CN111292347B - 一种基于图像处理技术的显微图像炭疽孢子密度计算方法 - Google Patents

Abstract

本发明提供了一种基于图像处理技术的显微图像炭疽孢子密度计算方法，包括：步骤1，标注一幅炭疽孢子图像，构建混合高斯模型；步骤2，采用基于高斯分离度的自适应Otsu阈值分割炭疽孢子图像；步骤3，对分割后的图像进行开滤波、闭滤波、形状滤波和面积滤波；步骤4，提取目标边缘轮廓；步骤5，计算图像中各像素与混合高斯模型的相似度；步骤6，计算基于符号对数相似度的边缘停止函数；步骤7，对步骤4中得到的边缘轮廓进行轮廓演化，得到炭疽孢子的精确轮廓；步骤8，对结果图像统计连通域的面积和连通域的个数，得到炭疽孢子的个数。利用本发明方法获得的密度统计信息可以为作物的病情估计，或者炭疽孢子的活性、耐药性分析提供依据。

Description

一种基于图像处理技术的显微图像炭疽孢子密度计算方法

技术领域

本发明涉及数字图像图像处理和模式识别领域，具体说，涉及一种基于图像处理技术的显微图像炭疽孢子密度计算方法。

背景技术

在作物生长和果蔬储运过程中，病害是降低农业生产效率的主要原因。每年约有50％的柑橘果皮被病害破坏；在热带地区，收获的水果和蔬菜有一半由于腐烂而损失。这些疾病主要归因于真菌孢子的致病作用。如果真菌孢子在疾病的早期就能被检测和计数，则可以提前采取适当的预防措施。此外，在疾病控制药物的研发过程中，真菌孢子的密度统计可以揭示孢子的耐药程度和活性，可以为新的生物或化学药物的研究提供强有力的技术支持。在农作物、水果和蔬菜的病害中，炭疽病是一种常见而危险的病害，它会导致农作物枯萎、死亡和水果/蔬菜的腐烂。炭疽真菌是炭疽病的主要致病菌，在全球范围内分布，宿主众多，导致热带、亚热带地区大量的粮食、水果和蔬菜的炭疽病发生。所以，对炭疽真菌孢子进行密度信息的统计对绿色农业和精准农业具有重要的意义。

人工统计孢子密度信息依赖于肉眼，耗时、费力且容易出错。随着计算机视觉和人工智能的发展，孢子的自动信息统计逐渐受到研究者的关注。一般分为两类：传统的方法和基于深度学习的方法。

在传统的自动统计方法中，研究人员需要设计一个合适的特征提取器来从背景中分离孢子。然而，特征提取器是固定的因此这些方法总是局限于某单一场景。与传统方法不同，深度学习技术可以学习如何从大量样本中提取特征，是近年来出现的一种有效的技术。目前，基于深度学习的孢子检测已有报道，但是这项工作的目的是鉴定孢子的种类，而统计孢子的密度还未见报告。而且目前还缺乏大量的炭疽孢子数据集来进行深度网络训练。此外，图像中大量炭疽孢子的标记工作繁琐，导致对孢子边界的标记不准确，从而影响训练后网络的性能。因此，有必要设计一种不依赖于大量标注的炭疽孢子的密度精准计算方法。

此外，图像像素点的灰度作为一种重要的特征信息往往被首先考虑，通常通过设置阈值的方法来初步分离孢子和背景。在众多的阈值分割方法中，Otsu(又称为最大类间方差法)，由于其简单性和自适应性被广泛应用于灰度图像分割中。作为一种阈值分割方法，Otsu阈值只在当图像直方图呈双峰分布时有较好的分割效果，而当直方图是单峰分布或接近单峰分布时，阈值就会偏向其中一个类。直方图单峰分布是由目标和背景的类别不平衡分布引起的。这种类别不平衡现象在炭疽孢子图像中普遍存在，因为显微镜下的拍摄到的炭疽孢子图像中孢子像素数目显著小于背景像素数目。另外在这类场景中，这种类别不平衡还具有多样性的特征，例如，不同的炭疽孢子图像中孢子的个数可能差异很大。图像中目标和背景分布的不平衡性以及多样性，使得Otsu分割的性能显著降低。

为了解决Otsu方法在不平衡分布情况下的偏移问题，研究人员提出了一些基于改进的方法。这些方法可以分为两类：基于算法的方法和基于数据的方法。基于算法的方法通过将小于1的系数与类间方差相乘，增加了小类在目标函数中的比例。通常这类方法在稳定不平衡分布的情况下能取得比Otsu更好的分割效果。然而，当数据分布发生变化时，固定的系数往往不合适了。另一方面，基于数据的Otsu方法通过对较大的类进行欠采样来增加较小类的重要性。例如，在一个约束强度范围内采用最大类间方差法搜索一个最优值。实验证明，基于数据的Otsu方法比基于算法的方法更有效。然而，何时在约束空间中搜索以及如何自动确定约束范围仍然是人为固定设置的，因此现有的基于数据的Otsu方法仍然只适用于稳定的非平衡分布。

水平集方法是一种被广泛使用的轮廓优化方法，其中基于边缘的水平集方法能在初始轮廓质量较高的情况下将轮廓快速高效演化。本发明采用基于边缘的水平集方法来优化炭疽孢子轮廓。然而，已有的基于边缘的水平集方法对于轮廓演化的方向是固定的和盲目的，当初始轮廓不在设定的位置时会朝着远离实际轮廓的方向演化，从而导致轮廓演化失败。

发明内容

本发明的目的是基于高斯分离度的自适应Otsu灰度特征分割方法和基于形状、面积的滤波方法，对具有多样性分布，以及类不平衡性分布的炭疽孢子图像也能进行有效分割，解决了传统方法中的局限于单一的场景分布的问题。在此基础上，本发明还通过机器学习方法以及优化算法，利用一张标注好的炭疽孢子图像，对分割后的图像进行轮廓优化并得到精确的炭疽孢子轮廓，从而可以准确计算炭疽孢子的面积和数量。

本发明的技术方案是提供了一种基于图像处理技术的显微图像炭疽孢子密度计算方法，包括以下步骤：

步骤1，对一幅炭疽孢子图像进行标注，然后采用EM算法对炭疽孢子的灰度分布构建混合高斯模型；

步骤2，采用基于高斯分离度的自适应Otsu方法分割炭疽孢子图像；

步骤3，对分割后的图像采用滤波处理，包括形态学开滤波、闭滤波、形状滤波和面积滤波；

步骤4，对滤波的结果图像提取边缘轮廓；

步骤5，计算炭疽孢子原图像中各个像素灰度值隶属于步骤1中得到的混合高斯模型的概率，作为相似度GS(t)，t为灰度级；

步骤6，根据步骤5得到的相似度GS(t)，计算基于符号对数相似度的边缘停止函数g_SLGS，其计算过程如下：

步骤6.1，采用公式(3)将相似度GS(t)变换到对数空间并得到基于对数相似度的边缘停止函数g_LGS；

g_LGS(I(x,y))＝1/(1+logGS(I(x,y))) (3)

其中，I(x,y)为图像中(x,y)处的灰度级别，log为取对数运算；

步骤6.2，将g_LGS变换到[-a，+a]空间，得到基于符号对数相似度的边缘停止函数g_SLGS，如公式(4)所示：

g_SLGS(I(x,y))＝-1+2a*(g_LGS(I(x,y))-g_{LGS_Min})/(g_{LGS_Max}-g_{LGS_Min}) (4)

