26、可食用鸟巢分级与卫星及水下图像增强技术研究

可食用鸟巢分级与卫星及水下图像增强技术研究

1. 可食用鸟巢分级方法

可食用鸟巢（EBNs）的分级工作具有重要意义，传统的人工检查方式效率较低，因此提出了一种新的自动分级方法。该方法通过处理 EBNs 图像，提取出基于曲率、整体大小、杂质水平和颜色的四个独特特征，以此来区分 AA、A 和 B 三个不同等级的 EBNs。

由于这些特征的值范围差异很大，所以还研究了几种归一化技术。在将这四个特征输入到分类器中进行测试时，不同分类器表现如下：
| 分类器 | 准确率 |
| ---- | ---- |
| ANFIS（Linear #4） | 95% |
| kNN（Linear #2） | 89% |
| 神经网络、SVM 和 NB | 约 89% |

可以看出，ANFIS 的表现优于 kNN，而神经网络、SVM 和 NB 的准确率比 ANFIS 低约 6%。

此外，还评估了一种基于图像的无特征提取方法。不过，由于数据集相对较小，在 MVGG - 19 CNN 学习各种等级并自动对训练中未使用的其余图像进行分级之前，需要进行大量的准备工作。该 CNN 使用这种无特征方法能够产生 88.89% 的平均准确率。

基于特征的方法的一个显著优势是耗时较少，所开发的系统无需大量数据或额外的计算硬件就能取得令人满意的结果。

mermaid 流程图如下：

graph LR
    A[输入 EBNs 图像] --> B[提取四个特征]
    B --> C[归一化处理]
    C -->