神奇cpp

这个屌丝很懒，什么也没留下！

热门标签

动物识别论文整理——一种基于生物特征的鱼类分类模型_珍惜动物识别相关的期刊

作者：神奇cpp | 2024-07-04 14:34:59

踩

珍惜动物识别相关的期刊

论文简介

论文中文翻译:《一种基于生物特征的鱼类分类模型》
论文名称:《A biometric-based model for fish species classification》
录用日期：2018年3月3日

期刊情况

期刊:Fisheries Research
期刊情况

中科院二区
影响因子2.147
Q1分区
一般,6-16周

摘要

鱼类识别对濒危鱼类的生存至关重要。本文提出了一种基于生物特征识别的鱼类物种识别方法。所提议的方法包括三个阶段。在第一阶段，从鱼类图像中提取不同的特征。该阶段分别采用韦伯局部描述子(WLD)和颜色矩提取纹理特征和颜色特征。由于WLD特征的高维性，在第二阶段，采用线性判别分析(LDA)来减少特征数量，区分不同的类别。第三阶段，采用AdaBoost分类器对鱼类进行分类。我们收集了一个由四个类/物种组成的数据集。为了验证AdaBoost分类器的结果，我们对三种常用分类器(朴素贝叶斯分类器、k-最近邻分类器和多层感知器)进行了比较。实验结果表明，该方法取得了较好的效果(约96.4%)。此外，我们的模型在不同的实际挑战下，如图像旋转和图像平移，得到了很好的结果。

突出

• 提出了基于生物识别方法的鱼类分类方法。

• 我们的模型采用了韦伯的本地描述符（WLD）和颜色特征以及AdaBoost分类器。

• 使用了鱼图像数据集（来自4个类的241张图像）。

• 拟议的模型获得了竞争结果

正文

研究背景

鱼类分类对工业、食品生产以及海洋渔业的保护和管理都至关重要。目前，许多商业渔船或船只根据欧共体条例(3703/85,1986)手工将鱼类分类为不同的物种(委员会等，1986年)。然而，手工过程是耗时的，需要很多人工，因此增加了成本。因此，需要一个完全自动化的鱼类分选或分类系统来解决人工处理的问题(Benson et al.， 2009;Hasija等，2017)。
据报道，动物识别/鉴定可以使用多种不同的方法来实现，这些方法可以分为电子、机械和生物特征识别方法(Gaber et al.， 2016)。有许多与机械方法相关的例子，如颚和鳍标记。然而，机械方法有许多局限性，例如它们不适合大规模的识别系统，它们比其他现代方法需要更多的时间(Rusk等，2006)。使用无线射频识别(RFID)等电子方法来识别动物，主要依赖于在鱼身上安装一个包含唯一识别号码的设备。另一种装置被称为阅读装置，它被用来与动物交流并解释动物的密码。然而，所连接的设备可能会丢失、损坏或被移除(Gaber等人，2016)。电子和机械方法的局限性可以用基于生物特征的方法来解决。
在基于生物特征的方法中，许多生物特征标记被提出来唯一地识别动物个体(Gaber et al.， 2016;Tharwat等，2016a)。这种方法解决了电气法和机械法的缺点。与基于生物特征的人类识别类似，许多生物特征动物标记已被用于识别动物个体(Gonzales Barron et al., 2008; Rusk et al.,
2006; Corkery et al., 2007; Tharwat et al., 2016a)。例如，基于视网膜的识别系统使用视网膜血管，可以从视网膜图像中提取血管作为唯一标识符(Gonzales Barron et al.， 2008)。Peirce et al.(2001)也采用了动物面部识别技术;Corkery等人(2007)。此外，DNA生物测定法还被用于识别由每种特定动物生产的肉类和动物产品(Jiménez-Gamero等人，2006)。尽管这种方法比其他生物特征识别方法获得了更高的识别率，但它并不具有成本效益，具有侵入性，而且很耗时(Rusk等人，2006年)。
在本文中，我们收集了一个由四个物种组成的数据集，即：阿吉罗索穆斯雷吉乌斯、撒丁岛马德伦西斯、斯科贝罗穆鲁斯·科默森和特拉奇诺图斯·奥瓦图斯。选择这四个物种是因为它们具有特定的营养和功能重要性;因此，这些物种在埃及和世界各地都很常见。分别采用韦伯局部描述子(WLD)法和颜色矩法提取纹理特征和颜色特征。由于WLD特征的高维性，采用线性判别分析(LDA)技术减少特征数量，提高不同类别之间的可分离性。使用AdaBoost分类器可以预测未知样本的类标签，该分类器将未知样本的特征与已标记的或训练数据的特征进行匹配。

相关工作

人们提出了许多自动鱼类识别系统(Iscsmen等人，2014;Hnin and Lynn, 2016;Shafait等人，2016)。Cadieux等人提出了一种用于鱼类自动分类和计数的智能系统(Cadieux等人，2000)。他们使用神经网络(NN)进行分类，对于特征，他们使用了一些形状特征，包括不变量矩、傅立叶描述符和9个形状特征，他们的准确率在70.8%到72.7%之间。在另一项研究中，Lee等人介绍了一种鱼类识别和迁移监测系统(Lee等人，2004年)。他们的系统依赖于提取形状，然后应用形状匹配来识别鱼类。他们匹配整个形状和几个形状描述符，如傅立叶描述符，多边形近似，和线段，测试，他们显示的准确性接近60%。Rova等人利用可变形模板匹配提取纹理特征，支持向量机(SVM)进行分类，其模型准确率达到90% (Rova et al.， 2007)。而不是像Cadieux等人(2000)那样使用一种特征，我们的模型结合了颜色和纹理特征。
Chamba等人提取了85个特征，包括几何特征(如面积、周长、延伸率)、颜色特征(如色调、灰度、颜色直方图)、运动特征和纹理特征(如熵和相关性)。他们还使用二次贝叶斯分类器进行分类，准确率达到85.77% (Chambah et al.， 2003)。Spampinato等人对来自10个不同类别的320幅鱼类图像进行了分类，准确率为92% (Spampinato et al.， 2010)。他们提取纹理和形状特征，如Gabor特征和傅立叶描述子，并采用判别分析分类器。Larsen等人也利用形状和纹理特征结合线性判别分类器对三个物种进行分类，识别率达到76% (Larsen et al.， 2009)。Iscsmen et al.(2014)在朴素贝叶斯分类器中使用了三种不同的生物识别技术(欧氏网络技术、二次网络技术、三角剖分技术)，对7个物种的准确率为93.10%，对15个物种的准确率为75.71%。由于环境不可控，Shafait et al.(2016)也使用视频图像对鱼类进行分类。他们的目标是在真实环境中对鱼类进行分类和跟踪。以上所有研究均采用单一分类器。然而，我们的模型采用了AdaBoost分类器，该分类器是基于结合不同单分类器的输出来提高分类的鲁棒性。

预赛

（一）韦伯的局部描述符

WLD是一种图像描述符方法，它将图像描述为差分激励(ξj)和方向(ϕt)的直方图(Chen et al.， 2010;Gaber等人，2016)。WLD最初受到19世纪恩斯特•韦伯提出的韦伯定律的启发。韦伯定律认为，增量阈值与背景强度的比值是常数，该定律可以正式表示为

其中ΔI是增量阈值，I代表初始强度或图像背景，k为常数，即使I在变化。分数ΔI/I为韦伯定律或韦伯分数(Chen et al.， 2010)。在WLD方法中，从图像的每个像素中提取特征。WLD算法主要有三个步骤(1)寻找差分激励，(2)计算梯度方向，(3)建立直方图。WLD算法的第一步是对输入图像中的每个像素计算图像的差分激励，然后计算梯度方向。在WLD算法的第三步，将差分激励和梯度定向相结合形成WLD直方图(Chen et al.， 2010;Gaber等人，2016)。

(1) 微分激励

在此步骤中，计算出每个像素点的微分激励(ξ)值。首先，计算中心像素c与其周围邻居的差值，如下图所示

其中，p为邻居数，xi(i=0，…，p−1)为xc第i个邻居的强度。
下图1显示了计算差分激励的示例，其中xcwas的邻居数为8，即p = 8。邻居数量或补丁/窗口大小由用户自定义。
如图所示，有f₀₀、f₀₁、f₁₀和f₁₁四个滤波器进行计算v_s⁰⁰、v_s⁰¹、v_s¹⁰、v_s¹¹；其中，v_s⁰⁰是x_c与其邻域的差值，v_s⁰¹ = x_c，v_s¹⁰ = x₅ - x₁，v_s¹¹ = x₇ - x₃。然后计算v_s⁰⁰和v_s⁰¹的差值之比，G _ratio（xc_） = v_s⁰⁰ / v_s⁰¹，然后将arctan函数应用于G_ratio(·)上，得到x_c的微分激励，如下式

(2) 方向

在这一步中，通过计算水平方向和垂直方向的差值来计算当前像素(x_c)的方向，如下所示:
然后将梯度方向量子化，将其转化为T主导方向，其中θ映射到θ´，如下(Gong等，2011):

(3) WLD直方图

通过计算每个像素处的差分激励(ξj)和方向ϕ (ϕt)(见上)，计算WLD直方图。该直方图由(ξj， ϕt)， j= 0，…，N−1,t= 0,1，…，t−1组成，其中N为图像的维数，t为主导方向的个数(Chen et al.， 2008;Gong等人，2011)。算法1总结了WLD算法的步骤。

（二）颜色特征

颜色特征算法由于其对不同变换(如旋转和缩放)的鲁棒性而被广泛应用于不同的应用中(Ohta等，1980;Tharwat等，2016b)。本文利用颜色矩提取颜色特征。颜色矩包括一阶，即均值，二阶，即方差，和三阶，即偏度(Ohta et al.， 1980)。第k个颜色分量(k= 1,2,3)的第一个颜色矩表示为:
其中，XY为图像的像素总数，f_k(x, y)为图像像素的第k个颜色分量(x, y)的颜色值。第k个颜色分量的hth矩计算方法如下(Tharwat et al.， 2016b):

（三）线性判别分析(LDA)

高维数据需要大量的计算工作。然而，数据中的冗余特征会对分类性能产生负面影响。降维算法用于减少特征的数量，如主成分分析(PCA) (Tharwat, 2016b)、LDA (Tharwat, 2016a)和独立成分分析(ICA) (Hyvärinen and Oja, 2000)。LDA是一种著名的用于机器学习的降维方法。LDA的目标是找到线性分离两个或更多类的特征的线性组合(Baudat和Anouar, 2000;Tharwat等人，2017)。这一目标可以通过找到一个变换矩阵W最大化类间方差的比值(S_b=∑_j=1^c( μ_j - μ)(μ_j - μ)^T在类方差S_w=∑_j=1^c∑_i=1^N~j~ (X_i^j - μ_j)(X_i^j - μ_j)^T，其中x_i为第j类第i个样本，μ为第j类均值，c为类数，μ为各类均值，N_j为第j类样本个数(Baudat and Anouar, 2000)。这个比率叫做费雪公式:

费雪公式的解是fW的特征向量(V)和特征值(λ)的集合，LDA空间由特征值最高的特征向量组成。
在我们提出的模型中，使用LDA方法来减少特征的数量，并区分不同的类，其中类代表鱼类的种类。

（四）演算法分类器

AdaBoost是一个分类器集成算法，它由许多单个分类器组成。单一分类器是一种简单、易于实现、快速的分类器，如单级决策树(Kuncheva, 2014)。集成分类器的目标是训练它的单个分类器，然后将加权的单个分类器组合起来构造一个强分类器。
AdaBoost学习算法由训练和测试两个阶段组成。在训练阶段，所有样本的权值(w)与算法2相同。对于每一次迭代(t)，都会调整权重，并根据它们来选择样本，然后计算当前单分类器(C_t)的训练权值，以及Ctis的错误率或误分类率(ϵt)。如果 ϵ > 50%，重新初始化权值，重新计算错误率。C_t的权值按照步骤10计算，增加错误率会增加单个学习者(αt)的权值。最后一步，更新样本的权值，与算法2的第11步相同。在这一步中，如果第j个样本被误分类，则l_j^t= 1，否则l_j^t= 0。由于单个分类器(αi)的权重小于1;这样，正确分类的样本的新权值w_j^t+1就会减少,否则，权重会增加。综上所述，AdaBoost分类器专注于错误分类的样本，并重复多次迭代，直到性能满意为止(Kuncheva, 2014;Gaber等人，2016)。
算法2——演算法分类器

1、给定一个训练集X = {(x₁, y₁)，…，(x_N, y_N)}，其中y_i为x_i∈X样本的类标号，N为训练集中样本总数。
2、w_i=[w₁ⁱ,…,w_Nⁱ]，w_jⁱ∈[0]，∑_j=1^Nw_jⁱ=1 通常，权值初始化为如下所示的相等:w~ j ~¹=1/N，j=1，…，N。
3、 for t= 1 to T do
4、使用分布w_t从X中取一个样本d_t
5、使用D_t以最小错误率ϵ_t，训练单个分类器C_t，式中
ϵ_t = ∑_j=1^Nw_j^tl_j^t, l_j^t=1如果c_t错误分类x_j，否则，l_j^t = 0
……一系列公式推导，反正也看不懂，写不下去了，省略一点点点

计算每个类的分数，AdaBoost 分类器将类的最大分数分配给未知样本

拟议的鱼类识别系统

该方法包括数据收集、特征提取、特征约简和分类四个阶段。

（一）数据收集

数据集包含四种不同的鱼类，即：阿吉罗索穆斯雷吉乌斯，撒丁岛马德伦西斯，斯科贝罗莫鲁斯科默森，和特拉奇诺图斯卵子。这四种鱼很常见。此外，这些物种具有特殊的营养和功能重要性，如促进心脏健康和骨骼健康，采集的数据集包括241张彩色图像，使用Fujifilm X-T10 Camera,2采集自埃及El Brulus Kafr El- sheikh - Egypt，并以Jpeg格式存储。所提出的系统，用于收集我们的数据集，如图2所示。如图所示，这些图像是从不同的角度拍摄的。
表1总结了每个类的样本数量、最小维度和最大维度，图3显示了收集的数据的样本。
如图3所示，从不同距离拍摄的图像，不同的照明和照明条件对图像尺寸的影响如表1所示。这四类样本的特征如下：
第1类:头大身体长。它的嘴处于末端位置，没有杠铃，眼睛很小。沿着尾鳍，侧线是延伸的。而且，第一背鳍比第二背鳍短，臀鳍包含短小且很细的多刺魟。此外，这类鱼的体色为银灰色，背部为青铜色，鳍基部为红褐色，口腔为金黄色，死后呈褐色。这种鱼的长度可达2米，体重50公斤。

马德拉沙丁鱼或马德拉沙丁鱼(类别2):这类是发现在大西洋和地中海。这类鱼的颜色是银色的，尾鳍是灰色的，有时尾部是黑色的，腹部突出。此外，在白色的上胸鳍鳍之间有一层黑色的膜。这个班在沿海水域组成学校。
商业鱼(3类):这种鱼类分布于亚洲、非洲东海岸、中东、印度洋北部沿海地区以及最东至西南太平洋地区。背、腹呈蓝色至深灰色，腹部呈银白色，浅蓝色。
卵形轴尾鱼(第4类):身体细长而扁平，背部有棘。它的背部是绿灰色的，侧面是银色的。背鳍、肛鳍和尾鳍裂片呈黑色。第二背鳍和臀鳍长度相等，侧线在胸鳍上呈弓形。

（二）特征提取阶段

该阶段分别采用WLD方法和color moments方法提取纹理和颜色特征。
在我们提出的模型中，使用WLD是因为它具有许多其他广泛使用的特征提取方法所没有的特征，如局部二值模式(LBP) (Ahonen et al.， 2006)和尺度不变特征变换(SIFT) (Lowe, 1999)。例如，WLD和LBP一样从每个像素中提取特征;然而，与LBP相比，WLD对图像旋转具有鲁棒性。这是因为LBP在局部模式上建立统计，而WLD算法计算显著模式，然后根据当前像素的梯度方向在这些模式上建立统计。此外，LBP将所有像素与其周围像素进行比较，而WLD则计算强度差异与当前像素的比值(Gaber et al.， 2016)。因此，正如Chen等人(2010)所报道的，WLD对噪声像素和光照变化具有更强的鲁棒性。此外，WLD只有一个参数(patch size)需要调整，而SIFT有许多参数，如需要调整的峰值阈值、角度的数量、箱子的数量和尺度空间的级别(Lowe, 1999)。此外,筛选的时间复杂度是O (C1(α,β)锰+ C2k1 + C3k2st + C4k2st), C1, C2, C3,和C4represent四个常量,k1indicates关键点候选人的数量,k2represents要点,s和t代表支持区域的大小对于每个关键点,α和β指八度的水平,也就是说,尺度空间,每个八度音阶的尺度，m和n分别是图像的维数。而WLD的复杂度为O(C1mn)，其中c1为常数，表示WLD中每个像素的计算量。因此，WLD比SIFT快得多(Chen et al.， 2010)。
由于WLD算法的高维性，我们使用了LDA方法(见4.3节)。然而，尽管颜色特征的数量很少，但LDA算法并没有减少颜色特征的数量，而是将这些特征投影到LDA空间上，增加了不同类别之间的可分性。
然后使用z_score normalize (Jain et al.， 2005)对特征，即颜色和WLD特征进行归一化/缩放。这一标准化步骤用于使来自不同来源或算法的特征兼容，正如我们的研究中所述。在Z_Score normalization中，计算给定特征(fold)的算术平均值(μ)和标准偏差(σ)，并计算新特征(fnew)，如Eq.(18)所示。然后将归一化特征组合在一起，形成每个样本的单一特征向量。

（三）特征约简阶段

WLD算法的输出是一个高维的特征向量，这增加了分类阶段的计算成本。为了解决这些问题，我们使用了LDA算法，在第3.3节中描述，以减少特征的数量。利用LDA搜索LDA空间，增加了不同类别之间的可分性，如图4所示。在训练阶段，将LDA应用于训练数据，即特征矩阵，寻找LDA空间。在测试阶段，特征向量未知，将样本投影到LDA空间上进行降维。
值得一提的是，标准LDA算法存在小样本(Small Sample Size, SSS)问题。当数据的维数远高于样本数量时，就会出现这个问题，因此swf变得奇异。有很多算法可以解决这个问题，如Regularized LDA (RLDA) (Lu et al.， 2003)， PCA + LDA (Yu and Yang, 2001)， Direct LDA (DLDA) (Yu and Yang, 2001)。在我们提出的模型中，由于WLD的高维，我们使用DLDA算法来解决SSS问题。

（四）分类阶段

在分类阶段，该系统对未知样本给出一个预测或类别标签。在该方法中，采用AdaBoost分类器进行分类。在训练阶段，AdaBoost分类器使用提取的特征，训练数据训练分类模型。利用该模型将未知样本的特征与训练数据的特征进行匹配。在我们的模型中，AdaBoost分类器的弱学习器是决策树分类器

实验结果

（一）实验装置

利用4.1节中提到的4种不同鱼类收集的241张彩色图像对提出的鱼类分类模型进行评价
所有实验均在具有以下特性的PC机上进行:Intel® Core ™ i5-2400 CPU@3.10 GHz, 4gb RAM, Windows 7操作系统，Matlab 7.10.0 (R2010a)。
通过不同的实验测试了WLD斑块大小对模型计算时间和精度的影响。从这些实验中我们发现，增加patch的大小减少了特征向量的长度，从而减少了分类的计算时间。当patch的大小设置为5 × 5时，模型的精度最高。图5为使用不同patch大小的WLD方法的直方图。
由于4.1节中提到的图像尺寸的变化，使用WLD生成不同长度的特征向量。在我们的实验中，我们将所有图像按相同的比例缩放(500 × 2000)。另外，由于WLD特征的高维数达到98968个特征，使用LDA算法对该高维数进行降维，进一步提取出更具鉴别性的特征。图6显示了使用LDA将特征数量减少到4个特征后，这4个类别样本的散点图。在图中，x轴和y轴代表应用LDA后的WLD特征。该图显示了这四个类的样本是如何很容易地分离和分类的。图7为所有样本的颜色特征(六个特征)散点图。如图6所示，不同类别之间的可分性远远高于图7。这是因为将WLD特征投影到LDA空间上增加了类间的方差，从而增加了不同类之间的可分性。为此，将LDA应用于颜色特征。图8为应用LDA后的颜色特征散点图。可见，类间的可分性增加了，这可能对分类精度有积极的影响。

在这里插入图片描述

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------

（二）实验场景

在这一节中，我们进行了四个实验。第一个实验(在第5.2.1节中)的目的是比较使用WLD特征、颜色特征以及使用和不使用归一化步骤的WLD +颜色特征所提出的模型。第二次实验(在第5.2.2节)的目的是评估所提出的模型，即使用不同数量的单一分类器，归一化的WLD +颜色特征。第三个实验(在第5.2.3节)是比较AdaBoost分类器与三种知名的分类器。第四也是最后一个实验(Section 5.2.4)展示了图像旋转和平移对所提模型性能的影响
在所有的实验中，都使用了k倍交叉验证测试，其中数据集的原始样本被随机划分为k个(大约)大小相同的子集，实验运行k次;每次运行时，一个子集作为测试集，另k−1个子集作为训练集。然后可以计算出k个结果的平均值，以产生一个单一的估计。在本研究中，k的值设为10。

(1）颜色 VS WLD VS WLD +颜色特性

这个实验的目的是评价提出的模型使用不同的特征集。本实验由五个子实验组成。在前三个子实验中，提出的模型分别使用了颜色、应用LDA后的颜色(color + LDA)和WLD特征。在第四个子实验中，采用LDA后的WLD与颜色特征的融合。在第五个子实验中，首先使用Zscore归一化方法对WLD特征和颜色特征进行归一化，然后对归一化特征进行组合。在所有子实验中，当单个分类器的个数为3,7,11,15,19时，使用AdaBoost分类器。WLD方法的patch大小为5 × 5。
表2总结了本次实验的结果。从表2可以得出许多结论。

该模型在使用颜色特征时取得了较好的效果。结果表明，该方法的准确率范围为78.7% ~88.47%,将LDA应用于颜色特征上，提高了识别精度。这反映了LDA如何提高分类精度。
使用WLD特征时，分类准确率低于使用颜色特征。这是因为在图像旋转、缩放和平移方面，颜色特征比WLD更健壮。此外，与颜色特征相比，图像缩放对WLD特征的鲁棒性影响更大，并且我们的数据集中的图像处于不同的尺度。
采用WLD和颜色特征而未归一化的模型得到的结果低于颜色特征。结果较低的原因是WLD的特性和颜色特点是不相容的。因此，在组合这两组特征之前，需要对它们进行归一化。
采用WLD和颜色特征归一化的模型分类准确率在90.4% ~ 96.35%之间
所有方法的准确率随着单个分类器数量的增加而成比例地增加。为此，当单个分类器的数量设置为11或15时，达到最大的准确性。在接下来的实验中，我们会更详细的解释单个分类器数量的影响。

