CN111709426B - 一种基于轮廓和纹理的硅藻识别方法 - Google Patents
一种基于轮廓和纹理的硅藻识别方法 Download PDFInfo
- Publication number
- CN111709426B CN111709426B CN202010383600.6A CN202010383600A CN111709426B CN 111709426 B CN111709426 B CN 111709426B CN 202010383600 A CN202010383600 A CN 202010383600A CN 111709426 B CN111709426 B CN 111709426B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- diatom
- symmetry
- symmetrical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000002093 peripheral effect Effects 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000894007 species Species 0.000 description 9
- 241000206761 Bacillariophyta Species 0.000 description 4
- 230000018199 S phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于轮廓和纹理的硅藻识别方法,获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型;对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓;根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合,并确定所述目标图像的初步硅藻种;对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种;本发明技术方案实现对硅藻种进行有效识别。
Description
技术领域
本发明涉及硅藻识别技术领域,尤其涉及一种基于轮廓和纹理的硅藻识别方法。
背景技术
硅藻形态多样,是环境分析的重要参照物。硅藻多种多样,不同形态的硅藻特征差异,对于普遍的硅藻缺乏有效的识别方法。
在复杂背景下,不同硅藻和杂质混杂在影像中,硅藻识别特别困难,不同硅藻识别特征复杂,判断条件多样,不同的特征表示方式不同,判定算法不一致,无法对许多差异较大的硅藻快速有效的识别。
因此,目前市面上亟需一种针对硅藻的识别策略,以实现在复杂背景下对硅藻种进行有效识别。
发明内容
本发明提供了一种基于轮廓和纹理的硅藻识别方法,在复杂背景下实现对硅藻种进行有效识别。
为了解决上述技术问题,本发明实施例提供了一种基于轮廓和纹理的硅藻识别方法,包括:
获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型;
对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓;
根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合,并确定所述目标图像的初步硅藻种;
对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种。
作为优选方案,所述获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型的步骤,具体为:
通过logGabor小波技术在多个方向上对目标图像进行卷积处理,得到多幅不同方向的相位对称性图像;
确定每幅相位对称性图像的向量特征,并根据所述向量特征计算得到协方差矩阵;
根据所述协方差矩阵的特征值计算得到向量特征的矩阵;
通过主成分分析法对所述矩阵进行特征提取,将提取得到的特征数据进行调整得到第一图像;
对所述第一图像进行非极大值抑制处理,得到第一图像中对称点的集合;
从所述集合中选取高阈值和低阈值,并根据所述高阈值和低阈值,对所述集合进行滞后阈值处理,得到最终检测结果;
根据所述最终检测结果判断出图像对称类型和非对称类型,并进行标注和记录。
作为优选方案,所述从所述集合中选取高阈值和低阈值的步骤,具体为:
从集合中确定最大值和最小值,并根据所述最大值和最小值确定初始阈值;
统计集合中点与周围领域点的差值,形成差值集合,并确定差值集合中的最大值和平均值;
当确定所述差值集合中的最大值大于所述初始阈值时,对所述差值进行统计,并将所述差值集合中的最大值储存在第一集合;以及,将所述平均值储存在第二集合;
根据所述第一集合和统计总数计算得到高阈值,并根据所述第二集合和统计总数计算得到低阈值。
