CN111626326A - 一种复杂背景下大区域多目标硅藻提取与识别方法 - Google Patents

一种复杂背景下大区域多目标硅藻提取与识别方法 Download PDF

Info

Publication number
CN111626326A
CN111626326A CN202010286225.3A CN202010286225A CN111626326A CN 111626326 A CN111626326 A CN 111626326A CN 202010286225 A CN202010286225 A CN 202010286225A CN 111626326 A CN111626326 A CN 111626326A
Authority
CN
China
Prior art keywords
target
boundary
diatom
image
extracting
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
Application number
CN202010286225.3A
Other languages
English (en)
Other versions
CN111626326B (zh
Inventor
冯斌
孙景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bojin Information Technology Co ltd
Original Assignee
Guangzhou Bojin Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Bojin Information Technology Co ltd filed Critical Guangzhou Bojin Information Technology Co ltd
Priority to CN202010286225.3A priority Critical patent/CN111626326B/zh
Publication of CN111626326A publication Critical patent/CN111626326A/zh
Application granted granted Critical
Publication of CN111626326B publication Critical patent/CN111626326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开了一种复杂背景下大区域多目标硅藻提取与识别方法，包括：对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本；将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果；根据所述边界特征的判断结果、所述纹理特征的判断结果和各特征的预设权重值，计算得到所述硅藻样本的相似度；本发明通过对完整的硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到边界特征的判断结果和纹理特征量的权重值，计算得到硅藻样本的相似度，可以提高对硅藻的识别效率，实现目标图像中复杂背景数据的快速提取和识别。

Description

一种复杂背景下大区域多目标硅藻提取与识别方法
技术领域
本发明涉及图像背景处理领域，尤其涉及一种复杂背景下大区域多目标硅藻提取与识别方法。
背景技术
硅藻形态多样，是环境分析的重要参照物。现有技术对于硅藻的识别方案主要依赖于特征提取，但是由于在实际操作中，目标图像的背景复杂，需要运算的数据量大，再加上图像背景中的硅藻类型多种多样，而不同形态的硅藻特征差异较大，导致现有技术在复杂背景中，不具备识别硅藻的能力。目标图像的背景复杂，不同硅藻和杂质混杂会在影像中，对于硅藻的识别会显得特别困难，而不同硅藻识别的特征复杂，判断条件多样，不同的特征表示方式也不同，判定算法不一致，导致了现有技术在对目标图像的背景硅藻识别方案中，数据的运算量巨大，识别的效率很低。
因此，目前市面上亟需一种硅藻识别策略，可以提高对硅藻的识别效率，实现目标图像中复杂背景数据的快速提取和识别。
发明内容
本发明提供了一种复杂背景下大区域多目标硅藻提取与识别方法，可以提高对硅藻的识别效率，实现目标图像中复杂背景数据的快速提取和识别。
为了解决上述技术问题，本发明实施例提供了一种复杂背景下大区域多目标硅藻提取与识别方法，包括：
对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本；
将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果；
根据所述边界特征的判断结果、所述纹理特征量的判断结果和各特征的预设权重值，计算得到所述硅藻样本的相似度。
作为优选方案，所述对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本的步骤，包括：
对所述待检测图像进行预处理，得到含有标记目标的二值化图像；
对所述二值化图像进行连通分量处理，标记出图像目标，得到标记目标的总数和标号，并对所述标记目标的属性进行提取；
根据提取得到的所述标记目标的属性，对所述标记目标的种类进行判断并对所述标记目标进行分类处理，得到完整的硅藻样本。
作为优选方案，所述对所述待检测图像进行预处理，得到含有标记目标的二值化图像的步骤，包括：
对所述待检测图像进行灰度处理，得到灰度图像；
对所述灰度图像进行高通滤波处理，得到滤波图像；
通过开闭运算技术对所述滤波图像进行形态学处理，去除所述滤波图像中的空洞和斑点，得到形态学图像；
通过多次提取目标最大阈值分割技术，对所述形态学图像中的目标进行分割，得到含有标记目标的二值化图像；
通过连通区域处理标记出目标和统计出目标个数。
作为优选方案，所述通过多次提取目标最大阈值分割技术，对所述形态学图像中的目标进行分割，得到含有标记目标的二值化图像的步骤，包括：
设置分割阈值，对所述形态学图像中的目标进行分割，通过增加阈值的数值确定提取目标的最大阈值，直到最后整幅图像为单个目标；
在目标提取完成后，将所述形态学图像中的连通区域进行掩膜，并将连通区域的像素设置为255，得到新的图像；
对所述新的图像进行最大阈值的分割处理，得到含有标记目标的二值化图像。
作为优选方案，所述将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果的步骤，包括：
对所述硅藻样本进行傅里叶边界描述处理后，对整体边界特征和局部边界特征进行提取并分析得到边界特征的判断结果；
通过Gabor小波变换技术对所述硅藻样本进行纹理特征变换处理，对变换后的硅藻样本进行纹理特征量提取，分析得到纹理特征的判断结果。
作为优选方案，所述对所述硅藻样本进行傅里叶边界描述处理后，对整体边界特征和局部边界特征进行提取并分析得到边界特征的判断结果的步骤，包括：
对所述硅藻样本进行傅里叶边界描述处理，提取出所述硅藻样本中的边界特征；
对所述边界特征中的边界形状数量进行识别提取，得到整体边界特征；
通过一维角度函数对所述述边界特征进行标记处理，得到局部边界特征；
对所述整体边界特征和所述局部边界特征进行特征分析，得到所述硅藻样本中边界特征的判断结果。
作为优选方案，所述对变换后的硅藻样本进行纹理特征量提取，分析得到纹理特征的判断结果的步骤，包括：
对识别得到的纹理特征进行纹理特征量确定；
建立样品库，对所述硅藻样本中的纹理特征量进行分类统计，分别建立多个特征量样品集；
根据所述特征量样品集，计算出每一类特征的值，并基于最小风险的贝叶斯决策判断所述硅藻样本的类别。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的复杂背景下大区域多目标硅藻提取与识别方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的复杂背景下大区域多目标硅藻提取与识别方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明通过对完整的硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到边界特征的判断结果和纹理特征量的权重值，计算得到硅藻样本的相似度，可以提高对硅藻的识别效率，实现目标图像中复杂背景数据的快速提取和识别。
附图说明
图1：为本发明实施例中的复杂背景下大区域多目标硅藻提取与识别方法的流程示意图；
图2：为本发明实施例中的进行预处理步骤的流程示意图；
图3：为本发明实施例中的傅里叶描述子的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，本发明优选实施例提供了一种复杂背景下大区域多目标硅藻提取与识别方法，包括：
S1，对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本。在本实施例中，所述步骤S1包括：
S11，对所述待检测图像进行预处理，得到含有标记目标的二值化图像。具体地，图像预处理目的是通过一系列的处理去除背景，为目标提取建立基础。
请参照图2，包括以下步骤：
步骤1.图像灰度化把RGB彩色图像转化为灰度图像。步骤2.图像增强采用高通滤波把高频目标突出显示。步骤3.形态学出来通过开闭运算去除空洞和斑点。步骤4.最后通过多次提取目标最大阈值分割获得二值化图像，图像用0,1表示，0代表背景，1代表目标。
其中，多次提取目标最大阈值分割方法是针对目标的分割方法，目标是指的连通分量，一个连通分量是一个目标，复杂图像中目标包括完整的硅藻，硅藻碎片和杂质，而提取的目标就是这三种分类(完整硅藻、杂质和碎片)。第一步，为了获得连通目标，需要设置阈值进行分割，为了最多的获得目标物，采用阈值不断增加的方法来找到提取目标的最大阈值，直到最后整幅图像为一个目标结束。即Ti＝T1+0.01*(N-1)，其中，Ti是最大阈值，T1是初始阈值，一般选择比较接近Ti的数，以减少运算量，N是获得最大阈值的循环次数，每次循环增加1。第二步，因为有些目标和背景比较接近，在复杂背景下，杂质像素比较大，干扰了少量目标的提取，造成少量目标的漏检，所以采用多次阈值的方法来减少漏检，提取出目标。完成首次目标提取后，把连通区域进行掩膜，及把连通区域的像素设置为白(255)，再次对新的图像进行最大目标阈值分割。以此可以进行多次分割。一般首次分割已经有效的提取出目标，增加的阈值分割是对图像提取的优化，一般三次阈值就可以满足条件，特殊情况可以增加阈值分割次数。
S12，对所述二值化图像进行连通分量处理，标记出图像目标，得到标记目标的总数和标号，并对所述标记目标的属性进行提取。
具体地，像素的连通性能够帮助简化区域、边界等概念；确定两个像素是否连通，看它们是否相邻以及灰度值是否满足特定的相似性准则。
定义V是用于定义邻接性的灰度值集合，邻接性包括：
4邻接:如果q在N4(p)集中,具有V中数值的两个像素p和q是4邻接的；
8邻接:如果q在N8(p)集中,具有V中数值的两个像素p和q是8邻接的。
设p(m,n)与q(s,t)之间的各像素点形成的连线L为：
L(p.q)＝{(m,n)＝(m0,n0),(m1,n1),...,(mi-1,ni-1),(mi,ni),...,(mn,nn)＝(s,t)}
若(mi-1,ni-1)与(mi,ni)邻接(1≤i≤n)，则L(p,q)称为p(m,n)与q(s,t)之间的一条通路，N为通路长度；与链接一样，通路也分为4通路和8通路。
若S是图像中的一个子集，p,q∈S，且存在一条由S中像素组成的从p到q的通路，则称p在图像集S中与q连通，连通也分为4连通和8连通。
对上述二值化的图像进行标记连通分量处理，获得目标总数和标号；连通属性，目标提取属性。属性如下所示：
'Area'图像各个区域中像素总个数；'BoundingBox'包含相应区域的最小矩形；'Centroid'每个区域的质心(重心)；'MajorAxisLength'与区域具有相同标准二阶中心矩的椭圆的长轴长度(像素意义下)；'MinorAxisLength'与区域具有相同标准二阶中心矩的椭圆的短轴长度(像素意义下)；'Eccentricity'与区域具有相同标准二阶中心矩的椭圆的离心率(可作为特征)；'Orientation'与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角(度)；'Image'与某区域具有相同大小的逻辑矩阵；'FilledImage'与某区域具有相同大小的填充逻辑矩阵；'FilledArea'填充区域图像中的on像素个数；'ConvexHull'包含某区域的最小凸多边形；'ConvexImage'画出上述区域最小凸多边形；'ConvexArea'填充区域凸多边形图像中的on像素个数；'EulerNumber'几何拓扑中的一个拓扑不变量——欧拉数；'Extrema'八方向区域极值点；'EquivDiameter'与区域具有相同面积的圆的直径；'Solidity'同时在区域和其最小凸多边形中的像素比例；'Extent'同时在区域和其最小边界矩形中的像素比例；'PixelIdxList'存储区域像素的索引下标；'PixelList'存储上述索引对应的像素坐标。
S13，根据提取得到的所述标记目标的属性，对所述标记目标的种类进行判断并对所述标记目标进行分类处理，得到完整的硅藻样本。
具体地，通过'Centroid'标注出目标位置和标号；通过'BoundingBox'包含相应区域的最小矩形裁剪出目标物。利用属性分析出目标的特征，对并以此判断目标种类，对目标进行初步分类，包括完整硅藻，硅藻碎片，杂质三类。判断依据，例如：杂质的灰度均值较大，面积较小；碎片长短轴比例与完整不同。分类后提取出完整硅藻样品，计算出硅藻密度，并准备进一步属种识别。