其中a为一正整数，g_{LGS_Max}和g_{LGS_Min}分别为g_LGS的最大值和最小值；

步骤7，将步骤6中得到的基于符号对数相似度的边缘停止函数g_SLGS代入公式(5)所示的水平集演化方法，演化步骤4中得到的目标轮廓，从而获得精确的炭疽孢子轮廓；

其中div表示散度算子，

表示梯度算子，d_p为距离约束函数，φ为轮廓的水平集函数，δ(φ)为狄利克雷函数，μ、λ和α为正常数；

步骤8，对步骤7的结果进行连通域统计，得到连通域的总面积和连通域的个数，从而得到炭疽孢子的面积以及炭疽孢子的个数。

进一步地，其中步骤2具体包括以下步骤：

步骤2.1，根据目标和背景明亮程度和各自复杂性确定可能的Otsu阈值偏移方向；

步骤2.2，计算得到图像灰度空间的最小值t_min和最大值t_max，从而确定图像的灰度空间[t_min，t_max]；

步骤2.3，在灰度空间[t_min，t_max]内，根据最大类间方差法得到阈值t_otsu；

步骤2.4，以t_otsu为阈值，将图像像素分为目标类和背景类，并计算目标类和背景类的高斯分离度，高斯分离度的计算如公式(1)所示；

其中μ₀和μ₁分别为阈值分离后得到的背景和目标的均值，δ₀和δ₁分别为采用阈值分离后得到的背景和目标的方差；

步骤2.5，如果分离度大于或等于设定的负常数k，t_otsu是理想阈值，采用t_otsu进行图像分割，否则根据步骤2.1中得到的Otsu阈值可能的偏移方向，调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_otsu]，如果t_otsu偏小，则调整灰度空间为[t_otsu，t_max]；

步骤2.6，在新的灰度空间根据最大类间方差法得到阈值t_cotsu；

步骤2.7，计算采用t_cotsu作为阈值得到的目标类和背景类的高斯分离度；

步骤2.8，如果分离度大于或等于设定的负常数k，采用t_cotsu进行图像分割，否则根据步骤2.1得到的Otsu阈值偏移方向，继续调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_cotsu]，如果t_otsu偏小，则调整灰度空间为[t_cotsu，t_max]，；

步骤2.9在新的灰度的空间内采用最大类间方差法计算得到阈值t_ccotsu；

步骤2.10，以t_ccotsu为阈值，分割图像。

本发明的有益效果是：

(1)本发明是传统方法和基于机器学习的方法的结合，只需要一张标注图像就可以实现对炭疽孢子的面积和数目进行准确的计算，即使炭疽孢子图像中炭疽孢子的分布具有多样性，本发明方法也能有效统计，从而为作物的病情估计，或者炭疽孢子的活性、耐药性分析提供技术支持。

(2)本发明中的基于高斯分离度的自适应Otsu阈值方法可以对具有多样性以及类不平衡性的炭疽孢子图像进行分割。在自适应Otsu阈值分割和滤波后，本发明中采用了基于符号对数相似度的水平集演化方法，其中关键的符号信息在计算像素点与高斯混合模型的相似度的基础上获得，该符号信息可以用来指导轮廓的演化方向，确保轮廓的正确和精确演化。在对炭疽孢子精确分割的基础上，可以准确地计算炭疽孢子的面积和数量，为作物的病情估计和炭疽孢子的活性、耐药性分析提供依据。

附图说明

图1是本发明一种基于图像处理技术的显微图像炭疽孢子密度计算方法的流程图；

图2是本发明中基于高斯分离度的自适应Otsu阈值分割流程图；

图3是本发明实施例中在不同灰度空间中计算得到的Otsu阈值对应的分割结果；

图4是本发明实施例中基于高斯分离度的自适应Otsu阈值分割结果和常规分割方法的结果对比；

图5是本发明实施例中基于高斯分离度的自适应Otsu阈值分割和已有的 Otsu分割方法的结果对比；

图6是本发明中基于符号对数相似度驱动水平集轮廓方法能自适应地调整演化方向的示意图；

图7是本发明实施例中被干扰的炭疽孢子图像阈值分割的结果图和滤波的结果图；

图8是本发明实施例中基于符号对数相似度驱动水平集演化跟传统的水平集演化结果的对比图。

图9是本实施例中采用本发明方法的计数结果与人工计数结果的比较。

具体实施方式

以下将结合实施例和图1-9对本发明的构思、具体步骤及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

该实例中，利用显微镜拍摄放大400倍的炭疽孢子图像，共240张，分辨率为830*530，其中孢子像素数目远远小于背景像素的数目，而且各图像中孢子的数目严重不一致，多则数百个，少则几个，因此，该实施例基于图像处理技术的显微图像炭疽孢子密度计算方法对孢子的面积和数目进行统计。