作为优选方案,所述对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓的步骤,具体为:
通过滤波器对所述目标图像进行卷积处理,得到所述目标图像的边缘图像;
对所述边缘图像进行平滑滤波处理,得到二值化图像;
对所述二值化图像进行外部边缘点识别,将查找得到的所有边缘点进行连接,得到所述目标图像的外围轮廓。
作为优选方案,所述通过滤波器对所述目标图像进行卷积处理的步骤中,包括:通过滤波器对所述目标图像在垂直方向与扩展函数进行卷积处理;以及,所述目标图像通过滤波器在水平方向上与滤波器进行卷积处理。
作为优选方案,所述对称类型包括:中心对称、双轴对称、单轴对称和非对称。
作为优选方案,所述根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合的步骤,具体为:
通过所述目标图像中的双轴对称图像的两个对称轴把所述双轴对称图像进行分割成四段,对分割的曲线线段选择任意一条进行拟合;其中,以长轴为x轴,选择的线段和长轴的交点为原点建立坐标系,对选择线段进行函数拟合;
对所述目标图像中的中心对称图像的边界进行圆形硅藻轮廓拟合,以对称中心,双轴交点为圆心,拟合圆;
对所述目标图像中的单轴对称图像进行对称性硅藻轮廓拟合,查找对称轴一侧对称点到对称轴的距离,并确定突变点进行分段,以对称轴为x轴,对称轴起点为圆心建立坐标系,对每一段曲线进行函数拟合;
对所述目标图像中的非对称图像进行硅藻轮廓拟合,确定所述非对称图像的质心,计算点到质心的距离,找到突变点进行分段,以质心为圆心,最大距离为起始点,建立坐标系,对分段曲线进行拟合。
作为优选方案,所述确定所述目标图像的初步硅藻种的步骤中,包括:根据不同对称类型图像的拟合方程,在数据库中预设的拟合曲线进行匹配判定,确定所述目标图像的初步硅藻种。
作为优选方案,所述对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种的步骤,具体为:
通过不同对称类型图像进行拟合后的轮廓对其自身图像进行切割,得到样品纹理图像,并将纹理图像归一化后,进行极坐标变换;
对所述样品纹理图像进行二维Gabor滤波处理,选择多个滤波方向和多个滤波尺度,构建二维Gabor滤波器组;
通过所述二维Gabor滤波器组对所述样品纹理图像进行滤波,得到多张滤波后的特征图像;
对所述滤波后的特征图像进行降维处理并转化为多维的列向量,并将得到的列向量首尾相接组成多维的特征列向量;
将所述特征列向量与预设样品库中的已知特征列向量进行计算,得到相似度,当确定所述相似度小于阈值时,确定硅藻的具体种。
作为优选方案,所述滤波方向为4个滤波方向;所述滤波尺度为5个滤波尺度。
相比于现有技术,本发明实施例具有如下有益效果:
本发明技术方案通过获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型;对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓;根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合,并确定所述目标图像的初步硅藻种;对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种;实现对硅藻种进行有效识别。
附图说明
图1:为本发明实施例中的基于轮廓和纹理的硅藻识别方法的步骤流程图。
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基于轮廓和纹理的硅藻识别方法,该方法包括步骤101至步骤104,各步骤具体如下:
步骤101,获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型;
在本实施例中,所述步骤101具体包括步骤1011至步骤1017,各步骤具体如下:
步骤1011,通过logGabor小波技术在多个方向上对目标图像进行卷积处理,得到多幅不同方向的相位对称性图像;步骤1012,确定每幅相位对称性图像的向量特征,并根据所述向量特征计算得到协方差矩阵;步骤1013,根据所述协方差矩阵的特征值计算得到向量特征的矩阵;步骤1014,通过主成分分析法对所述矩阵进行特征提取,将提取得到的特征数据进行调整得到第一图像;步骤1015,对所述第一图像进行非极大值抑制处理,得到第一图像中对称点的集合;步骤1016,从所述集合中选取高阈值和低阈值,并根据所述高阈值和低阈值,对所述集合进行滞后阈值处理,得到最终检测结果;步骤1017,根据所述最终检测结果判断出图像对称类型和非对称类型,并进行标注和记录。
在本实施例中,所述步骤1016中从所述集合中选取高阈值和低阈值的步骤,具体为:
从集合中确定最大值和最小值,并根据所述最大值和最小值确定初始阈值;统计集合中点与周围领域点的差值,形成差值集合,并确定差值集合中的最大值和平均值;当确定所述差值集合中的最大值大于所述初始阈值时,对所述差值进行统计,并将所述差值集合中的最大值储存在第一集合;以及,将所述平均值储存在第二集合;根据所述第一集合和统计总数计算得到高阈值,并根据所述第二集合和统计总数计算得到低阈值。
