一種基於顯微圖像的角毛藻和非角毛藻自動分類方法
2023-05-20 21:11:26 1
專利名稱：一種基於顯微圖像的角毛藻和非角毛藻自動分類方法
技術領域：
本發明涉及ー種浮遊植物分類方法，特別涉及一種基於顯微圖像的角毛藻和非角毛藻自動分類方法。
背景技術：
浮遊植物指懸浮於水中的微小藻類植物，是浮遊生物中的自養生物部分。浮遊植物廣泛存在於河流、湖泊和海洋中，多分布於水域的上層，個體極小，需要用顯微鏡才能觀察到，繁殖極快。在淡水中主要是藍藻、緑藻、硅藻等，在海水中主要是硅藻、甲藻。浮遊植物為水生動物(主要是魚類)的食料；地球上約一半的光合作用是由浮遊植物進行的。傳統的海洋浮遊植物調查，一般是由海洋調查船進行現場採樣，將其帶回實驗室，依賴經驗豐 富的藻類專家，依據種的生物形態學特徵在顯微鏡下通過人工目視進行分類。該方法不僅費時、費力，且需要研究者具有豐富的海洋浮遊植物專業知識和分類經驗，難以滿足快速分析和現場監測的需求。為了適應海洋科學和環境檢測中快速檢測的需要，解決目前顯微鏡人工鑑定中存在的專業水平高、分類人員斷層、耗時等問題，至今已有不少學者對各種浮遊植物自動分類方法進行了研究，包括基於藻細胞形態的與計算機技術相結合的顯微圖像法；基於藻類色素組成的吸收光譜法、螢光光譜法和高壓液相色譜法；基於藻細胞大小、色素組成、DNA等的流式細胞儀法；基於細胞基因序列的分子探針法等。其中，日新月異的計算機信息處理技術為基於圖像信息並結合生物形態學分類特徵的自動化藻類鑑定提供了基礎，圖像信號經過計算機圖像分析與模式識別處理，是傳統分類方法實現自動化的有效手段。角毛藻細胞在殼面頂軸兩端各生一細長的角毛，其斷面大多為圓形。亦有四角形或多角形等。角毛的表面常有橫裂點紋，及螺旋排列的實心小刺。少數種細胞単獨生活，大部分種相鄰細胞的相近角毛交接，聯成直的、彎的或螺旋狀的鏈狀群體。鏈兩端細胞的端角毛生出的位置不同，有的種鏈兩端角毛伸出的位置也不同，它們向鏈外伸出的方向不同。一直以來，生物外形是生物學家對生物進行分類的最重要，也是最基本的手段，而對角毛藻而言，角毛的形態、生長位置、伸出方向，色素體的形態、數量及其在細胞內的分布等都是角毛藻鑑定的重要依據，因此，從角毛藻顯微圖像中精確地提取目標細胞(尤其是角毛特徵)就成為藻類鑑定和研究工作中重要的一歩，而且還可以大幅度降低對角毛藻自動分類識別エ作的技術要求，提高效率和識別準確率。中國專利號201010115606. I公開了ー種角毛藻顯微圖像細胞目標提取方法。其主要為圖樣ニ值化的方法。這種方法包括如下步驟a.將角毛藻原始圖像轉換為灰度圖像；b.構建灰度圖像方向角模型，計算灰度曲面的法線方向矢量與三維坐標系中三個坐標軸X、Y、Z方向的矢量方向角，再利用水平⑴方向角和垂直⑴方向角在XZ和YZ平面的矢量距作為灰度值分別構成兩幅灰度圖像；c.對兩幅灰度圖像分別採用增強大律法自動閾值ニ值化後再進行邏輯與運算；
d.對所得到的ニ值圖像做雙向濾波和中值濾波以去掉ニ值圖像中小的噪聲點；e.進行形態學膨脹操作以連接目標細胞斷裂的邊緣；f.提取ニ值圖像的最大輪廓並填充後再進行形態學腐蝕操作；g.用腐蝕後的ニ值圖像與原始圖像做邏輯與運算，得到細胞目標圖像。這種方法(詳細方法見201010115606. I)能夠從帶有泥沙、殘骸等幹擾物的角毛藻顯微圖像中較為精確的提取目標細胞，從而可以大幅度降低對角毛藻自動分類識別工作的技術要求，提高效率和識別準確率；而且也可以比較精確的提取角毛藻的角毛特徵，為藻類研究者提供有效地指導和幫助。角毛藻屬是硅藻門中心綱盒形藻目角毛藻科下的屬，是硅藻門下較大的屬之一，其屬下包含了大量種類的中國海常見浮遊植物，且部分種類屬於中國海常見有害赤潮藻種。因此，基於藻種顯微圖像進行角毛藻和非角毛藻的自動分類，可以提高進ー步藻種分類的識別準確率。本發明基於這種細胞目標提取方法，進ー步改進計算方法，提高角毛藻和非角毛藻自動分類的識別準確率。本發明的方法準確率高，顯像清晰，為進一歩的藻種分類識別打下基礎。為廣大第一線藻類監測人員、藻種研究者提供有效地指導和幫助，經濟和社會效益都將十分顯著。
發明內容
本發明所要解決的技術問題在於，提供一種角毛藻與非角毛藻自動分類的識別方法，該方法準確率高，顯像清晰，為進一歩的藻種分類識別打下基礎。本發明能夠通過藻種顯微圖像較為準確的區分角毛藻和非角毛藻，從而可以提高進ー步藻種自動分類的識別率；而且也可以為廣大第一線藻類監測人員、藻種研究者提供有效地指導和幫助，經濟和社會效益都將十分顯著。為解決上述技術問題，本發明提供了一種基於顯微圖像的角毛藻和非角毛藻自動分類方法，其中，包括以下步驟(I)從藻類的顯微圖像中提取出藻類目標細胞ニ值化圖像；(2)將ニ值化圖像調整為如下尺寸將ニ值化圖像的高度即行數固定為300像素，列數則按原比例進行縮放；(3)採用結構元素對圖像進行閉運算所述結構元素是指半徑為5像素寬度的圓形結構元素；(4)骨架提取對ニ值圖像採用距離變換細化算法進行骨架提取；(5)提取骨架的節點數和端點數提取骨架的節點集合和端點集合，從而獲取節點和端點的數量；(6)類判決根據是否滿足(節點數> 5且端點數> 5)條件作為是否為角毛藻的判據如果滿足則為角毛藻，否則為非角毛藻。步驟(I)從藻類的顯微圖像中提取出藻類目標細胞ニ值化圖像；具體為
a.將角毛藻原始圖像轉換為灰度圖像；b.構建灰度圖像方向角模型，分別構成兩幅灰度圖像；c.對兩幅灰度圖像分別採用增強大律法自動閾值ニ值化後再進行邏輯與運算；d.對所得到的ニ值圖像做雙向濾波和中值濾波以去掉ニ值圖像中小的噪聲點；
e.進行形態學膨脹操作以連接目標細胞斷裂的邊緣；f.提取二值圖像的最大輪廓並填充後再進行形態學腐蝕操作；g.用腐蝕後的二值圖像與原始圖像做邏輯與運算，得到細胞目標圖像；在步驟b中，構建灰度圖像方向角模型，計算灰度曲面的法線方向矢量與三維坐 標系中三個坐標軸X、Y、Z方向的矢量方向角，再利用水平⑴方向角和垂直⑴方向角在 XZ和YZ平面的矢量距作為灰度值分別構成兩幅灰度圖像；在步驟b中灰度圖像方向角模型是將圖像中任意4個像素點的坐標(x，y)及灰度 值f(x,y)在三維坐標系中確定的4個點(x,y,f(x,y))構成灰度曲面，計算灰度曲面的法 線方向矢量與三維坐標系中三個坐標軸X、Y、Z方向的矢量方向角，再利用水平(X)方向角 和垂直(Y)方向角在XZ和YZ平面的矢量距作為灰度值分別構成兩幅灰度圖像；在步驟c中增強大津法是在運用大津法之前做一個線性拉伸，用於解決圖像主體 部分與背景灰度差較小的問題；在步驟c中選取使類間方差最大和類內方差最小的圖像灰度作為最佳閾值；在步驟d中，對步驟c所得到的二值圖像先進行雙向濾波，再進行中值濾波，用於 去掉二值圖像中小的噪聲點；在步驟f 中最大輪廓是指尋找到的輪廓包含的像素數最多；填充是指將尋找到 的最大輪廓內部填充為白色；在步驟g中，將腐蝕後的圖像與原始圖像做邏輯與運算，提取細胞圖像的邊緣並 保留內部紋理；步驟b優選為對於一幅圖像I，由任意4個像素點的坐標及灰度值在三維坐標系中確定的4個點 構成灰度曲面，建立空間直角坐標系，令相鄰兩像素點間的距離為1，並將每個像素點的灰 度值除以255，利用空間點坐標的概念確定每個像素點灰度在該坐標系下的坐標；設4個相鄰像素(i，j)，(i+1，j)，(i，j+1)，(i+1，j+1)在Z軸上的灰度值分別 為 I(i，j)，I(i+1，j)，I(i，j+1)，I(i+1，j+1)，在空間坐標系中 A' B' C'、k' C D'、 A' B' D'和B' C' D'為四個互不重疊的三角形平面；在A' C' D'平面中，D' C'對應的矢量為 fD, c, =
， A' D'對應的矢量為fA, D, = [l，0，I(i，j)-I(i+l，j)]，由矢量積的概念，該三角形面的法
線方向就是此兩矢量的矢量積，fA, c' D, = Fa, d, XfD, c,；同樣求出其它三角形平面的法線方向fB, c, D,、fA, B, D,和fA, B, c,，則灰度曲面的 法線方向能夠用四個三角平面的法線方向的均值近似得到，為fA, B, c, D, — (fB； c, D, +fA B C' +fV B, D,C D, ) /4這就是灰度曲面A' B' C' D'的法線方向矢量；再利用矢量方向角及方向餘弦的概念，得到該法線矢量與X、Y、Z三個坐標軸的夾 角分別如下0 x(i, j) = 360。arccos (fA, B, c, n, (1) /abs (fA, B, c, n, ))/2 J0 y(i, j) = 360。arccos (fA, B, c, n, (2) /abs (fA, B, c, n, ))/2 J9 z(i, j) = 360。arccos (fA/ B, c, D, (3) /abs (fA/ B, c, D, ))/2n即為圖像灰度分別在X、Y、Z三個方向上的矢量方向角；
對於每個方向上得到的夾角值分別進行灰度映射處理
權利要求
1.一種基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，包括以下步驟 (1)從藻類的顯微圖像中提取出藻類目標細胞二值化圖像； (2)將二值化圖像調整為如下尺寸將二值化圖像的高度即行數固定為300像素，列數則按原比例進行縮放； (3)採用結構元素對圖像進行閉運算所述結構元素是指半徑為5像素寬度的圓形結構元素； (4)骨架提取對二值圖像採用距離變換細化算法進行骨架提取； (5)提取骨架的節點數和端點數提取骨架的節點集合和端點集合，從而獲取節點和端點的數量； (6)類判決根據是否滿足(節點數>5且端點數> 5)條件作為是否為角毛藻的判據如果滿足則為角毛藻，否則為非角毛藻。
2.根據權利要求I所述基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，步驟(I)從藻類的顯微圖像中提取出藻類目標細胞二值化圖像；具體為 a.將角毛藻原始圖像轉換為灰度圖像； b.構建灰度圖像方向角模型，分別構成兩幅灰度圖像； c.對兩幅灰度圖像分別採用增強大津法自動閾值二值化後再進行邏輯與運算； d.對所得到的二值圖像做雙向濾波和中值濾波以去掉二值圖像中小的噪聲點； e.進行形態學膨脹操作以連接目標細胞斷裂的邊緣； f.提取二值圖像的最大輪廓並填充後再進行形態學腐蝕操作； g.用腐蝕後的二值圖像與原始圖像做邏輯與運算，得到細胞目標圖像； 在步驟b中，構建灰度圖像方向角模型，計算灰度曲面的法線方向矢量與三維坐標系中三個坐標軸X、Y、Z方向的矢量方向角，再利用水平⑴方向角和垂直⑴方向角在XZ和YZ平面的矢量距作為灰度值分別構成兩幅灰度圖像； 在步驟b中灰度圖像方向角模型是將圖像中任意4個像素點的坐標(X，y)及灰度值f(x，y)在三維坐標系中確定的4個點(x,y, f(x,y))構成灰度曲面,計算灰度曲面的法線方向矢量與三維坐標系中三個坐標軸X、Y、Z方向的矢量方向角，再利用水平(X)方向角和垂直(Y)方向角在XZ和YZ平面的矢量距作為灰度值分別構成兩幅灰度圖像； 在步驟c中增強大津法是在運用大津法之前做一個線性拉伸，用於解決圖像主體部分與背景灰度差較小的問題； 在步驟c中選取使類間方差最大和類內方差最小的圖像灰度作為最佳閾值； 在步驟d中，對步驟c所得到的二值圖像先進行雙向濾波，再進行中值濾波，用於去掉二值圖像中小的噪聲點； 在步驟f中最大輪廓是指尋找到的輪廓包含的像素數最多；填充是指將尋找到的最大輪廓內部填充為白色； 在步驟g中，將腐蝕後的圖像與原始圖像做邏輯與運算，提取細胞圖像的邊緣並保留內部紋理； 步驟b優選為 對於一幅圖像I，由任意4個像素點的坐標及灰度值在三維坐標系中確定的4個點構成灰度曲面，建立空間直角坐標系，令相鄰兩像素點間的距離為1，並將每個像素點的灰度值除以255，利用空間點坐標的概念確定每個像素點灰度在該坐標系下的坐標； 設4個相鄰像素(i，j)，(i+1，j)，(i，j+1)，(i+1，j+1)在Z軸上的灰度值分別為I (i，j)，I(i+l，j)，I(i，j+l)，I(i+l，j+1)，在空間坐標系中 A' B' C'、A' C' D'、A' B' D'和B' C' D'為四個互不重疊的三角形平面； 在 A' C1 D'平面中，D' C1 對應的矢量為 fD, c, =
，A' D'對應的矢量為fA, D, = [1，0，I (i，j)-I (i+1，j)]，由矢量積的概念，該三角形面的法線方向就是此兩矢量的矢量積，fA' c' V' = fA' O' C ; 同樣求出其它三角形平面的法線方向fB, c- D,、fA, B' D,和fA' B' C，則灰度曲面的法線方向能夠用四個三角平面的法線方向的均值近似得到，為 B1 C Dr — ( β, C DrB1 CB1 DrC Dr ) /4 這就是灰度曲面A' B' C' D'的法線方向矢量； 再利用矢量方向角及方向餘弦的概念，得到該法線矢量與X、Y、Z三個坐標軸的夾角分別如下 θ x(i j) = 360° arccos(fA, B, c, D, (l)/abs(fA, B, c, D, ))/2π Qy(i，j) = 360° arccos(fA, B, c, D, (2)/abs(fA, B, c, D, ))/2π θ z(i j) = 360° arccos(fA, B, c, D, (3)/abs(fA, B, c, D, ))/2π 即為圖像灰度分別在X、Y、Z三個方向上的矢量方向角； 對於每個方向上得到的夾角值分別進行灰度映射處理
3.根據權利要求I所述基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，步驟(2)，用於以保證後續操作得以快速、有效的進行，防止因原圖像尺寸過大引起的計算複雜度過高，或原圖像尺寸過小引起的後續操作失真； 步驟(3)，通過閉運算操作連接鄰近物體、填充物體內細小空洞、平滑其邊界若結構元素過小則圖像改善效果不明顯，結構元素過大則會丟失大量圖像細節 圖像經二值化操作後會出現斷裂、細小空洞、邊界粗糙等問題，利用形態學閉運算可以連接鄰近物體、填充物體內細小空洞、平滑其邊界且不明顯改變其面積；用結構元素B對集合A進行閉運算，表示為A · B，定義為 Α·Β = (Α Β)ΘΒ 其中，符號Θ表膨脹， 表腐蝕；這個公式表明，使用結構元素B對集合A的閉運算就是用B對A進行膨脹，然後用B對結果進行腐蝕，相當於在集合A邊界的外部轉動「轉球」 B，A · B的邊界為B中的點所能到達的A的邊界的最近點集合； 為避免結構元素過小造成的圖像改善效果不明顯，以及結構元素過大造成的大量圖像細節丟失，優選為，半徑為5像素寬度的圓形結構元素，用該結構元素對二值化圖像進行閉運算。
4.根據權利要求I所述基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，步驟(4)中基於距離變換細化算法進行骨架提取是指，首先利用距離變換得到藻類目標雙像素寬度的骨架，然後採用基於擊中-擊不中變換的形態學細化法進行進一步的細化處理，最終得到單像素寬度的骨架； 對二值化圖像做距離變換，距離變換方法如下 假設待處理二值化圖像I的大小為mXn，i為圖像I上的任意像素點，圖像上的目標內容用F表示，F為背景內容，B為目標的任意邊界點P構成的集合。則目標內容F的距離變換定乂為
5.根據權利要求I所述基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，步驟(5)中利用骨架點鄰域矩陣參數打分的方法獲取骨架的節點和端點集合，並記錄節點及端點的數量； 對提取的骨架利用骨架點鄰域矩陣參數打分法獲取骨架的節點集合junCtion_point和端點集合end_point,具體原理如下 定義一個3X3的掩模SE
6.根據權利要求I所述基於顯微圖像的角毛藻和非角毛藻自動分類方法，其特徵在於，在步驟(6)中角毛藻與非角毛藻的節點數和端點數具有明顯差異，將(節點數>5且端點數> 5)條件作為角毛藻的判據，可以有效的區分角毛藻與非角毛藻 首先將大量已知角毛藻和非角毛藻圖像作為訓練樣本集，按照步驟(I) (5)分別提取每幅圖像的節點數與端點數，利用統計方法，分析角毛藻和非角毛藻圖像節點數與端點數的統計差異，在此基礎上設定節點數與端點數的判決門限j_T、e_T，使其對訓練樣本集達到最高的正確分類率，最終設定j_T = 5, e_T = 5 ； 對測試樣本集，按照步驟⑴ (5)分別提取每幅圖像的節點數j_num與端點數^num,通過分析j_num、e_num與判決門限j_T、e_T的關係,做出該藻類為角毛藻或非角毛藻的判決，具體的判決依據如下J角毛藻 if j num > j_T^Le_num > e T^[非角毛藻else
全文摘要
本發明提供一種基於顯微圖像的角毛藻和非角毛藻自動分類方法，其中，包括以下步驟(1)從藻類的顯微圖像中提取出藻類目標細胞二值化圖像；(2)將二值化圖像的高度即行數固定為300像素，列數則按原比例進行縮放；(3)採用半徑為5像素寬度的圓形結構元素對圖像進行閉運算(4)骨架提取對二值圖像採用距離變換細化算法進行骨架提取；(5)提取骨架的節點數和端點數提取骨架的節點集合和端點集合，從而獲取節點和端點的數量；(6)類判決根據是否滿足(節點數＞5且端點數＞5)條件作為是否為角毛藻的判據。本發明自動分類方法準確率高，顯像清晰，為進一步的藻種分類識別打下基礎。提高進一步藻種自動分類的識別率；也可以為廣大第一線藻類監測人員、藻種研究者提供有效地指導和幫助，經濟和社會效益都將十分顯著。
文檔編號G06T5/30GK102663406SQ201210105858
公開日2012年9月12日 申請日期2012年4月12日 優先權日2012年4月12日
發明者於志剛, 姬光榮, 王國宇, 米鐵柱, 鄭海永 申請人:中國海洋大學