如图1所示，该实例提供的基于图像处理技术的显微图像炭疽孢子密度计算方法，包括以下步骤：

步骤1，对一幅炭疽孢子图像进行标注，然后采用EM(Expectation-maximization)算法对炭疽孢子的灰度分布构建混合高斯模型；

步骤2，采用基于高斯分离度的自适应Otsu方法分割炭疽孢子图像，其过程如下；

步骤2.1，根据目标和背景明亮程度和各自复杂性确定可能的Otsu阈值偏移方向；

由于目标的亮度比背景的亮度低，而且背景复杂多样，背景的方差比目标的方差大，根据文献“X.Xu.et.al.Characteristic analysis of Otsu threshold and itsapplications，Pattern Recognition Letters，32(7)”可以确定Otsu阈值大于理想的分割阈值；

步骤2.2，计算得到图像灰度空间的最小值t_min和最大值t_max，从而确定图像的灰度空间[t_min，t_max]；

步骤2.3，在灰度空间[t_min，t_max]内，根据最大类间方差法得到阈值t_otsu；

步骤2.4，以t_otsu为阈值，将图像像素分为目标类和背景类，并计算目标类和背景类的高斯分离度，高斯分离度的计算如公式(1)所示；

其中μ₀和μ₁分别为阈值分离后得到的背景和目标的均值，δ₀和δ₁分别为采用阈值分离后得到的背景和目标的方差。

步骤2.5，如果分离度大于或等于设定的负常数k，取值范围为[-2.2，-1.8]， t_otsu是理想阈值，采用t_otsu进行图像分割，否则根据步骤2.1中得到的Otsu阈值可能的偏移方向，调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_otsu]，如果t_otsu偏小，则调整灰度空间为[t_otsu，t_max]；

步骤2.6，在新的灰度空间根据最大类间方差法得到阈值t_cotsu；

步骤2.7，计算采用t_cotsu作为阈值得到的目标类和背景类的高斯分离度；

步骤2.8，如果分离度大于或等于设定的负常数k，采用t_cotsu进行图像分割，否则根据步骤2.1得到的Otsu阈值偏移方向，继续调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_cotsu]，如果t_otsu偏小，则调整灰度空间为[t_cotsu，t_max]，

步骤2.9在新的灰度的空间内采用最大类间方差法计算得到阈值t_ccotsu；

步骤2.10，以t_ccotsu为阈值，分割图像。

步骤3，对分割后的图像采用滤波处理，包括形态学开滤波、闭滤波、形状滤波和面积滤波；

步骤4，对滤波的结果图像提取边缘轮廓。

步骤5，计算炭疽孢子原图像中各个像素与步骤1中得到的混合高斯模型的相似度GS(t)，如公式(2)所示；

其中π_k，u_k和σ_k为步骤1中通过EM算法获得，分别表示类别k的方差、均值，以及第k类的像素在整个图像像素中的比例。公式(2)中t为灰度级，P为正态分布的概率密度函数。

步骤6，根据步骤5得到的相似度GS(t)，计算基于符号对数相似度的边缘停止函数g_LGS，其计算过程如下：

步骤6.1，采用公式(3)将相似度GS(t)变换到对数空间并得到基于对数相似度的边缘停止函数g_LGS；

g_LGS(I(x,y))＝1/(1+logGS(I(x,y))) (3)

其中，I(x,y)为图像中(x,y)处的灰度级别，log为取对数运算。

步骤6.2，将g_LGS变换到[-a，+a]空间，得到基于符号对数相似度的边缘停止函数g_SLGS，如公式(4)所示。

g_SLGS(I(x,y))＝-1+2a*(g_LGS(I(x,y))-g_{LGS_Min})/(g_{LGS_Max}-g_{LGS_Min}) (4)

其中a为一正整数，g_{LGS_Max}和g_{LGS_Min}分别为g_LGS的最大值和最小值；

步骤7，将步骤6中得到的基于符号对数相似度的边缘停止函数g_SLGS代入公式(5)所示的水平集演化方法，演化步骤4中得到的目标轮廓，从而获得精确的炭疽孢子轮廓；

其中div表示散度算子，

表示梯度算子，d_p为距离约束函数，φ为轮廓的水平集函数，δ(φ)为狄利克雷函数，μ、λ和α为常数，分别取值为1、5和1，该实施例中，可选取现有技术公开的数值(Li Chunming et.al Distance regularized level set evolution andits application to image segmentation.IEEE Transactions on ImageProcessing.2010，19(12))；

步骤8，对步骤7的结果进行连通域统计，得到连通域的总面积和连通域的个数，从而得到炭疽孢子的面积，以及炭疽孢子的个数；

该实施例所述的方法分为三个阶段：采用基于高斯分离度的Otsu自动阈值法、基于炭疽孢子特征的滤波和基于符号对数相似度驱动水平集的轮廓精确演化。下面将对本实施例的这三个阶段分别进行详细阐述。

在阈值分割阶段，对于类别不平衡分布不明显的图像，传统的Otsu阈值能达到较好的分割效果。然而，对于存在较严重类别不平衡分布的图像，传统的 Otsu阈值会偏向于背景类，而且偏移程度会随着不平衡的程度发生变化，类别不平衡越严重，偏移现象也越严重。

在本实例中，存在较严重的类别不平衡分布的图像，本实施例通过在一个灰度约束空间计算最大类间方差阈值可能可以得到一个优于原始Otsu方法的阈值。为了确保能得到最佳的分割阈值，本实施例利用高斯分离度作为评估指标来自动确定最佳的分割阈值。

对于阈值分离后得到的目标类和背景类来说，两个中心的相对距离越远，其分离效果越好。

该实施例根据这一性质定义了一个高斯分离度的表示，如公式(1)所示，该高斯分离度可以用来评估阈值分割结果。对于结果不满足要求的，则调整灰度空间重新计算Otsu阈值并计算对应的分离度，一直到分离度满足要求为止。在本实例所有图像中，最多通过3次灰度空间的选择，可以全部满足分离度要求。本实施例中，采用本发明方法可以满足具有多样性分布的和类不平衡性分布的图像对阈值自适应性的需求。

本实施例中，目标类与背景类间的高斯分离度说明了分割结果的有效性，高斯分离度值越小，分割效果越差。因此，本实施例中了设定一个阈值k，用高斯分离度值是否大于或等于k作为评判准则，以判断分割是否成功。

众所周知，对于一个随机变量X～N(μ,δ)，其中μ,δ分别为均值和方差，该随机变量的概率满足P{|X-μ|<δ}＝0.6828。对于由两个随机正态分布组成的数据：如果直方图的谷值等于μ₀+δ₀(μ₀和δ₀为目标类的均值和方差)，也等于μ₁-δ₁(μ₁和δ₁为背景类的均值和方差)，则式(1)的分子等于-2(δ₀+δ₁)。在这种情况下，如果数据严重方差失衡则δ₀<<δ₁(一般情况下，背景复杂多样，该式满足)，则高斯分离度值约等于-2，重叠像素的百分比为15.86％。如果高斯分离度值小于-2，我们可以认为这两个类的分离性很差，否则分离性较好。

由上述分析可知k的取值在-2附近是较合理的，在本实施例中，通过对不同阈值k的测试，发现k在[-2.2，-1.8]的范围内，对分割性能的影响很小。

图3为不同灰度空间中采用最大类间方差法计算得到的阈值的分割结果，其中图3中的(a)为炭疽孢子图像，图3中的(b)为人工标注图像，图3中的(c)、图3中的(d)和图3中的(e)分别为t_otsu，t_cotsu和t_cotsu阈值分割结果，表1列出了图3中图像采用不同阈值后对应的分离度，符合本发明中评判准则的值用粗体表示。

从图3和表1可以看出，本发明中的分割评判准则是有效的。

表1采用不同阈值得到目标类和背景类的高斯分离度

Image	t<sub>otsu</sub>	t<sub>cotsu</sub>	t<sub>ccotsu</sub>
				1	-1.2296
2	-2.6038	-0.73154
				3	-3.66	-3.5911	-1.5833

在本实施例中，我们采用平均IoU作为分割结果的评价指标，IoU的计算如公式(6)所示。

公式(6)中，G为真实的目标像素集合，I为算法预测的目标像素集合。

在本实施例中，比较了经典的分割方法，例如FCM和Kmeans与基于高斯分离度的自适应Otsu方法的分割性能，如表2和图4所示。图4中的4幅炭疽孢子图像中呈现了孢子分布的多样性，4幅图像中孢子数量不同(从左至右分别为 19、14、7、2)。

图4中，图4中的(e)为人工标注的分割结果，图4中的(d)为本发明方法分割的结果。从图4中的(b)可以看出，FCM的分割结果相对于孢子数量来说是不规则的。图4中的(c)显示，Kmeans只有在孢子数量较大时才有效(第 1列有19个孢子，第2列有14个孢子)。从表2的量化评估结果可知，本发明方法的平均IoU远远高于经典的方法。

表2本发明基于高斯分离度的Otsu分割方法与经典的分割方法在本实施例中的性能比较

方法	目标的IoU	背景的IoU	平均IoU
				FCM	66.9％	59.3％	32.4％
Kmeans	25.3％	91.1％	58.2％
				基于高斯分离度的Otsu	59.9％	99.6％	79.7％

本实例中比较了本发明方法与已有的基于Otsu的分割方法。

图5中的(b)为原始的Otsu，VE(图5中的(c)，Ng H F et.al.“Automaticthresholding for defect detection”.Pattern Recognition Letters，2006，27(14))，NVE(图5中的(d)，Fan J L et.al.“A modified valley-emphasis method for automaticthresholding”.Pattern Recognition Letters”，2012，33(6))，WOV(图5中的(e)，X.C.Yuan et.al.“An improved Otsu method using the weighted object variancefor defect detection，”Applied Surface Science，2015，349.)和COtsu(图5中的(f)，X.Xu.et.al.“Characteristic analysis of Otsu threshold and its applications，”Pattern Recognition Letters，2011，32(7).)与本发明方法(图5中的(g))的分割效果对比。

图5中的(h)为人工标注的分割结果，由图可知：

基于算法的改进Otsu方法(VE(图5 中的(c))、NVE(图5 中的(d)) 和WOV(图5 中的(e))在孢子数目较多的情况下与原始的Otsu方法(图5 中的(b))一样分割效果较好；

当孢子数较少时，尤其是VE，其分割效果优于Otsu；而当图像中孢子数量很少时，这类方法与Otsu方法一样均分割失败。

基于数据的COtsu方法(图5 中的(f))在孢子数量较少的情况下可以从背景中分辨出孢子，但在孢子数量较多的情况下，过度分割现象严重。

本发明的方法(图5 中的(g))基本上可以区分孢子与背景，无论孢子的数量是多还是少，因为它可以对分割结果进行评估，从而自动获得最佳的搜索空间。另外，从量化评估表3可知本发明方法的平均IoU高于已有的基于Otsu的方法。

表3本发明方法中基于高斯分离度的Otsu分割方法与现有的基于Otsu的分割方法在本实施例中的性能比较

方法	目标的IoU	背景的IoU	平均IoU
				Otsu	26.0％	92.2％	59.1％
VE	29.0％	94.7％	61.8％
				NVE	27.7％	94.3％	61.0％
WOV	28.5％	94.9％	61.7％
				COtsu	53.2％	99.4％	76.3％
基于高斯分离度的Otsu	59.9％	99.6％	79.7％

在基于炭疽孢子特征的滤波阶段，考虑到炭疽孢子成长椭圆形状，本发明中选取了连通区域的离心率作为形状参数，以0.85为阈值滤除掉非长椭圆形状的噪声，污点和菌丝等干扰。

在基于符号对数相似度驱动水平集的轮廓精确演化阶段，将基于相似度的边缘停止函数变换到正负符号空间，能保重轮廓能自适应的能朝着实际轮廓的方向演化，不管初始轮廓是在实际目标轮廓的内部还是在外部，如图6所示：当初始轮廓点位于图中A点时，轮廓朝外膨胀，当初始轮廓点位于图中B点时，轮廓向内收敛。

图7为本实施例中被干扰的炭疽孢子图像自适应阈值分割的结果和滤波结果，图7中的(a)为原图像，其中存在有菌丝(第1行)、杂质(第2、3行) 和污点(第4行)的干扰。

图7中，图7中的(b)为自适应阈值分割结果，图7 中的(c)为阈值分割后进行滤波的结果，图7中的(d)为人工标注结果。从图7可知，基于面积和形状特征的滤波可以将阈值分割后的仍存在的干扰基本滤除掉。

本发明实例评估了在阈值分割、滤波和水平集演化三个阶段各自的性能，如表4所示。表4采用平均IoU作为性能指标。由表4可知，针对炭疽孢子特性的滤波能极大的提升孢子分割的性能，而符号对数相似度驱动的水平集轮廓演化方法能优化滤波的结果。

表4本发明方法三个阶段在本实施例的性能评估

传统水平集方法中膨胀/收敛系数(公式(5)中的α)设为一个固定值，这种固定的膨胀系数使得水平集轮廓只会朝着固定的方向演化轮廓。而本实施例中，孢子的初始轮廓位于实际轮廓附近，可能在实际轮廓外，也可能在实际轮廓内，所以传统的水平集方法不再适合于孢子轮廓的精确演化。本实施例比较了基于符号对数相似度驱动水平集演化跟传统的水平集演化结果，如表5和图8所示。表 5为量化结果比较，图8为效果比较。图8中的(a)为炭疽孢子图像，其中第2、 4和6列分别为1、3和5列中用椭圆形标记的孢子进行放大后的图像。图8中的(b)、图8中的(c)和图8中的(d)行分别为基于传统的梯度驱动的水平集演化效果、基于相似度驱动的水平集演化效果和本发明中基于符号对数相似度驱动的水平集演化效果。由图可知，传统的水平集方法盲目地朝内收敛轮廓，即使初始轮廓位于实际轮廓内部；而本发明中基于符号对数相似度驱动的水平集能将轮廓演化到实际轮廓处，并保留轮廓的细节信息。

表5基于符号对数相似度驱动的水平集演化跟传统的水平集演化性能比较

方法	目标的IoU	背景的IoU	平均IoU
				基于梯度的水平集	83.5％	99.9％	91.7％
基于相似度的水平集	78.6％	99.8％	89.2％
				基于符号对数相似度的水平集	86.2％	99.9％	93.0％

本实施例共对240幅炭疽孢子图像进行计数，平均错误率(Error Rate，ER) 为2.3％，整体错误率为1.5％，错误率的计算方式如公式(6)所示，其中n是真实的孢子个数，m是本发明方法计算的孢子个数。

图9为本发明计数结果与人工计数结果的比较，其中虚线为本发明方法计数结果，实线为人工计数结果。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (2)

1.一种基于图像处理技术的显微图像炭疽孢子密度计算方法，包括以下步骤：

步骤1，对一幅炭疽孢子图像进行标注，然后采用Expectation-maximization算法对炭疽孢子的灰度分布构建混合高斯模型；

步骤2，采用基于高斯分离度的自适应Otsu方法分割炭疽孢子图像；

步骤3，对分割后的图像采用滤波处理，包括形态学开滤波、闭滤波、形状滤波和面积滤波；

步骤4，对滤波的结果图像提取边缘轮廓；

步骤5，计算炭疽孢子原图像中各个像素灰度值隶属于步骤1中得到的混合高斯模型的概率，作为相似度GS(t)，t为灰度级；

步骤6，根据步骤5得到的相似度GS(t)，计算基于符号对数相似度的边缘停止函数g_SLGS，其计算过程如下：

步骤6.1，采用公式(3)将相似度GS(t)变换到对数空间并得到基于对数相似度的边缘停止函数g_LGS；

g_LGS(I(x,y))＝1/(1+logGS(I(x,y))) (3)

其中，I(x,y)为图像中(x,y)处的灰度级别，log为取对数运算；

步骤6.2，将g_LGS变换到[-a，+a]空间，得到基于符号对数相似度的边缘停止函数g_SLGS，如公式(4)所示：

g_SLGS(I(x,y))＝-1+2a*(g_LGS(I(x,y))-g_{LGS_Min})/(g_{LGS_Max}-g_{LGS_Min}) (4)

其中a为一正整数，g_{LGS_Max}和g_{LGS_Min}分别为g_LGS的最大值和最小值；

步骤7，将步骤6中得到的基于符号对数相似度的边缘停止函数g_SLGS代入公式(5)所示的水平集演化方法，演化步骤4中得到的目标轮廓，从而获得精确的炭疽孢子轮廓；

其中div表示散度算子，

表示梯度算子，d_p为距离约束函数，φ为轮廓的水平集函数，δ(φ)为狄利克雷函数，μ、λ和α为正常数；

步骤8，对步骤7的结果进行连通域统计，得到连通域的总面积和连通域的个数，从而得到炭疽孢子的面积以及炭疽孢子的个数。

2.根据权利要求1所述的基于图像处理技术的显微图像炭疽孢子密度计算方法，其特征在于：其中步骤2具体包括以下步骤：

步骤2.1，根据目标亮度、背景亮度及各自复杂性确定阈值t_otsu偏移方向；

步骤2.2，计算得到图像灰度空间的最小值t_min和最大值t_max，从而确定图像的灰度空间[t_min，t_max]；

步骤2.3，在灰度空间[t_min，t_max]内，根据最大类间方差法得到阈值t_otsu；

步骤2.4，以t_otsu为阈值，将图像像素分为目标类和背景类，并计算目标类和背景类的高斯分离度，高斯分离度的计算如公式(1)所示；

其中μ₀和μ₁分别为阈值分离后得到的背景和目标的均值，δ₀和δ₁分别为采用阈值分离后得到的背景和目标的方差；

步骤2.5，如果分离度大于或等于设定的负常数k，t_otsu是理想阈值，采用t_otsu进行图像分割，否则根据步骤2.1中得到的阈值t_otsu偏移方向，调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_otsu]，如果t_otsu偏小，则调整灰度空间为[t_otsu，t_max]；

步骤2.6，在新的灰度空间根据最大类间方差法得到阈值t_cotsu；

步骤2.7，计算采用t_cotsu作为阈值得到的目标类和背景类的高斯分离度；

步骤2.8，如果分离度大于或等于设定的负常数k，采用t_cotsu进行图像分割，否则根据步骤2.1得到的阈值t_otsu偏移方向，继续调整灰度空间：如果t_otsu偏大，则调整灰度空间为[t_min，t_cotsu]，如果t_otsu偏小，则调整灰度空间为[t_cotsu，t_max]，；

步骤2.9在新的灰度的空间内采用最大类间方差法计算得到阈值t_ccotsu；

步骤2.10，以t_ccotsu为阈值，分割图像。

Images