具体地,硅藻是一种单细胞生物,形态多样,大部分具有对称性,包括长轴对称、短轴对、中心对称三类,而中心对称主要是圆对称,因此对硅藻外形分类,包括两类:一是对称型,又细分为圆,长轴对称,短轴对称,二是,非对成型。
首先,读入图像,尺寸为M×N,用logGabor小波分别在rt个尺度、8个方向上与图像卷积,利用公式(1),计算每个方向上的相位对称性,得到s幅不同方向的相位对称性图像。
将每幅相位对称性图像用一个含M×N个元素的向量x,表示,s幅图像则可以用s×(M×N)的矩阵表示:X=(X1,X2,…,Xs)T’,其均值向量μ和协方差矩阵C定义为:
利用主成分分析法提取特征,主成分分析表达式为:
Y=D(X-μ), 公式(4);
提取Y=(Y1,Y2,…,Ys)T的第1列Y1,将其调整为M×N的图像G。
接着,对图像G进行非极大值抑制,得到对称点的集合F。
然后,选取高低阈值;统计F中最大值fmax和最小值fmin,取初始阈值为GDT0=(fmax-fmin)/4,然后统计F中点p(x,y)与周围8邻域点的差值GDi,,i=0,l,…,7,并将最大值记为MGD,平均值记为AGD。如果MGD>GDT0,则将该点计数(Count),并将该MGD存储于TH,AGD存储于TL。则高低阈值的表达式为:
Th=TH/Count, 公式(5);
Tl=TL/Count, 公式(6);
利用阈值Th和Tl对步骤5的结果进行滞后阈值处理,得到最终检测结果。
根据上述对称检验结果,判断出图像对称和非对称并标注和记录。对对称性图像标注出对称轴,判断是否是单轴对称(仅有一个对称轴),双轴对称(有两个对称轴),长短轴对称(双轴中长轴大于短轴,计算双轴比例大于1),中心(圆)对称(双轴相等,双轴比例等于1)。
步骤102,对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓;
在本实施例中,所述步骤102具体包括步骤1021至步骤1023,各步骤具体如下:
步骤1021,通过滤波器对所述目标图像进行卷积处理,得到所述目标图像的边缘图像;步骤1022,对所述边缘图像进行平滑滤波处理,得到二值化图像;步骤1023,对所述二值化图像进行外部边缘点识别,将查找得到的所有边缘点进行连接,得到所述目标图像的外围轮廓。
在本实施例中,所述步骤1021通过滤波器对所述目标图像进行卷积处理的步骤中,包括:通过滤波器对所述目标图像在垂直方向与扩展函数进行卷积处理;以及,所述目标图像通过滤波器在水平方向上与滤波器进行卷积处理。
具体地,图像是二维的,因此对原始图像是用极性可分离的滤波器在垂直方向与扩展函数进行卷积,然后在水平方向上与滤波器组进行卷积,总体的极性可分离的滤波器函数为:
F(ω,B)=G(B)·H(ω);式中:G(B)是扩展函数,构成角向滤波器;H(ω)是滤波器组,构成径向滤波器;B为方向角;ω为角频率。
Fourier变换得到的是整幅图像的频率信息,为了获取影像局部的相位信息,需要使用没有直流分量的复指数小波,径向滤波采用LogGabor小波。角向滤波选择高斯函数作为扩展函数构成1个与阶跃边缘特征(该特征和滤波器的方向不一致)作卷积的滤波器,角向滤波函数的剖面为:
式中:θo为滤波器的方向角;σθ=mΔθn,其中m为比例因子;Δθn为滤波器之间的方向间隔,其值与角向滤波方向q有关。设置比例因子m以让高斯函数在角度方向上有重叠而全覆盖2D全覆盖频平面。
对上述所得结果进行边缘保留平滑滤波以达到最终轮廓连接性光滑度更好,获得二值化图像,0代表黑,1代表白。
查找外部边缘点集合,对上述图像进行逐行检测,在白背景下,查找每一行第一和最后一个像素为0(黑)的点,记录位置。最后把所有点绘制出来即外围轮廓。
步骤103,根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合,并确定所述目标图像的初步硅藻种;
在本实施例中,所述对称类型包括:中心对称、双轴对称、单轴对称和非对称;其中,双轴对称是长轴短轴两轴同时对称,单轴对称是长轴对称而短轴不对称或者是短轴对称而长轴不对称。
在本实施例中,所述步骤103具体包括步骤1031至步骤1035,各步骤具体如下:
步骤1031,通过所述目标图像中的双轴对称图像的两个对称轴把所述双轴对称图像进行分割成四段,对分割的曲线线段选择任意一条进行拟合;其中,以长轴为x轴,选择的线段和长轴的交点为原点建立坐标系,对选择线段进行函数拟合;步骤1032,对所述目标图像中的中心对称图像的边界进行圆形硅藻轮廓拟合,以对称中心,双轴交点为圆心,拟合圆;步骤1033,对所述目标图像中的单轴对称图像进行对称性硅藻轮廓拟合,查找对称轴一侧对称点到对称轴的距离,并确定突变点进行分段,以对称轴为x轴,对称轴起点为圆心建立坐标系,对每一段曲线进行函数拟合;步骤1034,对所述目标图像中的非对称图像进行硅藻轮廓拟合,确定所述非对称图像的质心,计算点到质心的距离,找到突变点进行分段,以质心为圆心,最大距离为起始点,建立坐标系,对分段曲线进行拟合。步骤1035,根据不同对称类型图像的拟合方程,在数据库中预设的拟合曲线进行匹配判定,确定所述目标图像的初步硅藻种。
具体地,对上述边缘根据对称性特点进行拟合,初步判断硅藻种:
(1)圆形硅藻轮廓拟合,对中心对称图像的边界进行圆拟合,以对称中心,双轴交点为圆心,拟合圆x2+y2=r2。
(2)单轴对称性硅藻轮廓拟合,对单轴对称的图像,查找对称轴一侧对称点到对称轴的距离Li,找到Li突变点(1,2,3,...,N)奇数(Li+1<Li)偶数(Li+1<Li),把一侧边界进行分段,分成N+1段。以对称轴为x轴,对称轴起点为圆心建立坐标系,对每一段曲线进行二次函数拟合,求解出每一段曲线方程AiX2+BiY+Ci=0。
(3)双轴对称的硅藻检测,对双轴对称的图像,长轴短轴把图像分成四段,用上述方法进行拟合。
(4)非对称性硅藻检测,求出质心,计算点到质心的距离L,找到突变点进行分段,以质心为圆心,最大L为起始点,建立坐标系,对分段曲线进行拟合。
(5)根据拟合方程与数据库中进行匹配判定,初步硅藻属或种。
应用上述方法对每个种建立的样品库(每种样品大于10,越多越好,且不断补充),利用样品库提取出的边缘信息包括,分段数,和每一段的函数ax2+by+c=0。匹配时,就是拟合的曲线A,B,C分别与a,b,c作比较(应用最小距离法),判断曲线是否匹配。
步骤104,对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种。
在本实施例中,所述步骤104具体包括步骤1041至步骤1045,各步骤具体如下:
步骤1041,通过不同对称类型图像进行拟合后的轮廓对其自身图像进行切割,得到样品纹理图像,并将纹理图像归一化后,进行极坐标变换;步骤1042,对所述样品纹理图像进行二维Gabor滤波处理,选择多个滤波方向和多个滤波尺度,构建二维Gabor滤波器组;步骤1043,通过所述二维Gabor滤波器组对所述样品纹理图像进行滤波,得到多张滤波后的特征图像;步骤1044,对所述滤波后的特征图像进行降维处理并转化为多维的列向量,并将得到的列向量首尾相接组成多维的特征列向量;步骤1045,将所述特征列向量与预设样品库中的已知特征列向量进行计算,得到相似度,当确定所述相似度小于阈值时,确定硅藻的具体种。
在本实施例中,所述滤波方向为4个滤波方向;所述滤波尺度为5个滤波尺度。
具体地,(1)利用轮廓对图像进行切割,获得样品纹理图像。将纹理图像归一化到r*r(r是常量)的圆形区域中,并进行极坐标变化。(2)进行二维Gabor滤波,选择4个滤波方向,分别为θ=0°,θ=45°,θ=90°,θ=135°,5个滤波尺度,即ω=8,32.构建二维Gabor滤波器组。(3)对纹理图像进行滤波,得到20张滤波后的特征图像。(4)对20张图像分别经离散余弦变化降维处理至w2*h2,并转变成bi(i=1,2,...,20,bi=w2*h2)维的列向量,将这20个列向量首尾相接组成b维特征列向量e:
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 (7)
1.一种基于轮廓和纹理的硅藻识别方法,其特征在于,包括:
获取目标图像,对所述目标图像进行相位一致性对称检测,确定所述目标图像的对称类型,包括:通过logGabor小波技术在多个方向上对目标图像进行卷积处理,得到多幅不同方向的相位对称性图像;确定每幅相位对称性图像的向量特征,并根据所述向量特征计算得到协方差矩阵;根据所述协方差矩阵的特征值计算得到向量特征的矩阵;通过主成分分析法对所述矩阵进行特征提取,将提取得到的特征数据进行调整得到第一图像;对所述第一图像进行非极大值抑制处理,得到第一图像中对称点的集合;从所述集合中选取高阈值和低阈值,并根据所述高阈值和低阈值,对所述集合进行滞后阈值处理,得到最终检测结果;根据所述最终检测结果判断出图像对称类型和非对称类型,并进行标注和记录;
对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓;
根据所述目标图像的对称类型对所述目标图像的外围轮廓进行拟合,并确定所述目标图像的初步硅藻种,包括:通过所述目标图像中的双轴对称图像的两个对称轴把所述双轴对称图像进行分割成四段,对分割的曲线线段选择任意一条进行拟合;其中,以长轴为x轴,选择的线段和长轴的交点为原点建立坐标系,对选择线段进行函数拟合;对所述目标图像中的中心对称图像的边界进行圆形硅藻轮廓拟合,以对称中心,双轴交点为圆心,拟合圆;对所述目标图像中的单轴对称图像进行对称性硅藻轮廓拟合,查找对称轴一侧对称点到对称轴的距离,并确定突变点进行分段,以对称轴为x轴,对称轴起点为圆心建立坐标系,对每一段曲线进行函数拟合;对所述目标图像中的非对称图像进行硅藻轮廓拟合,确定所述非对称图像的质心,计算点到质心的距离,找到突变点进行分段,以质心为圆心,最大距离为起始点,建立坐标系,对分段曲线进行拟合;根据不同对称类型图像的拟合方程,在数据库中预设的拟合曲线进行匹配判定,确定所述目标图像的初步硅藻种;
对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种。
2.如权利要求1所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述从所述集合中选取高阈值和低阈值的步骤,具体为:
从集合中确定最大值和最小值,并根据所述最大值和最小值确定初始阈值;
统计集合中点与周围领域点的差值,形成差值集合,并确定差值集合中的最大值和平均值;
当确定所述差值集合中的最大值大于所述初始阈值时,对所述差值进行统计,并将所述差值集合中的最大值储存在第一集合;以及,将所述平均值储存在第二集合;
根据所述第一集合和统计总数计算得到高阈值,并根据所述第二集合和统计总数计算得到低阈值。
3.如权利要求1所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述对所述目标图像进行相位一致性边缘检测,确定所述目标图像的外围轮廓的步骤,具体为:
通过滤波器对所述目标图像进行卷积处理,得到所述目标图像的边缘图像;
对所述边缘图像进行平滑滤波处理,得到二值化图像;
对所述二值化图像进行外部边缘点识别,将查找得到的所有边缘点进行连接,得到所述目标图像的外围轮廓。
4.如权利要求3所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述通过滤波器对所述目标图像进行卷积处理的步骤中,包括:通过滤波器对所述目标图像在垂直方向与扩展函数进行卷积处理;以及,所述目标图像通过滤波器在水平方向上与滤波器进行卷积处理。
5.如权利要求1所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述对称类型包括:中心对称、双轴对称、单轴对称和非对称。
6.如权利要求1所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述对确定初步硅藻种的所述目标图像进行纹理检测,识别出硅藻的具体种的步骤,具体为:
通过不同对称类型图像进行拟合后的轮廓对其自身图像进行切割,得到样品纹理图像,并将纹理图像归一化后,进行极坐标变换;
对所述样品纹理图像进行二维Gabor滤波处理,选择多个滤波方向和多个滤波尺度,构建二维Gabor滤波器组;
通过所述二维Gabor滤波器组对所述样品纹理图像进行滤波,得到多张滤波后的特征图像;
对所述滤波后的特征图像进行降维处理并转化为多维的列向量,并将得到的列向量首尾相接组成多维的特征列向量;
将所述特征列向量与预设样品库中的已知特征列向量进行计算,得到相似度,当确定所述相似度小于阈值时,确定硅藻的具体种。
7.如权利要求6所述的基于轮廓和纹理的硅藻识别方法,其特征在于,所述滤波方向为4个滤波方向;所述滤波尺度为5个滤波尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383600.6A CN111709426B (zh) | 2020-05-08 | 2020-05-08 | 一种基于轮廓和纹理的硅藻识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383600.6A CN111709426B (zh) | 2020-05-08 | 2020-05-08 | 一种基于轮廓和纹理的硅藻识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709426A CN111709426A (zh) | 2020-09-25 |
CN111709426B true CN111709426B (zh) | 2023-06-02 |
Family
ID=72536818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010383600.6A Active CN111709426B (zh) | 2020-05-08 | 2020-05-08 | 一种基于轮廓和纹理的硅藻识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709426B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381084B (zh) * | 2020-10-12 | 2024-02-09 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN115187599B (zh) * | 2022-09-09 | 2022-12-13 | 之江实验室 | 基于几何性质的轻量化的单晶硅椭圆参数辨识方法和系统 |
CN117576088B (zh) * | 2024-01-15 | 2024-04-05 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622499A (zh) * | 2017-08-24 | 2018-01-23 | 中国东方电气集团有限公司 | 一种基于目标二维轮廓模型的识别与空间定位方法 |
CN110070557A (zh) * | 2019-04-07 | 2019-07-30 | 西北工业大学 | 一种基于边缘特征检测的目标识别与定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101555515A (zh) * | 2009-05-19 | 2009-10-14 | 厦门大学 | 基于轮廓标记图的硅藻特征描述及其分类方法 |
CN103136520B (zh) * | 2013-03-25 | 2016-01-20 | 苏州大学 | 基于pca-sc算法的形状匹配和目标识别方法 |
CN105976407B (zh) * | 2016-05-20 | 2018-12-11 | 重庆大学 | 一种适用于遮挡条件下的餐盘形状识别方法 |
CN108665530B (zh) * | 2018-04-25 | 2021-12-14 | 厦门大学 | 基于单张图片的三维建模实现方法 |
CN108596176B (zh) * | 2018-05-03 | 2022-02-15 | 广东工业大学 | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 |
-
2020
- 2020-05-08 CN CN202010383600.6A patent/CN111709426B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622499A (zh) * | 2017-08-24 | 2018-01-23 | 中国东方电气集团有限公司 | 一种基于目标二维轮廓模型的识别与空间定位方法 |
CN110070557A (zh) * | 2019-04-07 | 2019-07-30 | 西北工业大学 | 一种基于边缘特征检测的目标识别与定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709426A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
CN107563377A (zh) | 一种利用边缘和文字区域的证件关键区域检测定位方法 | |
Davarzani et al. | Scale-and rotation-invariant texture description with improved local binary pattern features | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Zhang et al. | Saliency-driven oil tank detection based on multidimensional feature vector clustering for SAR images | |
CN113379777A (zh) | 一种基于最小外接矩形垂直内距离比例的形状描述与检索方法 | |
CN104915951B (zh) | 一种点刻式dpm二维码区域定位方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN107633506B (zh) | 一种图像对称性检测方法、装置及终端设备 | |
Mani et al. | Design of a novel shape signature by farthest point angle for object recognition | |
CN106780294B (zh) | 一种基于特征描述符的圆弧匹配方法 | |
CN112435283A (zh) | 图像的配准方法、电子设备以及计算机可读存储介质 | |
Hegenbart et al. | A scale-adaptive extension to methods based on LBP using scale-normalized Laplacian of Gaussian extrema in scale-space | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN111680571A (zh) | 基于lda降维的多特征融合的植物叶片识别方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN108615041B (zh) | 一种角点检测方法 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
CN113283478B (zh) | 一种基于特征匹配的装配体多视角变化检测方法及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |