專利名稱：基于殼面紋理的圓形微藻自動識別方法
技術(shù)領域：
本發(fā)明涉及一種圖像自動識別方法，尤其是涉及一種通過對微藻顯微圖像進行傅里葉變 換操作得到頻譜圖像，通過頻譜圖像的環(huán)狀采樣和徑向采樣，得到頻譜特征序列；通過對待 檢測藻的頻譜特征序列與頻譜特征序列數(shù)據(jù)庫的比對，得到最終分類結(jié)果的方法。
背景技術(shù)：
藻類是一類廣泛分布于各類生境的單細胞生物，對生態(tài)系統(tǒng)的平衡起著至關(guān)重要的作用。 它是地球海洋初級生產(chǎn)力的主要組成部分([l] Mann DG. The species concept in diatoms. Phycologia， 1999,38:437-495)。除此之外，藻類在許多領域都有廣泛的應用，如水質(zhì)檢測([2] Prygiel J, Coste M, Bukowska J. Review of the major diatom-based techniques for the quality assessment of continental surface waters. In: Use of algae for monitoring rivers, Prygiel J,Coste M， Bukowska J.(eds), Agence de l'Eau Artois-Picardie，Douai，F(xiàn)rance. 1998:224-238; [3] Kelly MG. Water quality assessment by algal monitoring. In: The handbook of environmental monitoring, F. Burden, I.Mckelvie, A.Guenther and U.Fo:rstaer (eds),McGraw-Hill, New York)、養(yǎng)殖、石油勘探、 納米技術(shù)([4] Ryan WD, Richard Q Star Trek replicators and diatom nanotechnology [J]. Trends in Biotechnol, 2003， 21:325-328)和赤潮預報等，這些應用都離不開對藻類的鑒定工作。
目前，藻類的鑒定和定量分析大都是在顯微鏡下，靠人工完成的，需要有較高的分類專 業(yè)技術(shù)水平，既耗時，又費力。國內(nèi)外都在尋找一種快速識別方法，以滿足在藻類鑒定上的 需求。
藻類圖像自動識別的一個不可逾越的環(huán)節(jié)是藻體的輪廓提取。然而傳統(tǒng)的圖像處理方法 無法對藻類圖像做有效的處理，首先，顯微圖像的噪聲點較多，傳統(tǒng)的檢測邊緣的模板，如 Prewitt， Roberts, Sobel，受噪聲影響大而灰度閾值分割又受顯微圖像光源很大的影響，顯 微圖像常見的照明光源的方向性問題也容易產(chǎn)生光照不平衡的效果，使該方法的分割成功率 也無法滿足要求；此外，大型雜質(zhì)如水泡的存在使得分割后續(xù)處理步驟無法實現(xiàn)智能化?；?于藻類圖像特征的自動識別技術(shù)擁有方便、穩(wěn)定、直觀等特點，逐漸成為國內(nèi)外的一個研究執(zhí)占。
由于相當大一部分微型藻類擁有各異的輪廓特點，目前，人們對藻類的自動識別技術(shù)主要集中在根據(jù)藻類外形輪廓特征進行分類，在藻類圖像各類特征中，輪廓特征是一種最直觀、 最易于被接受的藻類識別方法。然而，在與人類生產(chǎn)生活更密切相關(guān)的浮游類型藻類中，外 形輪廓為圓形的藻類占的比重非常大，如硅藻的中心綱，其大部分種類都具有圓形外形，對 于該類型的微藻，僅通過外形特征進行分類顯然不可能，只能通過藻體的紋理特點進行分類 判斷。
發(fā)明人通過大量的文獻檢索表明，雖然在一些藻類圖像自動識別系統(tǒng)中使用了紋理特征 提高藻類識別的正確率，然而，國際上對藻類的紋理特征的識別主要集中在非圓形硅藻上(如 歐洲的ADIAC工程)，對圓形藻類基于紋理的自動識別方法還未見報道。就硅藻而言，其非 圓形硅藻(主要是羽紋綱)與圓形硅藻(主要是中心綱)其分屬不同大類，其殼面紋理的組 成特點也有很大差異，非圓形藻類的紋理識別技術(shù)對圓形藻類而言并不適用。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種具有較高識別率的基于殼面紋理的圓形微藻自動識別方法。 本發(fā)明包括以下步驟
1 )用顯微鏡及圖像采集設備建立高清晰度原始微藻圖像數(shù)據(jù)庫并裝入計算機；
2) 通過采用分割手段，提取目標微藻的藻體所在區(qū)域并生成256色的純藻類圖像A;
3) 對純藻類圖像A進行傅里葉變換操作，得頻譜圖像B;
4) 以0丌始，每隔藻類圖像半徑的1/10對頻譜圖像B進行環(huán)狀采樣，得到半徑頻譜特 征序列；從0°開始，以每隔10°對頻譜圖像B進行徑向采樣，直到90° ，得到角度頻譜特 征序列，將半徑頻譜特征序列和角度頻譜特征序列相加，得待識別特征序列；
5) 通過計算機用編輯距離把待識別特征序列與藻類特征序列數(shù)據(jù)庫中的記錄進行比較以 確定其中最接近的記錄，并把對應的記錄作為待識別藻類圖像的最佳候選種類。
所述的微藻最好是外形輪廓為圓形的藻類，如硅藻的中心綱，所述的高清晰度原始微藻 圖像，是要求每副原始藻類圖像的分辨率至少達到100X100。
所述分割手段可采用邊緣分析或閾值分割等計算機圖像分割方法。 本發(fā)明所基于的原理是
圓形藻類的紋理特點表現(xiàn)出方向上主要呈輻射性，紋理結(jié)構(gòu)元素主要呈孔紋狀的特點。 不同圓形藻類之間的區(qū)別主要在于孔紋大小分布的不同及輻射性排列方式的不同。傅立葉頻 譜非常適用于描述循環(huán)圖像的方向性或二維模式，它很容易發(fā)現(xiàn)圖像在空間域的特性，可以 檢測紋理基元的大小和空間組織。為描述頻譜特征，通過環(huán)狀采樣及徑向采樣，可將其簡化 為一維的表示形式，其中環(huán)狀采樣體現(xiàn)了藻類紋理結(jié)構(gòu)元素(如硅藻的孔紋)的大小分布特征，而徑向采樣與紋理結(jié)構(gòu)元素的周期性相對應。
由于本發(fā)明主要依靠圓形藻類特有的紋理排列特征，采用一系列圖像處理技術(shù)，得到分 類結(jié)果，因此本發(fā)明不僅具有更好的穩(wěn)定性和抗干擾性，而且具有較高識別率。


圖1為本發(fā)明對一幅圓形微藻顯微圖像的識別圖。其中(a)為原始圖像經(jīng)灰度化處理后的 圓形藻類顯微單藻圖像，(b)為圖a的分割后圖像，(c)為圖b經(jīng)過傅里葉變換得到的頻譜 圖像，(d)為環(huán)狀采樣特征序列圖，(e)為環(huán)狀采樣特征序列圖。
具體實施例方式
下面結(jié)合實施例對本發(fā)明的技術(shù)方案作進一步詳細描述。
1) 在顯微鏡和高精度數(shù)碼攝像裝置下拍攝IO種圓形藻類顯微單藻圖像，并對其進行灰 度化處理，圖la給出其中3種原始圖像經(jīng)灰度化處理后的圓形藻類顯微單藻圖像。
2) 通過采用邊緣檢測分割技術(shù)，提取目標微藻的藻體所在區(qū)域并生成256色的純藻類圖 像，圖lb給出圖la所示圖像經(jīng)分割后的結(jié)果。
3) 通過傅里葉變換操作得到頻譜圖像，圖lc給出圖lb經(jīng)過傅里葉變換得到的頻譜圖像。
4) 以0開始，每隔長度藻類圖像半徑的1/10對頻譜圖像B進行環(huán)狀采樣，得到長度為 IO的半徑頻譜特征序列，環(huán)狀采樣特征序列圖參見圖ld。從0°開始，以每隔1(T對其進行 徑向采樣，直到90° ，得到角度為IO。的角度頻譜特征序列。兩個序列相加得到特征序列， 環(huán)狀采樣特征序列圖參見圖le。
5) 建立特征序列數(shù)據(jù)庫。
6) 拍攝待識別藻類顯微數(shù)碼顯微圖像，按照從步驟l)到步驟4)的方法獲得待識別藻 類的特征序列。
7) 計算與特征序列數(shù)據(jù)庫中最接近的記錄，把其作為待識別藻的最佳候選身份。
權(quán)利要求
1.基于殼面紋理的圓形微藻自動識別方法，其特征在于包括以下步驟1)用顯微鏡及圖像采集設備建立高清晰度原始微藻圖像數(shù)據(jù)庫并裝入計算機；2)通過采用分割手段，提取目標微藻的藻體所在區(qū)域并生成256色的純藻類圖像A；3)對純藻類圖像A進行傅里葉變換操作，得頻譜圖像B；4)以0開始，每隔藻類圖像半徑的1/10對頻譜圖像B進行環(huán)狀采樣，得到半徑頻譜特征序列；從0°開始，以每隔10°對頻譜圖像B進行徑向采樣，直到90°，得到角度頻譜特征序列，將半徑頻譜特征序列和角度頻譜特征序列相加，得待識別特征序列；5)通過計算機用編輯距離把待識別特征序列與藻類特征序列數(shù)據(jù)庫中的記錄進行比較以確定其中最接近的記錄，并把對應的記錄作為待識別藻類圖像的最佳候選種類。
2. 如權(quán)利要求l所述的基于殼面紋理的圓形微藻自動識別方法，其特征在于所述的微藻 是外形輪廓為圓形的藻類。
3. 如權(quán)利要求2所述的基于殼面紋理的圓形微藻自動識別方法，其特征在于所述外形輪 廓為圓形的藻類為硅藻的中心綱。
4. 如權(quán)利要求l所述的基于殼面紋理的圓形微藻自動識別方法，其特征在于所述的高清 晰度原始微藻圖像，是要求每副原始藻類圖像的分辨率至少達到100X100。
5. 如權(quán)利要求l所述的基于殼面紋理的圓形微藻自動識別方法，其特征在于所述分割手 段采用邊緣分析或閾值分割的計算機圖像分割方法。
全文摘要
基于殼面紋理的圓形微藻自動識別方法，涉及一種圖像自動識別方法。提供一種具有較高識別率的基于殼面紋理的圓形微藻自動識別方法。用顯微鏡及圖像采集設備建立原始微藻圖像數(shù)據(jù)庫并裝入計算機；采用分割手段，提取目標微藻的藻體所在區(qū)域并生成256色的純藻類圖像A；對A進行傅里葉變換得頻譜圖像B；以0開始，每隔藻類圖像半徑的1/10對B進行環(huán)狀采樣得半徑頻譜特征序列；從0°開始，以每隔10°對B進行徑向采樣直到90°得角度頻譜特征序列，將兩序列相加得待識別特征序列；通過計算機用編輯距離把待識別特征序列與藻類特征序列數(shù)據(jù)庫中的記錄進行比較以確定其中最接近的記錄，并把對應的記錄作為待識別藻類圖像的最佳候選種類。
文檔編號G06T7/00GK101604330SQ200910112230
公開日2009年12月16日 申請日期2009年7月17日 優(yōu)先權(quán)日2009年7月17日
發(fā)明者楊晨暉, 梁君榮, 羅金飛, 陳長平, 駱巧琦, 高亞輝 申請人:廈門大學