張 帆， 徐建瑜

( 寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211)

基于計(jì)算機(jī)視覺(jué)和非參數(shù)估計(jì)的蟹苗數(shù)量估算方法研究

張 帆， 徐建瑜

( 寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211)

養(yǎng)殖池內(nèi)蟹苗的數(shù)量估計(jì)在蟹苗養(yǎng)殖中有著重要意義。但現(xiàn)有的數(shù)量估計(jì)方法操作復(fù)雜且實(shí)用性不強(qiáng)，因此提出一種基于計(jì)算機(jī)視覺(jué)和非參數(shù)估計(jì)的蟹苗數(shù)量估算方法。首先在養(yǎng)殖池內(nèi)分水層采集視頻，通過(guò)背景建模得到前景圖像，并使用分水嶺算法和輪廓提取得到視頻中的蟹苗數(shù)量，并作為樣本數(shù)據(jù)，然后通過(guò)核密度估計(jì)得出概率密度函數(shù)，最后結(jié)合該函數(shù)和樣本數(shù)據(jù)估算出池內(nèi)蟹苗數(shù)量。結(jié)果表明，該方法對(duì)于容積約為1 000 L、蟹苗密度100～160只/L的小型蟹苗養(yǎng)殖池，估算蟹苗數(shù)量的平均正確率為82.14%。研究表明，采用該方法不僅可以解決采集視頻過(guò)程的操作繁瑣、幼苗轉(zhuǎn)移的問(wèn)題，而且能夠避免圖像處理過(guò)程中部分背景雜質(zhì)的干擾。該方法還可以推廣到蝦苗和魚苗等生物的幼苗估計(jì)，具有良好的通用性和可行性。

蟹苗；數(shù)量估計(jì)；圖像處理；核密度估計(jì)；輪廓提取

隨著梭子蟹養(yǎng)殖及人工育苗產(chǎn)業(yè)的不斷壯大，對(duì)蟹苗數(shù)量的估計(jì)有了廣泛需求。在育苗過(guò)程中，獲知蟹苗數(shù)量，對(duì)蟹苗的餌料投喂、養(yǎng)殖密度控制和產(chǎn)量預(yù)估等具有重要意義。傳統(tǒng)的蟹苗數(shù)量估計(jì)采用人工觀測(cè)的方法，這對(duì)觀測(cè)人員的經(jīng)驗(yàn)要求高，且受環(huán)境干擾因素多，導(dǎo)致誤差較大。20世紀(jì)80年代研制的各類水中幼苗計(jì)數(shù)器，如多通道魚苗計(jì)數(shù)器[1]、傳感器計(jì)數(shù)器[2]、光電魚苗計(jì)數(shù)器[3]等，均存在技術(shù)復(fù)雜、計(jì)數(shù)對(duì)象單一的問(wèn)題。

隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于圖像處理的生物量估計(jì)成為智能化水產(chǎn)養(yǎng)殖的研究熱點(diǎn)[4]。現(xiàn)有的基于圖像處理的數(shù)量估計(jì)方法分為兩種：一種是逐個(gè)計(jì)數(shù)[5-8]，使生物群經(jīng)過(guò)攝像區(qū)域的通道，通過(guò)圖像處理實(shí)現(xiàn)自動(dòng)計(jì)數(shù)，該方法計(jì)數(shù)準(zhǔn)確率高，但需要將生物群進(jìn)行轉(zhuǎn)移，對(duì)生物個(gè)體有損傷且操作繁瑣；另一種是采樣估計(jì)[9]，在一些局部區(qū)域內(nèi)進(jìn)行視頻錄制，將局部生物量作為樣本數(shù)據(jù)，通過(guò)概率模型估計(jì)生物數(shù)量，該方法操作簡(jiǎn)單、適應(yīng)性強(qiáng)，但視頻采樣的使用率不高，采樣方法以捕捉和人工觀測(cè)居多[10-12]，存在人力成本高、主觀性強(qiáng)的問(wèn)題。

本研究提出一種基于計(jì)算機(jī)視覺(jué)和非參數(shù)估計(jì)的數(shù)量估計(jì)方法，首先使用攝像裝置在養(yǎng)殖池內(nèi)分水層采樣，再對(duì)采集視頻進(jìn)行圖像處理，然后使用輪廓提取得出樣本數(shù)據(jù)，最后使用合適的概率模型對(duì)池內(nèi)蟹苗數(shù)量進(jìn)行估計(jì)。

