鱼类行为录像的畸变评估及数据提取研究
Ａｂｓ ｒ ｔ ｈ ｍａ ｅ ｄｓｏｔ ｎ ｉ ｅ ａ ｉｒｖｄ ｏ ｆｆ ｈ ｓ ｈ ｓ ｂ ｅ ｖ ｌａｅ ｙ ｍｅ ｎ ｆｎｎ ｏ ｔ ｌｒｆｒｎ ｅ ｔ ａｃ ：Ｔ ｅ ｉ ｇ ｉｔｒｉ ｎ ｂ ｈ ｖｏ ｉｅ ｓ ｏ ｓ ｅ ａ ｅ ｎ ｅ ａｕ ｔｄ ｂ ａ ｓ ｏ ｉｅ ｃ ｎｒ ｅｅｅ ｃ ｏ ｉ ｏ
摘 要： 选取 ９ 个控 制点 ， 算 １ 个畸变评估系数， 计 ２ 对拍摄 的鱼类行为录像进行 了畸变评估 ； 并采用两种方 法 ， 即透视原 理方法 和作 者设计 的特殊设备提取 的方法 ， 提取录像 中鱼体准确 的空间三维位置坐标 。研究结果 表明 ： １在其他拍摄条 件相 同的情况 （） 下， 拍摄距离越远所产生 的横 纵畸变量越小 ， 在拍摄距离 为 ５ ｎ 的情况下 录像所 产生的畸变量 基本上不影 响两种数据信 息提取 ｉ 的结果 。（ ） ２ 按透视原理所提取鱼个体位置的空间三维坐标 准确度 较差 ， 只有 当鱼体完全 平行 于水族箱前缸 面时 ， 其结果 比较准 确， 然而该种方法 的优点是不会丢失缸体 内所有鱼个体的信息 。 ３ 使用专门设备 Ａ时 ， （） 因镜面映照范 围小于缸底 ， 而造成贴近缸
ｐ ｓｔ ｎ ｏ ｄ ｖｄ ａ ｓ ａ ｅ ａ ｃ ｒｔ ｌ ｂ ａ ｎ ｄ ｆｏ ｔ ｅ ｖｄ ｏ ｒ ｃ ｒ ｓ Ｔｈ ｅ ｕｔ ｈ ｗｅ ｈ ｔ ｒ １ｗ ｅ ｈ ｔ ｅ ｏ ｉ ｏ ｆｉ ｉ ｉｕ Ｉ ｈ ｃ ｎ ｂ ｃ ｕ ａ ｅｙ ｏ ｔｉ ｅ ｒ ｍ ｈ ｉｅ ｅ ｏ ｄ ． ｅ ｒ ｓ ｌ ｓ ｏ ｄ ｔ ａ １ ｈ ｎ ｔ ｅ ｏ ｈ ｒ ｉ ｎ ｉ ｆ ｓ
壁的鱼体的三维数据信息丢失 ， 但此种方法所提取 的空 间三维 坐标 相对上一方法在计算上要 简单 ， 所需 的已知参数 少 ， 而且容易
得 到 ， 获 的空 间位 置 准 确 。 所
关键词： 鱼类行 为 ； 畸变估 ； 三维空 间位置数据提取 ； 透视原理
中图分类号：９７ ￥ １． ４
湖南农业科学
２ １ ，７ ：２ ～ ３ ０ （ ） １９ １３ １
Ｈ ｎ ｎＡｇ ｃ ｌ ｒｌ ｃｅ ｃｓ ｕ ａ ｎ ｕｔ ａ Ｓ ｉ ｅ ｕ ｎ
鱼 类 行 为 录像 的 畸 变 评 估 及 数 据 提 取 研 究
柳 玲 飞 ， 应 祺 １ ， 卫 国 ，， 周 ＇钱 ２ ’ ３ 赵 媛
文献标识码 ： Ａ
文章编号 ：０６０ ０ （０ ０— １９ ０ １０—６ Ｘ ２ １）７０２— ５ １
Ｄｉ ｔ ｒ ｉ ｎ Ｅｖ ｌ ｔｏ ｎ ｓｏ ｔｏ ａ ｕａ ｉ ｎ ａ ｄ Ｄａｔ ｔ ａ ｔｏ ｏ ｈａ ｉ ｒ Ｖｉ ｏ ｆＦｉｈｅ ａ Ｅｘ ｒ ｃ ｉ ｎ ｆ ｒ Ｂｅ ｖ ｏ ｄｅ ｓ ｏ ｓ ｓ
（． 海海 洋 大学海 洋科 学 学 院 ， １上 上海 ２ １０ ； ０３ ６
２ 大洋生物资源开发和利用上海市高校重点实验室， ． 上海海洋大学 ， 上海 ２ １０ ； ０３６ ３ 大 洋渔 业资源 可持 续 开发省 部共 建教 育部 重 点 实验 室 ， 海海 洋大 学 ， ． 上 上海 ２ １０ ） ０ ３６
Ｌ Ｕ Ｌｎ － ｅ’ ＺＨＯＵ Ｙｉｇ ｑ ’ ＱＩ ｅ－ ｕ ’ ， Ｉ ｉｇ ｆ ｉ ， ｎ－ ｉ ｔ ， ＡＮ Ｗ ｉｇ ｏ ’ ＺＨＡＯ ａ ’ Ｙｕ ｎ
（． ｏ ｅｅｏ ｒ ｅＳｏｎｅ， ｈｎ ｈ ｃａ ｎｖｒｉ， ｈｎ ｈｉ ０ ３ ６ Ｐ ｃ ２ ＴｅＫ ｙＬ ｂｒｔｒ １ Ｃ ｌｇ ｌ ｆＭａｉ ｃ ｃｓ Ｓ ａｇ ａ Ｏ ｅｎＵ ｉ ｓｙ Ｓ ａｇ ａ １ ０ ， Ｒ ； ． ｈ ｅ ａｏａｏ ｏ ｎ ｉ ｅ ｔ ２ ｙｆ Ｏ ｅ ｉ Ｆｓｅｉ ｅｏ ｒ ｓ ｘ ｌ ｔ ｉ Ｓ ａｇ ａ Ｅ ｕａｉ ｏ ｉ ｉ ， ｈ ｇ ａ ｃａ ｎｖｒ ｔ ｃａ ｃ ｉ ｒ ｓＲ ｓｕｃ ｐｏ ａ ｏ ｏ ｈ ｎｈ ｄｃｔ ｎＣ ｍｍ ｓ ｎ Ｓ ａ ｈ Ｏ ｅ Ｕ ｉ ｓｙ ｎ ｈ ｅ ｅ Ｅ ｉ ｔ ｎｆ ｉ ｏ ｓ ｏ ｎ ｉ ｎ ｅ ｉ， Ｓ ａｇ ａ ２ １ ０， ＲＧ ． ｅＫ ｙＬｂ ｒ ｏｙｏ Ｓ ｓ ｎｂｅＥ ｐｏｔ ｉ Ｏ ｅｎｃＦ ｈｒ ｓＲ ｓｕｃｓ ｈ ｈ ０ ３ ６ Ｐ ｎ ｉ ３ Ｔ ｅ ａｏａ ｒ ｕｔ ａ ｌ ｘ ｌｉ ｏ ｏ ｃａ ｉ ｉ ｅｉ ｅｏｒｅ， ｈ ｔ ｆ ｉ ａ ｔ ａ ｎｆ ｓ ｅ
ｐ ｉ ｔ ｔ ２ ｄ ｓｏ ｔ ｎ ｅ ａ ｕ ｔ ｎ ｆｃ ｏ ｓ ｔ ｏ ｔｐ ｓ ｏ ａ ａ ｅ ｔ ｃ ｉｇ ｍｅ ｈ ｄ ａ ｅ ｂ ｅ ｅ ｅｏ ｅ ， ｎ ｓｂ ｓ ｄ ｏ ｏ ｎ ｓｗｉ １ ｉ ｒ ｏ ｖ ｌ ａ ｉ ａ ｔ ｒ； ｗ ｙ ｅ ｆｄ ｔ ｘｒ ｔ ｔ ｏ ｓｈ ｖ ｅ ｎ ｄ ｖ ｌ ｐ ｄ ｏ ｅ ｗａ ａ ｅ ｎ ｈ ｔ ｉ ｏ ａ ｎ ｐ ｒ ｐ ｃ ｉｅ ｔ ｅ ｒ ｎ ｈ ｔ ｅ ｎ ｓｂ ｓ ｄ ｏ ｈ ｔｗｉ ｐ ｃａ ｑ ｉ ｍｅ ｔ ｅ ｉ ｎ ｄ ｂ ｈ ｕ ｈ ｒ ， ｈ － ｐ ｔ ｌ ｅ ｓ ｅ ｔ ｈ ｏ ｙ ａ ｄ ｔ ｅ ｏ ｈ ｒｏ ｅ ｗａ ａ ｅ ｎ ｓ ｏ ｔ ｓ ｅ ｉｌｅ ｕｐ ｎ ｓｇ ｅ ｙ ｔ ｅ ａ ｔ ｏ ｓ ｔ ｅ ３ Ｄ ｓ ａｉ ｖ ｈ ｄ ａ
海洋渔业资源调查与评估技术
海洋渔业资源调查与评估技术随着世界人口的增长和人类对海洋资源的需求不断增加，海洋渔业扮演着至关重要的角色。
如何科学地进行海洋渔业资源调查与评估就成为了一个重要的课题。
本文将介绍一些常用的海洋渔业资源调查与评估技术，希望能够为读者提供一些有价值的信息。
1. 无线电声纳技术无线电声纳技术是一种传统的海洋渔业资源调查和评估技术。
它通过发送声波信号，利用回波的强度和时间延迟来估计鱼群的分布和数量。
这种技术操作简单，成本较低，但也存在一些问题。
由于声纳只能提供水平分布的信息，垂直分布的数据则需要通过其他方法进行补充。
2. 水下摄像技术随着技术的进步，水下摄像技术在海洋渔业资源调查与评估中起到了越来越重要的作用。
通过在鱼群生活的水域安装摄像设备，可以直接观测和记录鱼群的活动。
这种技术相对于声纳技术具有更高的分辨率和准确性，能够提供更多细节信息。
然而，水下摄像技术的应用还受限于水域的可见性和设备的成本。
3. 遥感技术遥感技术是一种基于卫星或飞机获取海洋渔业资源信息的方法。
它通过分析海水的色彩和温度等参数，来推测鱼群的分布和密度。
这种技术具有广阔的适用范围和高效的数据获取速度。
但是由于海洋环境的复杂性，遥感技术在鱼群类型的区分和数量的估算上还存在一定的误差。
4. 声呐技术声呐技术是一种使用声波来检测和测量鱼群的方法。
通过测量声波在水中的传播速度和反射强度，可以估计鱼群的分布和数量。
声呐技术可以提供各种尺度的数据，并且对鱼群的垂直分布也有一定的反映。
然而，声呐技术对水体的传播特性要求较高，同时也受到海洋环境其他因素的干扰。
5. 遗传学分析技术遗传学分析技术在海洋渔业资源调查与评估中也有广泛应用。
通过对鱼群DNA的分析，可以确定不同群体之间的遗传关系和精确的鱼群身份。
这种技术具有高精度和高效性，并且对海洋生态系统的保护和可持续利用具有重要意义。
然而，遗传学分析技术的应用还处于发展初期，需要进一步的探索和研究。
综上所述，海洋渔业资源调查与评估技术在科学管理和可持续发展方面起到了重要的作用。
鱼类和贝壳类实验室感官评定指南（CACGL
