CN110246139A - 基于双阈值的浮游生物原位图像roi快速提取方法 - Google Patents

Abstract

本发明公开了基于双阈值的浮游生物原位图像ROI快速提取方法，包括：对原位图利用最大类间方差法计算初始分割阈值T₀；对像素值[0,T₀)区间的像素以及[T₀,255]区间的像素，分别再次利用最大类间方差法计算分割阈值，对应得到低阈值T_low和高阈值T_high；使用隔行扫描在原位图中检测并标记目标，先利用T_low定位目标，再利用T_high区分目标轮廓与背景，以提取初始ROI；对初始ROI进行二值化分割，得到多个连通域；基于最大连通域定位基准目标，并利用基于移位的ROI快速增强算法对基准目标进行移位扩展，扩展得到的基准目标区域即为增强的ROI；将增强的ROI对应到初始ROI中，重合的部分作为最终提取的ROI，其余部分置为白色。

Description

基于双阈值的浮游生物原位图像ROI快速提取方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于双阈值的浮游生物原位图像ROI快速提取方法。

背景技术

基于光学成像技术的水下原位光学成像仪是对细小浮游生物微观尺度分布进行动态观测的最有效方式。其中，水下原位光学成像仪通常都以较高的采样率采集高分辨率的图像，根据图像格式的不同，每分钟可产生存储量为5～20GB的原位图，如此海量的数据量毫无疑问对后期的分类和识别方法的效率带来了不小的挑战。与此同时，原位浮游生物图像通常被诸多环境因素所干扰，例如不均匀光照、颗粒悬浮物、高浊度和湍流，这些环境因素会导致光发生衰减和散射而降低水下成像的质量。海洋生态学微观尺度研究的工作内容是围绕原位图中的感兴趣区域(Regions ofInterest，ROIs)来展开进一步分析的，因此，从海量原位浮游生物图像中快速有效提取出所有潜在ROI是进行所有后续相关研究的重要前提。传统的ROI提取方法主要是基于图像二值分割的方式来筛选连通域，这类方法往往会将较多的颗粒悬浮物等杂质也一起保留下来，对于凝胶状的大尺寸浮游生物还会出现目标断裂的现象，效果不太理想；同时，该类方法需要经过二值分割、目标提取的过程，还比较耗时。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日前已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明的主要目的在于提出一种基于双阈值的浮游生物原位图像ROI快速提取方法，解决现有的浮游生物图像ROI提取方法所存在的ROI提取精确度和效率较低的问题。

本发明为达上述目的提出以下技术方案：

一种基于双阈值的浮游生物原位图像ROI快速提取方法，包括以下步骤：

S1、对所述原位图像，利用最大类间方差法计算初始分割阈值，记为T₀；

S2、对所述原位图像中像素值位于[0,T₀)区间的所有像素，再次利用最大类间方差法计算分割阈值，作为所述双阈值的低阈值，记为T_low；对所述原位图像中像素值位于[T₀,255]区间的所有像素，再次利用最大类间方差法计算分割阈值，作为所述双阈值的高阈值，记为T_high；

S3、使用隔行扫描的方式在所述原位图像中进行目标检测，扫描过程中先利用低阈值T_low定位目标，再利用高阈值T_high区分目标轮廓与背景，以提取初始ROI；

S4、对所述初始ROI进行二值化分割，得到多个连通域；

S5、基于最大连通域定位基准目标，并利用基于移位的ROI快速增强算法，对所述基准目标进行移位扩展，扩展得到的基准目标区域即为增强的ROI；

S6、将所述增强的ROI对应到所述初始ROI中，重合的部分作为最终提取的ROI，其余部分置为白色。

相较于现有的浮游生物图像ROI提取方法，本发明上述技术方案的有益效果在于：算法耗时较现有技术大大缩短；在利用双阈值提取得到初始的ROI后，针对浮游生物成像特点，使用ROI快速增强算法，可以很好地保留浮游生物原位图像中目标轮廓周围的微弱细节，从而可以在不丢失目标轮廓周围微弱细节的同时还保证较高的执行效率，并且该增强算法耗时为毫秒级别，对整个方法耗时影响可以忽略不计。总之，本发明的方法能够在浮游生物原位图像上以较高的效率抓取到更精确、更完整的ROI。

