CN106022303B - 基于无透镜全息成像的淡水藻类粗分类与计数方法 - Google Patents

Abstract

本发明公开了基于无透镜全息成像的淡水藻类细胞粗分类与计数方法，首先，对利用无透镜全息成像装置获取的淡水藻类全息图像进行二值化处理，并计算所有细胞面积占整个图像面积的比值；然后，利用基于细胞形状特征的方法对细胞分散、数目不多的细胞图像进行简单分类和计数；最后，利用基于归一化互相关匹配方法对细胞集中、数目多的细胞图像进行简单分类和计数。本发明能够更为针对性、准确性地对淡水藻类全息图像中的细胞进行粗分类与计数，而且针对不同细胞分布、不同细胞数目的细胞图像，包含不同的解决方案，从而能实现更好的粗分类与计数效果。同时实现的复杂度较低，图像处理时间短,最终的粗分类与计数的结果也较为理想。

Description

基于无透镜全息成像的淡水藻类粗分类与计数方法

技术领域

本发明涉及全息成像技术，主要为基于细胞形状特征和基于归一化互相关匹配的粗分类与计数方法，特别涉及一种基于无透镜全息成像的淡水藻类细胞粗分类与计数方法。

背景技术

利用无透镜全息成像装置获得的藻类全息图像之后，为了达到对淡水水质检测的目的，需对全息图像中的细胞进行简单分类和计数以估测水域中藻类的种类与数目。

传统的淡水藻类分类与计数的算法研究很多，但是往往藻类分类与计算的效率和准确率不可兼得。计算效率高的，算法精确度不足；反之，算法精确度高的，算法复杂度也较高，计算效率低。本发明专利提出一种基于无透镜成像的淡水藻类粗分类与技术方法，能够更为针对性、准确性地对淡水藻类全息图像中的细胞进行粗分类与计数，而且针对不同细胞分布、不同细胞数目的细胞图像，包含不同的解决方案，从而能实现更好的粗分类与计数效果。同时本方法实现的复杂度较低，图像处理时间短,最终的粗分类与计数的结果也较为理想。

发明内容

本文发明的目的是提供针对不同细胞分布和数目的细胞图像粗分类与计数的方法，能够对细胞进行粗分类并用不同颜色进行标记，同时精确地计算不同颜色标记的细胞数目。

为了解决上述技术问题，本发明采用以下技术方案。基于无透镜全息成像的淡水藻类细胞粗分类与计数方法，包括如下步骤：

1)对利用无透镜全息成像装置获取的淡水藻类全息图像进行二值化处理，并计算所有细胞面积占整个图像面积的比值S，当S<＝0.5时，转至步骤2)；否则，转至步骤3)；

2)利用基于细胞形状特征的方法对细胞分散、数目不多的细胞图像进行简单分类和计数；步骤如下：

a)计算二值化处理后的图像中每个细胞的长、宽、面积和外接矩形的大小数据，并据此计算圆形度、矩形度的形状特征和参数的大小：

式中：C表示圆形度；P_n和A_n分别为细胞的周长和面积；R表示矩形度；A_n为面积；A_r为图形最小外接矩形的面积；

b)根据图像实际情况设定不同的分类阈值，用不同颜色对细胞进行分类标记，并得出每一类标记细胞的数目；

3)利用基于归一化互相关匹配方法，对细胞集中、数目多的细胞图像进行简单分类和计数；步骤如下：

a)创建细胞模版图像库,单个模版图像的大小为9×9像素，且细胞中心位于图像正中间，数目为20；

b)计算每个细胞模板图像与待测试图像的所有匹配区域的二维归一化互相关系数：

式中：和是图像w和f的平均灰度；R是归一化互相关系数；L与K分别表示图像w的长度与宽度；

c)设定粗分类识别阈值为0.65，并寻找超过设定阈值的系数定位，并且细胞位置用不同颜色标记和计数。

相比现有技术，本发明能够更为针对性、准确性地对淡水藻类全息图像中的细胞进行粗分类与计数，而且针对不同细胞分布、不同细胞数目的细胞图像，包含不同的解决方案，从而能实现更好的粗分类与计数效果。同时本方法实现的复杂度较低，图像处理时间短,最终的粗分类与计数的结果也较为理想。

附图说明

图1是无透镜全息成像装置拍摄的原图；

图2是基于形状特征的粗分类与计数的方法的效果图；

图3是本发明基于归一化互相关匹配的粗分类与计数的方法的效果图。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。参见图1至图3，基于无透镜全息成像的淡水藻类细胞粗分类与计数方法，其步骤如下：

1)对利用无透镜全息成像装置获取的淡水藻类全息图像进行二值化处理，并计算所有细胞面积占整个图像面积的比值S，当S≤5时，转至步骤2)；否则，转至步骤3)；

2)利用基于细胞形状特征的方法对细胞分散、数目不多的细胞图像进行简单分类和计数；步骤如下：

a)计算二值化处理后的图像中每个细胞的长、宽、面积和外接矩形的大小等数据，并据

此计算圆形度、矩形度等形状特征参数的大小：

式中：C表示圆形度；P_n和A_n分别为细胞的周长和面积；R表示矩形度；A_n为面积；A_r为图形最小外接矩形的面积；

圆形度用来描述目标形状的圆形程度。面积一定的图形，一般周长越小，图形表面越光滑，越接近圆；反之，周长越大，则图形表面褶皱越多，形状越复杂。而R代表的是矩形度，其中A_n为面积，A_r为图形最小外接矩形的面积，这里,R反映了一个物体对其矩形的充满程度，对于矩形，R取得最大值1。对于纤细的、弯曲的物体则其值变，矩因子的值在(0,1)。b)最后，根据图像实际情况设定不同的分类阈值，用不同颜色对细胞进行分类标记，并得出每一类的标记细胞的数目，具体效果和实际实验统计结果如图2和表1所示。

表1基于形状特征的粗分类与计数方法的计数结果

注：全息原图分辨率大小是300×300像素，样品共10份，

从表1可以看出，误差大小徘徊在5％左右，最大不超过10％，平均误差4.86％，属于可接受的范围。而且对于藻类细胞数目较少的图像，基于形状特征的粗分类方法不但可以做的准确计算，但随着细胞数目的增多，误差也在增大。

3)利用基于归一化互相关匹配方法对细胞集中、数目多的细胞图像进行简单分类和计数；步骤如下：

a)创建细胞模版图像库,单个模版图像的大小为9×9像素，且细胞中心位于图像正中间，数目为20；

b)计算每个细胞模板图像与待测试图像的所有匹配区域的二维归一化互相关系数：

式中：和是图像w和f的平均灰度；可用于归一化互相关的背景移除。R是归一化互相关系数，大小在[-1,1]区间，当R越接近-1或者1时，说明两者越匹配；而当R＝0时，则证明二者毫无相似之处。将所有相关系数R的值组成一个映射库，此映射库的中相关系数的取值范围是(-1,1)；L与K分别表示图像w的长度与宽度；

c)设定粗分类识别阈值为0.65，并寻找超过设定阈值的系数定位，并且细胞位置用不同颜色标记和计数，具体效果和实际实验统计结果如图3和表2所示。

表2基于归一化互相关匹配的粗分类与计数的方法的计数结果

注：全息原图分辨率大小是300×300像素，样品共10份，

通过分析表2可以得出一个很明显的结论：只要模版图像与阈值选取得当，基于归一化互相关的粗分类与计数方法计数相较基于形状特征的计数方法更准确，误差低于5％，特别是藻类细胞数目较多的图像计数结果的误差同样下降了1％—5％，平均误差更是仅为3.9％，总体效果不但好于基于形状特征的计数方法，而且针对采集于同一片水域的藻类样品创建的细胞模版图像库可以得到重复利用。但是此方法在前期进行模版图像库的创建时，相较于上一种方法耗费更多计算机的计算能力和时间，同时人工选取单个模版图像时易受主观影响。

Claims (1)

1.基于无透镜全息成像的淡水藻类细胞粗分类与计数方法，其特征在于，包括如下步骤：

1)对利用无透镜全息成像装置获取的淡水藻类全息图像进行二值化处理，并计算所有细胞面积占整个图像面积的比值S，当S<＝0.5时，转至步骤2)；否则，转至步骤3)；

2)利用基于细胞形状特征的方法对细胞分散、数目不多的细胞图像进行简单分类和计数；步骤如下：

a)计算二值化处理后的图像中每个细胞的长、宽、面积和外接矩形的大小数据，并据此计算圆形度、矩形度的形状特征和参数的大小：

式中：C表示圆形度；P_n和A_n分别为细胞的周长和面积；R表示矩形度；A_n为面积；A_r为图形最小外接矩形的面积；

b)根据图像实际情况设定不同的分类阈值，用不同颜色对细胞进行分类标记，并得出每一类标记细胞的数目；

3)利用基于归一化互相关匹配方法，对细胞集中、数目多的细胞图像进行简单分类和计数；步骤如下：

a)创建细胞模版图像库,单个模版图像的大小为9×9像素，且细胞中心位于图像正中间，数目为20；

b)计算每个细胞模板图像与待测试图像的所有匹配区域的二维归一化互相关系数：

式中：和是图像w和f的平均灰度；R是归一化互相关系数；L与K分别表示图像w的长度与宽度；

c)设定粗分类识别阈值为0.65，并寻找超过设定阈值的系数定位，并且细胞位置用不同颜色标记和计数。