賀芊菡 孫翁杰 劉必林, 3, 4, 5, 6 孔祥洪, 4 林龍山

基于計(jì)算機(jī)視覺(jué)的頭足類(lèi)角質(zhì)顎特征研究I:輪廓與特征點(diǎn)提取*

賀芊菡1孫翁杰2劉必林1, 3, 4, 5, 6①孔祥洪1, 4林龍山7

(1. 上海海洋大學(xué)海洋科學(xué)學(xué)院 上海 201306; 2. 上海海洋大學(xué)信息學(xué)院 上海 201306; 3. 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)教育部重點(diǎn)實(shí)驗(yàn)室 上海 201306; 4. 國(guó)家遠(yuǎn)洋漁業(yè)工程技術(shù)研究中心 上海海洋大學(xué) 上海 201306; 5. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室 上海 201306; 6. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)資源環(huán)境科學(xué)觀測(cè)實(shí)驗(yàn)站 上海 201306; 7. 自然資源部第三海洋研究所 廈門(mén) 361005)

輪廓與特征點(diǎn)研究是頭足類(lèi)角質(zhì)顎形態(tài)特征鑒別的基本方法, 對(duì)于輪廓與特征點(diǎn)的提取最常用的方法是手動(dòng)描繪與標(biāo)定, 利用計(jì)算機(jī)視覺(jué)進(jìn)行輪廓與特征點(diǎn)的提取, 不僅可以降低手動(dòng)提取帶來(lái)的誤差、提高準(zhǔn)確性, 而且更加快速、便捷。文章將利用計(jì)算機(jī)視覺(jué)提取頭足類(lèi)角質(zhì)顎的輪廓與特征點(diǎn), 首先將自制裝置拍攝得到的角質(zhì)顎三視圖放入MTALAB軟件中進(jìn)行編程處理, 然后利用Canny算法提取角質(zhì)顎輪廓, 最后根據(jù)地標(biāo)點(diǎn)的定義標(biāo)定特征點(diǎn)位置并建立空間坐標(biāo)系得到角質(zhì)顎的特征點(diǎn)坐標(biāo)。研究結(jié)果顯示, 利用計(jì)算機(jī)視覺(jué)提取角質(zhì)顎的輪廓圖像以及特征點(diǎn)坐標(biāo)是可行的, 當(dāng)標(biāo)準(zhǔn)差σ取值為0.1時(shí)角質(zhì)顎輪廓圖效果最佳, 在得到的輪廓圖上進(jìn)行特征點(diǎn)的標(biāo)定, 通過(guò)迭代遍歷輪廓圖獲得各個(gè)特征點(diǎn)的空間坐標(biāo)。研究分析認(rèn)為, 將計(jì)算機(jī)視覺(jué)應(yīng)用于頭足類(lèi)角質(zhì)顎形態(tài)學(xué)的研究可以提高研究的便捷性, 同時(shí)也為后續(xù)的研究提供了新的實(shí)驗(yàn)思路和方法。

角質(zhì)顎; 特征點(diǎn); 計(jì)算機(jī)視覺(jué); 邊緣識(shí)別

角質(zhì)顎是頭足類(lèi)的攝食器官, 其形態(tài)特征在頭足類(lèi)的種類(lèi)鑒定、種群判別、攝食生態(tài)等方面得到廣泛應(yīng)用(劉必林等, 2009, 2015, 2018)。角質(zhì)顎特征點(diǎn)是根據(jù)角質(zhì)顎形態(tài)特征選取的重要地標(biāo)點(diǎn)(Neige, 2002), 多用于角質(zhì)顎輪廓以及形態(tài)參數(shù)的提取(劉必林等, 2016)。手動(dòng)提取地標(biāo)點(diǎn)是獲取角質(zhì)顎特征點(diǎn)的傳統(tǒng)方法(方舟等, 2014), 而利用計(jì)算機(jī)視覺(jué)進(jìn)行角質(zhì)顎形態(tài)特征研究是一種新方法, 它可提高特征點(diǎn)提取的便捷性。計(jì)算機(jī)視覺(jué)在生物學(xué)研究中的作用日益凸顯(周鴻斌, 2009), 例如國(guó)外學(xué)者利用計(jì)算機(jī)視覺(jué)研究魚(yú)類(lèi)耳石的形態(tài)特征(Rypel, 2008)。Canny算法屬于一種優(yōu)化輪廓算法(王小俊等, 2012), 在圖像輪廓識(shí)別中具有重要作用, 由于其準(zhǔn)確性高、成像好等特點(diǎn)(林卉等, 2003), 在農(nóng)業(yè)、醫(yī)學(xué)、工業(yè)等領(lǐng)域中應(yīng)用廣泛, 并逐漸應(yīng)用于生物學(xué)領(lǐng)域(鄭暉等, 2009; 李沙等, 2013)。本文利用Canny算法進(jìn)行角質(zhì)顎邊緣識(shí)別并得到輪廓圖, 再通過(guò)MATLAB編程將角質(zhì)顎的輪廓圖進(jìn)行優(yōu)化處理, 標(biāo)定角質(zhì)顎的特征點(diǎn)并計(jì)算其空間坐標(biāo), 以探討計(jì)算機(jī)視覺(jué)提取角質(zhì)顎輪廓和特征點(diǎn)的可行性,旨在為角質(zhì)顎形態(tài)特征的研究提供更加快速、準(zhǔn)確的方法。

1 材料與方法

1.1 材料來(lái)源

實(shí)驗(yàn)用1尾鳶烏賊()樣品來(lái)源于2019年1—2月在印度洋進(jìn)行燈光圍網(wǎng)生產(chǎn)時(shí)所采集, 地點(diǎn)位于17°4′N(xiāo)—17°18′N(xiāo), 61°5′E—61°35′E。樣品實(shí)驗(yàn)室解凍后提取其角質(zhì)顎并放入75%的酒精中保存。

1.2 角質(zhì)顎三視圖的拍攝

利用自制拍攝裝置對(duì)角質(zhì)顎(上顎和下顎)進(jìn)行拍照, 裝置利用兩個(gè)45°三棱鏡光線反射原理, 經(jīng)一次拍攝同時(shí)獲取口視、腹視和側(cè)視圖(圖1, 圖2)。

注: 1. 角質(zhì)顎樣本; 2. 入射光線; 3. 反射光線; 4. 45°三棱鏡; 5. 入射光線; 6. 反射光線; 7. 載玻片; 8. 反射光線; 9. 入射光線

圖2 角質(zhì)顎三視圖

注: a, b, c分別為上顎側(cè)視圖、腹視圖和口視圖; d, e, f分別為下顎側(cè)視圖、腹視圖和口視圖。其中黑色線條為比例尺(1cm)

1.3 角質(zhì)顎輪廓的提取

利用Canny算法提取角質(zhì)顎輪廓, 其主要步驟如下:

(1) 將上顎和下顎三視圖進(jìn)行灰度化處理(帥曉華, 2019), 得到角質(zhì)顎灰度圖(圖3)。

(2) 利用2D高斯濾波模板和原圖像進(jìn)行卷積來(lái)消除噪聲, 此研究的模板大小為5*5。二維高斯函數(shù)如式所示(肖強(qiáng)明等, 2011):

圖3 角質(zhì)顎灰度圖

注: a, b, c分別為上顎三視圖的灰度圖; d, e, f分別為下顎三視圖的灰度圖。其中黑色線條為比例尺(1cm)

其中, 標(biāo)準(zhǔn)差σ的取值決定了圖像的平滑程度, 研究中分別取標(biāo)準(zhǔn)差σ為10, 1, 0.1, 0.01進(jìn)行分析。

(3) 利用導(dǎo)數(shù)算子求出圖像灰度沿著2個(gè)方向的導(dǎo)數(shù)G和G, 并求出梯度的大小和方向(王緒四等, 2011):

(4) 利用非極大值抑制(non-maximum suppression)消除邊緣檢測(cè)帶來(lái)的雜散響應(yīng)(Herout, 2012), 即將邊緣最大值之外的所有梯度值抑制為0, 對(duì)梯度圖像中每個(gè)像素進(jìn)行非極大值抑制的算法為: 將當(dāng)前像素的梯度強(qiáng)度與沿正負(fù)梯度方向上的兩個(gè)像素進(jìn)行比較, 如果當(dāng)前像素的梯度強(qiáng)度與另外兩個(gè)像素相比最大, 則該像素點(diǎn)保留為邊緣點(diǎn), 否則該像素點(diǎn)將被抑制。

(5) 通過(guò)雙閾值計(jì)算邊緣(張晶晶等, 2011), 凡是小于低閾值的一定不是邊緣, 凡是高于低閾值的一定是邊緣, 如果檢測(cè)結(jié)果在兩個(gè)閾值之間, 那么檢查這個(gè)像素的鄰接像素中有沒(méi)有超過(guò)高閾值的邊緣像素, 若沒(méi)有則它不是邊緣, 否則就是邊緣。

(6) 通過(guò)抑制孤立的弱邊緣最終完成輪廓檢測(cè)(Woodman, 2001)。為了獲得準(zhǔn)確的結(jié)果, 應(yīng)該抑制由雙閾值計(jì)算引起的弱邊緣, 通過(guò)查看弱邊緣像素及其8個(gè)鄰域像素, 只要其中一個(gè)為強(qiáng)邊緣像素, 該弱邊緣點(diǎn)就可以保留為真實(shí)的輪廓。

1.4 角質(zhì)顎特征點(diǎn)的提取

根據(jù)前人研究, 對(duì)上顎和下顎各10個(gè)特征點(diǎn)進(jìn)行標(biāo)定并編號(hào)1—10 (Neige, 2002, 表1)。利用MATLAB設(shè)計(jì)算法提取角質(zhì)顎特征點(diǎn), 具體步驟如下: 迭代遍歷圖像中角質(zhì)顎的輪廓, 獲取角質(zhì)顎的邊緣信息建立二維坐標(biāo)系, 坐標(biāo)系的原點(diǎn)位于圖像的左下角; 沿角質(zhì)顎輪廓迭代遍歷全圖, 優(yōu)先提取特征明顯的特征點(diǎn), 獲取二維坐標(biāo); 通過(guò)已提取的部分特征點(diǎn)適當(dāng)分割圖像, 減少提取其他特征點(diǎn)所需遍歷的范圍, 最后提取所有特征點(diǎn)在該視圖上的二維坐標(biāo); 根據(jù)各特征點(diǎn)在三視圖上的二維坐標(biāo), 建立空間三維坐標(biāo)系, 通過(guò)算法運(yùn)算得出所有特征點(diǎn)的三維坐標(biāo)。

表1 角質(zhì)顎地標(biāo)點(diǎn)的定義(Neige, 2002)

2 結(jié)果

2.1 角質(zhì)顎輪廓的提取

利用Canny算法將預(yù)處理的灰度圖進(jìn)行輪廓識(shí)別, 分別設(shè)置σ值為10、1、0.1和0.01得到不同清晰度的輪廓圖(表2, 圖4, 圖5), 當(dāng)σ取值為0.1得到上下顎三視圖的輪廓清晰連續(xù), 不存在虛假輪廓, 且角質(zhì)顎色素變化明顯的部分清晰可見(jiàn)(圖6)。

表2 σ值對(duì)輪廓識(shí)別的影響

圖4 σ取值不同的結(jié)果圖

注: 圖中柱狀形狀表示比例尺長(zhǎng)度為1cm

圖5 σ取值為0.1和0.01的輪廓放大圖

圖6 角質(zhì)顎輪廓圖

注: a, b, c分別為上顎三視圖的輪廓圖; d, e, f分別為下顎三視圖的輪廓圖。其中黑色線條為比例尺(1cm), 白色箭頭所指為角質(zhì)顎色素變化明顯部位

2.2 角質(zhì)顎特征點(diǎn)提取

根據(jù)上、下顎特征點(diǎn)標(biāo)定的定義與標(biāo)定圖(表3, 圖7), 結(jié)合上、下顎三視圖(圖2), 將標(biāo)定的特征點(diǎn)顯示于三維空間坐標(biāo)系中, 由于一些特征點(diǎn)在空間中形成的是對(duì)稱點(diǎn), 故存在兩個(gè)坐標(biāo), 須用不同編號(hào)加以區(qū)分(圖8)。上顎2號(hào)、3號(hào)和7號(hào)特征點(diǎn)存在對(duì)稱點(diǎn); 下顎2號(hào)、3號(hào)、4號(hào)和9號(hào)特征點(diǎn)存在對(duì)稱點(diǎn)。根據(jù)得到的上、下顎特征點(diǎn)空間坐標(biāo)系進(jìn)行編程運(yùn)算, 得到樣本每個(gè)特征點(diǎn)的空間坐標(biāo)(表4)。

表3 角質(zhì)顎特征點(diǎn)標(biāo)定的定義

Tab.3 The definition of characteristic point calibration of the beak

圖7 角質(zhì)顎特征點(diǎn)標(biāo)定圖

注: 黑色線條表示比例尺(1cm)

圖8 上下顎特征點(diǎn)空間坐標(biāo)系

3 討論

3.1 角質(zhì)顎輪廓的提取

由角質(zhì)顎輪廓圖(圖6)可知, 利用Canny算法不僅可以清晰提取角質(zhì)顎輪廓, 還可以顯示角質(zhì)顎色素變化明顯的部分(林靜遠(yuǎn)等, 2020)。由σ取值的變化可以看出(表2, 圖4), 選取合適的σ值對(duì)于角質(zhì)顎輪廓的提取有著重要作用。σ值過(guò)大容易造成虛假輪廓, 輪廓模糊的問(wèn)題; σ值過(guò)小時(shí), 圖片的變化較小, 但放大后看到提取的輪廓不夠平滑(圖5), 對(duì)于特征點(diǎn)的提取容易造成誤差(陳宏希, 2006; 陳楠樺等, 2018), 因此選取合適的σ值可以得到清晰的輪廓且可以提高特征點(diǎn)提取的準(zhǔn)確性。

表4 角質(zhì)顎特征點(diǎn)坐標(biāo)

Tab.4 Coordinates of characteristic points of the beak

利用MATALB軟件運(yùn)行Canny算法是為了獲取圖像的最優(yōu)輪廓(周志宇等, 2008)。利用計(jì)算機(jī)視覺(jué)對(duì)頭足類(lèi)角質(zhì)顎形態(tài)特征進(jìn)行識(shí)別, 不僅可以提取清晰的輪廓圖, 還能確定色素變化明顯的部分, 這些角質(zhì)顎輪廓的細(xì)微區(qū)別可用于頭足類(lèi)種類(lèi)和群體的判別中(陳芃等, 2015)。計(jì)算機(jī)視覺(jué)的便捷性和準(zhǔn)確性將大幅促進(jìn)頭足類(lèi)角質(zhì)顎形態(tài)學(xué)的應(yīng)用研究。

3.2 角質(zhì)顎特征點(diǎn)的提取

本研究依據(jù)地標(biāo)點(diǎn)的定義對(duì)特征點(diǎn)進(jìn)行標(biāo)定(圖7), 并結(jié)合角質(zhì)顎三視圖得到上、下顎特征點(diǎn)的空間坐標(biāo)系(圖8), 并提取各特征點(diǎn)的三維空間坐標(biāo)(表4)。特征點(diǎn)的三維空間坐標(biāo)不僅可以用于角質(zhì)顎形態(tài)參數(shù)的提取, 還可以應(yīng)用于頭足類(lèi)種群判別與種類(lèi)鑒定等研究(劉必林等, 2015; 馬迪等, 2018)。

在提取特征點(diǎn)的過(guò)程中發(fā)現(xiàn), 對(duì)于切點(diǎn)的提取尤為關(guān)鍵, 需要結(jié)合已知的特征點(diǎn)進(jìn)行切線運(yùn)算。切點(diǎn)的提取需要進(jìn)行迭代遍歷, 遍歷的最小單位為1/10個(gè)像素點(diǎn)(李慧敏等, 2017), 通過(guò)不斷的迭代尋找到距離切線最遠(yuǎn)的點(diǎn)即為切點(diǎn)。利用計(jì)算機(jī)視覺(jué)對(duì)輪廓進(jìn)行運(yùn)算分析, 確定每個(gè)特征點(diǎn)的位置和坐標(biāo), 提高了尋找特征點(diǎn)的效率和確定特征點(diǎn)位置坐標(biāo)的準(zhǔn)確性。因此, 利用計(jì)算機(jī)視覺(jué)進(jìn)行角質(zhì)顎特征點(diǎn)的提取是切實(shí)可行的新方法, 為后續(xù)利用計(jì)算機(jī)視覺(jué)進(jìn)行角質(zhì)顎形態(tài)學(xué)研究打下了基礎(chǔ)。

4 結(jié)論

通過(guò)本研究分析可知, 利用計(jì)算機(jī)視覺(jué)提取角質(zhì)顎輪廓和特征點(diǎn)是切實(shí)可行的, 不僅得到了清晰的輪廓圖和色素突變的位置, 還標(biāo)定了各特征點(diǎn)的空間坐標(biāo), 繼而可用于計(jì)算角質(zhì)顎形態(tài)參數(shù)。自動(dòng)化識(shí)別模式已廣泛應(yīng)用于生物學(xué)、農(nóng)學(xué)和醫(yī)學(xué)等領(lǐng)域(馬笑瀟等, 2001; 高衛(wèi)東等, 2002; 韓瑞珍等, 2013; 李慧敏等, 2017), 檢驗(yàn)葉類(lèi)蔬菜的新鮮度(馮甲一, 2012)、識(shí)別昆蟲(chóng)等(楊宏偉等, 2005)。為了提高獲取角質(zhì)顎形態(tài)特征的準(zhǔn)確性、便捷性, 本文首次將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用到頭足類(lèi)角質(zhì)顎形態(tài)學(xué)研究中。今后希望能夠逐步做到自動(dòng)化, 與大數(shù)據(jù)時(shí)代相接軌, 將頭足類(lèi)角質(zhì)顎的形態(tài)學(xué)研究提升到一個(gè)新高度。

馬 迪, 金 岳, 陳 芃等, 2018. 基于角質(zhì)顎形態(tài)的東海2種常見(jiàn)烏賊類(lèi)的種類(lèi)判別. 上海海洋大學(xué)學(xué)報(bào), 27(4): 594—602

馬笑瀟, 黃席樾, 周 欣等, 2001. 指紋自動(dòng)識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)——方向圖. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版), 24(3): 91—94

王小俊, 劉旭敏, 關(guān) 永, 2012. 基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法. 計(jì)算機(jī)工程, 38(14): 196—198

王緒四, 楊恢先, 謝鵬鶴等, 2011. 基于二階導(dǎo)數(shù)算子與小波變換的圖像去噪. 計(jì)算機(jī)工程, 37(12): 187—189

方 舟, 陳新軍, 陸化杰等, 2014. 頭足類(lèi)角質(zhì)顎研究進(jìn)展Ⅰ——形態(tài)、結(jié)構(gòu)與生長(zhǎng). 海洋漁業(yè), 36(1): 78—89

帥曉華, 2019. 基于計(jì)算機(jī)視覺(jué)的茶葉色澤檢測(cè)研究. 農(nóng)機(jī)化研究, 41(6): 209—213

馮甲一, 2012. 基于計(jì)算機(jī)視覺(jué)技術(shù)的葉類(lèi)蔬菜新鮮度檢測(cè)分級(jí)研究. 南京: 南京農(nóng)業(yè)大學(xué)碩士學(xué)位論文, 5—10

劉必林, 陳新軍, 2009. 頭足類(lèi)角質(zhì)顎的研究進(jìn)展. 水產(chǎn)學(xué)報(bào), 33(1): 157—164

劉必林, 陳新軍, 方 舟等, 2015. 基于角質(zhì)顎長(zhǎng)度的頭足類(lèi)種類(lèi)判別. 海洋與湖沼, 46(6): 1365—1372

劉必林, 林靜遠(yuǎn), 方 舟等, 2018. 頭足類(lèi)角質(zhì)顎穩(wěn)定同位素研究進(jìn)展. 海洋漁業(yè), 40(2): 242—248

劉必林, 林靜遠(yuǎn), 陳新軍等, 2016. 西北太平洋柔魚(yú)角質(zhì)顎微結(jié)構(gòu)及其生長(zhǎng)紋周期性研究. 海洋與湖沼, 47(4): 821—827

李 沙, 謝 鵬, 姚 麗, 2013. 自適應(yīng)Canny算法的植物葉片圖像邊緣檢測(cè)應(yīng)用. 電腦知識(shí)與技術(shù), 9(22): 5126—5128

李慧敏, 張之江, 2017. 基于模板迭代更新的圖像配準(zhǔn)算法. 電子測(cè)量技術(shù), 40(10): 134—138

楊宏偉, 張 云, 2005. 計(jì)算機(jī)視覺(jué)技術(shù)在昆蟲(chóng)識(shí)別中的應(yīng)用進(jìn)展. 生物信息學(xué), 3(3): 133—136

肖強(qiáng)明, 李培林, 王 崴等, 2011. 基于分形和高斯濾波的維修件粗糙表面重構(gòu)與基準(zhǔn)提取. 機(jī)械設(shè)計(jì)與制造, (11): 253—255

張晶晶, 范學(xué)良, 蔡小舒, 2011. 計(jì)算Canny算子雙閾值的新方法. 中國(guó)粉體技術(shù), 17(1): 67—71

陳 芃, 方 舟, 陳新軍, 2015. 基于角質(zhì)顎外部形態(tài)學(xué)的柔魚(yú)種群判別. 海洋漁業(yè), 37(1): 1—9

陳宏希, 2006. 基于邊緣保持平滑濾波的Canny算子邊緣檢測(cè). 蘭州交通大學(xué)學(xué)報(bào), 25(1): 86—90

陳楠樺, 梁仁杰, 白 義等, 2018. 基于幾何形態(tài)測(cè)量學(xué)的四種濱螺形態(tài)差異與系統(tǒng)發(fā)生關(guān)系研究. 海洋與湖沼, 49(6): 1365—1374

林 卉, 趙長(zhǎng)勝, 舒 寧, 2003. 基于Canny算子的邊緣檢測(cè)及評(píng)價(jià). 黑龍江工程學(xué)院學(xué)報(bào), 17(2): 3—6, 16

林靜遠(yuǎn), 劉必林, 金 宵, 2020. 頭足類(lèi)角質(zhì)顎的色素沉積機(jī)制. 水產(chǎn)學(xué)報(bào), 44(5): 777—783

周志宇, 劉迎春, 張建新, 2008. 基于自適應(yīng)Canny算子的柑橘邊緣檢測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 24(3): 21—24

周鴻斌, 2009. 基于計(jì)算機(jī)視覺(jué)的魚(yú)類(lèi)運(yùn)動(dòng)監(jiān)測(cè)系統(tǒng)研究. 杭州: 浙江工業(yè)大學(xué)碩士學(xué)位論文, 5—10

鄭 暉, 張利群, 孟慶軍等, 2009. 使用基于Canny理論的算法自動(dòng)識(shí)別及篩選菌落. 山東科學(xué), 22(4): 34—41

高衛(wèi)東, 劉基宏, 徐伯俊等, 2002. 織物中經(jīng)紗排列參數(shù)的自動(dòng)識(shí)別. 棉紡織技術(shù), 30(3): 31—34

韓瑞珍, 何 勇, 2013. 基于計(jì)算機(jī)視覺(jué)的大田害蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng). 農(nóng)業(yè)工程學(xué)報(bào), 29(3): 156—162

Herout A, Hradi? M, Zem?ík P, 2012. EnMS: early non-maxima suppression-speeding up pattern localization and other tasks. Pattern Analysis and Applications, 15(2): 121—132

Neige P, Dommergues J L, 2002. Disparity of beaks and statoliths of some Coleoids: a morphometric approach to depict shape differentiation. Abhandlungen der Geologischen Bundesanstalt, 57(5): 393—399

Rypel A L, 2008. An inexpensive image analysis system for fish otoliths. North American Journal of Fisheries Management, 28(1): 193—197

Woodman R J, Playford D A, Watts G F, 2001. Improved analysis of brachial artery ultrasound using a novel edge-detection software system. Journal of Applied Physiology, 91(2): 929—937

MORPHOLOGICAL STUDY ON BEAK OF CEPHALOPODS BASED ON COMPUTER VISION I: CONTOUR AND FEATURE POINT EXTRACTION

HE Qian-Han1, SUN Weng-Jie2, LIU Bi-Lin1, 3, 4, 5, 6, KONG Xiang-Hong1, 4, LIN Long-Shan7

(1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. College of Information Technology, Shanghai Ocean University, Shanghai 201306, China; 3. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China; 4. National Distant-water Fisheries Engineering Research Center, Shanghai Ocean University, Shanghai 201306, China; 5. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China; 6. Scientific Observing and Experimental Station of Oceanic Fishery Resources, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China; 7. Third Institute of Oceanography, Ministry of Natural Resources, Xiamen 361005, China)

Contour and feature points are the basic morphological features of cephalopod beak. The most commonly used method for contour and feature point extraction is manual description and calibration, using computer vision to extract contour and feature points can not only reduce the error caused by manual extraction, improve the accuracy, but also be faster and more convenient. In this study, we used computer vision to extract the contour and feature points of cephalopod beak. First, a self-made device was designed and programmed in MATLAB software, and used for capturing the three-dimensional view of the beak, and then the contour of the beak was extracted in the Canny algorithm. Finally, the feature point position was calibrated according to the definition of landmark, and the feature point coordinates of the beak were obtained by establishing the spatial coordinate system. The research results show that it was feasible to extract the contour image and feature point coordinates of the beak by computer visioning. When thesvalue was 0.1, the contour image of beak had the best effect. The feature points were calibrated on the contour picture, and the spatial coordinates of each feature point were obtained by iterating through the contour picture. It was believed that the application of computer vision in the study of beak morphology of cephalopods could improve the accuracy and convenience of the study, and provide new experimental ideas and methods for the follow-up study.

beak; feature points; computer vision; edge recognition

* 國(guó)家重點(diǎn)研發(fā)計(jì)劃, 2019YFD0901404號(hào); 國(guó)家自然科學(xué)基金面上項(xiàng)目, NSFC41876141號(hào); 全球變化與海氣相互作用專項(xiàng), GASI-01-EIND-YD01aut/02aut號(hào); 上海市“浦江人才”計(jì)劃項(xiàng)目, 18PJ1404100號(hào); 上海市高校特聘教授“東方學(xué)者”崗位計(jì)劃項(xiàng)目, 0810000243號(hào); 上海市科技創(chuàng)新行動(dòng)計(jì)劃, 19DZ1207502號(hào)。賀芊菡, 碩士研究生, E-mail: 695799075@qq.com

劉必林, 博士生導(dǎo)師, 教授, E-mail: bl-liu@shou.edu.cn

2020-03-15,

2020-06-26

Q954; Q959.216; TP399

10.11693/hyhz20200300074