魚類和貝殼類實驗室感官評定指南(CAC/GL 31-1999)CODEX GUIDELINES FOR THE SENSORY EVA LUATION OF FISH ANDSHELLFISH IN LA BORATORIES(CAC/GL 31-1999)1.指南的範圍和目的本指南旨在指導檢測人員進行感官檢測，儘管指南是按國際食品法典標準要求編寫，但也包括一些專門為這些標準中尚未覆蓋但按要求在魚製品檢測中應進行感官評價的產品而制定的條款(1)，本指南適用於為測定產品加工過程中的缺陷而對樣品進行的實驗室中的感官檢驗程式(包括蒸煮)，而這類感官檢驗程式在實驗室外是不能正常進行的。
另外，本指南還提供了用於此種檢驗或培訓|檢驗員的實驗室設備方陎的技術資料。
指南的目的是對檢查為目的的感官檢驗所需的設備和程式提出建議，確保標準在應用中的一致性。
本指南中的"魚"指魚類、甲殼類和軟體動物類。
2.感官評價設施2.1總論感官評價應由經過培訓的人員執行。
他們使用一種感官方法學，評價特定範圍的產品。
2.2感官評價實驗室2.2.1位置和佈局。
下圖給出了適合魚製品感官評價檢驗的實驗室規劃圖。
該規劃圖說明瞭樣品製備區應與檢驗區分開的原則。
在這一前提下，辦公區、貯藏區、人員設備和其他檢驗設施應設在其他地方。
檢驗區不能進行化學或微生物學分析，當然有些分析可以在製備區進行。
2工2製備區。
這一區域可以用來處理和貯藏魚製品，以及感官評價樣品的準備工作。
應按照漁業設施設計和構造的GMP要求建造。
房間設計應保證蒸煮的氣味不影響感官分析。
--------------------------------------------------------(1) 如果國際食品法典委員會提出新的建議，可以添加附加標準。
2.2.3檢驗區。
這二區域除了蒸煮前樣品的最後整理外，不應進行其他任何樣品準備工作。
陎積、通風、鑒定步驟及順序應按照降低感官刺激干擾的原則設計。
计算机视觉技术在监测鱼类游泳行为中的研究进展
第32卷第4期 2 0 1 7年8月大连海洋大学学报JOURNAL OF DALIAN OCEAN UNIVERSITYV ol .32 N o .4 Aug . 2 0 17DOI ：10. 16535/j . cnki . dlhyxb .2017.04.019文章编号：2095-1388 (2017 ) 04-0493-08计算机视觉技术在监测鱼类游泳行为中的研究进展张胜茂，张衡，唐峰华，吴祖立，么宗利，樊伟(中国水产科学研究院东海水产研究所，农业部东海与远洋渔业资源开发利用重点实验室，上海200090)摘要：借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题，它模拟生物视觉原理，通过处理采集的图片或视频获得动态目标参数信息，以达到对鱼类游泳行为监测分析的目的，本研究旨在介绍国内外该 领域的研究进展，并展望其发展趋势。
首先介绍鱼体监测目标的种类选择与影像获取方法，然后介绍影像 中的背景去除与目标检测，并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法，以 及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述，对游泳行为监测参数进行分类，并介绍 了相关影像处理常用软件，最后总结了计算机视觉监测存在的难点及未来发展趋势。
关键词：计算机视觉；游泳行为；目标检测；鱼类跟踪 中图分类号：S 917文献标志码：A计算机视觉（Computer vision )技术是一•种快速、经济、有效的测量和评价手段，通过实现人的 视觉功能，来感知、识别和理解三维场景，可以根 据轨迹、位置、尺寸、形状、加速度等进行鱼类游 泳行为的识别与分析[1-2]。
对鱼类游泳行为的研究 为改进捕捞技术、优化养殖环境、监测水源水 质[3-4]、增强渔业资源保护与管理能力提供了理论 基础，是鱼类行为学、生理学、生态学等学科的重 要研究内容[5]。
早期鱼类游泳行为监测以直接观 察和手工记录为主[6]，基本处于定性阶段，受人 为主观判断影响较大，且耗时较长，试验数据的可 靠性较低。
鱼类应激行为作用下的水质视频监测分析系统
鱼类应激行为作用下的水质视频监测分析系统黄一凡;陈欣;袁飞【摘要】Because the traditional physical and chemical analysis cannot meet the real-time requirement,the biological monitoring method is used in this paper in which we analyze the stress behavior of zebrafish based on the visual monitoring system of computers.In fact,we primarily use the difference of red and blue components in RGB color space to detect moving targets,then tag binary images obtained,and a tracking algorithm of maximum overlap area is proposed.In the experiment,there are three conditions according to the pollution time,and we quantify the behavior characteristic parameters of fish in normal,pollution-early,and pollution-later situations.And then we select some parameters which could monitor the water quality based on statistical analysis.Finally,a hierarchical alarm system has been accomplished in two transition stages by combining multidimensional parameters.%由于传统的理化分析法无法满足水质实时监测的要求,采用生物监测法,基于视觉化的计算机监测系统分析斑马鱼的应激行为,主要运用RGB颜色空间下的红蓝分量差分法实现运动目标检测,然后进行二值图像标记,并提出了一种最大重合面积跟踪算法.实验按污染时间顺序分为正常情况、污染初期及污染末期3种状态,以量化分析鱼群的各项行为特征参数;基于统计学分析选取出可以监测水质变化的参数指标;最后联合多维参数在两个过渡阶段实现分级报警.【期刊名称】《厦门大学学报（自然科学版）》【年(卷),期】2017(056)004【总页数】6页(P584-589)【关键词】生物监测;目标识别;目标跟踪;计算机视觉【作者】黄一凡;陈欣;袁飞【作者单位】水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005;水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005;水声通信与海洋信息技术教育部重点实验室(厦门大学),福建厦门361005【正文语种】中文【中图分类】TP391由于水污染问题异常严重，找到一种实时有效的水质监测方法已迫在眉睫．现今大多数工厂仍然采用一般的理化分析法进行水质监测[1]．理化分析法主要是通过对水样进行人工采集,利用仪器设备直接检测出水样中的物理、化学成分和浓度．这种方法虽然能够定性甚至定量地检测出水质状况,灵敏地检测出毒性物质的成分和浓度,但物理测量和化学反应都必须经过一段时间,无法满足实时性的需求．为了更高效地进行水质监测,一种新的方法即生物监测法[2]日益成为国内外热门研究对象之一．其基本原理是选择生活在水中的个体或群体甚至是群落作为受试生物,以它们的生理行为特征以及对于污染物或毒性物质的应激反应为依据来判断水质变化的情况．与传统方法相比,这种基于生物学原理的生物监测法可以更实时有效、快速灵敏地检测到水质变化,成本低且具有可靠性．生物监测法常用的生物包括藻类、鱼类、两栖类或者细菌等．鱼类相对来说比较高级,种类多、数量大、容易观测,在出现异常时反应强烈,因此一般情况下都使用鱼类来监测水质[3]．利用生物监测法监测污染物,可追溯到20世纪初期．早在1902年,Kolkwitz和Marsson就致力于有机物污染的研究,利用微生物类群来分析污染程度[2]．1929年,Belding最早开始选用鱼类来作为生物监测的指标[3];另外,王春凤等使用剑尾鱼验证了重金属对鱼类的毒性影响[4]．然而目前很多基于生物监测法的研究都聚焦于鱼类急性毒性实验,只针对正常情况和短期的异常情况这两种情况进行分析,对鱼类的行为特征参数的分析也不全面,报警过程中容易出现误报、漏报等情况,不能反映污染的时间变化过程．针对上述问题,本研究基于视觉化的计算机监测系统[5]实时采集鱼类视频,通过分析其行为特征来判断水质变化的情况,并采用统计学的方法对不同污染阶段实现分级报警．结果表明本研究可以实现准确的目标检测与跟踪,在水质污染时报警,并能反映污染的时间变化过程．1.1 运动目标检测算法目前已存在很多成熟的运动目标检测算法．帧间差分法[6]计算量小,实时性高,但检测出的目标不完整,容易引入噪声;混合高斯模型法[7]虽然检测效果好,但计算量大,对系统的要求高．对于本研究的实验环境而言,鱼缸背景及水体颜色主要包括大量的蓝色分量信息,使用的红色斑马鱼同背景色差较大,考虑到这种明显的色彩差异,对红蓝分量进行差分可以增强前景与背景的对比度,进而通过阈值分割提取出前景．本研究采用RGB颜色空间下的红蓝分量差分法．即对需要处理的同一图像帧的红、蓝分量进行差分,再经过阈值分割处理,得到二值化图像．这种方法运用在前景与背景存在很大色差的稳定环境中,可以实现良好的检测效果，且计算量很小,系统的处理速率快,不受反光现象的影响，结果如图1所示．1.2 图像去噪与标记在目标检测过程中,外界光源、水箱中的杂质漂浮物、气泡等因素都会对结果造成影响,因此需先对阈值分割后的图像进行中值滤波和形态学运算[8]等去噪处理．由于鱼轮廓的大小远超于噪声,当某一轮廓的面积远小于鱼体最小面积值时,判断其为噪声,去掉该区域．在做鱼群实验时,二值图像中有多个目标区域[9]．而在量化其行为特征时,必须单独处理每条鱼的行为信息,因此要对二值图像进行标记[10],用不同的号码划分出不同的连通区域：由上及下且由左及右地依次扫描图像,当扫描到值为1的点时,如果它与之前标记过的点在同一连通区域内,就用这一区域的号码做标记;否则使用新号码,建立一个新区域．1.3 目标跟踪算法目标跟踪算法[11]的主要原理是在帧序列中利用目标的颜色、形态、规模以及细节特征等信息进行匹配,由于在时间间隔较短的两帧中,运动目标的变化很小,所以这些信息相似度最高的最有可能是同一个运动目标．一般来说,相邻视频帧中鱼类移动的距离很小,也就是说,相邻两帧的重合面积最大的两个轮廓区域极有可能是同一个运动目标．实现思路如下:1) 对相邻的两帧二值图像进行叠加,计算出重叠面积块{B}．并对{B}的每个子集标记质心．每个质心分别对应于两帧图像中的两个目标区域．2) 按面积从大到小遍历{B}．对每个子集来说,若质心对应的两帧图像的两个目标区域均未被匹配,则标记这两个目标区域为同一个运动目标;若有至少一个目标区域已经完成匹配,则继续遍历{B}．该方法原理简单,只需要与重合面积块个数相同的操作次数就能实现目标跟踪,计算量小,满足实时性要求．该方法在单个目标或多个目标之间距离较大的情况下具有较高的性能．结果如图2所示，该算法可以正确地划分出每个运动区域,并且清晰地标记出运动轨迹．2.1 位置参数分析针对鱼群进行位置参数分析[12],可反映出异常情况下鱼的应激反应．分别计算各个区域的质心坐标(Xc,Yc)和面积A．将前景目标分割成无限小的小块,第i个小块的坐标为(xi,yi),面积为Ai，计算质心的公式如下:.群心坐标(CX,CY)由各个目标的质心坐标按面积进行加权平均获得,反映群体分布的中心位置，计算公式如下：，其中,N为目标的个数,(Xk,Yk)为第k个目标区域的质心坐标,Ak为第k个区域的面积．空间标准差(XSD或YSD)反映群体沿着X轴和Y轴的密集或离散程度,计算如下: ,.2.2 归一化速率评估鱼群的活跃化程度[13]主要参考其运动能力的大小．本研究使用相对游速,取体长单位为cm，归一化速率单位为cm/s，计算每次单条鱼的游速,对所有鱼的游速进行平均运算,即得到鱼群的平均游速．对于同一个运动目标,分别求其在当前帧图像和前一帧图像中的质心坐标(Xn,Yn)和(Xn-1,Yn-1),帧率是N帧/s,每条鱼体长L由椭圆模型的长轴近似,故其归一化速率为:L.2.3 HSI颜色空间下体色的量化分析红色斑马鱼的体色在正常情况下很鲜艳，但当水环境受到重金属污染时,则开始慢慢变暗[14]．在HSI空间下,色调和亮度无关,饱和度S越大,色彩越鲜艳,反之则越淡．本研究利用饱和度分量量化鱼类体色,对形态学操作得到的二值图像,创建一个标记矩阵,把该矩阵覆盖到相应的HSI空间上,通过RGB图像的转换,提取出HSI空间下目标的饱和度分量．3.1 鱼类毒性实验由于硬件条件的限制,本研究仅模拟最简单情况下的系统，包括一个实验水箱、普通相机以及较高性能的计算机．通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,由此判断水质是否异常．在实验过程中,存在很明显的光线反射以及水面倒影现象,但对本研究采取的红蓝分量差分法没有影响,仍可以准确检测出运动目标,验证了这种方法的抗干扰性能．选择的受试鱼类为红色斑马鱼[15],红色斑马鱼是原产于亚洲的淡水观赏鱼类,体长在4 cm左右,体形为纺锤形,体色鲜艳,正常情况下在水箱中底部不断游动且均匀分布,适宜的生存环境为20～23 ℃,对水源质量要求较低,较容易饲养．更重要的是,其基因与人类具有很高的同源性,达到87%．也就是说,用斑马鱼做的实验得到的结果通常也适用于人类．实验所用的红色斑马鱼从花鸟市场购买,体长大约为3 cm,提前两周在实验环境里,采用曝气后的水进行养殖,采用恒定的日光灯作为唯一光源．保证实验环境稳定、安静,尽量减小外界条件对鱼类的影响．实验所用的毒性试剂为五水合硫酸铜,其中含有铜离子,是常见的重金属污染成分,可以很好地模拟出水质污染的情况．实验过程中尽量避免外界光照和人为干扰的影响,建立一个相对稳定的实验环境．实验的前一天停止喂食物．单次实验随机选择10条健康的红色斑马鱼．实验分为正常情况和污染初期、污染末期这3种情况进行:实验前设置2～3 h的过渡期,使鱼群适应实验环境;在鱼群的行为稳定后,进行约30 min的正常监测;加入毒性试剂,进行约30 min污染初期的监测;进行约30 min污染末期的监测,记录好数据．在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每5帧取平均值以对数据进行平滑处理[16],分析得到的数据,判断水质是否异常．3.2 统计学分析本研究对数据进行非参数秩和检验[17],显著性水平均取0.01,每种状态取500帧数据．表1和表2分别是正常情况-污染初期、污染初期-污染末期的统计特性结果．其中,V、S分别表示归一化速率、饱和度．可以看出,归一化速率、群心纵坐标、水平和垂直方向的空间标准差、饱和度分别在正常情况-污染初期、污染初期-污染末期的对比中都存在显著性差异,说明在正常情况和受到污染的两个阶段中鱼群的行为会出现明显变化,故可以使用这5个参数作为检验水质的参考标准．3.3 实验结果分析正常情况下鱼群的活跃化程度趋于一个稳定的较小值,且均匀分布在水箱中底部;污染初期鱼群出现应激行为,游动速率增大,发生躲避行为,聚集在某个方位上;污染末期鱼群开始出现无力、拖尾现象,不规律地分布,有的鱼浮向水面,游动速率减小,部分鱼死亡．下面针对各个水质监测的指标进行具体分析．3.3.1 归一化速率图3(a)为鱼群在这3种状态下的归一化速率曲线图,每个数据都是由5帧结果取平均得到,每种状态均是观测500帧视频得到的数据．当水质污染时,鱼群运动加剧,归一化速率大约从1.3 cm/s增加到3.5 cm/s;随着污染时间增长,鱼群开始出现无力、拖尾等现象,速率开始减小,直到鱼逐渐死亡,速率接近0．整个过程的变化十分明显,归一化速率先增大后减小．3.3.2 位置参数分析图3(b)为鱼群群心纵坐标即垂直方向的变化．在这3个过程中,群心纵坐标一直呈现减小的趋势．由于坐标原点在图像左上角，所以纵坐标的值越小,表示目标越接近水面．这是由于随着污染时间增长,水中溶氧量逐渐降低,鱼群中部分个体开始从水底浮向水面吸收氧气,群心纵坐标逐渐减小．这种变化是明显的．在污染末期几乎所有鱼都浮出水面,故群心纵坐标达到一个稳定的较小值．图3(c)为水平方向上的空间标准差的变化．当水质污染时,水平方向的空间标准差逐渐增大,说明鱼群受到刺激反应强烈,活动量增大,群体在水平方向上分布变得离散,而该指标的方差也逐渐增大;随着污染时间延长,在污染末期,水平空间标准差达到一个稳定的较大值,该指标的方差也达到一个较小值,说明受到污染的影响,鱼群开始出现无力游动的现象,均匀且离散分布在水平方向上．在这3个过程中,水平方向上的空间标准差整体上呈现增大的趋势．图3(d)为垂直方向上的空间标准差的变化．正常情况下,鱼群均匀且随机分布在水箱中下部,垂直方向上的空间标准差维持在一个稳定的较小值;当水质受到污染时,水中溶氧量降低,由于每条鱼在异常情况下的反映存在差异,所以此时部分鱼从水底浮向水面吸收氧气,部分鱼仍在中下部,鱼类分布离散程度增大,所以垂直方向上的空间标准差逐渐增大;污染末期几乎所有鱼都浮出水面,垂直空间标准差趋于零,该指标的方差也随之减小．在这3个过程中,垂直方向上的空间标准差先增大后减小,且变化明显．3.3.3 体色量化分析红色斑马鱼的体色用HSI颜色空间下的饱和度S分量量化,由于各个像素点的饱和度分量存在差异,无法直接进行比较,因此计算运动目标的每个像素点的饱和度分量的平均值作为参数指标．其体色在正常情况下很鲜艳,即饱和度较大．但当水环境受到重金属即铜离子的污染时,鱼的体色会逐渐变得暗淡,饱和度分量也随之减小．实验结果如图3(e)所示．在这3个过程中,饱和度分量一直呈现减小的趋势．3.4 分级报警在实验过程中,个别鱼可能处于在水底休息或浮在水面呼吸的状态,但由于鱼群具有统计特性,个别鱼的异常行为不会影响鱼群的参数量化结果,从实验结果可以看出,参数量化的结果比较平稳,因此不会因为个别鱼的反常行为出现误检的结果．与单条鱼相比,使用鱼群进行实验提高了水质监测的准确性,降低了错误报警的概率．分别选取各情况不连续的500帧视频图像进行MATLAB软件测试[18],由于污染末期与正常情况下的归一化速率的值相近,无法分辨这两种情况,故该软件可以实现二级报警系统,避免正常情况下出现错误报警．具体步骤如下所述:1) 利用实验数据分别界定各项参数的报警阈值．选择正常情况下若干帧(一般选500～1 000帧)某参数的数据以及污染初期若干帧数据,分别求出它们的平均值normal和pollution-early,然后求出这两个值的均值作为该参数的正常情况到污染初期的一级报警阈值:.选择污染初期若干帧数据以及污染末期若干帧数据,分别求出它们的平均值pollution-early和pollution-later,然后求出这两个值的均值作为污染初期到污染末期的二级报警阈值:.2) 对鱼类行为进行在线监测,将选择作为监测指标的各个参数分别与设定好的阈值进行比较．为了消除单一时刻参数的随机变化对结果的影响,将各个参数若干帧数据的平均值与阈值进行比较．当两个及两个以上参数同时达到一级报警条件时进行报警．应该注意参数的变化趋势,体现出过渡阶段．3) 当两个及两个以上参数同时达到二级报警条件时,先判断是否进行过一级报警,若是则说明此时处于污染初期到污染末期的过渡时期,应该发出二级警报;否则说明此时仍是正常情况,不进行任何处理．本研究基于视觉化的计算机监测系统,对红色斑马鱼进行监测,根据鱼群的应激行为分析水质,并在异常状况下预警.与传统的理化分析法相比,生物监测法更快速、灵敏.实验结果表明,本系统采用的RGB颜色空间下的红蓝分量差分法和最大重合面积算法能够很好地实现运动目标的提取和跟踪.使用多维参数联合报警和分级报警,可以降低误报率,实现更准确有效的水质监测.实验数据表明,鱼群的归一化速率、群心纵坐标、水平和垂直方向的空间标准差、饱和度分别在正常情况-污染初期、污染初期-污染末期的对比中都存在显著性差异,故可以使用这5个参数作为检验水质的参考标准.【相关文献】[1] 马颢珺,左航,白明.水中重金属在线监测技术发展概述[J].环境科学与管理,2011,36(8):130-132.[2] 杨培莎,朱艳华.水质生物监测方法及应用展望[J].北方环境,2010,22(2):71-73.[3] 黄东龙,周勤.水体突发性重金属污染胁迫下斑马鱼的行为反应分析[J].环境监测管理与技术,2011,23(4):27-31.[4] 王春凤,方展强.汞和硒对剑尾鱼的急性毒性及其安全浓度评价[J].环境科学与技术,2005,28(2):32-34.[5] 黄东龙,凌亮,周勤.基于视觉技术的水质安全在线生物预警系统设计[J].中国给水排水,2014(9):113-117.[6] 赵毅寰,王祖林.背景差分与帧间差分相融合的运动目标检测方法[J].通信学报,2007,28(8A):133-136.[7] 李百惠,杨庚.混合高斯模型的自适应前景提取[J].中国图象图形学报,2013,18(12):1620-1627.[8] 高浩军,杜宇人.中值滤波在图像处理中的应用[J].信息化研究,2004,30(8):35-36.[9] 葛春平.一种二值图像连通区域标记的简单快速算法[J].价值工程,2012,31(28):232-233.[10] 张修军,郭霞,金心宇.带标记矫正的二值图象连通域像素标记算法[J].中国图象图形学报,2003,8(2):198-202.[11] 刘皞,赵峰民,陈望达.一种基于背景自适应的运动目标检测与跟踪算法[J].海军航空工程学院学报,2012(1):15-18.[12] 张金松,黄毅,韩小波,黄廷林.鱼的行为变化在水质监测中的应用[J].给水排水,2013,7(39):166-170.[13] 黄晓荣,庄平.鱼类行为学研究现状及其在实践中的应用[J].淡水渔业,2002,32(6):53-56.[14] 纪岚,李菁.生物指标在环境评价中的使用方法论述[J].安徽预防医学杂志,2005,11(6):356-357.[15] 孙杰,陈再忠.利用鱼类在线预警系统对重金属暴露下斑马鱼行为的分析和比较[J].江苏农业科学,2012,40(10):206-208.[16] 胡强,谢剑斌,刘继伟.数字视频监控系统与运动检测技术概述[J].科技信息:学术版,2007(27):98-104.[17] 张凤菊,刘晓娟,赵丽平,等.数据差异显著性检验[J].农机使用与维修,2012(4):51-52.[18] 王玉林,葛蕾,李艳斌.新型界面开发工具:MATLAB/GUI[J].无线电通信技术,2008,34(6):50-52.。
基于视频分析的鱼类运动目标提取
基于视频分析的鱼类运动目标提取张胜茂;赵申;张衡;杨东海【摘要】中国是一个水产养殖大国,渔业养殖产业不但具有一个很大的基数而且增量也是相当可观.因此传统依靠人工对渔业进行病害防治的方法过于低效,也不能提供较高的可靠性;在图像处理和计算机视觉技术快速发展的基础上,选择使用视频监控的手段,利用计算机对图像进行分析进而得出对鱼类行为的判断结果,满足高效、稳定等要求.本文提出了基于监控视频分析进行鱼类运动捕捉的方法,首先对视频图像进行灰度化处理,利用高斯模板对图像进行平滑处理,最后选择对视频帧使用高斯混合模型的方法进行建模得到背景模型,进而得到运动的前景目标,提出了对前景轮廓进行合理性分析提高检测正确率的方法,并且通过实验验证得到了较好的效果.【期刊名称】《渔业信息与战略》【年(卷),期】2017(032)001【总页数】7页(P44-50)【关键词】计算机视觉;视频分析;运动检测;高斯混合模型【作者】张胜茂;赵申;张衡;杨东海【作者单位】中国水产科学研究院东海水产研究所农业部东海与远洋渔业资源开发利用重点实验室,上海200090;上海理工大学光电信息与计算机工程学院,上海200090;中国水产科学研究院东海水产研究所农业部东海与远洋渔业资源开发利用重点实验室,上海200090;中国水产科学研究院东海水产研究所农业部东海与远洋渔业资源开发利用重点实验室,上海200090【正文语种】中文【中图分类】TP751.1在水产品养殖业中，通过鱼类运动的活跃程度分析可以判断鱼的健康状况；通过对鱼类在水层中聚集位置的分析可以推测水质状况；当鱼类感染寄生虫时也会表现出特定的行为动作，因此对鱼类的各种行为进行分析一直是研究人员关心的问题。
最开始的鱼类行为研究是由人工观察记录数据，存在任务繁重、记录不准确、观察不全面等诸多缺陷。
随着技术的发展，开始出现了自动记录的方式，如对鱼群的活动检测采用回声探测技术[1]；对鱼的生理行为分析采用声音测量的方式[2]；随着计算机视觉技术的发展和硬件计算能力的不断提升，鱼类行为的研究开始进入了以视觉信息为基础的自动分析阶段[3,4]。
鱼类行为估计算法及其在渔业资源评估中的应用
鱼类行为估计算法及其在渔业资源评估中的应用I. 前言鱼类资源是渔业的重要组成部分，对渔业的发展起到举足轻重的作用。
而鱼类行为估计算法作为一项新兴的技术，可以通过对鱼类行为进行分析和识别，为渔业资源评估提供信实可靠的依据。
本文将逐步介绍鱼类行为估计算法及其在渔业资源评估中的应用。
II. 鱼类行为估计算法鱼类行为估计算法是一种利用计算机技术对鱼类行为进行分析和识别的方法，可以通过对鱼类的游动轨迹、聚集模式、群体大小等行为特征进行分析，来推测鱼类的种类、数量、分布和生存状态等信息。
其中，常用的鱼类行为估计算法包括：1. 基于声纳影像技术的行为估计算法。
这种方法通过将声纳信号反射回来的图像进行分析，来识别和跟踪不同种类鱼类的位置、大小和数量等信息。
2. 基于GPS和无线传感器技术的行为估计算法。
这种方法通过在鱼类体内或外部植入GPS、无线传感器等设备，来对其行为特征进行实时监测和收集，并利用这些数据进行行为分析和预测。
3. 基于图像识别技术的行为估计算法。
这种方法依靠计算机视觉技术，对鱼类的行为特征进行图像识别和分析，并推测其种类、数量、聚集模式等信息。
III. 渔业资源评估中的应用鱼类行为估计算法在渔业资源评估中的应用可以从以下几个方面进行：1. 鱼群分布和数量的估计。
利用鱼类行为估计算法，可以对渔场水域中的鱼群分布和数量进行实时监测和估计，从而为渔业资源管理提供有效的数据支持。
2. 渔业资源保护和管理。
通过对鱼类行为进行分析和识别，可以帮助渔业管理部门实时掌握渔业资源的数量、种类和分布情况，制定相应的资源保护和管理措施，从而提高渔业资源的可持续利用水平。
3. 渔业生产效率的提升。
鱼类行为估计算法可以通过对鱼类群体行为特征的分析，来预测其出现的时间和地点，从而帮助渔民准确地捕捞目标鱼类，提高渔业生产效率和经济效益。
4. 鱼类繁殖生态学研究。
鱼类行为估计算法可以通过对鱼类的繁殖行为进行监测和分析，研究其繁殖规律和生态学特征，为渔业资源研究提供有效的数据支持。
快速测量鱼类生物学特征信息和获取照片的装置
快速测量鱼类生物学特征信息和获取照片的装置近年来，随着环境保护和渔业管理的需求不断增加，对海洋生物学特征信息的准确测量和照片获取的装置也变得愈发重要。
为了满足这一需求，科学家们开发出了一种快速测量鱼类生物学特征信息和获取照片的装置，该装置的应用将在鱼类研究和渔业管理中具有广泛的应用前景。
这种装置采用了先进的技术，包括计算机视觉、图像处理和机器学习等，可以快速、准确地测量鱼类的生物学特征信息。
首先，装置将鱼类置于特定的容器中，容器内部配备有高清摄像头和光线传感器等设备。
通过光线传感器，装置可以自动调整光照条件，以确保照片的质量。
同时，高清摄像头会捕捉到鱼类的图像，并将其传输到计算机中进行处理。
在计算机中，装置使用图像处理技术来提取鱼类的生物学特征信息。
通过分析鱼类的体长、体重、体色、鳍的形状和尺寸等特征，装置可以确定鱼类的种类以及其生理状态。
这些信息对于鱼类研究和渔业管理来说是非常重要的。
例如，研究人员可以通过测量鱼类的体长和体重来了解其生长状况，评估其健康状况和生态系统的状况。
而对于渔业管理者来说，准确测量鱼类种群的数量和特征信息可以帮助他们进行科学的渔业管理，保护渔业资源并合理利用。
同时，这种装置还具备获取照片的功能。
在测量鱼类的生物学特征信息的过程中，装置会自动拍摄多个角度的照片，并将其保存在计算机中。
这些照片可以用于进一步的研究分析和记录，非常有助于科学家们的研究工作。
此外，这些照片还可以用于教育宣传和科普活动，让更多的人了解和关注海洋生物的多样性和重要性。
总体而言，快速测量鱼类生物学特征信息和获取照片的装置在鱼类研究和渔业管理中的应用具有重要的意义。
它不仅可以提高测量效率和准确性，还可以为科学家们提供更多的研究工具，同时也能够让更多的人了解和关注海洋生物。
随着技术的不断进步，相信这种装置将会得到更广泛的应用，并在环境保护和渔业管理领域发挥更大的作用。
基于视频图像的鱼类行为轨迹追踪
基于视频图像的鱼类行为轨迹追踪
江丹丹;桂福坤
【期刊名称】《浙江海洋学院学报（自然科学版）》
【年(卷),期】2015(034)002
【摘要】随着网箱养殖的不断发展,准确把握养殖水质变化、养殖密度等方面的信息是保证优质高产的必要条件,现在网箱养殖中主要通过人眼观测具有很大的不可靠性.而鱼类在环境变化时能产生不同的应激反应,所以通过观测鱼类游泳行为能够为鱼类健康监控提供重要依据.本实验利用图像处理技术结合计算机编程对拍摄的鱼运动视频进行处理,首先对视频图像进行灰度变换、灰度拉伸、滤波去噪预处理得到较好质量的图像,接着进行目标分割提取出目标鱼类,对鱼类进行识别去除其他杂点,最后利用提取的出的鱼的边缘轮廓计算形心点,把形心点作为跟踪点,模拟出鱼类运动轨迹.该实验的能在视频图像上直接画出鱼类的运动轨迹,实现鱼类运动的实时跟踪.
【总页数】7页(P112-118)
【作者】江丹丹;桂福坤
【作者单位】国家海洋设施养殖工程技术研究中心,浙江海洋学院海洋科学与技术学院,浙江舟山316022;国家海洋设施养殖工程技术研究中心,浙江海洋学院海洋科学与技术学院,浙江舟山316022
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于视频图像的眼动追踪系统算法 [J], 王际航;刘富;袁雨桐;刘星
2.基于视频图像的汽车乘员位置追踪算法研究 [J], 曹立波;刘曜;周雪桂
3.基于形变轮廓模型的视频图像中人物领域的追踪 [J], 朱洪锦;范洪辉;叶飞跃;朱世松
4.基于缴费行为轨迹追踪的渠道风险监控模型 [J], 李捞扒;邹阳;曾晓勤
5.基于视频图像的人眼动态追踪 [J], 宋琴琴;杨国平
因版权原因，仅展示原文概要，查看原文内容请购买。
基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展
第４６卷第３期渔业现代化Ｖｏｌ.４６㊀Ｎｏ.３２０１９年６月ＦＩＳＨＥＲＹＭＯＤＥＲＮＩＺＡＴＩＯＮＪｕｎ.２０１９ＤＯＩ:１０ ３９６９/ｊ ｉｓｓｎ １００７￣９５８０ ２０１９ ０３ ００２收稿日期:２０１９￣０１￣０４基金项目:国家重点研发计划(２０１７ＹＦＤ０７０１７０１)作者简介:何佳(１９９７ )ꎬ男ꎬ硕士研究生ꎬ研究方向:水产养殖中鱼类行为的识别与量化ꎮＥ－ｍａｉｌ:ｙｙｆｈｅｊ＠ｓｔｕ.ｏｕｃ.ｅｄｕ.ｃｎ通信作者:彭磊(１９７０ )ꎬ男ꎬ讲师ꎬ硕士生导师ꎬ研究方向:设施渔业与循环水养殖工程ꎮＥ－ｍａｉｌ:ｐｅｎｇｌｅｉ＠ｏｕｃ.ｅｄｕ.ｃｎ基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展何㊀佳ꎬ黄志涛ꎬ宋协法ꎬ彭㊀磊(中国海洋大学水产学院ꎬ山东青岛２６６００３)摘要:鱼类行为与水体环境密切相关ꎬ是鱼类生活状况的直接体现ꎬ可以通过分析鱼类行为进行更为精准的养殖管理和操作ꎮ计算机视觉技术为鱼类行为识别和量化提供了一种非入侵式且稳定性较好的方法ꎬ已逐渐广泛用于鱼类行为研究ꎮ本文介绍了计算机视觉技术的技术流程ꎬ包括图像采集㊁预处理㊁运动目标检测与跟踪ꎬ并对各个流程进行分类ꎻ综述了计算机视觉技术在鱼类游泳㊁摄食和体色变化等行为识别㊁量化研究的现状ꎻ分析了计算机视觉技术在鱼类行为识别㊁量化方面的难点及存在的问题ꎬ以期为计算机视觉技术在水产养殖监测领域的发展提供参考依据ꎮ关键词:计算机视觉技术ꎻ鱼类行为识别与量化ꎻ图像处理ꎻ目标检测ꎻ目标跟踪中图分类号:Ｓ９５１.２㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１００７￣９５８０(２０１９)０３￣００７￣０８㊀㊀鱼类行为是指鱼类进行的各种运动ꎬ包括游泳㊁摄食㊁生殖㊁呼吸等运动ꎻ此外ꎬ避敌㊁攻击㊁求偶以及改变体色等非运动形式也被列入行为范畴之中[１]ꎮ鱼类行为与水体环境密切相关ꎬ当鱼类受到水体环境中的压力胁迫时ꎬ其游泳和摄食行为以及体色均会发生改变[２－４]ꎮ当水体中溶氧过低时ꎬ鲫鱼的游泳速度和深度呈现出降低的趋势ꎬ同时鱼群整体分布更加分散[５]ꎮ在感染寄生虫后ꎬ大西洋鲑跃出水面的行为发生的频率显著增加ꎬ同时表现出游泳速度降低㊁对刺激的反应时间增加的特征[６]ꎮ因此ꎬ在水产养殖中ꎬ通过观察鱼类个体或鱼群整体的行为变化ꎬ养殖人员能够判断养殖环境是否适宜鱼类的生长发育ꎬ并且利用鱼类的行为特点进行养殖管理和操作ꎮ在早期的经典行为学研究中ꎬ主要依赖人为直接观察[７－８]ꎮ对实时的养殖场景进行直接观察ꎬ此方法依赖观察人员的主观意识和判断ꎬ观察得到的结果很难进行参数化ꎬ且此方法耗费较多时间和劳动力[９]ꎮ与人为观察相比ꎬ利用遥测技术和回声技术观察鱼类行为ꎬ具有结果能够参数化㊁省时省力的优点ꎮ但回声技术容易受到水面气泡以及水面波动的影响ꎻ而遥测技术属于入侵式的技术ꎬ需要在鱼体体表或体内安装信号发射器ꎬ从而对试验对象造成损伤[１０－１２]ꎮ计算机视觉(ｃｏｍｐｕｔｅｒｖｉｓｉｏｎꎬＣＶ)技术作为一种非入侵式且稳定性较好的观察技术ꎬ正在被众多的水产养殖行为学研究人员所接受ꎮ计算机视觉技术是在图像处理㊁人工智能㊁模式识别等技术的基础上逐渐发展形成的一种新技术ꎬ其原理是利用摄像机等成像系统ꎬ采集拍摄区域的视频序列图像ꎬ再通过图像处理的方式检测和跟踪图像中的运动目标ꎬ从而得到目标的参数[１３－１４]ꎮ目前已经有许多研究在实验室水平上将计算机视觉技术应用于水产养殖的鱼类行为的观察中ꎬ并取得了一定的研究成果ꎮ本文对水产养殖关注的鱼类行为㊁计算机视觉技术的组成以及目前计算机视觉技术在水产养殖的鱼类行为中的应用情况进行综述ꎬ以期为计算机视觉技术在水产养殖中的应用提供参考ꎮ１㊀水产养殖中的鱼类行为１.１㊀游泳行为鱼类的生态习性复杂ꎬ其栖息的水体环境也经常发生变化ꎬ而其游泳行为被视为鱼类实现生存繁衍等生命活动的重要基础[１５]ꎮ尽管许多学者已经就不同的分类标准对鱼类的游泳行为进行渔业现代化２０１９年了划分[１６－１７]ꎬ但总体上ꎬ鱼类的游泳行为仍然是一系列比较随机的复杂行为ꎬ例如鱼类个体的加速㊁逃避以及鱼群的聚集和分散等各个游泳行为的组合[１８]ꎮ在鱼类的整个生命过程中ꎬ温度[１９]㊁溶氧[２０]㊁ｐＨ[２１]㊁光照度[２２]㊁噪声[２３]㊁水体浑浊度[２４]ꎬ甚至加速流[２５]都会对鱼类游泳行为产生影响ꎮ并且ꎬ游泳行为的变化不仅会对鱼类的生长发育和繁殖活动造成影响ꎬ还会对整个鱼群的种群动态产生影响[２６]ꎮ１.２㊀摄食行为摄食行为是水产养殖中最为关键的一部分ꎬ鱼群摄食情况直接影响到鱼体生长发育状况[２７]ꎮ目前在水产养殖中ꎬ饲料是基于鱼体的体质量百分比进行投喂ꎬ但由于鱼体质量测量的不精确ꎬ饲料精确的投喂量很难获得[２８]ꎮ而残饲会影响水体环境ꎬ尤其是在循环水养殖中ꎬ残饲在水体中分解ꎬ导致水体中的氨氮和亚硝酸盐氮质量浓度升高ꎬ严重影响鱼群的生存环境ꎬ进而降低养殖品种的质量[２９]ꎮ１.３㊀体色变化鱼体的体色变化也属于鱼类行为的范畴ꎬ大多数鱼类都具有改变体色以适应环境背景色的能力[３０]ꎮ因此ꎬ当水体环境发生改变或受到刺激时ꎬ鱼体的体色会发生变化ꎮＲｏｔｌｌａｎｔ等[３１]发现ꎬ在黑色背景养殖池中ꎬ当鱼体处于种群密度较大的应激条件下时ꎬ鱼体的血浆皮质醇水平会有一个短暂的升高ꎬ２ｄ之后出现下降ꎬ而白色背景的养殖池中鱼体的血浆皮质醇水平在升高之后保持不变ꎬ未有下降趋势ꎮ而Ｓｈａｃｋ[３２]给６组鱼投喂含梯度浓度生物素的饲料ꎬ结果显示ꎬ在投喂４２ｄ之后ꎬ饲料中不含生物素的鱼群出现体色变黑的情况ꎮ２㊀计算机视觉技术２.１㊀图像采集图像采集是运用计算机视觉技术对鱼类行为进行监测的首要部分ꎬ采集得到的图像的质量好坏决定之后图像处理的难易程度ꎬ图像质量好则处理较为容易ꎮ早期摄像系统的像素不高且品种单一ꎬ成像的质量较差ꎬ因此从图像中较难得到精确的信息ꎮ但目前成像精度日益提高ꎬ采集的方式也呈现多元化的特点ꎮ目前的图像采集方式包括二维成像和三维成像ꎬ其中二维成像主要是研究水平面中的鱼类运动情况或研究鱼类的垂直分布情况ꎬ其图像采集系统也均是单摄像机系统[３３－３４]ꎮ三维成像通常是在单摄像机的基础上ꎬ通过添加摄像机或在方形养殖池的侧面放置平面镜的方式ꎬ使计算机能同时得到鱼体在３个方向上的位置数据[５ꎬ３５]ꎮ但三维拍摄模式普遍存在图像校准的问题ꎬ且在面对多摄像机系统时ꎬ计算机处理数据的压力也会成倍增加ꎮ另外一种基于单摄像机的三维成像系统是利用近红外摄像系统进行图像采集ꎬ其原理是基于利用近红外摄像机进行拍摄时水体对红外光的吸收和鱼体对红外光的反射ꎬ不同深度的水体中鱼体对红外光的反射显示出的强度不同ꎬ因此可以利用近红外摄像系统构建鱼体反射光亮度与深度的关系ꎬ从而实现单摄像机三维的图像采集模式[３６]ꎮ除摄像机的三维成像之外ꎬ还有利用结构光传感器进行三维成像的方式[３７]ꎮ２.２㊀预处理通过成像系统采集到的图像包含鱼体和背景的全部信息ꎬ但在许多研究中由于养殖池背景的复杂性和鱼类对环境背景色的体色适应ꎬ鱼类与背景之间的颜色差别比较小ꎻ或者由于灯光直射ꎬ水体表面产生反光ꎻ以及由于水体中存在气泡和残饲ꎬ导致拍摄得到的图像中出现大量噪声ꎮ因此研究人员需要在提取鱼体目标之前对原始图像进行预处理操作ꎮ预处理包括灰度化㊁图像增强和滤波去噪等步骤[３８－３９]ꎮ其中灰度化是将三通道的彩色图像降维转换为单通道的灰度图像ꎬ过程中选择性地保留亮度㊁色度或对比度等属性[４０]ꎻ图像增强则是针对特定的应用目的ꎬ增强图像的整体或局部特性ꎬ从而加强图像对于某些特征的辨识效果[４１]ꎻ而滤波去噪是通过均值滤波㊁中值滤波或形态学滤波等方法将图像中与周围灰度值相差较大的像素值替换成与周围像素值相近的值ꎬ从而去除图像中的噪点以降低在对图像进行特征分析中产生的误差[４２]ꎮ２.３㊀运动目标检测与跟踪２.３.１㊀运动目标检测运动目标的检测是计算机视觉技术的基础ꎬ其目的是基于运动目标与周围环境的不同ꎬ将运动的目标从背景中分离ꎬ运动目标的检测包括８第２期何佳等:基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展３种方法:基于背景差分的目标检测㊁基于帧间差分的目标检测以及基于光流的目标检测[４３]ꎮ基于背景差分的目标检测又称背景差分法ꎬ其基本原理是将当前帧的图像与背景帧图像相减得到差帧图像ꎬ再通过阈值分割提取得到运动目标ꎮ如Ｓａｄｏｕｌ等[４４]通过选取图像序列中前３０张图像的每个像素点的最大值来创建背景图像ꎬ再对差帧图像利用阈值分割将运动目标与背景分离ꎮ背景差分法适用于背景较为稳定的情况ꎬ当背景不够稳定ꎬ如养殖环境中的光线变化较大时ꎬ提取效果就会很差[４５]ꎮ针对此不足ꎬ目前的研究多建立自适应背景模型ꎬ使背景帧能够随养殖环境变化而实时改变ꎬ常见自适应背景模型有平均背景模型㊁单高斯分布背景模型和混合高斯分布背景模型等[４３]ꎮ基于帧间差分的目标检测又称为帧间差分法或帧差法ꎬ其原理是在连续的图像序列中将相邻的两帧图像像素值做差得到差帧图像ꎬ再通过阈值分割得到运动目标图像ꎮ在帧差法中ꎬ阈值分割中选取的阈值尤其重要ꎬ阈值过小会导致噪声过多ꎬ阈值过大会使运动目标无法被有效地检测[４６]ꎻ其次ꎬ帧间时间的选取也很重要ꎬ间隔太短ꎬ运动目标运动的距离过短ꎬ也会导致检测失败[４７]ꎮ但相较于背景差分法ꎬ帧差法的优点是无需考虑背景的更新情况ꎬ且该方法更新速度快㊁计算量较小ꎮ光流法是基于光流场的运动目标检测方法ꎮ当在图像中每一像素点上添加一个运动矢量后ꎬ整个图像形成了矢量运动场ꎬ即光流场ꎮ光流场可被认为是图像中每个像素点的运动趋势的集合ꎬ当某一像素点与临近区域的像素点产生相对运动时ꎬ像素点的运动矢量会出现差异ꎬ此时把运动矢量相似的像素点集合形成运动区域ꎬ从而检测出运动目标[４８]ꎮ光流法的优点是运动目标的检测不需要收集背景环境中的任何信息ꎻ其缺点是抗噪能力差ꎬ且计算方法过于复杂ꎬ很难实现实时的运动目标检测[４９]ꎮ２.３.２㊀运动目标跟踪运动目标跟踪即通过对图像序列的分析ꎬ从图像第一帧开始ꎬ在后续的图像中确认目标的位置[５０]ꎮ一个运动目标跟踪系统通常包括外观模型㊁运动(位置)模型㊁搜索策略(即匹配机制)以及适应外观模型的持续变化的学习机制[５１－５２]ꎮ根据对目标进行搜索时采用信息的不同ꎬ可以将运动目标的跟踪方法分为３种:基于特征的运动目标跟踪㊁基于区域的运动目标跟踪以及基于活动轮廓的运动目标跟踪[５３]ꎮ基于特征的运动目标跟踪包括目标特征的提取和特征的搜索匹配两个过程ꎮ常见的特征包括鱼体的外部尺寸㊁明度值㊁颜色直方图等[５０]ꎮＰｉｎｋｉｅｗｉｃｚ等[５４]提取了跟踪物体的中心坐标㊁主轴长和次轴长以及外围尺寸和离心率等目标特征ꎬ通过离心率判断检测出的物体是否为鱼体ꎮ由于快速跟踪的要求ꎬ基于特征的运动目标跟踪经常需要结合运动模型ꎬ采用预测算法对后续图像序列进行预测以缩小搜索范围以及优化搜索过程ꎬ常用的方法有粒子滤波等[５５－５６]ꎮ基于区域的运动目标跟踪需要选择包含运动目标的区域作为模板ꎬ在运动目标检测后ꎬ利用搜索算法搜索与模板相关系数最高的区域ꎬ由此实现目标的跟踪[５３]ꎮ该方法搜索耗时长ꎬ且在出现遮挡情况时容易出现匹配和跟踪失败的情况[５７]ꎮ因此ꎬ该方法普遍会结合预测算法以缩短搜索时间ꎮＬｉｎ等[５８]利用卡尔曼滤波作为预测算法ꎬ将鱼体看作点模型ꎬ通过计算鱼体的速度和加速度来预估鱼体位置ꎮ基于活动轮廓的运动目标跟踪算法中最重要的部分是主动轮廓模型ꎬ也称为Ｓｎａｋｅ模型[５９]ꎮ该模型不仅将图片本身的灰度信息考虑在内ꎬ还会利用目标的整体轮廓ꎬ使跟踪更加准确ꎮ由于该模型在跟踪方面的优势ꎬ使其得到广泛应用[６０－６２]ꎮ此方法的特点是跟踪效果受初始化的影响较大ꎻ且当物体运动速度较快时ꎬ跟踪效果不理想ꎻ同时易受噪声的干扰ꎻ且在多目标的跟踪中存在跟踪失败的可能性ꎮ３㊀计算机视觉技术在水产养殖鱼类行为中的应用现状３.１㊀计算机视觉技术在游泳行为中的应用现状计算机视觉技术在游泳行为的观察研究中应用较早ꎮ早期Ｉｓｒａｅｌｉ等[５]以金鱼为研究对象ꎬ利用两台摄像机分别在方形养殖池的正前方和正上方进行拍摄ꎬ对得到的图像进行灰度化处理并采用阈值分割得到鱼体轮廓ꎬ在每张图像中建立统一坐标轴以得到鱼体坐标ꎬ以此计算得到鱼体在９渔业现代化２０１９年３个方向上的坐标和标准差ꎬ从而研究低氧胁迫(１ｍｇ/Ｌ)下鱼群的行为反应ꎮ之后Ｘｕ等[６３]也进行了类似的研究ꎬ利用计算机视觉观察溶氧突发性波动情况下(６.８ｍｇ/Ｌ~１.５ｍｇ/Ｌ~０.８ｍｇ/Ｌ~０.３ｍｇ/Ｌ~６.８ｍｇ/Ｌ)鱼类游泳行为的变化情况ꎮＫａｎｅ等[３３]以底鳉为研究对象ꎬ将１２条鱼分别单独放置在１２个容器中ꎬ利用计算机视觉技术观察鱼体在ＭＳ２２２暴露情况下的游泳行为变化情况ꎬ结果表明ꎬ在毒物暴露环境中ꎬ底鳉的运动所占百分比㊁速度㊁与中心的距离㊁相对速度爆发频率显著增加ꎬ而游泳路径的复杂性显著降低ꎮＭｉｌｌｅｒ等[６４]还研究了鱼体在捕食者压力下的游泳行为反应ꎬ试验利用计算机进行观察ꎬ并结合人为标记运动目标的方式进行跟踪ꎬ从而对鱼体的行为进行量化ꎬ结果发现ꎬ捕食者的出现会使得鱼群密度有一个短暂的增加ꎬ而计算机视觉能够很好地量化这一过程ꎮ除人为环境影响之外ꎬ许多研究人员还将计算机视觉技术应用于鱼类游泳行为与自然环境因子之间的关系中ꎮＰｉｎｋｉｅｗｉｃｚ等[５４]以大西洋鲑为研究对象ꎬ运用背景差分法检测出运动鱼体ꎬ并提取鱼体的中心坐标㊁外围尺寸和离心率等目标特征ꎬ并把这些尺寸量化为鱼体的速度和方向ꎬ以此研究鱼体速度及方向与潮汐周期之间的关系ꎬ结果发现ꎬ鱼体速度和方向与潮汐周期在日间试验中没有明显的关系ꎬ但在投喂饲料之后ꎬ鱼体的游泳速度和方向出现了明显的变化ꎮＹａｎ等[６５]在鱼体上做标记ꎬ并通过摄像机拍摄图像ꎬ利用鱼体和背景中的灰度差异检测和跟踪鱼体ꎬ研究了鲤鱼和鳟鱼在不同流速下的游泳行为适应ꎬ结果显示ꎬ鱼体是通过身体的摆动实现游泳速度的变化ꎬ其中ꎬ与鳟鱼相比ꎬ鲤鱼的摆动周期更长ꎬ且摆动幅度更大ꎻ同时ꎬ鲤鱼在适应速度的过程中依靠其摆动频率和摆动幅度的剧烈变化ꎬ而鳟鱼主要是通过控制摆动频率来改变速度ꎮ在鱼群内部联系方面ꎬＳａｌｉｅｒｎｏ等[６６]以底鳉为研究对象ꎬ研究鱼群在适应环境过程中的集群和聚集行为ꎬ试验将采集到的图像通过Ａｄｏｂｅ软件进行分割之后运用Ｖｉｄｅｏｓｃｒｉｐｔ软件进行跟踪ꎬ对得到鱼体的横纵坐标运用最小二乘法确定路径ꎬ并分析鱼群中鱼体之间的夹角平均值和鱼体的距离均值ꎬ结果显示ꎬ集群行为主要在驯化的第１天出现(因为鱼群的自我保护)ꎬ而在前２４ｈ中鱼群中两条鱼之间的夹角平均值为５４.５ʎꎬ但在１ｄ之后ꎬ夹角平均值增加到８０ʎꎬ表明鱼群在驯化过程中集群行为逐渐弱化ꎬ个体间的交流减少ꎮＳｕｚｕｋｉ等[６７]利用摄像机拍摄并跟踪养殖池中的三线矶鲈ꎬ研究其个体与群体游泳状态下的差异ꎬ结果发现ꎬ当鱼群中个体数目增多时ꎬ鱼体将不再沿着养殖池壁游动ꎬ而是在养殖池的某一区域进行活动ꎬ并且鱼群中个体与养殖池壁的平均距离随着鱼体数目的增加呈指数型增长ꎮ尽管目前已经利用计算机技术进行了许多环境因子变化与游泳行为反应之间的研究ꎬ但大多环境刺激因子都集中于低氧或毒物暴露等压力因子ꎬ对温度㊁ｐＨ或鱼群密度等压力因子研究的较少ꎮ并且在部分研究中ꎬ计算机视觉技术在处理过程中仍需要结合人为标记等操作进行应用ꎬ这与计算机视觉技术省时省力的特点相违背ꎮ３.