附图说明

图1是本发明具体实施例提出的基于双阈值的浮游生物原位图像ROI快速提取方法流程图；

图2是一种示例性的移位扩展方向示意图；

图3是基准窗口按图2所示例的方向扩展得到的子搜索窗口示意图；

图4是基准目标按图2所示例的方向扩展得到的基准目标区域示意图；

图5是基准目标按图2所示例的方向扩展的过程示意图；

图6是一示例性的浮游生物原位图像；

图7-1是本发明利用双阈值扫描法从图6中提取到的箭簇虫初始ROI；

图7-2是利用基于移位的ROI快速增强方法处理初始ROI后得到的最终的箭簇虫ROI；

图8-1是本发明利用双阈值扫描法从图6中提取到的桡足初始ROI；

图8-2是利用基于移位的ROI快速增强方法处理初始ROI后得到的最终的桡足ROI。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步说明。

本发明从原位浮游生物成像特点出发，针对传统方法提取ROI的精确度和效率较低的问题，提出了一种基于双阈值的浮游生物原位图像ROI快速提取方法。与传统的最大类间方差法计算一个阈值对图像进行二值化不同，本发明所提出的方法直接从原位图像最真实的像素值分布出发，利用最大类间方差得到一个阈值后利用该阈值对像素进行划分，再对划分的两部分像素分别再次使用最大类间方差法计算出本发明所需的双阈值(一个低阈值和一个高阈值)。基于计算出的双阈值可以将原位图像的像素划分为清晰的目标、微弱的目标轮廓和背景三大类。接着使用隔行扫描的方式进行目标定位，提取ROI。最后再利用基于移位的ROI快速增强算法对基于双阈值扫描提取到的ROI进行增强，抑制背景，得到最终的ROI。

参考图1，本发明具体实施方式提出的基于双阈值的浮游生物原位图像ROI快速提取方法，包括如下步骤S1至S6：

步骤S1、对所述原位图像，利用最大类间方差法计算初始分割阈值，记为T₀。计算的公式为：

其中，M、N分别表示原位图像的高度和宽度，n_(T)表示原位图像中像素值小于当前计算过程所使用的变量T的像素个数，g_i表示像素值小于T的第i个像素的像素值，g_j表示像素值不小于T的第j个像素的像素值。随着变量T取0到255之间的全部整数，式(1)会经过256次重复计算，得到一个满足图像类间方差最大的分割阈值，记为T₀。此步骤中分割阈值的计算是针对原位图像的所有像素。

步骤S2、利用T₀对原位图像的像素进行分割，划分为两部分，即像素值位于[0,T₀)区间的像素以及像素值位于[T₀,255]区间的像素。然后对这两部分像素，都分别再次采用最大类间方差法计算分割阈值，公式如式(1)，与步骤S1不同的是，在步骤S2中使用式(1)时，所针对的像素不一样，针对像素值位于[0,T₀)区间的像素计算得到的分割阈值作为双阈值的低阈值，记为T_low；针对像素值位于[T₀,255]区间的像素计算得到的分割阈值作为双阈值的高阈值，记为T_high。

在计算出高、低两个阈值之后，原位图像的所有像素可被该高、低阈值划分为三大类，把像素值位于[0,T_low)区间的像素归类为清晰的目标，像素值位于[T_low,T_high)区间的像素归类为微弱的目标轮廓，将像素值位于[T_high,255]区间的像素归类为背景。接下来就是使用隔行扫描的方式在原位图像中进行目标的标记定位、轮廓(边界)的框选和背景的区分。

