,实验结果如下:Р测试集共1690个样本实例,分类正确的为1398项,精度为82.72%。混淆矩阵(Confusion Matrix)如下:Р0Р1Р2Р3Р4Р5Р6Р0Р16Р14Р0Р1Р0Р0Р0Р1Р1Р963Р63Р8Р2Р0Р0Р2Р0Р77Р332Р48Р2Р0Р1Р3Р0Р0Р34Р63Р11Р4Р1Р4Р0Р0Р0Р12Р17Р4Р0Р5Р0Р0Р0Р1Р2Р7Р1Р6Р0Р0Р0Р0Р0Р4Р1Р表4-3:KNN实验混淆矩阵(行为实际类标,列为判定类标)Р 与4.3节KNN的实验相似,朴素贝叶斯方法在判别一个联通分量包含多条鱼苗的情况时,精度会下降较快,如本实验测试集的测试结果,精度仅为82.72%,而在联通分量内所含鱼苗数目不超过2条时,精度为84.36%,完全分散时可达92.86%。РKNN与朴素贝叶斯在鱼苗计数实验中效果比较Р从4.3节和4.4节的实验结果中可以清晰观察到,KNN算法相对于朴素贝叶斯算法来说,误差较小,Р精度稍高。然而在实际的应用中,一帧鱼苗群图像的鱼苗数目繁多,远不止本实验所含鱼苗数。而且计数工作需要高效地持续进行。这不仅对图像分割、识别等相关算法的要求要更高,而且对分类算法的运算速度也提出了更高的要求。KNN算法的运行时进行分类的时间复杂度为,其中m为样本集大小,n为样本空间维度。朴素贝叶斯算法运行时进行分类的时间复杂度为,是线性时间。因此从算法效率上说,朴素贝叶斯算法更适合系统吞吐量大的鱼苗计数应用。Р参考文献(References)Р刘山乔. 谨防购买鱼苗计数中的骗术[J].渔业致富指南,2010,11期,23-23.Р朱从容.一种基于机器视觉的鱼苗自动计数方法[J].渔业现代化,2009,36(2),25-28.Р范嵩,刘娇,杨轶.图像识别计数在鱼苗计数方面的研究与实现[J].水产科学,2008,04期,210-213.
全文预览