２㊀计算机视觉技术在摄食行为中的应用现状对于计算机视觉技术在水产养殖中鱼类摄食行为的应用ꎬ目前主要是通过计算机视觉技术实时监测鱼类行为并量化其摄食强度ꎬ以此进行投饲决策ꎮＬｉｕ等[４５]以大西洋鲑为研究对象ꎬ利用帧差法将两张连续帧相减得到差帧中所有像素强度之和作为鱼群的摄食强度ꎬ再利用插值法替代检测出的错误值ꎬ之后计算基于计算机视觉得到的结果与基于人为观察得到的摄食情况ꎬ并记录这两者的相关性ꎬ结果显示计算机视觉与人为观察有０.９１９５的相关系数ꎮ在部分基于计算机视觉技术的鱼类摄食行为研究中ꎬ由于一般不需要计算鱼体的速度㊁方向等参数ꎬ因此并不需要对鱼体进行跟踪ꎬ而是通过量化当前图像序列中鱼群整体的摄食强度值来进行投饲决策ꎮＺｈｏｕ等[６８]利用近红外拍摄系统来量化鱼群的摄食行为ꎬ实验在提高图像的灰度和对比度的基础上利用背景差分法提取鱼体ꎬ将图像中鱼体的形心作为狄罗尼三角剖分的顶点ꎬ通过狄罗尼三角剖分计算鱼类摄食行为群集指数ꎬ再与人为观察鱼群活跃程度并记录的结果进行相关性分析ꎬ结果显示ꎬ两者的相关性达到了０.９４５ꎮＳａｄｏｕｌ等[４４]以虹鳟为研究对象ꎬ利用中值滤波和高斯滤波对灰度图进行平滑处理ꎬ再通过背景差分检测鱼体ꎬ通过对每一张图像中所有鱼体的周长进行求和来计算鱼群的０１第２期何佳等:基于计算机视觉技术的水产养殖中鱼类行为识别与量化研究进展分散指数ꎬ以此估计鱼群的游泳活动ꎬ结果发现ꎬ在投放饵料之后就出现了游泳活动增强以及鱼群分散度降低ꎬ但鱼体的速度和方向也可以作为鱼群摄食强度的一部分来参与量化过程ꎮＺｈａｏ等[６９]提出一种改进的动能模型来量化鱼群的摄食强度ꎬ模型由鱼群的离散程度和空间行为特征综合得到ꎬ其中离散程度是通过鱼群的速度和转角(由光流法提取得到)以及鱼群整体的熵值来确定ꎬ而空间行为特征是基于水面的反射区域计算得到ꎮ除此之外ꎬ目前还有部分研究者将计算机视觉技术应用于鱼类摄食行为中ꎬ以研究摄食行为与外部刺激的联想机制或者研究摄食行为与水体环境变化之间的关系ꎮＤｏｙｌｅ等[７０]研究了斑马鱼的摄食行为与学习及记忆能力之间的关系ꎬ通过在声学刺激(ＦＭ扫频)和光学刺激(绿色ＬＥＤ照明)之后进行延迟投饲ꎬ从而给鱼体建立联想机制ꎬ实验利用摄像机进行拍摄并进行手动跟踪ꎬ从而计算鱼体的横纵坐标ꎬ以此分析鱼体的位置变化ꎬ结果显示ꎬ鱼体能够建立投饲与刺激之间的联系ꎬ并保存这种记忆至少２ｄꎬ而在１６ｄ之后ꎬ记忆会出现衰退ꎮＷｕ等[７１]基于鱼群在争抢饵料时的养殖区域水流变化会导致溶氧质量浓度变化这一现象ꎬ通过监测养殖区域内的溶氧质量浓度变化来确定鱼群的食欲ꎬ利用摄像机拍摄图像实时量化鱼群的群集指数以及争抢强度ꎬ同时利用推理系统通过鱼体的食欲来确定投饲的阈值ꎬ结果显示ꎬ溶氧的变化与鱼群的摄食行为有一定的正相关关系ꎬ且推理系统的最优状态下检验误差为０.０７７３ꎬ同时ꎬ以图像观测得到的鱼群的摄食强度为标准得到的投饲决策的阈值为０.１７ꎬ此时推理系统的准确性达到了９７.８９％ꎮ在鱼类摄食强度的量化中ꎬ鱼体的速度和转角应作为鱼类摄食活跃程度的一部分来参与量化ꎬ今后的研究应适当考虑构建包括速度㊁转角等表示鱼群活跃程度的综合评价参数来对鱼类的摄食强度进行量化ꎮ３.３㊀计算机视觉技术在体色变化中的应用现状由于养殖环境中普遍存在水体混浊度高和光线弱的问题ꎬ体色变化在ＲＧＢ颜色空间中并不明显ꎮ因此在基于计算机视觉技术的鱼体体色变化研究中ꎬ需要将图像转化为ＨＳＶ色度空间ꎬ并在色度空间中挑选鱼体与环境差异最为明显的分量进行量化[７２]ꎮ李贤等[７３]将拍摄得到的图像转化为ＨＳＶ颜色空间ꎬ选取Ｖ分量进行观察ꎬ在运用最大类间方差法分割得到鱼体图像后ꎬ选取ＣＩＥ－Ｌａｂ颜色空间作为体色量化标准ꎬ计算鱼体体色灰度变化速率ꎬ结果发现ꎬ大菱鲆幼鱼对于不同的背景颜色具有主动选择性ꎬ偏爱于浅色背景ꎮ徐建瑜[３０]对图像序列进行滤波去噪㊁图像增强等一系列预处理步骤后ꎬ采用最大类间方差法分割图像得到鱼体图像ꎬ之后将得到的ＲＧＢ图像转化为ＨＳＶ颜色空间ꎬ将获得的鱼体明度值与校准后的无色玻璃覆盖的灰阶明度值进行比较ꎬ以获得的鱼体的明度阶值表示鱼体的体色明暗程度ꎬ从而实现对鱼体体色的量化ꎮ目前关于计算机视觉技术在鱼体体色变化中的应用较少ꎬ且仍是单纯地利用计算机视觉技术观察鱼体在适应背景色中的体色变化情况ꎬ较少的研究由刺激因子导致的体色变化ꎬ并且很少与游泳行为以及摄食行为的变化相结合ꎮ４㊀展望作为目前鱼类行为学研究的主流技术ꎬ计算机视觉受到国内外鱼类行为学研究者的高度关注并发展迅速ꎮ但同时ꎬ由于鱼类生活环境的复杂性ꎬ计算机视觉技术在研究鱼类行为方面的问题仍然存在ꎮ之后的研究重点可以在参数设置㊁算法统一以及新成像技术３个方面进行延伸:１)在多目标的目标跟踪复杂性较强的情况下ꎬ研究鱼群整体参数ꎬ如群体活跃程度和摄食强度等参数的量化方法及其统一化ꎮ２)在目前研究的算法较为散乱的状况下ꎬ针对特定种类和养殖环境ꎬ建立能够适应一定养殖条件和特定种类的识别和量化的模型ꎮ３)根据目前成像系统的发展ꎬ将更多的成像系统应用于鱼类行为观察中ꎬ以期为之后鱼类行为更方便快捷和有效的识别奠定基础ꎮѲ参考文献[１]柴毅ꎬ谢从新ꎬ危起伟ꎬ等.鱼类行为学研究进展[Ｊ].水利渔业ꎬ２００６ꎬ２６(３):１－２ꎬ４７.[２]ＬＩＴＴＬＥＥＥꎬＡＲＣＨＥＳＫＩＲＤꎬＦＬＥＲＯＶＢＡꎬｅｔａｌ.Ｂｅｈａｖｉｏｒａｌｉｎｄｉｃａｔｏｒｓｏｆｓｕｂｌｅｔｈａｌｔｏｘｉｃｉｔｙｉｎｒａｉｎｂｏｗｔｒｏｕｔ[Ｊ].ＡｒｃｈｉｖｅｓｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＣｏｎｔａｍｉｎａｔｉｏｎａｎｄＴｏｘｉｃｏｌｏｇｙꎬ１９９０ꎬ１９(３):３８０－３８５.１１。
一种测量鱼类形态的方法
一种测量鱼类形态的方法引言鱼类形态的测量是研究鱼类分类、生态学和进化等领域中重要的科学工作。
传统上，鱼类形态测量主要基于直接测量鱼体的长度、宽度和高度等三维尺寸参数，这种方法存在着测量误差大、测量效率低等问题。
为了提高测量精度和测量效率，近年来引入了计算机视觉和图像处理等技术，提出了一种新的测量鱼类形态的方法。
方法图像采集首先，鱼类形态测量需要通过相机或者扫描设备等采集鱼类图像。
在采集过程中，要注意保证图像的清晰度和准确性。
可以使用高清相机或者专业的鱼类扫描设备，确保采集到的图像细节清晰可见。
图像处理接下来，将采集到的鱼类图像放入计算机中进行图像处理。
首先，对图像进行预处理，消除图像中的噪声干扰，并提高图像的对比度和亮度等。
然后，使用图像分割算法将鱼类从背景中分离出来，得到鱼类的轮廓。
特征提取在得到鱼类的轮廓后，可以使用特征提取算法提取鱼类的形态特征。
常用的特征包括鱼体长度、宽度、高度等三维尺寸参数，以及鱼类的身体比例、形状等特征。
特征提取的目的是为了将鱼类的形态用数值表示，方便后续的计算和分析。
数据分析得到鱼类形态特征后，可以使用统计学方法对数据进行分析。
可以计算鱼类不同形态特征之间的相关性，探索鱼类形态的变化规律，以及与环境因素、进化关系等的关联。
通过数据分析，可以深入了解鱼类的形态演变和适应策略，为鱼类的分类和生态学研究提供重要的科学依据。
优势与应用相比传统的直接测量方法，基于计算机视觉和图像处理的鱼类形态测量方法具有以下优势：- 测量精度高：图像处理算法可以准确地提取鱼类的轮廓，避免了直接测量中的误差。
- 测量效率高：图像处理和特征提取等算法可以自动化地完成，大大提高了测量的效率。
- 数据量大：可以采集大量的鱼类图像数据，并从中提取丰富的形态特征，为更深入的数据分析提供基础。
- 非侵入性：相比其他形态测量方法，图像采集对鱼类本身没有伤害，更符合动物保护和研究伦理要求。
鱼类形态测量方法在鱼类分类、生态学和进化等领域中有广泛的应用。