步骤S3、使用隔行扫描的方式在原位图像中进行目标检测，扫描过程中先利用低阈值T_low定位目标，再利用高阈值T_high区分目标轮廓与背景，以提取初始ROI。隔行扫描的间隔步长为step，step的取值根据所要检测的最小目标在原位图像中所占像素的大小来确定，更进一步地，可以根据最小目标在垂直方向所占像素个数来确定，优选地将目标看成正方形来确定该步长。比如，欲检测的目标所占的像素为50个像素，则其比较接近于7×7，可以将step设为7。

在根据具体的检测目标设定好扫描间隔步长后，开始对原位图像进行隔行扫描，以进行目标标记定位。在扫描时，对当前扫描的行，将像素值小于低阈值T_low的所有像素的位置p_k进行标记：

p_k＝{p|f^k(p)＜T_low,p∈L_scanning,k＝1,2,3,...,n} (2)

其中，p代表像素位置，f^k(p)表示位置p处的像素值，L_scanning表示所扫描的行；从而，得到n个目标定位点。

对于每个目标定位点，以其为中心确定一尺寸为(2·step+1)×(2·step+1)的窗口，并定义为基准窗口B⁰(p_k)，如图3中以小方块B示例基准窗口。应当理解的是，B⁰(p_k)中括号内的p_k表示基准窗口B⁰(p_k)是以位置为p_k的目标定位点为中心的基准窗口。然后，对每一基准窗口，先后进行纵向两侧扩展和横向两侧扩展，每一个方向扩展step个像素单位，并将扩展的部分划分为若干个子搜索窗y＝0,1,2,3,...表示迭代次数，x表示第x个子搜索窗。

在一种具体的实施例中，可以对基准窗口按图2所示例的方向(8个箭头表示8个方向)进行扩展，如图2所示，为基准窗口指定8个邻域方向，优选地，该8个方向是以小方块为中心的上、下、左、右、左上、右上、左下、右下8个方向，即相邻方向间的夹角是相同的。然后，先对基准窗口B进行纵向两侧扩展：在上、下两个方向上分别扩展step个像素单位；再进行横向两侧扩展：对经过纵向扩展后的基准窗口，在左、右两个方向上分别扩展step个像素单位。这样一来，可以得到如图3所示的基准窗口及其扩展部分，在一种优选的实施例中，将扩展的部分划分为位于基准窗口的上、下、左、右、左上、右上、左下、右下8个方向的8个子搜索窗x=1，2，…，8，以虚线小方框1～8表示。应当理解的是，某个基准窗口的子搜索窗的划分方式及数量不限于上述所列举的，也可以是将扩展的部分进行其它形式的不均匀划分，或者均匀划分，子搜索窗的数量例如可以是4个、12个、16个等等。

在得到基准窗口的子搜索窗之后，利用如下公式进行基准窗口的更新：

其中，表示第k个基准窗口(以位置为p_k的目标定位点为中心的基准窗口)的第x个子搜索窗中像素值小于高阈值T_high的像素占该子搜索窗总像素的比例，若该比例大于0.1则可以利用该子搜索窗更新对应的基准窗口；否则，该子搜索窗不可用于更新基准窗口；当某个基准窗口的所有子搜索窗都不满足上述条件，则该基准窗口停止更新，迭代结束，得到的最新的基准窗口作为双阈值扫描提取的输出，即所述初始ROI。另外，表示第k个基准窗口的第x个子搜索窗中像素值小于高阈值T_high的像素位置集合，p′表示除所述目标定位点以外的像素点的位置，numel()用于返回括号内数组的元素个数。该公式的作用在于区分是背景还是属于目标，像素值小于T_high则属于目标(可能是清晰的目标，可能是目标的轮廓)，否则属于背景，这样一来，就框选出目标轮廓，从而将背景与目标分割开来。

步骤S4、对前述利用双阈值扫描法提取到的所述初始ROI进行二值化分割，得到m个连通域D_v(p),v＝1,2,3...,m及其边缘E_v(p)，其中，p表示目标连通域的像素位置。

步骤S5、基于最大连通域定位基准目标，并利用基于移位的ROI快速增强算法，对所述基准目标进行移位扩展，扩展得到的基准目标区域即为增强的ROI。为了避免ROI二值化带来的目标断裂情况，以最大连通域的边缘作为基准E_base(p)，分别计算其它连通域与最大连通域之间的距离||E_v(p)-E_base(p)||₂；将距离小于或等于[min(H_ROI,W_ROI)]/50的所有连通域和最大连通域一起作为原始基准目标O₀：

O₀＝{p|||E_v(p)-E_base(p)||₂≤[min(H_ROI,W_ROI)]/50} (4)

其中，H_ROI、W_ROI分别表示所述初始ROI的高度和宽度。

由于浮游生物成像特点，轮廓周围会有一些微弱的细节。接下来，为了保留目标轮廓周围微弱的细节部分，对上述得到的原始基准目标进行移位增强操作：分别在其轮廓周围均匀分布的8个方向上分别进行移位，每次移位的距离z＝[min(H_ROI,W_ROI)]/20；应当理解的是，该距离z也即移位前后轮廓之间的距离；并将每一个方向移位后所得的二值图与原始基准目标进行合并作为所述基准目标区域。移位的8个方向可以采用如图2所示例的方向，此时图2中心的小方块视为原始基准目标O₀，移位的过程如图5所示，8个方向的移位过程分别为(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)，分别代表了沿左上、上、右上、左、右、右下、下、右上方向的移位，8个方向的移位分别得到了二值图O₁～O₈，将每一个方向移位后所得的二值图与原始基准目标O₀进行合并，得到基准目标区域O。基准目标区域O即为利用移位ROI快速增强算法进行增强的ROI。

步骤S6、将步骤S5最终所得的增强的ROI对应到所述初始ROI中，重合的部分作为最终提取的ROI，其余部分置为白色。从而得到了去除背景(背景置为白色)后目标及其轮廓清晰的ROI。

以RAM为16G的64位Windows10操作系统中的MATLAB2018a为测试平台，以2448×2050px的如图6所示的浮游生物原位图为处理对象，来测试本发明方法的有效性。传统的基于二值分割的两种常用ROI提取方法Otsu和Sauvola完成全部ROI的提取分别需要0.8s和1.2s，而本发明提出的方法完成全部ROI提取耗时只有0.4s，可见算法耗时大大降低，对于海量的原位图像处理效率显得尤为重要。此外，本发明中采用了基于移位的ROI快速增强方法，但耗时为毫秒级别，对整个方法的耗时几乎可以忽略，但ROI提取精度却有不少提升。图7-1为本发明的方法执行到步骤S3时所提取到的箭簇虫初始ROI，图7-2为本发明最终提取到的箭簇虫ROI，可以明显看出本发明的方法很好地保留了目标轮廓周围微弱的细节效果。图8-1为本发明的方法执行到步骤S3时所提取到的桡足初始ROI，图8-2为本发明最终提取到的桡足ROI，同样，可以明显看出本发明的方法很好地保留了目标轮廓周围微弱的细节效果。

综上，本发明所提出的基于双阈值的浮游生物原位图像ROI快速提取方法较现有技术有了很大的进步，带来了算法耗时和提取效果的进步，具有很好的实用价值。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于，包括以下步骤：

S1、对所述原位图像，利用最大类间方差法计算初始分割阈值，记为T₀；

S2、对所述原位图像中像素值位于[0,T₀)区间的所有像素，再次利用最大类间方差法计算分割阈值，作为所述双阈值的低阈值，记为T_low；对所述原位图像中像素值位于[T₀,255]区间的所有像素，再次利用最大类间方差法计算分割阈值，作为所述双阈值的高阈值，记为T_high；

S3、使用隔行扫描的方式在所述原位图像中进行目标检测，扫描过程中先利用低阈值T_low定位目标，再利用高阈值T_high区分目标轮廓与背景，以提取初始ROI；

S4、对所述初始ROI进行二值化分割，得到多个连通域；

S5、基于最大连通域定位基准目标，并利用基于移位的ROI快速增强算法，对所述基准目标进行移位扩展，扩展得到的基准目标区域即为增强的ROI；

S6、将所述增强的ROI对应到所述初始ROI中，重合的部分作为最终提取的ROI，其余部分置为白色。

2.如权利要求1所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于：步骤S1中采用最大类间方差法计算T₀的公式为

其中，M、N分别表示原位图像的高度和宽度，n_(T)表示原位图像中像素值小于当前计算过程所使用的变量T的像素个数，g_i表示像素值小于T的第i个像素的像素值，g_j表示像素值不小于T的第j个像素的像素值。

3.如权利要求1所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于：步骤S3中隔行扫描的间隔步长为step，step的取值根据所要检测的最小目标在原位图像中所占像素的大小来确定。

4.如权利要求2所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于，步骤S3包括：

S31、按间隔步长step对原位图像进行隔行扫描，将像素值小于低阈值T_low的所有像素的位置p_k进行标记，p_k＝{p|f^k(p)＜T_low,p∈L_scanning,k＝1,2,3,...,n}，其中p表示像素位置，f^k(p)表示位置p处的像素值，L_scanning表示所扫描的行；从而，得到n个目标定位点；

S32、对于每个目标定位点，以其为中心确定一尺寸为(2·step+1)×(2·step+1)的窗口，并定义为基准窗口B⁰(p_k)；

S33、对每一基准窗口，先后进行纵向两侧扩展和横向两侧扩展，每一个方向扩展step个像素单位，并将扩展的部分划分为若干个子搜索窗y＝0,1,2,3,...表示迭代次数，x表示第x个子搜索窗；

S34、基于公式进行基准窗口的更新；其中，表示第k个基准窗口的第x个子搜索窗中像素值小于高阈值T_high的像素占该子搜索窗总像素的比例；表示第k个基准窗口的第x个子搜索窗中像素值小于高阈值T_high的像素位置集合，p′表示除所述目标定位点以外的像素点的位置，numel()用于返回括号内数组的元素个数；

公式即进行背景的划分，框选出目标轮廓；

S35、对每一基准窗口，不断重复步骤S34进行迭代更新，直至其所有子搜索窗不再满足条件停止更新，将最新的基准窗口作为所述初始ROI。

5.如权利要求4所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于，步骤S33包括：

S331、对每一基准窗口，指定8个于基准窗口外围均匀分布的邻域方向，即上、下、左、右、左上、右上、左下、右下8个邻域方向；

S332、纵向两侧扩展：在上、下两个方向上分别扩展step个像素单位；

S333、横向两侧扩展：对经过纵向扩展后的基准窗口，在左、右两个方向上分别扩展step个像素单位；

S334、将扩展的部分，划分为位于基准窗口的上、下、左、右、左上、右上、左下、右下8个方向的8个子搜索窗

6.如权利要求1所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于，步骤S4包括：

对所述初始ROI利用二值化方法进行分割，得到m个连通域D_v(p),v＝1,2,3...,m及其边缘E_v(p)，其中，p表示目标连通域的像素位置。

7.如权利要求6所述的基于双阈值的浮游生物原位图像ROI快速提取方法，其特征在于，步骤S5包括：

S51、以最大连通域的边缘作为基准E_base(p)，分别计算其它连通域与最大连通域之间的距离||E_v(p)-E_base(p)||₂；

S52、将距离小于或等于[min(H_ROI,W_ROI)]/50的所有连通域和最大连通域一起作为原始基准目标O₀：

O₀＝{p|||E_v(p)-E_base(p)||₂≤[min(H_ROI,W_ROI)]/50}；

H_ROI、W_ROI分别表示所述初始ROI的高度和宽度；

S53、对原始基准目标O₀，分别在其轮廓周围均匀分布的8个方向上分别进行移位，每次移位的距离z＝[min(H_ROI,W_ROI)]/20；并将每一个方向移位后所得的二值图与原始基准目标进行合并作为所述基准目标区域。