S2，将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果。
其中，进行外部轮廓边界识别的步骤包括：
S211，对所述硅藻样本进行傅里叶边界描述处理，提取出所述硅藻样本中的边界特征。具体地，傅里叶描述子是一种有效的边界描述方法，首先采用此方法获得边界。请参照图3，傅里叶描述子的基本思想是：假定物体的形状是一条封闭的曲线，沿边界曲线上的一个动点P(l)的坐标变化x(l)+iy(l)是一个以形状边界周长为周期的函数，这个周期函数可以用傅里叶级数展开表示，傅里叶级数中的一系列系数z(k)是直接与边界曲线的形状有关的，称为傅里叶描述子。其中：
Figure BDA0002448612770000071
此函数是连续的周期的(周期为2.pi),所以可以通过傅里叶级数来表示：
Figure BDA0002448612770000072
式中a(k)就是傅里叶描绘子。完成傅里叶描述子，边界仍然是二维的表达，通过形状数和标号来降维表达，提取出边界的特征。
S212，对所述边界特征中的边界形状数量进行识别提取，得到整体边界特征。具体地，通过边界的形状数一般以4方向佛雷曼码为基础，定义为最小幅值的一阶差分，形状数的阶定义为形状数的个数。4方向佛雷曼码，通过最小幅度的整数来表达，其对90度的倍数旋转不敏感。具体过程是与长轴构成一条直线，然后基于旋转图像提取4个方向的费雷曼链码。形状数是对边界整体的特征表达。
S213，通过一维角度函数对所述述边界特征进行标记处理，得到局部边界特征。具体地，标记是边界的一维函数表达，将原始的二维边界用一个一维的角度函数来表示，以达到降低表达难度的效果。标记通常先取区域的质心，从距离质心最远的点作为起点，从质心做射线以不同的倾角扫描边界，得到各倾角对应的边界到质心的距离，得到一个角度函数d＝f(Θ)，并对该函数进行归一化，使得d的值域为[0，1]。
S214，对所述整体边界特征和所述局部边界特征进行特征分析，得到所述硅藻样本中边界特征的判断结果。具体地，标记出边界后，对一维曲线进行分析，包括曲线长度，曲线横坐标长度，曲线纵坐标长度即振幅，峰值点，对称性，峰谷间距，峰顶间距等。
另外，进行内部纹理结构识别的步骤包括：
S221，通过Gabor小波变换技术对所述硅藻样本进行纹理特征变换处理。具体地，对检测的完整目标处理，Gabor小波变换可以在频域不同尺度、不同方向上提取相关特征。而且其具有生物作用相仿，被用于纹理识别上，会取得较好的效果。其变换公式如下所示：
Complex
Figure BDA0002448612770000081
Real
Figure BDA0002448612770000082
Imaginary
Figure BDA0002448612770000083
where
x′＝x cos θ+y sin θ
and
y′＝x sin θ+y cos θ
S222，对变换后的硅藻样本进行纹理特征量提取，分析得到纹理特征的判断结果。具体地，
第一步，确定纹理特征量：包括均值、标准差、自相关、平滑度、一致性、熵、能量、三阶矩、四阶矩，等特征量。如下表1所示：
Figure BDA0002448612770000091
表1，纹理特征量
第二步，建立样品库，对上述提取的完整硅藻目标求取上述各特征量，建立各特征量样品集，每个特征样品为5-10个，十个特征样品数不少于50个，总样品数应大于50N(N为类别数)。
第三步，对某一种特征量，根据样品集利用基于最小风险的贝叶斯决策判断硅藻的类别。
(1)求出每一类硅藻样品某一种特征的均值：
Figure BDA0002448612770000092
(2)求每一类的协方差矩阵：
Figure BDA0002448612770000101
(3)计算出每一类协方差矩阵的逆矩阵：
Figure BDA0002448612770000102
(4)求出每一类的先验概率：P(ωi)≈Ni/N。
(5)计算后验概率：
Figure BDA0002448612770000103
(6)计算损失数组为loss[10][10],设置初值为：
Figure BDA0002448612770000104
(7)计算每一类的损失：
Figure BDA0002448612770000105
(8)找出最小损失所对应的类，该类即待测样品的类别。
S3，根据所述边界特征的判断结果、所述纹理特征量的判断结果和各特征的预设权重值，计算得到所述硅藻样本的相似度。如下表2所示：
Figure BDA0002448612770000106
表2，相似度计算表格
本发明通过对完整的硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到边界特征的判断结果和纹理特征量的权重值，计算得到硅藻样本的相似度，可以提高对硅藻的识别效率，实现目标图像中复杂背景数据的快速提取和识别。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的复杂背景下大区域多目标硅藻提取与识别方法。
本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的复杂背景下大区域多目标硅藻提取与识别方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，包括：
对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本；
将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果；
根据所述边界特征的判断结果、所述纹理特征的判断结果和各特征的预设权重值，计算得到所述硅藻样本的相似度。
2.如权利要求1所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述对待检测图像的背景目标进行提取，并将提取得到的背景目标进行分类处理，得到完整的硅藻样本的步骤，包括：
对所述待检测图像进行预处理，得到含有标记目标的二值化图像；
对所述二值化图像进行连通分量处理，标记出图像目标，得到标记目标的总数和标号，并对所述标记目标的属性进行提取；
根据提取得到的所述标记目标的属性，对所述标记目标的种类进行判断并对所述标记目标进行分类处理，得到完整的硅藻样本。
3.如权利要求2所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述对所述待检测图像进行预处理，得到含有标记目标的二值化图像的步骤，包括：
对所述待检测图像进行灰度处理，得到灰度图像；
对所述灰度图像进行高通滤波处理，得到滤波图像；
通过开闭运算技术对所述滤波图像进行形态学处理，去除所述滤波图像中的空洞和斑点，得到形态学图像；
通过多次提取目标最大阈值分割技术，对所述形态学图像中的目标进行分割，得到含有标记目标的二值化图像；
通过连通区域处理标记出目标和统计出目标个数。
4.如权利要求3所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述通过多次提取目标最大阈值分割技术，对所述形态学图像中的目标进行分割，得到含有标记目标的二值化图像的步骤，包括：
设置分割阈值，对所述形态学图像中的目标进行分割，通过增加阈值的数值确定提取目标的最大阈值，直到最后整幅图像为单个目标；
在目标提取完成后，将所述形态学图像中的连通区域进行掩膜，并将连通区域的像素设置为255，得到新的图像；
对所述新的图像进行最大阈值的分割处理，得到含有标记目标的二值化图像。
5.如权利要求1所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述将所述硅藻样本进行外部轮廓边界识别和内部纹理结构识别，得到所述硅藻样本中边界特征的判断结果和纹理特征的判断结果的步骤，包括：
对所述硅藻样本进行傅里叶边界描述处理后，对整体边界特征和局部边界特征进行提取并分析得到边界特征的判断结果；
通过Gabor小波变换技术对所述硅藻样本进行纹理特征变换处理，对变换后的硅藻样本进行纹理特征量提取，分析得到纹理特征的判断结果。
6.如权利要求5所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述对所述硅藻样本进行傅里叶边界描述处理后，对整体边界特征和局部边界特征进行提取并分析得到边界特征的判断结果的步骤，包括：
对所述硅藻样本进行傅里叶边界描述处理，提取出所述硅藻样本中的边界特征；
对所述边界特征中的边界形状数量进行识别提取，得到整体边界特征；
通过一维角度函数对所述述边界特征进行标记处理，得到局部边界特征；
对所述整体边界特征和所述局部边界特征进行特征分析，得到所述硅藻样本中边界特征的判断结果。
7.如权利要求5所述的复杂背景下大区域多目标硅藻提取与识别方法，其特征在于，所述对变换后的硅藻样本进行纹理特征量提取，分析得到纹理特征的判断结果的步骤，包括：
对识别得到的纹理特征进行纹理特征量确定；
建立样品库，对所述硅藻样本中的纹理特征量进行分类统计，分别建立多个特征量样品集；
根据所述特征量样品集，计算出每一类特征的值，并基于最小风险的贝叶斯决策判断所述硅藻样本的类别。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～7任一项所述的复杂背景下大区域多目标硅藻提取与识别方法。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～7任一项所述的复杂背景下大区域多目标硅藻提取与识别方法。
CN202010286225.3A 2020-04-13 2020-04-13 一种复杂背景下大区域多目标硅藻提取与识别方法 Active CN111626326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010286225.3A CN111626326B (zh) 2020-04-13 2020-04-13 一种复杂背景下大区域多目标硅藻提取与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010286225.3A CN111626326B (zh) 2020-04-13 2020-04-13 一种复杂背景下大区域多目标硅藻提取与识别方法

Publications (2)

Publication Number Publication Date
CN111626326A true CN111626326A (zh) 2020-09-04
CN111626326B CN111626326B (zh) 2024-02-02

Family

ID=72258804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010286225.3A Active CN111626326B (zh) 2020-04-13 2020-04-13 一种复杂背景下大区域多目标硅藻提取与识别方法

Country Status (1)

Country Link
CN (1) CN111626326B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986201A (zh) * 2020-09-28 2020-11-24 南方电网科学研究院有限责任公司 一种绝缘子的表面藻类密度的测算方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN107014755A (zh) * 2017-03-30 2017-08-04 莱森光学（深圳）有限公司 一种用于藻类鉴别和藻类增殖无损监测情况的系统
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置
CN109977780A (zh) * 2019-02-26 2019-07-05 广东工业大学 一种基于深度学习算法的硅藻的检测与识别方法
CN110031843A (zh) * 2019-05-09 2019-07-19 中国科学院自动化研究所 基于roi区域的sar图像目标定位方法、系统、装置
CN110287990A (zh) * 2019-05-21 2019-09-27 山东大学 微型藻类图像分类方法、系统、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564124A (zh) * 2018-04-13 2018-09-21 山东农业大学 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN107014755A (zh) * 2017-03-30 2017-08-04 莱森光学（深圳）有限公司 一种用于藻类鉴别和藻类增殖无损监测情况的系统
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置
CN109977780A (zh) * 2019-02-26 2019-07-05 广东工业大学 一种基于深度学习算法的硅藻的检测与识别方法
CN110031843A (zh) * 2019-05-09 2019-07-19 中国科学院自动化研究所 基于roi区域的sar图像目标定位方法、系统、装置
CN110287990A (zh) * 2019-05-21 2019-09-27 山东大学 微型藻类图像分类方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986201A (zh) * 2020-09-28 2020-11-24 南方电网科学研究院有限责任公司 一种绝缘子的表面藻类密度的测算方法和装置
CN111986201B (zh) * 2020-09-28 2023-12-22 南方电网科学研究院有限责任公司 一种绝缘子的表面藻类密度的测算方法和装置

Also Published As

Publication number Publication date
CN111626326B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Silva et al. A flexible approach for automatic license plate recognition in unconstrained scenarios
Alsmadi et al. Fish recognition based on robust features extraction from size and shape measurements using neural network
CN111738271B (zh) 自然环境中被遮挡果实的识别方法
CN106874942B (zh) 一种基于正则表达式语义的目标模型快速构建方法
Wang et al. Hand vein recognition based on multi-scale LBP and wavelet
Zamberletti et al. Augmented text character proposals and convolutional neural networks for text spotting from scene images
Akbani et al. Character recognition in natural scene images
CN111626326B (zh) 一种复杂背景下大区域多目标硅藻提取与识别方法
Anjomshoae et al. Enhancement of template-based method for overlapping rubber tree leaf identification
Shaikh et al. Machine Learning based Number Plate Detection and Recognition.
Wang et al. Texture-based segmentation for extracting image shape features
Prabha et al. Three dimensional object detection and classification methods: a study
Kazmi et al. A comparison of interest point and region detectors on structured, range and texture images
Patel et al. Object detection and segmentation using local and global property
Jin et al. A method for traffic signs detection, tracking and recognition
Lin et al. Coin recognition based on texture classification on ring and fan areas of the coin image
Tian et al. A new algorithm for license plate localization in open environment using color pair and stroke width features of character
Huang et al. Reversed sketch: A scalable and comparable shape representation
Sharma Extraction of text regions in natural images
Altwme Some new types of approximations via minimal structure
Dong et al. Text detection in natural images using localized stroke width transform
Corke Image Feature Extraction
MAHURKAR et al. Novel Outline Tracing Techniques for Leaf Species Identification from Shrouded Leaves
Masri et al. Image classification using appearance based features
Livingston et al. Processing of images and videos for extracting text information from clustered features using graph wavelet transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Wu Cong

Inventor after: Zhou Yang

Inventor after: Feng Bin

Inventor after: Sun Jing

Inventor before: Feng Bin

Inventor before: Sun Jing

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant