CN103177244A - 水下显微图像中快速检测目标生物的方法 - Google Patents
水下显微图像中快速检测目标生物的方法 Download PDFInfo
- Publication number
- CN103177244A CN103177244A CN2013100852312A CN201310085231A CN103177244A CN 103177244 A CN103177244 A CN 103177244A CN 2013100852312 A CN2013100852312 A CN 2013100852312A CN 201310085231 A CN201310085231 A CN 201310085231A CN 103177244 A CN103177244 A CN 103177244A
- Authority
- CN
- China
- Prior art keywords
- image
- water sample
- target organism
- current water
- average background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水下显微图像中快速检测目标生物的方法,包括以下步骤:获取无待识别目标生物的水样显微视频,该显微视频中的各帧为背景帧;取若干幅背景帧进行平均,得到平均背景图像;获取需要识别目标生物的当前水样图像,并将平均背景图像和当前水样图像分别缩小;缩小后的当前水样图像减去缩小后的平均背景图像,得到前景图像;对前景图像进行顶帽变换,并将顶帽变换的结果进行二值化,得到二值图像;依据设定的灰度方差阈值和面积阈值,在二值图像中晒选符合条件的八连通区域;将筛选到的八连通区域映射到缩小前的当前水样图像中,得到当前水样图像中目标生物的位置。本发明运算简单,识别快速。
Description
技术领域
本发明涉及视频图像处理领域,具体涉及一种水下显微图像中快速检测目标生物的方法。
背景技术
水下显微视频的图像通常具有以下特点:
(1)通常是利用设备将拍摄水样引入到拍摄容器中,利用置于拍摄容器内的摄像机进行拍摄得到,由于其拍摄背景为拍摄容器,整体而言拍摄背景比较固定,不会发生大幅度变化。
(2)在水下环境拍摄时,需要采用闪光灯等主动光源,由于灯丝本身的弯曲等原因,主动光源在视场内通常形成不均匀的光照亮度,导致拍摄的图像亮度不均;由于拍摄过程中水的流动、水样中物体的变化以及灯丝本身的老化,因此,光照不均的分布总是在一定范围内发生比较缓和且随机的变化。
(3)拍摄容器在长期使用后可能磨损或者在拍摄过程中沉积泥沙、生长细小微生物等,导致拍摄背景发生缓慢且缓和的变化。
(4)拍摄的水样中包含大量杂质,大多在图像中反映为细小的斑点或颗粒状、纤维状物质。
(5)水下显微图像中的目标生物往往具有较多的纹理或灰度局部极值,导致其所在区域内的图像的灰度方差较大;同时同一种类目标生物的尺寸只在一定范围内变化。
(6)在实际应用中,例如在海洋、湖泊等广大水域进行采样拍摄时,水下显微视频图像数量往往十分庞大,但其中绝大多数都不包含目标生物或疑似目标生物的物体,因此,大多数图像是无效的。
水下智能生物识别系统可以从水下显微视频图像中自动地发现目标生物,并且完成目标生物的识别和统计等任务,其中的关键技术之一在于目标生物的检测。
水下显微视频图像中生物目标的检测,是指将显微图像分离为前景区域和背景区域,然后从前景区域中找出符合目标生物特点的区域作为检测出的目标生物,该过程的目的是获取包含目标生物或疑似目标生物的区域交给后续步骤进行识别和统计,要求尽量避免漏检,同时,允许识别结果中存在与目标生物相似的物体,因为后续的目标生物识别过程可以完成更准确的辨别。
从水下显微视频图像的特点可以看出,除了通常目标识别时需要排除杂质等问题,在识别水下显微图像中的目标生物时还面临以下特殊问题:首先,水下显微图像的光照不均虽然通常表现为比较缓和的变化,但是对于目标生物的边缘检测和阈值化仍会造成不可忽视的负面影响;其次,对于通过建立背景模型来解决光照不均的方法来说,由于光照不均是比较缓和且随机的变化,会引入新的问题,即减除背景后的图像会残留发生缓和变化的区域,使得去掉背景后光照不均的现象依然存在,最后,实际应用中需要足够快速地检测出目标生物,以满足实时检测的需要。
发明内容
本发明水下显微图像中快速检测目标生物的方法,针对水下显微视频图像的特点,将背景图像进行平均,同时结合顶帽变换的方法,经过简单的筛选,即可排除光照不均以及背景缓慢变化的影响,得到准确的目标生物检测结果,并且在处理图像之前,对图像进行缩放,大大加快了图像的处理速度。
一种水下显微图像中快速检测目标生物的方法,包括以下步骤:
(1)获取无待识别目标生物的水样显微视频,该显微视频中的各帧为背景帧。
所述水样为显微观测水域的水样本,无待识别目标生物的水样与需要识别目标生物的水样的区别仅在于水样中是否含有目标生物,也即水样中的杂质等含量均一致。
(2)取若干幅步骤(1)中的背景帧进行平均,得到平均背景图像。
(3)获取需要识别目标生物的当前水样图像,并将平均背景图像和当前水样图像分别缩小,得到缩小后的平均背景图像以及缩小后的当前水样图像。
(4)缩小后的当前水样图像减去缩小后的平均背景图像,得到前景图像。
(5)对前景图像进行顶帽变换,并将顶帽变换的结果进行二值化,得到二值图像。
灰度级图像f的顶帽变换的定义为f减去其开运算,计算公式如下:
其中,b为顶帽变换中的模板;That(f)为图像f的顶帽变换结果。
在前景图像尺寸不变的情况下,顶帽变换的运算速度与模板b的大小相关,模板b越大,则运算速度越慢,而模板b的大小应大于目标生物图像的面积,因此,如果目标生物的图像面积较大,则计算时间会大大增加,本发明中的目标生物均为微生物,且每一水样中的目标生物含量极少,也即认为目标生物不会出现聚集,从而造成因目标生物的图像面积过大而引起的计算速度的减慢。
(6)依据设定的灰度方差阈值和面积阈值,在步骤(5)中得到的二值图像中晒选符合条件的八连通区域,如果筛选到符合条件的八连通区域,则该幅当前图像中包含待识别的目标生物,如果没有筛选到符合条件的八连通区域,则该幅当前图像中不包含待识别的目标生物。
(7)将步骤(6)筛选到的八连通区域映射到缩小前的当前水样图像中,得到当前水样图像中目标生物的位置。
利用顶帽变换,可以有小消除水下显微图像中光照不均造成的对于目标生物检测的识别。
水下显微图像中的目标生物所在区域内的灰度方差较大,而该区域的面积应该接近于目标生物本身在图像中的面积,筛选时选取的灰度方差阈值根据实验统计结果设定,而区域的面积阈值则根据待识别的目标生物的大小设定,目标生物越大则相应的面积阈值越大。
作为优选,所述步骤(2)中选取100~150幅背景帧进行平均,得到平均背景图像。背景帧的数量越多,则水样的背景图像越能准确反应水样的真实情况,但数量过多,会影响运算速度。
作为优选,所述步骤(3)中利用双线性内插法对平均背景图像和当前水样图像进行缩小。
对平均背景图像和当前水样图像进行缩小后,进行顶帽变换相对于直接对原图像进行处理,可以有效加快处理速度。
作为优选,所述步骤(3)中将平均背景图像和当前水样图像分别缩小至原来的1/16。缩小程度应兼顾运算速度以及目标生物位置识别的准确性。
作为优选,所述步骤(5)中利用OTSU算法对顶帽变换结果进行二值化,得到二值图像。
二值化方法可以采用现有技术中的方法,OTUS算法简单,适用实时计算的需求,运算得到二值图像后,进行八连通区域的筛选。
本发明方法仅进行图像平均运算和形态学运算,运算量小;利用顶帽变换有效排除光照不均和背景缓慢变化的影响,检测、分割准确;对缩小后的图像进行处理,然后将目标生物的位置直接映射到原图像,加快了运算速度;利用灰度值方差和面积方差进行筛选,计算简单,速度快;并且整个检测过程处理速度快,可以实现实时在线检测。
附图说明
图1为本发明水下显微图像中快速检测目标生物的方法流程图;
图2为缩小后的平均背景图像;
图3为缩小后的当前水样图像;
图4为处理得到的前景图像;
图5为经顶帽变换后的前景图像经二值化处理后的图像;
图6为未进行顶帽变换的前景图像;
图7为经过顶帽变换的前景图像;
图8为检测结果映射到原当前水样图像中得到目标生物区域的示意图。
具体实施方式
下面结合附图,对本发明水下显微图像中快速检测目标生物的方法做详细描述。
如图1所示,一种水下显微图像中快速检测目标生物的方法,包括以下步骤:
(1)获取无待识别目标生物的水样显微视频,该显微视频中的各帧为背景帧。
其中,i,j为图像中的像素点坐标;
k为背景帧的索引号。
(3)获取需要识别目标生物的当前水样图像,利用双线性内插法将平均背景图像和当前水样图像缩小至原来的1/16,得到缩小后的平均背景图像I'avg,如图2所示,以及缩小后的当前水样图像I'cur,如图3所示。
(4)缩小后的当前水样图像I'cur减去缩小后的平均背景图像I'avg,得到前景图像Ifront,如图4所示,,计算公式为Ifront(i,j)=I'cur(i,j)-I'avg(i,j);其中,i,j为图像中的像素点坐标。
(5)对前景图像进行顶帽变换,并利用OTSU算法对顶帽变换结果进行二值化,得到二值图像,如图5所示。
未进行顶帽变换的前景图像见图6,进行顶帽变换后的前景图像见图7,由此可见,经过顶帽变换后,消除了光线不均。
k表示各个灰度级,取值为0~256;
i为灰度级的索引号。
(6)依据设定的灰度方差阈值和面积阈值,在步骤(5)中得到的二值图像中晒选符合条件的八连通区域,如果筛选到符合条件的八连通区域,则该幅当前图像中包含待识别的目标生物,如果没有筛选到符合条件的八连通区域,则该幅当前图像中不包含待识别的目标生物;
(7)将步骤(6)筛选到的八连通区域映射到缩小前的当前水样图像中,得到当前水样图像中目标生物的位置,如图8所示。
Claims (5)
1.一种水下显微图像中快速检测目标生物的方法,其特征在于,包括以下步骤:
(1)获取无待识别目标生物的水样显微视频,该显微视频中的各帧为背景帧;
(2)取若干幅步骤(1)中的背景帧进行平均,得到平均背景图像;
(3)获取需要识别目标生物的当前水样图像,并将平均背景图像和当前水样图像分别缩小,得到缩小后的平均背景图像以及缩小后的当前水样图像;
(4)缩小后的当前水样图像减去缩小后的平均背景图像,得到前景图像;
(5)对前景图像进行顶帽变换,并将顶帽变换的结果进行二值化,得到二值图像;
(6)依据设定的灰度方差阈值和面积阈值,在步骤(5)中得到的二值图像中晒选符合条件的八连通区域,如果筛选到符合条件的八连通区域,则该幅当前图像中包含待识别的目标生物,如果没有筛选到符合条件的八连通区域,则该幅当前图像中不包含待识别的目标生物;
(7)将步骤(6)筛选到的八连通区域映射到缩小前的当前水样图像中,得到当前水样图像中目标生物的位置。
2.如权利要求1所述的水下显微图像中快速检测目标生物的方法,其特征在于,所述步骤(2)中选取100~150幅背景帧进行平均,得到平均背景图像。
3.如权利要求2所述的水下显微图像中快速检测目标生物的方法,其特征在于,所述步骤(3)中利用双线性内插法对平均背景图像和当前水样图像进行缩小。
4.如权利要求3所述的水下显微图像中快速检测目标生物的方法,其特征在于,所述步骤(3)中将平均背景图像和当前水样图像分别缩小至原来的1/16。
5.如权利要求4所述的水下显微图像中快速检测目标生物的方法,其特征在于,所述步骤(5)中利用OTSU算法对顶帽变换结果进行二值化,得到二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310085231.2A CN103177244B (zh) | 2013-03-15 | 2013-03-15 | 水下显微图像中快速检测目标生物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310085231.2A CN103177244B (zh) | 2013-03-15 | 2013-03-15 | 水下显微图像中快速检测目标生物的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177244A true CN103177244A (zh) | 2013-06-26 |
CN103177244B CN103177244B (zh) | 2017-05-10 |
Family
ID=48637086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310085231.2A Active CN103177244B (zh) | 2013-03-15 | 2013-03-15 | 水下显微图像中快速检测目标生物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177244B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
CN107256566A (zh) * | 2017-05-26 | 2017-10-17 | 北京环境特性研究所 | 基于辐射能量的林火检测方法 |
CN108647550A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
CN109358332A (zh) * | 2018-11-28 | 2019-02-19 | 浙江大学 | 一种基于稀疏平面阵列的分布式波束形成方法 |
CN112767336A (zh) * | 2021-01-11 | 2021-05-07 | 广州中交通信有限公司 | 声呐图像中的障碍物提取方法、计算机装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040114829A1 (en) * | 2002-10-10 | 2004-06-17 | Intelligent System Solutions Corp. | Method and system for detecting and correcting defects in a digital image |
CN102750556A (zh) * | 2012-06-01 | 2012-10-24 | 山东大学 | 一种脱机手写体汉字识别方法 |
CN102800049A (zh) * | 2012-08-08 | 2012-11-28 | 广东威创视讯科技股份有限公司 | 图像缩小的方法及装置 |
-
2013
- 2013-03-15 CN CN201310085231.2A patent/CN103177244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040114829A1 (en) * | 2002-10-10 | 2004-06-17 | Intelligent System Solutions Corp. | Method and system for detecting and correcting defects in a digital image |
CN102750556A (zh) * | 2012-06-01 | 2012-10-24 | 山东大学 | 一种脱机手写体汉字识别方法 |
CN102800049A (zh) * | 2012-08-08 | 2012-11-28 | 广东威创视讯科技股份有限公司 | 图像缩小的方法及装置 |
Non-Patent Citations (2)
Title |
---|
李刚 等: "基于背景差法和帧间差法的运动目标检测方法", 《仪器仪表学报》 * |
魏军: "基于DSP的自动视频跟踪算法研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
CN107256566A (zh) * | 2017-05-26 | 2017-10-17 | 北京环境特性研究所 | 基于辐射能量的林火检测方法 |
CN107256566B (zh) * | 2017-05-26 | 2019-10-29 | 北京环境特性研究所 | 基于辐射能量的林火检测方法 |
CN108647550A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
CN108647550B (zh) * | 2018-04-11 | 2021-07-16 | 中山大学 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
CN109358332A (zh) * | 2018-11-28 | 2019-02-19 | 浙江大学 | 一种基于稀疏平面阵列的分布式波束形成方法 |
CN112767336A (zh) * | 2021-01-11 | 2021-05-07 | 广州中交通信有限公司 | 声呐图像中的障碍物提取方法、计算机装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103177244B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN107945200A (zh) | 图像二值化分割方法 | |
CN111105405B (zh) | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
Li et al. | Detection of uneaten fish food pellets in underwater images for aquaculture | |
CN103942803A (zh) | 基于sar图像的水域自动检测方法 | |
CN104103080A (zh) | 一种复杂背景下弱小目标检测的方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
US20230014823A1 (en) | Defect detection in image space | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN105389581A (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN104732525A (zh) | 结合像素间距法视觉显著性的显微图像清晰度评价方法 | |
CN111476758A (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN110110667A (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
Hou et al. | Detection and localization of citrus fruit based on improved You Only Look Once v5s and binocular vision in the orchard | |
CN115223032A (zh) | 一种基于图像处理和神经网络融合的水生物识别与匹配方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN116343205A (zh) | 一种浮游藻类细胞荧光-明场显微图像自动标注方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |