方法优于其他系统的准确率，精度，召回率，F分数，和误分类错误。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认我们感谢南印度渔民协会联合会（SIFFS）副首席执行官J. VincentJain先生为获取喀拉拉邦和泰米尔纳德邦不同港口的鱼类图像提供支持。作者感谢先生。Pushparaj和Richard Alby先生，Veli船厂负责人，感谢他们在Ten- gapattanam和Vizhinjam港口提供的帮助。引用Andayani，U.，维贾亚，A.，拉赫马特河，Siregar，B.，Syahputra，M.，2019.基于概率 神 经 网 络 的 鱼 类 分 类 。 物 理 学 杂 志 ： 会 议 系 列 。 IOP 出 版 社 。https://doi.org/10.1088/1742-6596/1235/1/012094012094.Ansari，N.，古普塔，A.，2015.信号匹配小波设计通过提升使用优化技术，在：国际会 议 数 字 信 号 处 理 （ DSP ） ， IEEE ， 新 加 坡 ， 新 加 坡 。 pp. 863-867 doi ：10.1109/ICDSP.2015.7251999。Balakrishnama，S.，Ganapathiraju，A.，1998.线性判别分析简明教程。 信号和信息处理研究所1 - 8，1-8。Byvatov，E.，费希纳大学，Sadowski，J.，Schneider，G.，2003.支持向量机和人工神经网络系统用于药物/非药物分类的比较。化学信息和计算机科学杂志43，1882-1889。丁，G.，宋，Y.，郭杰，Feng，C.，Li，G.，他，B.，Yan，T.，2017.使用卷积神经网络进行鱼类识别，见：2017年海洋会议论文集，IEEE，安克雷奇，阿拉斯加，pp。一比四古普塔，A.，乔希，S.，2014.关于内在小波函数的概念，在：信号处理和通信国际会议（ SPCOM ） ， IEEE ， 班 加 罗 尔 ， 印 度 。 pp.1-5.doi ： 10.1109/SPCOM.2014.6984009。Hridayami，P.，普特拉，I.K.G.D.，Wibawa，K.S.，2019.基于VGG16深度卷积神经网络的鱼类种类识别Journal of Computing Science and Engineering 13，124-130. https://doi.org/10.5626/JCSE.2019.13.3.124网站。Huang，G.B.，Zhu，Q.Y.，Siew，C.K.，2006.极限学习机：理论与应用。神经计算70，489-501。https://doi.org/10.1016/j的网站。neucom.2005.12.126网站。胡，J，Li，D.，Duan，Q.，汉，Y.，陈，G.，Si，X.，2012.基于颜色、纹理和多类支持向 量 机 的 鱼 类 视 觉 分 类 。 计 算 机 和 电 子 学 在 农 业 88 ， 133-140 。https://doi.org/10.1016/j.compag.2012.07.008.Ilhan，H. O.，Serbes，G.，Aydin，N.，2018.基于双树复小波变换的精子异常分类，在：第41届电信和信号处理国际会议（TSP）论文集，IEEE，雅典，希腊，pp.1比5。Iqbal，M.Z.，Ghafoor，A.，西迪基，上午，Riaz，M.M.，哈立德，美国，2014.基于双树复小波变换和svd的医学图像分辨率增强。信号处理105，430-437。伊克巴尔，文学硕士，王志，Ali，Z.A.，里亚兹，S.，2019年。使用深度卷积神经网络 进 行 鱼 类 自 动 无 线 个 人 通 信 1https://doi.org/10.1007/s11277-019-06634-1 网站。Jalal，A.，Salman，A.，Mian，A.，Shortis，M.，Shafait，F.，2020年。使用深度学习和时间信息在水下环境中进行鱼类检测和物种分类。生态信息学57，101088。Jiwani，L.K.，乔希，S.，Visweswaran，G.，2010.调制小波基，在：小波分析与模式识别 国 际 会 议 论 文 集 ， IEEE ， 青 岛 ， 中 国 。 324-328. doi ： 10.1109/ICWAPR.2010.5576378。Joachims，T.，1998.文本分类与支持向量机：学习与许多相关的功能，在：欧洲会议的 机 器 学 习 ， 施 普 林 格 ， 柏 林 ， 海 德 堡 ， pp 。 137-142. doi ： 10.1007/BFb0026683。Khotimah，W.N.，Arifin，A.Z.，Yuniarti，A.，Wijaya，A.Y.，地方检察官纳瓦斯塔拉卡尔布阿迪湾一、2015.利用决策树算法和图像处理方法对金枪鱼进行分类。计算机、控制、信息学及其应用国际会议（IC3INA）IEEE，Bandung，Indonesia，pp. 126-131北卡罗来纳州金斯伯里，2000.具有改进的正交性和对称性的双树复小波变换，在：国际图像处理会议论文集（目录号00CH 37101），IEEE，温哥华，BC，加拿大，pp.375-378. doi：10.1109/ICIP.2000.899397。北 卡 罗 来 纳 州 金 斯 伯 里 2003 年 。 Design of Q-shift complex wavelets for imageprocessing using frequent domain energy minimization ，in ： Proceedings ofInternational Conference on Image Processing （ Cat. 号 03CH37429 ） ，IEEE，巴塞罗那，西班牙，pp.1013-1016. doi：10.1109/ICIP.2003.1247137。李，P.F.，Chen，I.C.，Tseng，W.N.，1999.印度洋三种主要金枪鱼物种的分布模式，载于：第19届国际ERSI用户会议论文集，加利福尼亚州圣地亚哥，第199页。10个。廖，Y.，Vemuri，V.R.，2002. k-近邻分类器在入侵检测中的应用。计算机安全21，439-448。https://doi.org/10.1016/S0167-4048（02）00514-X.Liawatimena ，S. ，Heryadi ， Y. ，Trisetyarso ，A. ，Wibowo， A. ，Abbas ，B.S. ，Barlian，E.，例如，2018. A fish classification on images using transfer learningand matlab，in：Proceedings of Indonesian Association for Pattern RecognitionInternational Conference（INAPR），IEEE，Jakarta，Indonesia，pp.108-112.doi：10.1109/ INAPR.2018.8627007。帕尔，M.，2005.用于遥感图像分类的随机森林分类器。国际遥感杂志26，217-222。https://doi.org/10.1080/01431160412331269698.Pornpanomchai，C.，Lurstwut，B.，Leerasakultham ，P.，Kitiyanan，W.，2013年。基于形状和纹理的鱼类图像识别系统。Kasetsart Journal-Natural Science47，624-634.Restrepo，V.，Juan-Jordá，M.J.，Collette，B. B.，Frédou，F.L.，Rosenberg，A.，2016年。 金枪鱼和长嘴鱼。第一次全球海洋评估（世界海洋评估）。用名称不意味着联合国Saputra，W.A. Herumurti，D.，2016.融合glcm与感兴趣区域几何特征提取于金枪鱼分类。 信息&通信技术和系统国际会议。IEEE，Surabaya，Indonesia，pp.七十五比七十九。西弗雷湖Mallat，S.，2013.旋转，缩放和变形不变的散射纹理歧视，在：IEEE计算机视觉和模式识别会议论文集，IEEE，波特兰，OR ，美国，pp。1233-1240. doi：10.1109/CVPR.2013.163。辛格，A.，北卡罗来纳州金斯伯里，2017.用于对象分类的具有参数对数变换的双树小波散射网络，在：声学、语音和信号处理国际会议论文集（ICASSP），IEEE，新奥尔良，LA，美国，pp.2622-2626. doi：10.1109/ ICASSP.2017.7952631。Sokolova，M.，Lapalme，G.，2009年分类任务绩效测量的系统分析信息处理管理45，427-437。https://doi.org/10.1016/j.ipm.2009.03.002网站。Spampinato角，Giordano，D.，迪萨尔沃河，巴西-地陈伯格，Y.H.J.，费希尔，R.B.，Nadarajan，G.，2010.水下物种行为理解的自动鱼类分类，在：第一届ACM国际研讨会的分析和检索跟踪事件和运动的图像流，ACM，佛罗伦萨，意大利。pp. 45比50doi：10.1145/1877868.1877881。Specht，D.F.，1990年概率神经网络 Neural Networks 3，109-118.吉沙·阿努·何塞角Sathish Kumar和S.苏雷什库马尔沙特国王大学学报6216Sweldens ， W. ， 1998. 提 升 格 式 ： 第 二 代 小 波 的 构 造 。 SIAM Journal onMathematical Analysis 29，511https://doi.org/10.1137/S0036141095289051.范德马滕湖，Hinton，G.，2008.使用t-sne可视化数据。机器学习研究杂 志 9.王志，Bovik，A.C.，谢赫，H. R.，Simoncelli，E.P.，例如，2004.图像质量评估：从误差可见性到结构相似性。IEEE Transactions on Image Processing 13，600-612.https://doi.org/10.1109/TIP