CN108830858B - 一种基于红外和光学影像双模成像信息的活体菌落计数方法 - Google Patents

Abstract

本发明涉及一种基于红外和光学影像双模成像信息的活体菌落计数方法，步骤如下：获取同一原始目标的光学影像和序列红外影像；采用水平集算法对上述光学影像进行处理；采用仿射变换，对光学影像和序列红外影像进行图像配准，根据光学影像中获取的连通域位置信息，依次获取光学影像中连通域在序列红外影像中的对应位置；逐个统计光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集，纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征；得到活体菌落检测分类模型；依次对判断为具有活性特征的连通域计数，获取活体菌落的数目。

Description

一种基于红外和光学影像双模成像信息的活体菌落计数方法

技术领域

本发明属于食品及环保检测领域，尤其涉及一种活体菌落计数检测方法。

背景技术

菌落计数器已经从人工、半人工向全自动发展，被广泛的应用于生物和医学领域。相比较一些常规算法，水平集算法在菌落计数方面，算法速度和准确性上都有了很大提高。常规菌落分析仪器大多是处理单张静态图像，根据单张静态图像的信息，无法排除杂质颗粒及死菌等因素对菌落计数的影响，容易引入假阳性错误。通过红外影像判断菌落活性受限于红外影像的分辨率和成本，只能定性的判断菌落的活性，并不能直接对菌落计数。目前现有的菌落分析仪器尚未有公开的针对活体菌落计数的功能。

发明内容

本发明提供了一种基于红外和光学影像双模成像信息的活体菌落计数方法，以克服现有技术上的不足。本发明提出一种光学影像与红外影像相结合的活体菌落计数方法，根据活体菌落热量高于背景热量，排除杂质、水渍、死菌等因素带来的假阳性错误，同时解决了普通红外影像受限于分辨率和成本无法定量获取活体菌落个数的问题。本发明的技术方案如下：

一种基于红外和光学影像双模成像信息的活体菌落计数方法，步骤如下：

1)对目标培养皿进行多次扫描拍摄，获取同一原始目标的光学影像和序列红外影像；

2)采用水平集算法对上述光学影像进行处理，遍历图像中的所有像素点，根据像素点的特征进行空间分割，获取点集区域作为连通域，并对连通域进行定位；

3)对光学影像和序列红外影像建立三维笛卡尔直角坐标系，分别确定从光学影像到序列红外影像沿x轴，y轴，z轴变换的尺度参数m_x，m_y，m_z，沿x轴，y轴，z轴平移的刚体变换参数p，q，r，绕沿x轴，y轴，z轴旋转的刚体变换参数θ，ω，φ。采用九参数仿射变换，对光学影像和序列红外影像进行图像配准，根据光学影像中获取的连通域位置信息，依次获取光学影像中连通域在序列红外影像中的对应位置；

4)逐个统计光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集，纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征；

5)制作符合支持向量机格式的标签样本，将分类器训练集中的具有活体特征的样本标签置为1，不具有活体特征的样本标签置为-1，并设计和训练SVM分类器，获取分类器模型，从而得到活体菌落检测分类模型；

6)采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类，判断样本是具有活体特征的连通域，或为杂质以及死菌对应的不具有活体特征的连通域；

7)依次对判断为具有活性特征的连通域计数，获取活体菌落的数目。

本发明提出的基于红外和光学影像双模成像信息的活体菌落技术方法，解决了当今常规菌落分析仪器处理单张静态图像，无法排除杂质颗粒及死菌等因素引入假阳性错误的问题以及红外图像受限于分辨率或成本无法定量的获取活体菌落个数的问题。

附图说明

图1：本发明方法流程图

图2：目标图像及采用改进水平集算法处理后的图像，包括连通域的定位

图3：仿射变示意图像

图4：原始目标图像及局部放大

图5：感兴趣区域的红外散斑图像

具体实施方式：

现结合实例、附图对本发明作进一步描述：

1)图像采集

1、CCD摄像头和红外摄像头对目标进行多次拍照，采集该目标的单张光学影像和多张红外影像，将多张红外影像按照拍摄的时间顺序进行排序，保存为序列红外影像。

2)图像处理

1、如图2所示，采用水平集算法对上述光学影像进行处理，遍历图像中的所有像素点，根据像素点的特征进行空间分割，获取点集区域作为连通域，并对连通域进行定位。

2、采用仿射变换，对光学影像中和序列红外影像进行图像配准，根据光学影像中获取的连通域位置信息，依次获取光学影像中连通域在序列红外影像中的对应位置。

在3D情况下，需要9个参数描述一个全局尺度变换的刚体变换。定义光学影像和序列红外影像上各方向，即x轴，y轴，z轴方向上尺度变化系数分别为为m_x，m_y，m_z，在三维空间中，光学影像下图像坐标为(x,y,z)，表示在红外影像上为(x',y',z')，其变换可以表示为下列公式：

沿x轴的平移：

沿y轴的平移：

沿z轴的平移：

绕x轴的旋转：

绕y轴的旋转：

绕z轴的旋转：

如图3所示，θ，ω，φ是绕x轴，y轴，z轴的旋转刚体变换参数，p，q，r是沿x轴、y轴和z轴的平移刚体变换参数。仿射变换公式如下：

将已经得到的光学影像下连通域的坐标信息，带入上述公式(1)，即可获取在红外影像下该连通域对应的区域坐标。

3、如图4所示，光斑可能会影响光学影像中对菌落个数的判定，而对于已经死亡的菌落及杂质与活体菌落在单张光学影像中无法区分，但是由于死亡菌落和杂质不存在代谢活动，因此与活体菌落存在细微的温差波动，从而在序列红外影像中杂质死菌与真实的活体菌落存在着显著差异。图5是原始目标的部分红外影像，红外影像获取序列红外影像中对应疑似菌落连通域的灰度平均值

和灰度方差

首先把序列红外影像的R、G、B分量转化为灰度值表征每个像素点构成的图像，转化公式如下：

Gray(x,y)＝0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y) (2)

接下来对连通域对应的序列红外影像中的区域求取灰度平均值

和灰度方差

公式如下：

4、逐一对连通域在序列红外影像中的对应区域建立灰度共生矩阵。首先将已经灰度化的序列红外影像进行灰度量级化，将图像的灰度级压缩至8级以减小共生矩阵的尺寸，对于精度要求高且纹理细密的纹理分布，选取像素间距d＝1，0°方向获取对比度、能量、熵和相关性纹理特性。p(i,j)表示灰度共生矩阵第i行和第j列的数值。

能量获取公式如下：

对比度获取公式如下：

熵获取公式如下：

相关性获取公式如下：

具体纹理向量的值列于下表中。

对六个特征向量进行显著性检验，选取t检验方法，建立假设，确定检验水平α＝0.1，计算统计量

S₁ ²和S₂ ²为两样本方差，n₁和n₂为两样本容量，选用双侧检验，选用α＝0.1的统计显著水平，确定灰度平均值、灰度方差、灰度共生矩阵的能量、熵、相关性这五个特征位显著性特征，所以选取灰度平均值、灰度方差、灰度共生矩阵的能量、熵、相关性这五个特征作为判定指标。

6、采用支持向量机技术对红外影像空间下序列图像的局部纹理特征进行分类。以局部纹理特征为特征，特征有五个，分别是灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性。制作符合支持向量机格式的标签样本，将分类器训练集中的具有活体特征的样本标签置为1，不具有活体特征的样本标签置为-1，并设计和训练SVM分类器，获取分类器模型，从而得到活体菌落检测分类模型。采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类，判断样本是具有活体特征的连通域，或为杂质以及死菌对应的不具有活体特征的连通域，即将连通域的特征向量输入到已经找到的最佳分隔超平面w·x+b＝0中，该平面即为分类的决策边界，其中w是法向量，b为截距，将特征值分在平面两边，即判断该连通域是否具有活体特征，实现支持向量机的二分类。

3)菌落计数

对通过序列红外影像纹理特征判定为具有活体特征的连通域进行计数，获取活体菌落数目。

Claims (1)

1.一种基于红外和光学影像双模成像信息的活体菌落计数方法，步骤如下：

1)对目标培养皿进行多次扫描拍摄，获取同一原始目标的光学影像和序列红外影像；

2)采用水平集算法对上述光学影像进行处理，遍历图像中的所有像素点，根据像素点的特征进行空间分割，获取点集区域作为连通域，并对连通域进行定位；

3)对光学影像和序列红外影像建立三维笛卡尔直角坐标系，分别确定从光学影像到序列红外影像沿x轴，y轴，z轴变换的尺度参数m_x，m_y，m_z，沿x轴，y轴，z轴平移的刚体变换参数p，q，r，绕沿x轴，y轴，z轴旋转的刚体变换参数θ，ω，φ；采用仿射变换，对光学影像和序列红外影像进行图像配准，根据光学影像中获取的连通域位置信息，依次获取光学影像中连通域在序列红外影像中的对应位置；

4)逐一对连通域在序列红外影像中的对应区域建立灰度共生矩阵，首先将已经灰度化的序列红外影像进行灰度量级化，将图像的灰度级压缩至8级以减小共生矩阵的尺寸，对于精度要求高且纹理细密的纹理分布，选取像素间距d＝1，0°方向获取光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集，纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征；

5)制作符合支持向量机格式的标签样本，将分类器训练集中的具有活体特征的样本标签置为1，不具有活体特征的样本标签置为-1，并设计和训练SVM分类器，获取分类器模型，从而得到活体菌落检测分类模型；

6)采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类，判断样本是具有活体特征的连通域，或为杂质以及死菌对应的不具有活体特征的连通域；

7)依次对判断为具有活性特征的连通域计数，获取活体菌落的数目。

Images