CN117152747B - 一种船舶压载水的微生物识别方法 - Google Patents
一种船舶压载水的微生物识别方法 Download PDFInfo
- Publication number
- CN117152747B CN117152747B CN202311421081.8A CN202311421081A CN117152747B CN 117152747 B CN117152747 B CN 117152747B CN 202311421081 A CN202311421081 A CN 202311421081A CN 117152747 B CN117152747 B CN 117152747B
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- region
- pixel point
- acquiring
- 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
- 244000005700 microbiome Species 0.000 title claims abstract description 84
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 230000000813 microbial effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000013049 sediment Substances 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及数据识别技术领域,具体涉及一种船舶压载水的微生物识别方法。该方法包括:获取待识别图像中每个像素点的灰度值;获取像素点的灰度矩阵,并将灰度矩阵作为像素点的轮廓特征;获取像素点在设定颜色通道上的颜色值,获取像素点的色度因子作为像素点的颜色特征;获取像素点的融合特征因子;基于轮廓特征和颜色特征构建多维空间,并将像素点映射于多维空间中;获取多维空间中不同像素点之间的目标距离,对像素点进行聚类,以确定像素点的目标区域类别;基于目标区域类别,确定待识别图像中的微生物区域,并识别微生物区域中微生物的目标微生物类别。本申请能够有效地去除图像中的背景信息,从而提高微生物识别的准确性和效率。
Description
技术领域
本申请涉及数据识别技术领域,具体涉及一种船舶压载水的微生物识别方法。
背景技术
船舶远距离运输需要面临不同的海上自然环境,为了避免在航行过程中船舶空载及部分装载时航行安全,同时便于控制船舶纵倾、横倾、吃水、稳性或应力,通常在船上加装水和悬浮物,这些加装水和悬浮物称为船舶压载水。其中,船舶压载水中包括微生物,例如浮游生物、细菌等。
船舶到港装货的同时将卸载压载水,同时对压载舱清理,由于压载舱的特殊结构,不能达到彻底清理,随船舶每次压载当地新鲜海水,带入压载舱的生物和非生物组成多样,压载水沉积物随着压载水的排入排出长期积累沉降。压载舱作为船舶存放压载水的特殊舱室,其结构复杂,压载舱内无光、缺氧、有的还可能含有有害物质,对生物的生存是极为不利的,大部分生物无法忍受压载舱中的恶劣环境而死亡,大量不能适应压载舱环境的生物死亡后,其尸体下沉落入舱底,给食腐生物提供了食物来源。由于船舶具有高的表面积与体积比,大面积的微生物附着在其表面,所以压载舱成了微生物的避难所,这种情况被称作“船体内部污垢”。目前通过船舶压载水和沉积物的排放,有害微生物可能在港口国之间传播,致病微生物可能会对环境内生物和人造成威胁,现阶段船舶压载水和沉积物中微生物生存状态并未完全探究,微生物的多样性还不明了。为了探究压载水的微生物多样性,需要识别压载水的微生物种类,以为今后研究船舶压载水即沉积物中微生物多样性奠定基础。
现有技术中提出了公开号为CN108830149B,一种目标细菌的检测方法及终端设备,该方法根据细菌的有效活动区域获取预设数量的清晰网格图像,并将预设数量的清晰网格图像输入神经网络模型中进行分类识别,得到细菌的分类识别结果。由于该方法中的清晰网格图像包含了细菌区域之外的背景信息,影响了后续神经网络模型对细菌微生物识别的准确性和效率。
发明内容
为了解决上述技术问题,本申请的目的在于提供一种船舶压载水的微生物识别方法,所采用的技术方案具体如下:
本申请提出了一种船舶压载水的微生物识别方法,所述方法包括:
通过图像采集装置在显微镜下采集船舶压载水的微生物的待识别图像,并获取所述待识别图像中每个像素点的灰度值;
基于所述灰度值,获取所述像素点的灰度矩阵,并将所述灰度矩阵作为所述像素点的轮廓特征;
获取所述像素点在设定颜色通道上的颜色值,并基于所述颜色值,获取所述像素点的色度因子,并将所述色度因子作为所述像素点的颜色特征;
基于所述灰度矩阵和所述色度因子,获取所述像素点的融合特征因子;
基于所述轮廓特征和所述颜色特征构建多维空间,并将所述像素点映射于所述多维空间中;
获取所述多维空间中不同像素点之间的目标距离,基于所述目标距离和所述融合特征因子,对所述像素点进行聚类,以确定所述像素点的目标区域类别;
基于所述目标区域类别,确定所述待识别图像中的微生物区域,并识别所述微生物区域中所述微生物的目标微生物类别。
在一些实施例中,所述基于所述目标距离和所述融合特征因子,对所述像素点进行聚类,以确定所述像素点的目标区域类别,包括:
基于所述目标距离和所述融合特征因子,构建目标函数,其中,所述目标函数的变量包括不同区域类别的聚类中心点和所述多维空间中每个像素点与所述聚类中心点之间的相似度;
基于所述相似度的设定约束条件,对所述聚类中心点和所述相似度进行多次迭代更新,以对所述目标函数进行多次迭代优化,直至所述目标函数迭代优化结束后,得到最后一次迭代的目标相似度和目标聚类中心点;
基于所述目标相似度和所述目标聚类中心点,确定所述像素点的目标区域类别。
在一些实施例中,所述目标函数,包括:
其中,为目标函数值,/>为像素点的区域类别数量,/>为像素点个数,/>为模糊因子,/>为第/>个像素点与第/>个区域类别的聚类中心点之间的相似度,/>为第/>个像素点,/>为第/>个区域类别的聚类中心点,/>为欧式距离运算,/>为目标距离,为第/>个像素点的融合特征因子,/>为第/>个区域类别的聚类中心点的融合特征因子,/>和/>均为正整数。
在一些实施例中,所述目标区域类别包括第一区域类别和第二区域类别,所述基于所述目标相似度和所述目标聚类中心点,确定所述多维空间中所述像素点的目标区域类别,包括:
若所述像素点与所述第一区域类别的目标聚类中心点之间的目标相似度大于所述像素点与所述第二区域类别的目标聚类中心点之间的目标相似度,则确定所述像素点的目标区域类别为所述第一区域类别;
若所述像素点与所述第二区域类别的目标聚类中心点之间的目标相似度大于所述像素点与所述第一区域类别的目标聚类中心点之间的目标相似度,则确定所述像素点的目标区域类别为所述第二区域类别。
在一些实施例中,所述基于所述灰度值,获取所述像素点的灰度矩阵,包括:
获取所述像素点与所述像素点的邻域范围内的像素点之间的灰度值差值,基于所述灰度值差值,构建所述像素点的灰度矩阵。
在一些实施例中,所述基于所述灰度矩阵和所述色度因子,获取所述像素点的融合特征因子,包括:
将所述灰度矩阵与所述色度因子相乘,得到所述像素点的色度矩阵;
获取所述色度矩阵的两个特征值,并基于所述两个特征值,获取所述色度矩阵的特征值相对伸缩度和特征值均方变化量;
基于所述特征值相对伸缩度和所述特征值均方变化量,获取所述融合特征因子。
在一些实施例中,所述基于所述特征值相对伸缩度和所述特征值均方变化量,获取所述融合特征因子,包括:
根据融合特征因子公式计算所述融合特征因子,其中,所述融合特征因子公式包括:
其中,为第/>个像素点的融合特征因子,/>为特征值相对伸缩度,/>为特征值均方变化量,/>和/>为特征稳定因子,/>为自然底数。
在一些实施例中,所述基于所述目标区域类别,确定所述待识别图像中的微生物区域,包括:
从所述待识别图像中,提取第一区域类别的像素点组成的第一区域和第二区域类别的像素点组成的第二区域;
若所述第一区域的像素面积小于所述第二区域的像素面积,则确定所述第一区域为所述微生物区域;
若所述第二区域的像素面积小于所述第一区域的像素面积,则确定所述第二区域为所述微生物区域。
本申请具有如下有益效果:
本申请实施例中,由于在图像中微生物与压载水背景的轮廓信息和颜色信息之间有着明显的差异,通过考虑像素点的轮廓特征、颜色特征以及轮廓特征和颜色特征的融合特征,对图像中的像素点进行聚类处理,能够准确地确定图像中的微生物区域和背景区域,从而能够准确地对图像进行分割,以有效地去除图像中的背景信息,进而提高了微生物识别的准确性和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本申请一个实施例所提供的一种船舶压载水的微生物识别方法的流程示意图。
具体实施方式
为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本申请提出的一种船舶压载水的微生物识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本申请所提供的一种船舶压载水的微生物识别方法的具体方案。
图1为本申请实施例所提供的一种船舶压载水的微生物识别方法的流程示意图。如图1所示,该方法包括以下步骤:
S101,获取船舶压载水的微生物的待识别图像,并获取待识别图像中每个像素点的灰度值。其中,微生物可以包括浮游生物、细菌等。
本申请实施例中,可以对船舶压载水进行随机采样得到船舶压载水的样本,并对样本中的微生物进行染色处理,然后通过图像采集装置在显微镜下对染色后的样本进行拍摄,得到船舶压载水的微生物初始图像,为了提高识别的准确性,可以对船舶压载水的微生物初始图像进行预处理,并将预处理后的图像作为船舶压载水的微生物的待识别图像。其中,预处理包括但不限于去噪处理、图像畸变矫正处理等。
在获取船舶压载水的微生物的待识别图像后,可以将待识别图像转换成灰度图像,并获取灰度图像中每个像素点的灰度值,作为待识别图像中对应的每个像素点的灰度值。一些实施例中,可以采用最大值法将待识别图像转换成灰度图像。
S102,基于灰度值,获取像素点的灰度矩阵,并将灰度矩阵作为像素点的轮廓特征。
本申请实施例中,基于灰度值,获取像素点的灰度矩阵,包括:获取像素点与像素点的邻域范围内的像素点之间的灰度值差值,基于灰度值差值,构建像素点的灰度矩阵。
传统图像识别算法对于图像的边界信息判断一般使用某个像素点的梯度信息作为该像素点是否为图像边界轮廓的依据。但在本申请实施例中,由于船舶压载水中微生物尺寸较小,种类较多,同时各类不同的微生物其形态外观结构也有较大的差异。若直接使用传统图像识别算法中梯度信息提取船舶压载水中的微生物的轮廓特征可能存在较大误差。可选地,本申请实施例使用二阶偏微分的计算方法,提取待识别图像中每个像素点的轮廓特征。
其中,二阶偏微分的计算方法如下:
其中,为待识别图像中像素点的横坐标,/>为待识别图像中像素点的纵坐标,/>为像素点的灰度值,/>为待识别图像中坐标为/>的像素点在水平方向上的二阶偏微分数值,/>为待识别图像中坐标为/>的像素点在垂直方向上的二阶偏微分数值,/>为待识别图像中坐标为/>的像素点在左斜对角线方向上的二阶偏微分数值,/>为待识别图像中坐标为/>的像素点在左斜对角线方向上的二阶偏微分数值。
需要说明的是,待识别图像的坐标系是以待识别图像中左上角的像素点为原点,水平向右的方向为轴正方向,垂直向下的方向为/>轴正方向的坐标系。
进一步地,构建待识别图像中坐标为的像素点的灰度矩阵A如下:
A=
其中,灰度矩阵A可以用于表征待识别图像中坐标为的像素点的轮廓特征。
S103,获取像素点在设定颜色通道上的颜色值,并基于颜色值,获取像素点的色度因子,并将色度因子作为像素点的颜色特征。
本申请实施例中,对待识别图像中的每个像素点,若该像素点属于微生物的像素点,则该像素点的颜色特征会与周围船舶压载水背景的颜色特征存在较大差别,因此,本申请实施例中可以获取像素点的颜色特征,用于微生物的识别。
可选地,设定颜色通道可以为HSV颜色空间中的H颜色通道。一些实施例中,将待识别图像的RGB(Red红色,Green绿色,Blue蓝色)颜色空间转换成HSV(Hue色调,Saturation饱和度,Value明度)颜色空间,并获取每个像素点HSV颜色空间下H通道的颜色值。
一些实施例中,可以通过下述公式获取待识别图像中每个像素点的色度因子:
其中,为待识别图像中坐标为/>的像素点的色度因子,/>为待识别图像中坐标为/>的像素点的颜色值,/>为待识别图像中所有像素点的颜色值的标准差。
本申请实施例中,通过计算待识别图像中每个像素点在H通道下的颜色值与待识别图像中所有像素点在H通道下的颜色值的标准差的比值,即色度因子,能够消除由于样本染色不均匀导致的识别误差,从而提高微生物识别的准确性。
另外,色度因子可以反映每个像素点的色相尺度信息,为微生物的识别提供较为可靠的理论特征支撑。
S104,基于灰度矩阵和色度因子,获取像素点的融合特征因子。
本申请实施例中,基于灰度矩阵和色度因子,获取像素点的融合特征因子,包括但不限于以下步骤:
S201,将灰度矩阵与色度因子相乘,得到像素点的色度矩阵。
本申请实施例中,可以通过下述公式计算每个像素点的色度矩阵:
其中,为待识别图像中坐标为/>的色度矩阵,/>为待识别图像中坐标为/>的像素点的色度因子,/>为灰度矩阵。
本申请实施例中的色度矩阵可以用于反映待识别图像中每个像素点的颜色特征和轮廓特征。
S202,获取色度矩阵的两个特征值,并基于两个特征值,获取色度矩阵的特征值相对伸缩度和特征值均方变化量。
一些实施例中,可以采用奇异值分解(Singular Value Decomposition,SVD)获取色度矩阵的两个特征值和/>,并通过下述公式计算色度矩阵的特征值相对伸缩度:
其中,为色度矩阵/>的特征值相对伸缩度。其中,特征值相对伸缩度/>反映了色度矩阵/>的两个特征值/>和/>的相对变化,即反映了像素点上颜色特征和轮廓特征的相对变化信息。
进一步地,可以通过下述公式计算色度矩阵的特征值均方变化量:
其中,为色度矩阵/>的特征值均方变化量。其中,特征值均方变化量/>可以从整体上反映像素点的颜色特征和轮廓特征。
S203,基于特征值相对伸缩度和特征值均方变化量,获取融合特征因子。
为了便于后续像素点的聚类过程的描述,在此将待识别图像中的像素点按照设定排列将每一行的像素点进行组合排列得到像素点序列。
一些实施例中,可以将后一行的像素点拼接在前一行的像素点后面,直至所有行的像素点拼接结束后,得到排列好的像素点序列。
示例性的,假设待识别图像包括M行,其中,M为正整数,则将第2行的像素点拼接在第1的像素点之后,得到第1个像素点序列,然后继续将第3行的像素点拼接在第1个像素点序列之后,得到第2个像素点序列,……,最后将第M行的像素点拼接在第M-2个像素点序列之后,得到第M-1个像素点序列,该第M-1个像素点序列即为最终排列好的像素点序列。
可选地,根据融合特征因子公式计算融合特征因子,其中,融合特征因子公式包括:
其中,为第/>个像素点的融合特征因子,/>为特征值相对伸缩度,/>为特征值均方变化量,/>和/>为特征稳定因子,/>为自然底数,/>为正整数,表示像素点的序列引索。其中,特征稳定因子/>和特征稳定因子/>用于控制特征的稳定度,可选地,/>,/>。
需要说明的是,第个像素点的在待识别图像中的坐标为/>,即本申请实施例中的第/>个像素点以上述实施例中所描述的待识别图像中坐标/>的像素点为同一像素点。
S105,基于轮廓特征和颜色特征构建多维空间,并将像素点映射于多维空间中。
一些实施例中,由于灰度矩阵可以表征轮廓特征,色度因子可以表征颜色特征,可以以灰度矩阵中的数值以及色度因子构建5维空间,该5维空间的维度包括,/>,/>,/>,,而后将像素点序列中的像素点映射于该5维空间中,即将待识别图像中的像素点映射于该5维空间中。
S106,获取多维空间中不同像素点之间的目标距离,基于目标距离和融合特征因子,对像素点进行聚类,以确定像素点的目标区域类别。
其中,目标区域类别为像素点所在区域的区域类别。
本申请实施例中,基于目标距离和融合特征因子,对像素点进行聚类,以确定像素点的目标区域类别,包括但不限于以下步骤:
S301,基于目标距离和融合特征因子,构建目标函数,其中,目标函数的变量包括不同区域类别的聚类中心点和多维空间中每个像素点与聚类中心点之间的相似度。
可选地,目标函数包括:
其中,为目标函数值,/>为像素点的区域类别数量,/>为像素点个数,/>为模糊因子,/>为第/>个像素点与第/>个区域类别的聚类中心点之间的相似度,/>为第/>个像素点,/>为第/>个区域类别的聚类中心点,/>为欧式距离运算,/>为目标距离,为第/>个像素点的融合特征因子,/>为第/>个区域类别的聚类中心点的融合特征因子,/>和/>均为正整数。
可选地,区域类别包括背景区域类别和微生物区域类别,则C=2。可选地,。
本申请实施例中,在通过目标函数进行像素点聚类的过程中,考虑了不同像素点的轮廓特征、颜色特征以及轮廓特征和颜色特征的融合特征之间的差异,提高了像素点聚类的准确性。
S302,基于相似度的设定约束条件,对聚类中心点和相似度进行多次迭代更新,以对目标函数进行多次迭代优化,直至目标函数迭代优化结束后,得到最后一次迭代的目标相似度和目标聚类中心点。
可选地,相似度的设定约束条件,可以为:
根据目标函数和相似度的设定约束条件可以确定变量相似度与聚类中心点之间的关系为:
由上述关系可知,聚类中心点与相似度/>之间是相互关联,可以根据相似度/>确定聚类中心点/>,反之也可以根据聚类中心点/>确定相似度/>,由此,聚类中心点/>和相似度/>的迭代过程为:首先给定相似度/>的初始值以确定初始相似度,例如0.13,根据初始相似度计算出计算初始聚类中心点,并根据初始相似度和初始聚类中心计算出一个目标函数值,然后根据初始聚类中心点计算出下一个相似度,并根据该相似度和初始聚类中心点计算出下一个目标函数值,接着,重复上述迭代过程,直至目标函数值达到最小值,即目标函数收敛时,整个迭代过程结束,并在迭代过程结束后,得到最后一次迭代的目标相似度和目标聚类中心点。
作为一种可能的情况,可以设定迭代次数,例如50次,在迭代次数达到设定迭代次数时,整个迭代过程结束。
S303,基于目标相似度和目标聚类中心点,确定像素点的目标区域类别。
其中,目标区域类别包括第一区域类别和第二区域类别。可选地,第一区域类别为微生物区域类别,第二区域类别为背景区域类别,或者,第一区域类别为背景区域类别,第二区域类别为微生物区域类别。
由于目标区域类别包括两个类别,相应地,目标聚类中心点包括两个类别的目标聚类中心点,该两个类别的目标聚类中心点包括第一区域类别的目标聚类中心点和第二区域类别的目标聚类中心点。相应地,针对每个像素点的目标相似度,该目标相似度包括两个类别的相似度,该两个类别的目标相似度包括该像素点与第一区域类别的目标聚类中心点的目标相似度以及该像素点与第二区域类别的目标聚类中心点的目标相似度。
本申请实施例中,基于目标相似度和目标聚类中心点,确定像素点的目标区域类别,包括:
若像素点与第一区域类别的目标聚类中心点之间的目标相似度大于像素点与第二区域类别的目标聚类中心点之间的目标相似度,则确定像素点的目标区域类别为第一区域类别;
若像素点与第二区域类别的目标聚类中心点之间的目标相似度大于像素点与第一区域类别的目标聚类中心点之间的目标相似度,则确定像素点的目标区域类别为第二区域类别。
本申请实施例可以确定待识别图像中每个像素点的区域类别。
S107,基于目标区域类别,确定待识别图像中的微生物区域,并识别微生物区域中微生物的目标微生物类别。
在确定待识别图像中每个像素点的目标区域类别之后,对待识别图像进行图像分割,将属于第一区域类别的像素点组成的第一区域和属于第二区域类别的像素点组成的第二区域进行分割区分。
上述对待识别图像中的像素点进行聚类的过程仅能够实现图像的分割,即可以将待识别图像分割成第一区域和第二区域,但无法从第一区域和第二区域中确定微生物区域,因此,还需要进一步从第一区域和第二区域中确定微生物区域。
由于微生物的体积较小,相应地,待识别图像中微生物的像素面积较小,可以根据像素面积从第一区域和第二区域中确定微生物区域。
可选地,从待识别图像中,提取第一区域类别的像素点组成的第一区域和第二区域类别的像素点组成的第二区域,若第一区域的像素面积小于第二区域的像素面积,则确定第一区域为微生物区域,若第二区域的像素面积小于第一区域的像素面积,则确定第二区域为微生物区域。
本申请实施例中,可以预先采集常见微生物的显微图像,并按照上述实施例的方法确定显微图像中的微生物区域,然后提取显微图像中的微生物区域的图像作为微生物样本图像,以此方式构建船舶压载水的微生物的样本图像训练集,通过构建样本图像训练集对待训练的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。可选地,卷积神经网络模型可以为LeNet-5模型,可选地,在对待训练的LeNet-5模型进行训练时,可以使用交叉熵损失函数训练待训练的LeNet-5模型。
在确定待识别图像中的微生物区域后,提取微生物区域的微生物图像,并将该微生物图像输入训练后的卷积神经网络模型,由训练后的卷积神经网络模型对微生物图像进行分类处理,输出该微生物图像的目标微生物类别。
综上所述,由于在图像中微生物与压载水背景的轮廓信息和颜色信息之间有着明显的差异,通过考虑像素点的轮廓特征、颜色特征以及轮廓特征和颜色特征的融合特征,对图像中的像素点进行聚类处理,能够准确地确定图像中的微生物区域和背景区域,从而能够准确地对图像进行分割,以有效地去除图像中的背景信息,进而提高了微生物识别的准确性和效率。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种船舶压载水的微生物识别方法,其特征在于,所述方法包括:
通过图像采集装置在显微镜下采集船舶压载水的微生物的待识别图像,并获取所述待识别图像中每个像素点的灰度值;
基于所述灰度值,获取所述像素点的灰度矩阵,并将所述灰度矩阵作为所述像素点的轮廓特征;
获取所述像素点在设定颜色通道上的颜色值,并基于所述颜色值,获取所述像素点的色度因子,并将所述色度因子作为所述像素点的颜色特征;
基于所述灰度矩阵和所述色度因子,获取所述像素点的融合特征因子;
基于所述轮廓特征和所述颜色特征构建多维空间,并将所述像素点映射于所述多维空间中;
获取所述多维空间中不同像素点之间的目标距离,基于所述目标距离和所述融合特征因子,对所述像素点进行聚类,以确定所述像素点的目标区域类别;
基于所述目标区域类别,确定所述待识别图像中微生物区域,并识别所述微生物区域中所述微生物的目标微生物类别;
所述基于所述灰度矩阵和所述色度因子,获取所述像素点的融合特征因子,包括:
将所述灰度矩阵与所述色度因子相乘,得到所述像素点的色度矩阵;
获取所述色度矩阵的两个特征值,并基于所述两个特征值,获取所述色度矩阵的特征值相对伸缩度和特征值均方变化量;
基于所述特征值相对伸缩度和所述特征值均方变化量,获取所述融合特征因子;
所述基于所述特征值相对伸缩度和所述特征值均方变化量,获取所述融合特征因子,包括:
根据融合特征因子公式计算所述融合特征因子,其中,所述融合特征因子公式包括:
其中,为第/>个像素点的融合特征因子,/>为特征值相对伸缩度,/>为特征值均方变化量,/>和/>为特征稳定因子,/>为自然底数。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标距离和所述融合特征因子,对所述像素点进行聚类,以确定所述像素点的目标区域类别,包括:
基于所述目标距离和所述融合特征因子,构建目标函数,其中,所述目标函数的变量包括不同区域类别的聚类中心点和所述多维空间中每个像素点与所述聚类中心点之间的相似度;
基于所述相似度的设定约束条件,对所述聚类中心点和所述相似度进行多次迭代更新,以对所述目标函数进行多次迭代优化,直至所述目标函数迭代优化结束后,得到最后一次迭代的目标相似度和目标聚类中心点;
基于所述目标相似度和所述目标聚类中心点,确定所述像素点的目标区域类别。
3.根据权利要求2所述的方法,其特征在于,所述目标函数,包括:
其中,为目标函数值,/>为像素点的区域类别数量,/>为像素点个数,/>为模糊因子,/>为第/>个像素点与第/>个区域类别的聚类中心点之间的相似度,/>为第/>个像素点,为第/>个区域类别的聚类中心点,/>为欧式距离运算,/>为目标距离,为第/>个像素点的融合特征因子,/>为第/>个区域类别的聚类中心点的融合特征因子,/>和/>均为正整数。
4.根据权利要求2所述的方法,其特征在于,所述目标区域类别包括第一区域类别和第二区域类别,所述基于所述目标相似度和所述目标聚类中心点,确定所述多维空间中所述像素点的目标区域类别,包括:
若所述像素点与所述第一区域类别的目标聚类中心点之间的目标相似度大于所述像素点与所述第二区域类别的目标聚类中心点之间的目标相似度,则确定所述像素点的目标区域类别为所述第一区域类别;
若所述像素点与所述第二区域类别的目标聚类中心点之间的目标相似度大于所述像素点与所述第一区域类别的目标聚类中心点之间的目标相似度,则确定所述像素点的目标区域类别为所述第二区域类别。
5.根据权利要求1所述的方法,其特征在于,所述基于所述灰度值,获取所述像素点的灰度矩阵,包括:
获取所述像素点与所述像素点的邻域范围内的像素点之间的灰度值差值,基于所述灰度值差值,构建所述像素点的灰度矩阵。
6.根据权利要求4所述的方法,其特征在于,所述基于所述目标区域类别,确定所述待识别图像中的微生物区域,包括:
从所述待识别图像中,提取第一区域类别的像素点组成的第一区域和第二区域类别的像素点组成的第二区域;
若所述第一区域的像素面积小于所述第二区域的像素面积,则确定所述第一区域为所述微生物区域;
若所述第二区域的像素面积小于所述第一区域的像素面积,则确定所述第二区域为所述微生物区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421081.8A CN117152747B (zh) | 2023-10-31 | 2023-10-31 | 一种船舶压载水的微生物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421081.8A CN117152747B (zh) | 2023-10-31 | 2023-10-31 | 一种船舶压载水的微生物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152747A CN117152747A (zh) | 2023-12-01 |
CN117152747B true CN117152747B (zh) | 2023-12-29 |
Family
ID=88908502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311421081.8A Active CN117152747B (zh) | 2023-10-31 | 2023-10-31 | 一种船舶压载水的微生物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152747B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455221B (zh) * | 2023-12-25 | 2024-03-26 | 青岛可颂食品有限公司 | 一种适用于烘焙奶油的加工流程管理系统 |
CN117495851B (zh) * | 2023-12-29 | 2024-04-05 | 陕西中医药大学 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
-
2023
- 2023-10-31 CN CN202311421081.8A patent/CN117152747B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152747A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152747B (zh) | 一种船舶压载水的微生物识别方法 | |
CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN109345601B (zh) | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 | |
CN108764250B (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
CN101706965A (zh) | 基于高斯混合模型区域图像彩色化处理的方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN110427933A (zh) | 一种基于深度学习的水尺识别方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN109993202A (zh) | 一种线稿型图形相似度判断方法、电子设备及存储介质 | |
CN109389607A (zh) | 基于全卷积神经网络的舰船目标分割方法、系统及介质 | |
CN112164055A (zh) | 一种基于颜色分割的光伏电池色差分类方法 | |
CN115588055A (zh) | 数字病理图像的色彩标准化方法及系统 | |
CN112419291A (zh) | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 | |
CN112215303B (zh) | 一种基于自学属性的图像理解方法及系统 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
CN116912086A (zh) | 一种基于双路径融合的图像分辨率提升方法及系统 | |
CN113052813A (zh) | 一种基于StrainNet的染色方法 | |
CN113506230B (zh) | 一种基于机器视觉的光伏电站航拍影像匀光处理方法 | |
CN112069923B (zh) | 3d人脸点云重建方法及系统 | |
CN113744166A (zh) | 一种用于浑浊水下鱼类图像增强的方法 | |
CN112528943A (zh) | 基于熵调制slic的sar图像海洋目标检测方法 | |
CN118230131B (zh) | 一种图像识别及目标检测方法 | |
CN110390339A (zh) | 一种图像校正方法、装置及存储介质 |
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 |