1 視頻采集方案

1.1 環(huán)境與硬件

試驗(yàn)在圓形養(yǎng)殖池(直徑1.2 m，水深0.53 m)內(nèi)進(jìn)行。拍攝對(duì)象為溞狀幼體一期、體長(zhǎng)1～2 mm的蟹苗。硬件設(shè)備包括轉(zhuǎn)動(dòng)裝置和攝像裝置，轉(zhuǎn)動(dòng)裝置轉(zhuǎn)速0.1 r/s，轉(zhuǎn)動(dòng)桿半徑0.6 m。攝像頭采用Basler acA1600-20gm工業(yè)攝像頭，其下端蟹苗通道的入口高度為0.06 m，拍攝區(qū)域高度為0.015 m，拍攝范圍0.1 m×0.1 m，通道底部為相同尺寸的紅外背光源。

1.2 視頻采集

視頻采集裝置結(jié)構(gòu)如圖1所示，轉(zhuǎn)動(dòng)電機(jī)固定于養(yǎng)殖池上方，攝像裝置上端固定在轉(zhuǎn)動(dòng)裝置的轉(zhuǎn)動(dòng)桿上，距離電機(jī)0.5 m處，下端為透明的蟹苗通道，攝像機(jī)放置在蟹苗通道上方的密封空間里。轉(zhuǎn)動(dòng)裝置帶動(dòng)攝像裝置在養(yǎng)殖池內(nèi)勻速轉(zhuǎn)動(dòng)，蟹苗通過(guò)蟹苗通道進(jìn)入拍攝區(qū)后流出通道。視頻采集過(guò)程將養(yǎng)殖池劃分為5個(gè)水層，以地面為起始點(diǎn)向上延伸，設(shè)置采集高度分為0.08 m、0.18 m、0.28 m、0.38 m和0.48 m。攝像裝置通過(guò)調(diào)整固定點(diǎn)的位置來(lái)改變視頻采集的高度，以不同高度條件下采集的視頻作為對(duì)應(yīng)水層的樣本視頻。

圖1 視頻采集裝置示意圖Fig.1 Video capture device

1.3 圖像預(yù)處理

采用基于混合Gauss模型的背景建模方法(GMM)[13]獲取背景圖像，然后將當(dāng)前圖像與背景圖像相減得到前景圖像。圖2為原圖與前景提取圖。

圖2 原圖和前景提取圖Fig.2 Original image and foreground extraction image

GMM算法對(duì)圖像背景的變化有較好的適應(yīng)性，可以排除部分水下環(huán)境雜質(zhì)的影響。為進(jìn)一步去除圖像中的雜質(zhì)，本文對(duì)所得的前景圖像提取輪廓，將輪廓周長(zhǎng)小于正常蟹苗圖像周長(zhǎng)的像素塊去除，處理結(jié)果二值化后如圖2b，其中白色連通域表示蟹苗。

2 蟹苗數(shù)量估計(jì)

蟹苗數(shù)量估計(jì)流程如圖3所示。首先將采集的圖像序列進(jìn)行預(yù)處理得到二值圖，再以輪廓提取方法統(tǒng)計(jì)圖像序列中的蟹苗總數(shù)，然后將各序列的蟹苗總數(shù)作為對(duì)應(yīng)水層的樣本數(shù)據(jù)，通過(guò)核密度估計(jì)，得出概率密度函數(shù)，最后結(jié)合概率密度函數(shù)和樣本數(shù)據(jù)，估算出養(yǎng)殖池內(nèi)的蟹苗數(shù)量。

圖3 數(shù)量估計(jì)流程Fig.3 The flow chart of estimation

2.1 輪廓提取

通過(guò)圖像預(yù)處理后得到前景圖像，然后使用輪廓提取即可得到圖像中的蟹苗個(gè)數(shù)。但圖像中常有蟹苗粘連現(xiàn)象，導(dǎo)致提取的輪廓數(shù)低于實(shí)際值。因此，先對(duì)原圖使用分水嶺算法，得到蟹苗對(duì)應(yīng)的連通域，然后使用形態(tài)學(xué)濾波的方法，對(duì)連通域進(jìn)行腐蝕運(yùn)算，將粘連的連通域分離。由圖4中的矩形圈定的區(qū)域可以看出，在進(jìn)行分水嶺算法處理之后，部分粘連蟹苗成功分離；經(jīng)腐蝕處理后，所有粘連蟹苗都可以成功分離。對(duì)所有粘連蟹苗分離之后，再對(duì)結(jié)果圖提取所有輪廓，即可得到圖像中的蟹苗數(shù)。

2.2 核密度估計(jì)

核密度估計(jì)是利用某一種核函數(shù)的線性組合來(lái)估計(jì)概率密度分布的方法，也就是通過(guò)一定區(qū)間范圍內(nèi)的各樣本點(diǎn)密度的均值來(lái)估計(jì)總體密度函數(shù)[15-18]。該方法通過(guò)樣本數(shù)據(jù)集可以產(chǎn)生一個(gè)漸近無(wú)偏的密度估計(jì)，設(shè)定一組樣本S={xi}i=1…N的概率密度函數(shù)為p(x)，以x為中心點(diǎn)作一個(gè)超立方體。超立方體的邊長(zhǎng)為h，體積hD，包含樣本數(shù)為n。

定義窗函數(shù)如式(1)：

(1)

超立方體中的樣本數(shù)如式(2)：

(2)

則概率密度估計(jì)如式(3)：

(3)

2.3 數(shù)量估計(jì)

通過(guò)對(duì)視頻數(shù)據(jù)的處理得出每個(gè)水層的樣本數(shù)據(jù)。將這些樣本數(shù)據(jù)轉(zhuǎn)化為對(duì)應(yīng)水層的概率值，先通過(guò)核函數(shù)估計(jì)，將單個(gè)水層的概率值以核函數(shù)的分布規(guī)律分散于以樣本為中心的整個(gè)空間，所得的分布曲線則為概率密度曲線，然后將多個(gè)水層對(duì)應(yīng)的多個(gè)曲線疊加，得到整個(gè)空間的概率密度曲線。其中，核函數(shù)選取高斯函數(shù)，帶寬為1。圖5為實(shí)驗(yàn)中得出的概率密度函數(shù)圖，該圖直觀地顯示出養(yǎng)殖池內(nèi)蟹苗的分布情況。

圖5 概率密度函數(shù)圖Fig.5 Probability density function

對(duì)概率密度函數(shù)積分求概率值時(shí)，積分區(qū)間半徑的選擇非常重要。區(qū)間半徑過(guò)大或過(guò)小都會(huì)影響到估計(jì)值的準(zhǔn)確性。估計(jì)值變化曲線如圖6所示。

圖6 估計(jì)值變化曲線Fig.6 Estimation value curve

因此，需要不斷調(diào)整區(qū)間半徑，使得估計(jì)值與實(shí)際值的差值減小。圖6顯示的是在不同區(qū)間半徑下，3組實(shí)驗(yàn)的概率密度函數(shù)得出的估計(jì)值變化曲線與實(shí)際值直線(y=96 000)的相交情況。結(jié)果顯示，3組實(shí)驗(yàn)的實(shí)驗(yàn)對(duì)象和實(shí)驗(yàn)環(huán)境相同，實(shí)際蟹苗數(shù)量約為96 000只。

估計(jì)值曲線與實(shí)際值直線(y=96 000)相交時(shí)，對(duì)應(yīng)的區(qū)間半徑最佳。因此，可以通過(guò)統(tǒng)計(jì)不同密度條件下估計(jì)值曲線與實(shí)際值直線的交點(diǎn)，得到最佳區(qū)間半徑的大致范圍。表1為不同密度條件下，所得的最佳區(qū)間半徑。

表1 最佳區(qū)間半徑

由表1可以得到，最佳區(qū)間半徑都在2～3之間，因此，本文選取區(qū)間半徑為2和3 估計(jì)值的平均值，作為池內(nèi)蟹苗的估計(jì)量。其中，估計(jì)量的計(jì)算公式如式(4)：

(4)

式中：f(x)為核函數(shù)估計(jì)所得的概率密度函數(shù)；N(x)為水層高度對(duì)應(yīng)的蟹苗數(shù)量統(tǒng)計(jì)值；r1和r2為區(qū)間半徑。對(duì)f(x)在區(qū)間內(nèi)積分即可得出對(duì)應(yīng)的概率值，將該水層的統(tǒng)計(jì)值除以概率值，即得出蟹苗總量的估計(jì)值。

3 結(jié)果

在視頻錄制之后，將蟹苗分裝在多個(gè)桶中，然后對(duì)每一桶使用1 L的燒杯進(jìn)行抽樣統(tǒng)計(jì)，統(tǒng)計(jì)得出的密度均值作為實(shí)際蟹苗密度。實(shí)驗(yàn)分別在蟹苗平均密度為120、140和160只/L的養(yǎng)殖池內(nèi)進(jìn)行視頻采集，通過(guò)圖像預(yù)處理和輪廓提取后，得出視頻中蟹苗的個(gè)數(shù)。不同采樣高度下視頻中的蟹苗總數(shù)如表2所示。

表2 蟹苗數(shù)量統(tǒng)計(jì)

對(duì)表2數(shù)據(jù)通過(guò)核密度估計(jì)得出概率密度函數(shù)后，結(jié)合表2數(shù)據(jù)和本文統(tǒng)計(jì)得出的最佳區(qū)間半徑范圍，即可估算出池內(nèi)蟹苗數(shù)量。表3為不同密度條件下，實(shí)際值與估計(jì)值的對(duì)比。其中，標(biāo)準(zhǔn)值由實(shí)際蟹苗密度乘以總水量而得出。由表3可看出，低密度條件下的估計(jì)正確率較高，高密度條件下的估計(jì)正確率較低。

在不同蟹苗密度條件下分別獲取的100幀圖像，使用背景建模和輪廓提取的方法進(jìn)行圖像處理，得出累計(jì)的蟹苗個(gè)數(shù)作為估計(jì)個(gè)數(shù)。圖像處理后，在圖像中標(biāo)記出目標(biāo)個(gè)體，然后通過(guò)人工判別得出實(shí)際個(gè)數(shù)。表4中顯示的是在不同密度條件下，估計(jì)個(gè)數(shù)和實(shí)際個(gè)數(shù)的對(duì)比。

表3 數(shù)量估計(jì)結(jié)果

表4 不同密度下的估計(jì)結(jié)果

4 討論

4.1 不同密度條件下正確率的對(duì)比

低密度條件下的估計(jì)正確率較高。其原因是，在該條件下圖像中蟹苗個(gè)體間隔較大，導(dǎo)致圖像處理效果較好。而在高密度條件下，蟹苗個(gè)體之間會(huì)發(fā)生遮蓋，導(dǎo)致圖像處理結(jié)果較差。并且，高密度條件下養(yǎng)殖池內(nèi)的雜質(zhì)增多，對(duì)圖像處理影響較大，導(dǎo)致估計(jì)正確率較低。圖像中判別蟹苗的正確率直接影響了蟹苗總量估計(jì)的正確率。因此，針對(duì)高密度條件下的蟹苗個(gè)體識(shí)別需要進(jìn)一步的改善。

4.2 計(jì)數(shù)方法的對(duì)比

王碩等[5]針對(duì)大菱鲆魚苗的計(jì)數(shù)，提出了一種基于曲線演化的方法來(lái)分離粘合圖像，從而得出圖像中的魚苗個(gè)數(shù)；朱從容等[8]利用計(jì)算前景像素塊和魚苗個(gè)數(shù)的關(guān)系對(duì)魚苗進(jìn)行計(jì)數(shù)；王文靜等[7]針對(duì)多幀圖像提出一種連續(xù)實(shí)時(shí)在線計(jì)數(shù)方法，使魚苗勻速流過(guò)拍攝區(qū)域并進(jìn)行魚苗計(jì)數(shù)。上述方法研究對(duì)象都需要被轉(zhuǎn)移至環(huán)境簡(jiǎn)單的圖像采集區(qū)域，本方法主要針對(duì)實(shí)際育苗環(huán)境下的蟹苗計(jì)數(shù)，使用背景建模和雜質(zhì)去除來(lái)消除環(huán)境的干擾，這是一種從實(shí)驗(yàn)環(huán)境到實(shí)際環(huán)境的探索。并且本文的計(jì)數(shù)方法為輪廓提取后計(jì)數(shù)，不受對(duì)象的大小限制，可適用于混合養(yǎng)殖環(huán)境下的計(jì)數(shù)。

在實(shí)驗(yàn)中，本方法在低密度條件下處理良好，但在高密度條件下處理效果不佳，圖像中常出現(xiàn)絮狀物與蟹苗混雜的情況，需要對(duì)兩者分割處理后才能得到更準(zhǔn)確的計(jì)數(shù)。因此，本方法在排除環(huán)境雜質(zhì)的圖像處理上需要進(jìn)一步改善。

4.3 數(shù)量估計(jì)方法的對(duì)比

常用的數(shù)量估計(jì)方法有均勻分布估計(jì)法[19]和直方圖估計(jì)法[20]。前者使用比較普遍，它以多個(gè)局部密度的均值代替整體密度來(lái)獲取估計(jì)值；后者則是通過(guò)對(duì)各個(gè)區(qū)域的生物分布情況進(jìn)行統(tǒng)計(jì)，得出整體概率密度分布，從而獲得估計(jì)值。本文對(duì)同組數(shù)據(jù)分別使用這兩種方法和本文的方法進(jìn)行數(shù)量估計(jì)，其中，均勻分布估計(jì)法正確率73.42%，直方圖估計(jì)法正確率80.57%，本文估計(jì)方法正確率82.14%?？梢钥闯?，均勻分布估計(jì)法雖然實(shí)用性很強(qiáng)，但在分布不均勻的情況下，正確率不高；而直方圖估計(jì)法，由于其概率密度曲線不平滑，對(duì)未采樣的區(qū)域估算誤差較大，使得估計(jì)正確率較低。

4.4 本估計(jì)方法的推廣

本文方法的研究對(duì)象除了蟹苗，也可以是魚苗、蝦苗。其中，魚苗個(gè)體比蟹苗的大，且不容易與雜質(zhì)混合，圖像比較好處理；蝦苗的活動(dòng)習(xí)慣和蟹苗相近，其分布較為均勻，適合使用概率模型統(tǒng)計(jì)。因此，本文的方法也可推廣到魚苗和蝦苗的數(shù)量估計(jì)。

4 結(jié)論

提出了一種基于計(jì)算機(jī)視覺(jué)和非參數(shù)估計(jì)的蟹苗數(shù)量估算方法。該方法可以比較準(zhǔn)確地估計(jì)蟹苗數(shù)量。但在高密度的情況下，蟹苗之間有遮蓋現(xiàn)象，且池內(nèi)雜質(zhì)增多，會(huì)產(chǎn)生圖像處理結(jié)果不佳的結(jié)果，因此，該圖像處理方法有待進(jìn)一步提高。受實(shí)驗(yàn)環(huán)境的限制，本方法估測(cè)范圍偏小，在以后的研究中，將針對(duì)大型養(yǎng)殖池的蟹苗數(shù)量估計(jì)進(jìn)行更多的探索。

[1] 王寶舫.多通道式魚苗計(jì)數(shù)器概論[J].漁業(yè)現(xiàn)代化,1988(1):26-28.

[2] 黃應(yīng)生,許斐力,馬應(yīng)森. YJ-2型魚苗計(jì)數(shù)器[J].漁業(yè)現(xiàn)代化, 1989(3):29-30.

[3] 李伯珩,邵詩(shī)國(guó).魚苗計(jì)數(shù)器的試驗(yàn)研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào),1991(4):116-120.

[4] 徐愫,田云臣,馬國(guó)強(qiáng),等.計(jì)算機(jī)視覺(jué)在水產(chǎn)養(yǎng)殖與生產(chǎn)領(lǐng)域的應(yīng)用[J].天津農(nóng)學(xué)院學(xué)報(bào), 2014(4):43-46.

[5] 王碩,范良忠,劉鷹.基于計(jì)算機(jī)視覺(jué)的大菱鲆魚苗計(jì)數(shù)方法研究[J].漁業(yè)現(xiàn)代化, 2015, 42(1):16-19.

[6] FABIC J N, TURLA I E, CAPACILLO J A,etal. Fish population estimation and species classification from underwater video sequences using blob counting and shape analysis[C]. Tokyo:Underwater Technology Symposium. 2013:1-6.

[7] 王文靜,徐建瑜,杜秋菊.基于計(jì)算機(jī)視覺(jué)的魚苗自動(dòng)計(jì)數(shù)系統(tǒng)研究[J].漁業(yè)現(xiàn)代化, 2016, 43(3):34-38.

[8] 朱從容.一種基于機(jī)器視覺(jué)的魚苗自動(dòng)計(jì)數(shù)方法[J]. 漁業(yè)現(xiàn)代化, 2009, 36(2):25-28.

[9] SHEEHAN E V, COLEMAN R A. A quantitative assessment of the response of mobile estuarine fauna to crab-tiles during tidal immersion using remote underwater video cameras[J]. Journal of Experimental Marine Biology & Ecology, 2010, 387(1):68-74.

[10]張聰. 玉米田雙斑長(zhǎng)跗螢葉甲發(fā)生規(guī)律及生物學(xué)特性研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院, 2012.

[11]沈愛(ài)華. 生物資源抽樣調(diào)查統(tǒng)計(jì)分析的表格化處理技術(shù)研究[D]. 杭州：浙江大學(xué), 2006.

[12]王穎,馮承蓮,黃文賢,等.物種敏感度分布的非參數(shù)核密度估計(jì)模型[J]. 生態(tài)毒理學(xué)報(bào), 2015, 10(1):215-224.

[13]STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C]. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on. IEEE, 1999: 2.

[14]DAVIES A C, YIN J H, VELASTIN S A. Crowd monitoring using image processing[J]. Electronics & Communication Engineering Journal, 1995, 7(1): 37-47.

[15]屈文建, 熊國(guó)經(jīng). 非參數(shù)密度估計(jì)法比較分析及應(yīng)用[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2008, 39(4): 468-472.

[16]和亞珺, 郭平. Parzen窗估計(jì)法在圖像復(fù)原中的應(yīng)用探索[J]. 北京師范大學(xué)學(xué)報(bào), 2004, 40(4): 469-474.

[17]HAN B. Adaptive Kernel Density Approximation and its applications to Real-Time Computer Vision[D]. Maryland: University of Maryland, 2005.

[18]李曉龍. 密度函數(shù)的兩種估計(jì)及應(yīng)用[D]. 沈陽(yáng)：沈陽(yáng)師范大學(xué), 2016.

[19]原國(guó)輝, 韓桂仲. 麥紅吸漿蟲幼蟲土壤空間分布型及取樣查蟲方法探討[J]. 河南農(nóng)業(yè)科學(xué), 1992(4):18-20.

[20]張建方, 王秀祥. 直方圖理論與最優(yōu)直方圖制作[J]. 應(yīng)用概率統(tǒng)計(jì), 2009, 25(2):201-214.

Study on total estimation method of crab larvae based on computer vision and non-parametric estimation

ZHANG Fan, XU Jianyu

( Institute of Information Science and Technology, Ningbo University, Ningbo 315211, China)

Crab larvae total estimation is of great significance in crab breeding; however, the existing total estimation methods are complicated and unpractical. Therefore, an estimation method based on computer vision and non-parametric estimation was presented in this paper. Firstly, the videos were captured at different layers of the breeding pond, the foreground image was obtained by using image processing, and the number of crabs in the video was calculated by watershed algorithm and contour extraction to be used as the sample data. Then the probability density function was obtained by kernel density estimation. Finally, combining with the function and sample data, the total number of crabs was estimated. The results showed that the average correct rate of the method was 82.14% when the density of crab was between 100 and 160 individuals per liter for small crab ponds with a capacity of 1 000 L. The study not only solved the complicated operation and crabs transferring problems in capturing video, but also solved the interference of background impurities in the image processing. The method could also be extended to the estimation of many other species such as shrimps and fish fries, and has good versatility and feasibility.

crab larvae; total estimation; image processing; kernel density estimation; contour extraction

10.3969/j.issn.1007-9580.2016.06.006

2016-09-18

2016-11-29

寧波大學(xué)學(xué)科項(xiàng)目“水產(chǎn)養(yǎng)殖苗期生物信息獲取關(guān)鍵技術(shù)研究”(XKL 14D2052)

張帆(1991—)，女，碩士研究生，研究方向：計(jì)算機(jī)視覺(jué)與圖像處理。E-mail: muxufan2015@163.com

徐建瑜(1973—)，女，副教授，博士，研究方向：生物圖像處理。E-mail: xujianyu@nbu.edu.cn

TP391.41

A

1007-9580(2016)06-027-06