综上所述，将WLD特征和颜色特征进行归一化后，将其结合在一起改进了模型的性能，得到的结果优于WLD特征和颜色特征。

（2）单个分类器的数量

本实验的目的是评估AdaBoost分类器单分类器数量对所提模型的影响。在这个实验中，我们使用了第一次实验中使用的特征集(见表2)。AdaBoost单分类器的数量从3个到19个不等。
表2和表3分别总结了本次实验使用测试数据和训练数据的结果。表2和表3显示了一些有趣的发现:

首先，AdaBoost分类器中组合的单个分类器数量越多，分类准确率越高。
其次，使用训练数据的准确率远远高于使用测试数据的准确率，这是因为使用训练数据来训练分类模型。此外，该模型的训练精度不断提高，直至达到一定程度或最大程度(如我们的实验)，并且保持不变。同样，随着集成规模的增大，测试精度也会逐渐提高，直到达到一定程度它又还原了。这是因为增加单一分类器的数量可能会增加AdaBoost分类器的复杂性，这可能会导致过拟合问题。
图9为不同单分类器数量下所提模型的计算时间。如图所示，增加AdaBoost分类器中单个分类器的数量会增加计算时间

综上所述，增加单一分类器的数量需要更多的计算时间，提高训练精度，但可能会导致过拟合。当使用15个单一分类器时，准确率最高。

(3)AdaBoost VS 传统分类器

本实验的目的是使用不同的分类器测试所提出的模型。在这个实验中，我们将AdaBoost分类器与朴素贝叶斯(NB) (Bender et al.， 2004)、k-最近邻(k-NN) (Tharwat et al.， 2013)和多层感知器(MLP) (Gardner and Dorling, 1998)分类器进行了比较。AdaBoost分类器使用15个单分类器，k- nn中的k值为3。在MLP中，使用了一个包含15个节点和1000个epoch的隐藏层。在这个实验中，我们使用了经过归一化的WLD+颜色特征。图10为本次实验的结果。
如图10所示，与其他分类器相比，AdaBoost分类器获得了最好的结果。这是因为AdaBoost分类器依赖于许多分类器，而不仅仅是k-NN、MLP和NB等单一分类器。因此，AdaBoost分类器的决策或类标签是基于结合来自不同弱学习者的不同决策而生成的，这使得AdaBoost分类器相对于其他单一分类器具有优势。此外，AdaBoost重点关注第3.4节中提到的关键点或样本，这提高了分类性能。此外，MLP分类器取得了第二好的结果，而k-NN取得了最坏的结果。
为了进一步评估，我们对我们的方法和最相关的工作进行了比较，如表4所示。从表中可以看出，各数据集的样本数量存在明显差异，样本数量从22个样本到1346个样本。此外，类的数量也有所不同。因此，将我们的结果与表4中列出的相关工作进行比较是不公平的。然而，可以注意到所提出的方法产生了显著的结果
为了进一步检验我们提出的模型，图11和图12分别给出了受试者工作特征(ROC)曲线和混淆矩阵。如图11所示，四类结果均较好，反映了所提模型的鲁棒性。这些结果与图12的结果一致，四类的准确率达到了96.3%，错误率很小。此外，四类(最下面一行)的敏感性或真阳性率值在95.7到96.7%之间，这反映了我们提出的模型的稳健性。此外，右列表示精确度或阳性预测值大于93%。
图13为旋转后的图像样本。
图14为翻译后的图像样本
图15为旋转和平移图像时的模型结果。