一种基于显微图像的微生物识别系统及方法转让专利
申请号 : CN200810093760.6
文献号 : CN100593172C
文献日 : 2010-03-03
发明人 : 李晓娟
申请人 : 首都师范大学
摘要 :
本发明提供一种基于显微图像的微生物识别系统及方法，所述系统及方法利用计算机图像处理技术，对获取的储粮微生物显微图像进行预处理后根据储粮微生物显微图像的目标区域来自动提取图像的纹理和几何形状等数理统计特征，然后用BP神经网络进行分类识别，可准确识别粮食中的微生物。该方法的实现还可以缩短储粮微生物的检测周期，准确地预报储粮微生物的状况，使工作人员能够及时地采取防治措施。可以带来可观的经济和社会效益。
权利要求 :
1、一种基于显微图像的微生物识别方法，其特征在于，所述方法包含以下步骤： (1)图像采集； (2)原始图像的预处理，所述预处理包括去噪、增强； (3)确定识别的目标区域，即对预处理后的图像进行基于迭代阈值和数学形态学的边缘检测，将图像分为背景和目标两个部分进行分割： 首先通过迭代算法求得图像分割的最佳阈值，并将图像分为背景和目标两个部分； 然后再利用轮廓提取算法，挖去微生物内部象素点，最后剩余部分图像就是微生物的边缘，从而实现了微生物的边缘检测； (4)提取图像特征，所述图像特征包括图像的纹理和几何形状等数理统计特征，其中图像的纹理特征包括对比度、二阶矩、像素对灰度的相关性、逆差矩、熵，图像的几何形状特征包括周长、面积、长轴、短轴、矩形度、圆形度； 提取特征后进一步包含降低特征向量维数的步骤； (5)用BP神经网络进行分类识别，首先将提取的样本特征输入无监督学习的聚类网络进行聚类分析，对含有多种微生物类别的再采用有监督学习的BP分类网络细化。
说明书 :
一种基于显微图像的微生物识别系统及方法
技术领域
本发明涉及一种微生物显微图像检测与识别方法与装置，特别是涉及一种基 于显微图像的微生物识别系统及方法。
背景技术
储粮微生物是寄附在粮食和粮食食品上的微生物的统称，包括了微生物中的 一些主要类群：细菌类中的真细菌和放线菌，真菌类中的霉菌，酵母菌和病原 真菌等。它们经常寄附在粮食及其制品的表面和内部。粮食微生物在环境适宜 的条件下，可以分解粮食中的有机物质，使之变质、霉腐，有的还可以产生具 有强烈的毒性和致癌性的毒素。资料显示我国每年由此造成的粮食损失达2. 5 亿元。因此准确识别粮食中的微生物并采取有效的措施进行防治显得尤为重要。
发明内容
本发明的目的就在于提供一种基于显微图像的微生物识别系统及方法，所 述系统及方法利用计算机图像处理技术，对获取的储粮微生物显微图像进行预 处理后根据储粮微生物显微图像的目标区域来自动提取图像的纹理和几何形状
等数理统计特征，然后用BP神经网络进行分类识别，可准确识别粮食中的微生
为实现本发明目的，本发明提供一种基于显微图像的微生物识别方法，所 述方法包含以下步骤.-
一种基于显微图像的微生物识别方法，其特征在于，所述方法包含以下步
骤：
(1) 图像采集；
(2) 原始图像的预处理，所述预处理包括去噪、增强；
(3) 确定识别的目标区域，即对预处理后的图像进行基于迭代阈值和数学形 态学的边缘检测，将图像分为背景和目标两个部分进行分割：
首先通过迭代算法求得图像分割的最佳阈值，并将图像分为背景和目标两 个部分；
3然后再利用轮廓提取算法，挖去微生物内部象素点，最后剩余部分图像就 是微生物的边缘，从而实现了微生物的边缘检测；
(4) 提取图像特征，所述图像特征包括图像的纹理和几何形状等数理统计特 征,其中图像的纹理特征包括对比度、二阶矩、像素对灰度的相关性、逆差矩、
熵，图像的几何形状特征包括周长、面积、长轴、短轴、矩形度、圆形度； 提取特征后进一步包含降低特征向量维数的步骤；
(5) 用BP神经网络进行分类识别，首先将提取的样本特征输入无监督学习 的聚类网络进行聚类分析，对含有多种微生物类别的再采用有监督学习的BP分 类网络细化。
等数理统计特征，然后用BP神经网络进行分类识别，可准确识别粮食中的微生
为实现本发明目的，本发明提供一种基于显微图像的微生物识别方法，所 述方法包含以下步骤.-
一种基于显微图像的微生物识别方法，其特征在于，所述方法包含以下步
骤：
(1) 图像采集；
(2) 原始图像的预处理，所述预处理包括去噪、增强；
(3) 确定识别的目标区域，即对预处理后的图像进行基于迭代阈值和数学形 态学的边缘检测，将图像分为背景和目标两个部分进行分割：
首先通过迭代算法求得图像分割的最佳阈值，并将图像分为背景和目标两 个部分；
3然后再利用轮廓提取算法，挖去微生物内部象素点，最后剩余部分图像就 是微生物的边缘，从而实现了微生物的边缘检测；
(4) 提取图像特征，所述图像特征包括图像的纹理和几何形状等数理统计特 征,其中图像的纹理特征包括对比度、二阶矩、像素对灰度的相关性、逆差矩、
熵，图像的几何形状特征包括周长、面积、长轴、短轴、矩形度、圆形度； 提取特征后进一步包含降低特征向量维数的步骤；
(5) 用BP神经网络进行分类识别，首先将提取的样本特征输入无监督学习 的聚类网络进行聚类分析，对含有多种微生物类别的再采用有监督学习的BP分 类网络细化。
附图说明
下面将结合附图，对本发明的优选实施例进行详细地阐述。 图1是本发明一种基于显微图像的微生物识别系统的硬件结构示意图。 图2是本发明一种基于显微图像的微生物识别系统中所选用的图像采集卡 的结构框图。
图3是本发明一种基于显微图像的微生物识别方法的流程图。 具体实施方式
参考图l，本发明提供一种基于显微图像的微生物识别系统，所述系统包含 微生物显微图像检测设备100与微生物显微图像识别设备200，所述微生物显微 图像检测设备100包含CCD摄像机101、图像采集卡102、光学显微镜103和均 匀光照室104。微生物样本通过所述光学显微镜103成像，所述CCD摄像机101 作为所述微生物显微图像检测设备中的图像采集装置与所述图像采集卡102相 连接并将图像的光信号转化为电信号；所述图像采集卡102与所述微生物显微 图像识别设备200相连接；所述CCD摄像机101与所述光学显微镜103设置在 均匀光照室102内。
由于每一种成像将影响图像的信息量，还会产生该成像系统所独有的，不 能用其他方法复制的一些信息，因而对成像系统即光学显微镜的选择是很重要的。光学显微镜中可分为：明域显微镜、相差显微镜、偏振显微镜和干涉对比 差分显微镜.各种显微镜适合于不同的情况，例如明域显微镜适合用于观察不通 明的或高度着色的显微物质，相差显微镜适合用于观察活的物质而无须先经化 学染色。在本实施例中选用了明域显微镜。
CCD摄像机将光信号转化为电信号，再经过图像卡的A/D转换，将显微视
场中的一块区域转化为一幅数字图像，CCD摄像机是整个系统的传感器。因而， 它的性能好坏对本装置的影响较大。CCD摄像机的选择需考虑①分辨率，过低 的采样点将影响装置的测量精度；②CCD摄像机的线性；即将光信号转化为电 信号的线性度。线性差的摄像机会带来系统误差。在本实施方案中，选用SONY SSC-DC14P型彩色摄像机，该型号CCD摄像机的靶面l/3"，分辨率为470线， 采用AV24V作为电源。
图像采集卡，本实施方案则选择了 CA-CPE-3000图象卡。
CA-CPE-3000是基于微型计算机PCI总线结构的彩色(黑白)图象采集卡。它 采用了先进的数字解码方式，将标准输入的PAL制、NTSC制、SECAM制的复 合彩色(或黑白)视频信号或S-Video信号（即Y-C分离信号〕数字化，经解码后 转换为适合于图象处理的RGB-24bits格式的数字信息，然后经过PCI总线实时 传送到PC机系统内存〔或视频显示缓冲区〕。该卡的结构框图如图2。
CA-CPE-3000图象采集卡采用以采集卡为主的总线控制技术，图象传送速 度高达60MB/S，可实现摄像机图象到计算机内存的可靠实时传送，连续相邻贞 的图象精确到场。由于采用了高精度GenLock技术和线性嵌位技术，采集的图 象点阵位置精度高，A/1。转换后的数字视频信号误差小，适合于各种高精度工 业和科学图象处理领域。由于CA-CPE-3000将图象直接传送到主机的内存，可 连续存储相邻的多祯图象，图象处理算法在主机内存执行，有利于提高处理速 度，充分发挥越来越高的CPU潜力，便于用户编程。 本实施例中，对均匀照明室的要求如下：CCD摄像机视区内的光照要均匀， 以免所摄取的图像局部偏暗，局部偏亮；不能有反光现象。在本实施方案中，所述微生物显微图像识别设备200是具有微处理器、具备计 算功能的电脑。
如图3所示，本发明提供一种基于显微图像的微生物识别方法，所述方法
包含以下步骤：步骤301:图像采集；步骤302:原始图像的预处理；所述预处 理包括去噪、增强；步骤303:确定识别的目标区域；即对预处理后的图像进行 边缘检测，将图像分别背景和目标两个部分进行分割；步骤304:提取图像特征； 所述图像特征包括图像的纹理和几何形状等数理统计特征；步骤305:用BP神 经网络进行分类识别。如图3所示方法以前述一种基于显微图像的微生物识别 系统为硬件基础。由在均匀光照室内无反光、均匀光照条件下，CCD摄像机摄 取的显微图像样本，经图像采集卡采集量化以后，由PCI总线送入计算机，对 微生物图像进行处理分析。
在得到原始图像后，系统进入步骤302，进一步对图像进行去噪，增强处理， 以更有利于对图像进行特征的提取。在此步骤中，首先将彩色图像转化为灰度 图像，因为微生物在颜色上差别不大，同时灰度图像更有利于对图像进行特征 的提取。对灰度化后的微生物照片用平滑和锐化技术对其进行预处理，以便增 强微生物图像本身与背景的反差和整幅图像的清晰度。
然后进入步骤303，确定识别的目标区域；即对预处理后的图像进行边缘检 测，将图像分别背景和目标两个部分进行分割。在本步骤中，采用基于迭代阈 值和数学形态学的边缘检测方法，不但能够有效地抑制噪声的影响，同时能够 客观地、正确地选取边缘检测的门限值，改变边缘检测的顺序，实现微生物图 像边缘的清晰检测。在本步骤中，首先通过迭代算法求得图像分割的最佳阈值， 并将图像分为背景和目标两个部分。通过阈值分割处理，既增强了图像和目标 的对比度，增强了微生物图像边缘，又能准确地提取微生物区域。然后再利用 轮廓提取算法，挖去微生物内部象素点，最后剩余部分图像就是微生物的边缘， 从而实现了微生物的边缘检测。这样通过对各象素点自身灰度值得分析和计算， 判断该点是否是边缘点，避免了在边缘检测的数学计算过程中，使噪声干扰的影响进一步扩大，破坏边缘图像。
在确定待识别的目标区域后进入步骤304，提取图像特征；所述图像特征包
括图像的纹理和几何形状等数理统计特征；所述图像特征包括图像的纹理和几 何形状等数理统计特征；其中图像的纹理特征包括对比度、二阶矩、像素对灰 度的相关性、逆差矩、熵；图像的几何形状特征包括周长、面积、长轴、短轴、 矩形度、圆形度。图像的纹理特征是一种重要的区域描述方法。所谓纹理，是 一种反映像素灰度的空间分布属性的图像特征，通常表现为局部不规则但宏观 有规律的特征。它是识别对象的重要依据之一。同时，经过大量图片的观察和 微生物专家的建议，发现对于微生物识别主要通过微生物本身的形状和形态特 征如球状、杆状、线状等。因此拟提取微生物的周长、面积、长轴、短轴、矩 形度和圆形度这6个特征作为储粮微生物分类的样本指标。提取特征后进一步 包含降低特征向量维数的步骤。
在提取完毕图像特征后，即进入步骤305，采用BP神经网络进行分类识别。 在计算机图像处理中，形态特征的提取占有很重要的地位，而纹理特征反映的 是像素的空间分布属性，微生物生长的不同阶段的图像其纹理分布具有一定的 差异。在BP网络的分类识别中首先将提取的样本特征输入无监督学习的聚类网 络进行聚类分析，对含有多种微生物类别的再采用有监督学习的BP分类网络细 分。
本发明通过自动提取静态储粮微生物图像的纹理、几何形状等特征，并将 提取到的特征应用BP神经网络来训练识别。可为储粮微生物的计算机自动模式 识别提供稳定的特征参数值，有效提高了识别率，为储粮微生物的快速鉴定和 分类研究开辟了新途径。
本发明一种基于显微图像的微生物识别系统及方法，经试验证明是可行的. 该方法不仅扩展了图像识别的应用领域，而且为实现储粮微生物的在线检测奠 定了基础，提高了劳动效率。该方法的实现还可以縮短储粮微生物的检测周期， 准确地预报储粮微生物的状况，使工作人员能够及时地采取防治措施。可以带来可观的经济和社会效益。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限 制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人
员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未 脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利 要求范围当中。
图3是本发明一种基于显微图像的微生物识别方法的流程图。 具体实施方式
参考图l，本发明提供一种基于显微图像的微生物识别系统，所述系统包含 微生物显微图像检测设备100与微生物显微图像识别设备200，所述微生物显微 图像检测设备100包含CCD摄像机101、图像采集卡102、光学显微镜103和均 匀光照室104。微生物样本通过所述光学显微镜103成像，所述CCD摄像机101 作为所述微生物显微图像检测设备中的图像采集装置与所述图像采集卡102相 连接并将图像的光信号转化为电信号；所述图像采集卡102与所述微生物显微 图像识别设备200相连接；所述CCD摄像机101与所述光学显微镜103设置在 均匀光照室102内。
由于每一种成像将影响图像的信息量，还会产生该成像系统所独有的，不 能用其他方法复制的一些信息，因而对成像系统即光学显微镜的选择是很重要的。光学显微镜中可分为：明域显微镜、相差显微镜、偏振显微镜和干涉对比 差分显微镜.各种显微镜适合于不同的情况，例如明域显微镜适合用于观察不通 明的或高度着色的显微物质，相差显微镜适合用于观察活的物质而无须先经化 学染色。在本实施例中选用了明域显微镜。
CCD摄像机将光信号转化为电信号，再经过图像卡的A/D转换，将显微视
场中的一块区域转化为一幅数字图像，CCD摄像机是整个系统的传感器。因而， 它的性能好坏对本装置的影响较大。CCD摄像机的选择需考虑①分辨率，过低 的采样点将影响装置的测量精度；②CCD摄像机的线性；即将光信号转化为电 信号的线性度。线性差的摄像机会带来系统误差。在本实施方案中，选用SONY SSC-DC14P型彩色摄像机，该型号CCD摄像机的靶面l/3"，分辨率为470线， 采用AV24V作为电源。
图像采集卡，本实施方案则选择了 CA-CPE-3000图象卡。
CA-CPE-3000是基于微型计算机PCI总线结构的彩色(黑白)图象采集卡。它 采用了先进的数字解码方式，将标准输入的PAL制、NTSC制、SECAM制的复 合彩色(或黑白)视频信号或S-Video信号（即Y-C分离信号〕数字化，经解码后 转换为适合于图象处理的RGB-24bits格式的数字信息，然后经过PCI总线实时 传送到PC机系统内存〔或视频显示缓冲区〕。该卡的结构框图如图2。
CA-CPE-3000图象采集卡采用以采集卡为主的总线控制技术，图象传送速 度高达60MB/S，可实现摄像机图象到计算机内存的可靠实时传送，连续相邻贞 的图象精确到场。由于采用了高精度GenLock技术和线性嵌位技术，采集的图 象点阵位置精度高，A/1。转换后的数字视频信号误差小，适合于各种高精度工 业和科学图象处理领域。由于CA-CPE-3000将图象直接传送到主机的内存，可 连续存储相邻的多祯图象，图象处理算法在主机内存执行，有利于提高处理速 度，充分发挥越来越高的CPU潜力，便于用户编程。 本实施例中，对均匀照明室的要求如下：CCD摄像机视区内的光照要均匀， 以免所摄取的图像局部偏暗，局部偏亮；不能有反光现象。在本实施方案中，所述微生物显微图像识别设备200是具有微处理器、具备计 算功能的电脑。
如图3所示，本发明提供一种基于显微图像的微生物识别方法，所述方法
包含以下步骤：步骤301:图像采集；步骤302:原始图像的预处理；所述预处 理包括去噪、增强；步骤303:确定识别的目标区域；即对预处理后的图像进行 边缘检测，将图像分别背景和目标两个部分进行分割；步骤304:提取图像特征； 所述图像特征包括图像的纹理和几何形状等数理统计特征；步骤305:用BP神 经网络进行分类识别。如图3所示方法以前述一种基于显微图像的微生物识别 系统为硬件基础。由在均匀光照室内无反光、均匀光照条件下，CCD摄像机摄 取的显微图像样本，经图像采集卡采集量化以后，由PCI总线送入计算机，对 微生物图像进行处理分析。
在得到原始图像后，系统进入步骤302，进一步对图像进行去噪，增强处理， 以更有利于对图像进行特征的提取。在此步骤中，首先将彩色图像转化为灰度 图像，因为微生物在颜色上差别不大，同时灰度图像更有利于对图像进行特征 的提取。对灰度化后的微生物照片用平滑和锐化技术对其进行预处理，以便增 强微生物图像本身与背景的反差和整幅图像的清晰度。
然后进入步骤303，确定识别的目标区域；即对预处理后的图像进行边缘检 测，将图像分别背景和目标两个部分进行分割。在本步骤中，采用基于迭代阈 值和数学形态学的边缘检测方法，不但能够有效地抑制噪声的影响，同时能够 客观地、正确地选取边缘检测的门限值，改变边缘检测的顺序，实现微生物图 像边缘的清晰检测。在本步骤中，首先通过迭代算法求得图像分割的最佳阈值， 并将图像分为背景和目标两个部分。通过阈值分割处理，既增强了图像和目标 的对比度，增强了微生物图像边缘，又能准确地提取微生物区域。然后再利用 轮廓提取算法，挖去微生物内部象素点，最后剩余部分图像就是微生物的边缘， 从而实现了微生物的边缘检测。这样通过对各象素点自身灰度值得分析和计算， 判断该点是否是边缘点，避免了在边缘检测的数学计算过程中，使噪声干扰的影响进一步扩大，破坏边缘图像。
在确定待识别的目标区域后进入步骤304，提取图像特征；所述图像特征包
括图像的纹理和几何形状等数理统计特征；所述图像特征包括图像的纹理和几 何形状等数理统计特征；其中图像的纹理特征包括对比度、二阶矩、像素对灰 度的相关性、逆差矩、熵；图像的几何形状特征包括周长、面积、长轴、短轴、 矩形度、圆形度。图像的纹理特征是一种重要的区域描述方法。所谓纹理，是 一种反映像素灰度的空间分布属性的图像特征，通常表现为局部不规则但宏观 有规律的特征。它是识别对象的重要依据之一。同时，经过大量图片的观察和 微生物专家的建议，发现对于微生物识别主要通过微生物本身的形状和形态特 征如球状、杆状、线状等。因此拟提取微生物的周长、面积、长轴、短轴、矩 形度和圆形度这6个特征作为储粮微生物分类的样本指标。提取特征后进一步 包含降低特征向量维数的步骤。
在提取完毕图像特征后，即进入步骤305，采用BP神经网络进行分类识别。 在计算机图像处理中，形态特征的提取占有很重要的地位，而纹理特征反映的 是像素的空间分布属性，微生物生长的不同阶段的图像其纹理分布具有一定的 差异。在BP网络的分类识别中首先将提取的样本特征输入无监督学习的聚类网 络进行聚类分析，对含有多种微生物类别的再采用有监督学习的BP分类网络细 分。
本发明通过自动提取静态储粮微生物图像的纹理、几何形状等特征，并将 提取到的特征应用BP神经网络来训练识别。可为储粮微生物的计算机自动模式 识别提供稳定的特征参数值，有效提高了识别率，为储粮微生物的快速鉴定和 分类研究开辟了新途径。
本发明一种基于显微图像的微生物识别系统及方法，经试验证明是可行的. 该方法不仅扩展了图像识别的应用领域，而且为实现储粮微生物的在线检测奠 定了基础，提高了劳动效率。该方法的实现还可以縮短储粮微生物的检测周期， 准确地预报储粮微生物的状况，使工作人员能够及时地采取防治措施。可以带来可观的经济和社会效益。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限 制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人
员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未 脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利 要求范围当中。