基于LBP-KPCA联合SSA-SVM方法的水下图像分类

《Information》：Underwater Image Classification Based on LBP-KPCA Combined with SSA-SVM Approach Han Li, Songsong Li, Qiaozhen Zhou, Zhongsong Ma and Xiaoming Chen

　　

中国拥有丰富的海洋渔业资源，这些资源在国民经济中发挥着至关重要的作用。在复杂的水生环境中实现水下目标的快速高精度分类，对于提升水产养殖智能化和作业效率具有重要意义。为解决水下图像分类中特征提取不足和分类器参数优化效率低下的挑战，本研究提出了一种融合局部二值模式（LBP）、核主成分分析（KPCA）和改进麻雀搜索算法（SSA）的分类方法。该方法首先利用LBP提取图像纹理特征，然后应用KPCA进行非线性降维。随后，引入三种优化策略——动态加权、边界收缩和自适应变异——以增强SSA，并用其优化支持向量机（SVM）的核心参数。实验在一个包含四类目标（海胆、鱼、岩石和扇贝）的水下图像数据集上进行。结果表明，与传统的KPCA-SVM方法相比，LBP特征与改进SSA的结合使分类准确率从55%提升至94.37%，验证了所提方法在水下图像特征提取和分类器参数优化方面的有效性。这为提高水产养殖应用中自动水下目标识别的可行性提供了技术支持。

# 论文解读：基于LBP-KPCA联合SSA-SVM的水下图像分类方法

## 研究背景与问题

中国拥有绵延18,000公里的海岸线和广阔的海洋领土，海洋渔业资源在国家经济中占据重要地位。然而，中国海域多属近岸浅水区，60海里以内、水深不超过100米的区域占总海域面积的98.5%。随着海洋经济的快速发展，水下目标分类技术成为海洋资源勘探、生态监测和水下机器人自主导航的核心技术之一。但水下环境具有复杂性：光衰减、散射效应、悬浮颗粒干扰和低对比度等问题，使得传统图像处理方法在特征提取和分类精度上面临严峻挑战。

传统方法依赖手工提取特征（如尺度不变特征变换SIFT、方向梯度直方图HOG）并配合近邻分类器、支持向量机（SVM）等，虽简单有效，但泛化能力弱、对环境变化敏感。近年来，深度学习方法（如卷积神经网络CNN）显著提升了分类性能，但计算资源需求巨大，难以部署在资源受限设备上。相比之下，机器学习方法具有训练快、模型小、部署方便等优点，在资源受限场景中仍具重要价值。然而，现有机器学习方法在特征提取上存在数据冗余、分类性能下降问题，且SVM的分类性能高度依赖超参数优化，传统网格搜索易陷入局部最优且计算复杂度高。

为此，研究人员提出一种融合局部二值模式（LBP）、核主成分分析（KPCA）和改进麻雀搜索算法（SSA）的水下图像分类方法，旨在解决特征提取和参数优化两大瓶颈。实验验证了该方法在水下目标分类任务中的有效性，准确率从基准的55%提升至94.37%，为水下自动目标识别提供了技术支撑。该论文发表在《Information》。

## 关键技术方法

研究人员主要采用了以下关键技术：①**局部二值模式（LBP）**用于提取图像纹理特征，采用统一模式（Uniform）LBP算子，在参数半径R=2、采样点数P=16时达到最优，生成18维直方图特征；②**核主成分分析（KPCA）**使用径向基核函数（RBF，参数γ_kpca=0.1）对LBP特征进行非线性降维，通过累积贡献率95%确定保留8维主成分；③**改进麻雀搜索算法（SSA）**引入动态加权、边界收缩和自适应变异三种策略，优化SVM的惩罚因子C（搜索范围[2^-5, 2¹⁰]）和RBF核参数γ_svm（搜索范围[2^-15, 2^-5]）。数据集来源于实验室水下扇贝数据集和大连理工大学UCCS及UIQS竞赛数据集，共1861张图像，包含海胆（521张）、鱼（532张）、岩石（208张）和扇贝（600张），按8:2分层随机划分训练集和测试集。实验采用十折交叉验证和30次独立重复，使用配对t检验（α=0.05）评估统计显著性。

## 研究结果

### 4.1.1 LBP参数实验
通过固定采样点数P=8，发现领域半径R=2时模型性能最优；在R=2下，采样点数P=16时达到最佳，继续增加P会导致特征冗余和计算效率下降。这表明特征提取范围需在信息量和噪声干扰之间取得平衡。

### 4.1.2 LBP-KPCA特征降维实验
以统一模式LBP（P=16, R=2）产生的特征为基础，拼接后初始维度达128维。KPCA降维实验显示：当保留维度从2增加至8时，分类性能显著提升，准确率突破90%；当维度继续增至16、32、64时，指标出现不同程度下降，表明高维包含冗余或噪声信息。最终选定8维特征，此时累积方差贡献率达95%。通过降维可视化对比，仅使用KPCA时不同类别在特征空间高度重叠；引入LBP后，类间距离显著增大，类内分布更紧凑，验证了LBP特征的有效性。

### 4.1.3 基于LBP-KPCA特征的SSA优化实验
在优化策略贡献分析中，动态加权策略使准确率提升至91%，边界收缩策略达91%，自适应突变策略达92%，三者联合的集成策略达到94%。动态加权扩展早期搜索跨度并细化后期步长，边界收缩增强局部优化精度，自适应突变提供跳出局部最优的能力。集成策略通过协同作用实现了全局探索与局部利用的平衡。

### 4.2 不同SVM模型的消融实验
基准模型（KPCA+SVM）准确率为55%；引入改进SSA后（KPCA+SSA+SVM）提升至67.3%；进一步加入LBP特征（LBP+KPCA+SVM）跃升至92.1%；最终完整模型（LBP+KPCA+SSA+SVM）达到94.37%，所有指标（精度、召回率、F1分数）均最优。训练时间方面，完整模型平均训练时间为806.45秒（SSA离线优化），单张图像推理时间仅0.2241毫秒，表明特征优化加速了推理，而群智能搜索增加训练成本但不影响部署效率。

### 4.3 对比实验
与深度学习模型对比：EfficientNet准确率79.5%，ResNet50达90.1%，Transformer达91.2%。所提LBP+KPCA+SSA+SVM模型在四个指标上均最优（准确率94.37%、精度0.95、召回率0.92、F1分数0.93），分别比Transformer高3.1%、3%、1%和2%。分析认为，LBP对光照和局部对比变化鲁棒，KPCA非线性压缩保留判别信息，SVM的最大间隔分类适合小样本高噪声场景，改进SSA全局搜索避免经验参数欠拟合，实现了与深度学习相当甚至更优的性能。

### 4.4 局限性与未来工作
研究指出三方面局限：①实验仅在当前类别集上验证，未系统评估更大或更细粒度分类的扩展性；②未评估在未知水下环境（光照、浊度、颜色衰减变化）中的鲁棒性；③未与最新的SOTA方法在标准基准协议下进行对比。未来将扩展数据集、进行跨环境域迁移实验、与最新深度CNN及混合架构进行严格对比。

## 总结与结论

本文提出了一种基于LBP-KPCA特征融合与麻雀搜索算法优化的水下图像分类方法。通过系统的理论分析和实验验证，该方法在水下目标分类任务中实现了显著的性能提升。研究表明，LBP-KPCA特征融合框架在增强水下图像纹理特征方面发挥关键作用：局部二值模式算子通过有效捕捉目标的局部纹理结构显著提高了特征的判别能力，而核主成分分析通过非线性映射进一步增强了特征表达的鲁棒性。这种多级特征提取策略使得模型即使在复杂水下环境中也能保持稳定的分类性能。

在参数优化方面，麻雀搜索算法通过模拟麻雀的觅食和警戒行为展现了优异的全局搜索能力和快速收敛特性，实现了支持向量机参数的自适应优化。引入的动态权重调整和边界收缩机制进一步增强了算法的搜索效率，使模型能在较少的迭代次数内获得最优参数配置。实验结果表明，与传统优化方法相比，改进的麻雀搜索算法不仅收敛更快，还能有效避免陷入局部最优，为水下图像分类中的参数优化问题提供了高效可靠的解决方案。

本研究对水下图像分类领域的主要贡献体现在以下方面：首先，提出了一种新的特征融合框架，通过LBP和KPCA的有机结合有效解决了水下图像特征提取中的关键问题；其次，设计了基于麻雀搜索算法的自适应参数优化策略，显著提升了模型性能；最后，构建了完整的实验评估体系，为后续研究提供了可靠的实验基准和优化方向。实验验证表明，所提方法将分类准确率从基准的55%提升至94.37%，在所有评估指标上均有显著改善。从实际应用角度来看，该方法在水下机器人自主导航、海洋资源勘探、生态环境监测等任务中具有广阔的应用前景，其优异的分类性能和较低的计算复杂度使其特别适合部署在实际水下作业系统中。