CN117495851B - 一种基于图像轮廓处理的水环境微生物检测方法 - Google Patents
一种基于图像轮廓处理的水环境微生物检测方法 Download PDFInfo
- Publication number
- CN117495851B CN117495851B CN202311843364.1A CN202311843364A CN117495851B CN 117495851 B CN117495851 B CN 117495851B CN 202311843364 A CN202311843364 A CN 202311843364A CN 117495851 B CN117495851 B CN 117495851B
- Authority
- CN
- China
- Prior art keywords
- edge line
- sub
- contour
- pixel
- microorganism
- 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 103
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title abstract description 22
- 230000000813 microbial effect Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000002550 fecal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000194032 Enterococcus faecalis Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/13—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像轮廓处理的水环境微生物检测方法,该方法包括:采集水样的微生物图像,获取其灰度图的亚像素图;根据图中边缘亚像素点邻域的LBP值得到微生物轮廓点显著度;根据各闭合边缘线上亚像素点的曲率及闭合边缘线所围区域的主方向得到微生物轮廓线显著度;根据各连通域与各闭合边缘线所围区域的重叠情况得到微生物轮廓面显著度;根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数;将边缘线轮廓突出系数大于阈值的各基础边缘线作为微生物轮廓的各边缘线,从而实现基于图像轮廓处理的水环境微生物检测,提高了微生物轮廓提取精度。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种基于图像轮廓处理的水环境微生物检测方法。
背景技术
水环境微生物是指在水体中生活、繁殖和活动的微小生物,包括细菌、真菌、原生动物、病毒和微藻等。它们是水环境中的重要组成部分,对维持水生态系统的平衡和稳定性发挥着重要的作用。水环境微生物在水体中扮演着重要的角色,它们能够降解有机物质、去除营养物质、参与水生态系统的食物链和生物循环过程,对于维持水生态系统的平衡和稳定性起着关键作用。同时,一些水环境微生物也是水源性疾病的病原体,对人类健康产生一定的威胁性。目前,粪大肠菌群被认为是最实用的水体微生物污染指示菌,粪大肠菌群的检出即表明水质下降,并有传播疾病的风险。
使用图像技术对水样中的微生物进行检测,通过计算机视觉和图像识别技术,可以实现对水环境微生物的自动化检测和分类;并且,使用图像技术可以将检测结果以图像的形式呈现,可以直观地展示水环境微生物的分布和数量变化。传统的图像处理技术在对粪大肠菌的轮廓进行检测时,通常出现粪大肠菌的轮廓提取精度不高的问题。
综上所述,本发明提出一种基于图像轮廓处理的水环境微生物检测方法,通过采集水样,结合显微镜获取水样的微生物图像,根据微生物图像的边缘线上边缘像素点的各类特征之间的差异构建各边缘线的边缘线轮廓突出系数,根据边缘线轮廓突出系数对边缘线进行筛选获取所需微生物的轮廓,具有较高的微生物轮廓检测效果。
发明内容
为了解决上述技术问题,本发明提供一种基于图像轮廓处理的水环境微生物检测方法,以解决现有的问题。
本发明的一种基于图像轮廓处理的水环境微生物检测方法采用如下技术方案:
本发明一个实施例提供了一种基于图像轮廓处理的水环境微生物检测方法,该方法包括以下步骤:
结合显微镜获取各水样的微生物图像,并转换成灰度图;
通过双线性插值法获取灰度图的亚像素图;通过Canny算子获取亚像素图的边缘线;根据各边缘线上亚像素点数量得到各基础边缘线;将基础边缘线上亚像素点作为边缘亚像素点;通过局部二值模式获取各边缘亚像素点邻域的LBP值;根据各边缘亚像素点邻域的LBP值之间的相似情况得到各边缘亚像素点的平均相似距离;根据各边缘亚像素点的平均相似距离得到各基础边缘线的微生物轮廓点显著度;获取亚像素图中各基础边缘线所在闭合边缘线;获取各闭合边缘线上每个亚像素点的曲率;通过图像二阶矩获取各闭合边缘线所围区域的主方向;根据曲率及主方向得到各闭合边缘线的微生物轮廓线显著度;通过连通域组件标记法标记亚像素图中各连通域;根据各连通域与各闭合边缘线所围区域的重叠情况得到各闭合边缘线所围区域的重合率;根据重合率得到各闭合边缘线所围区域的微生物轮廓面显著度;根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数;
根据各基础边缘线的边缘线轮廓突出系数得到微生物轮廓。
优选的,所述根据各边缘线上亚像素点数量得到各基础边缘线,具体为:将边缘线上亚像素点数量大于预设数量阈值的各边缘线作为各基础边缘线。
优选的,所述根据各边缘亚像素点邻域的LBP值之间的相似情况得到各边缘亚像素点的平均相似距离,具体为:
将同一基础边缘线上的边缘亚像素点作为同类亚像素点;获取各边缘亚像素点与各同类亚像素点的邻域的LBP值之间的汉明距离;计算各边缘亚像素点的所有所述汉明距离的均值;将所述均值作为各边缘亚像素点的平均相似距离。
优选的,所述根据各边缘亚像素点的平均相似距离得到各基础边缘线的微生物轮廓点显著度,具体包括:
对于各基础边缘线,计算基础边缘线上所有边缘亚像素点的平均相似距离均值;计算基础边缘线上每个边缘亚像素点的平均相似距离与所述平均相似距离均值的差值平方;计算所有所述差值平方的均值;获取基础边缘线上所有边缘亚像素点邻域所组成的区域;获取所述区域的Tamura纹理特征对比度;计算所述纹理特征对比度与所述差值平方的均值的比值;将所述比值作为基础边缘线的微生物轮廓点显著度。
优选的,所述获取亚像素图中各基础边缘线所在闭合边缘线,具体为:通过对所有基础边缘线进行闭运算获取亚像素图中各基础边缘线所在闭合边缘线。
优选的,所述根据曲率及主方向得到各闭合边缘线的微生物轮廓线显著度,具体包括:
获取各闭合边缘线上所有亚像素点的概率分布曲线的峰度;
对于各闭合边缘线,将闭合边缘线上各亚像素点的曲率与坐标组成的向量作为各亚像素点的特征向量;通过K-means聚类算法对闭合边缘线上所有亚像素点的特征向量进行聚类得到各聚类簇;获取各聚类簇中所有曲率的均值;将曲率均值最大和第二大的聚类簇的曲率分别记为第一、第二曲率;计算第一曲率与第二曲率之间的差值绝对值,记为曲率差值绝对值;获取第一曲率与第二曲率对应的亚像素点之间的连线方向;计算所述连线方向与闭合边缘线所围区域的主方向之间的对应角度的差值绝对值,记为角度差值绝对值;计算所述峰度与正态分布曲线峰度之间的差值,记为峰度差值;
计算曲率差值绝对值、角度差值绝对值及峰度差值的乘积;将所述乘积的倒数作为闭合边缘线的微生物轮廓线显著度。
优选的,所述根据各连通域与各闭合边缘线所围区域的重叠情况得到各闭合边缘线所围区域的重合率,具体包括:
对于各闭合边缘线所围区域,获取各连通域与闭合边缘线所围区域重合的像素点数量,记为重叠面积;计算最大重叠面积与闭合边缘线所围区域像素点数量的比值;将所述比值作为闭合边缘线所围区域的重合率。
优选的,所述根据重合率得到各闭合边缘线所围区域的微生物轮廓面显著度,具体包括:
计算各闭合边缘线所围区域中所有亚像素点像素值的变异系数;计算各闭合边缘线所围区域的重合率与所述变异系数的差值;将所述差值作为各闭合边缘线所围区域的微生物轮廓面显著度。
优选的,所述根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数,具体包括:
计算各基础边缘线的微生物轮廓点显著度与对应闭合边缘线的微生物轮廓线显著度及微生物轮廓面显著度的乘积;将所述乘积作为各基础边缘线的边缘线轮廓突出系数。
优选的,所述根据各基础边缘线的边缘线轮廓突出系数得到微生物轮廓,具体包括:
将归一化边缘线轮廓突出系数大于预设突出阈值的各基础边缘线作为微生物的各边缘线,获取微生物的轮廓。
本发明至少具有如下有益效果:
本发明通过机器视觉结合微生物特征进行微生物检测,通过采集水样的微生物图像,获取微生物图像灰度图的亚像素图;获取亚像素图中长度超过阈值的各边缘线作为各基础边缘线,降低计算量;根据基础边缘线上各亚像素点邻域的LBP值之间的距离得到各基础边缘线的微生物轮廓点显著度;通过对基础边缘线进行闭运算得到闭合边缘线;根据各闭合边缘线上亚像素点的曲率的概率分布曲线结合闭合边缘线所围区域的主方向得到各闭合边缘线的微生物轮廓线显著度;根据亚像素图中各连通域与各闭合边缘线所围区域的重叠情况结合所有亚像素点像素值的变异系数得到各闭合边缘线所围区域的微生物轮廓面显著度;根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数;将边缘线轮廓突出系数大于阈值的各基础边缘线作为微生物轮廓的各边缘线,从而提高了微生物轮廓提取精度,提高了微生物检测效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明提供的一种基于图像轮廓处理的水环境微生物检测方法的流程图;
图2为基于图像轮廓处理的水环境微生物轮廓提取示意图。
具体实施方式
为了更进一步阐述本发明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,对依据本发明提出的一种基于图像轮廓处理的水环境微生物检测方法,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发明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发明所提供的一种基于图像轮廓处理的水环境微生物检测方法的具体方案。
本发明一个实施例提供的一种基于图像轮廓处理的水环境微生物检测方法。
具体的,提供了如下的一种基于图像轮廓处理的水环境微生物检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,收集水样并通过显微镜以及相机设备获取微生物图像。
在需要对微生物进行检测的水环境中抽取水样,为了更好的对水环境中的微生物进行检测,本实施例在30天内获取5次水样,每次取样时间间隔7天,每个水样采集100ml,需要说明的是,水样采集次数、取样间隔以及水样体积实施者可自行设定,本实施例不做具体限制。将获取的每个水样通过显微镜进行放大,使用CMOS相机获取每个水样中的微生物图像。
为了消除图像中噪声,本实施例选用高斯滤波对图像进行去噪滤波处理,尽可能的消除图像噪声对轮廓提取造成的影响,实施者可根据实际情况选择其他去噪方式,本实施例不做具体限制。将去噪后的每个微生物图像进行灰度化处理,得到每个微生物图像的灰度图,用F表示。
步骤S002,对图像进行亚像素处理,获得更高精度的图像后对图像的轮廓特征进行分析,获取归一化边缘线轮廓突出系数。
对于每个灰度图,为了能获取更高精度的图像,提高对水环境微生物检测的效果,对灰度图进行亚像素细分处理,本实施例选用双线性插值法获取灰度图的亚像素图,实施者可根据实际情况选择其他图像拓展方法。通过双线性插值法在每个相邻的像素点之间插入10个像素,需要说明的是,插入的像素点数量实施者可自行设定,本实施例不做具体限定,使灰度图X轴和Y轴分辨率分别提高10倍,将拓展后的图像确定为灰度图的亚像素图,用EF表示。其中双线性插值法为公知技术,具体过程不再赘述。至此得到每个灰度图的亚像素图。
对于每个亚像素图,使用算子对亚像素图进行边缘检测,获取亚像素图中的边缘线,并将边缘线上的亚像素点确定为边缘亚像素点。由于水环境微生物种类较多,在通过图像获取其轮廓时,会影响轮廓提取精度。因此本实施例对水环境中的微生物轮廓特征进行分析,使其在图像中获取更精确的轮廓边缘。
单个粪大肠菌为短杆状,通常呈现出直杆状且两端有稍微弯曲的形态;且在显微镜观察下通常不具有明显的颜色,他们呈现出透明或者浅色的外观。
对于每个亚像素图中的每个边缘亚像素点进行分析,以边缘亚像素点为例,以边缘亚像素点/>为中心亚像素点,以/>为半径构建边缘亚像素点/>的圆形邻域,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为5亚像素点。在边缘亚像素点的圆形邻域边界线上,结合局部二值模式(LBP)获取边缘亚像素点/>的LBP值,具体为:为了适应不同尺度的纹理特征,并达到旋转不变性的要求,本实施例使用圆形邻域代替正方形邻域,通过不断旋转该圆形邻域得到其一系列的/>值,最后取最小/>值作为该边缘亚像素点的圆形邻域的/>值,用/>表示。通过上述方式获取每个边缘线亚像素点的圆形邻域的LBP值。
设数量阈值,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为10,在每个亚像素图中,如果每条边缘线上边缘亚像素点的数量大于数量阈值/>,则将这些边缘线确定为基础边缘线,将每条基础边缘线上的所有亚像素点组成的集合作为同类亚像素点集合,对于每个同类亚像素点集合,将属于同一集合的边缘亚像素点作为同类亚像素点。
获取边缘亚像素点的同类亚像素点的/>值,分别计算边缘亚像素点/>与其每个同类亚像素点的LBP值之间的汉明距离,其中汉明距离的计算方法为公知技术,在此不做过多赘述。/>值反映了亚像素点在半径为/>的邻域内的纹理特征,若两个亚像素点的邻域内的纹理特征一致,则通过上述方法获取的/>值也较为接近,两个LBP值之间的汉明距离较小。以边缘亚像素点/>为例,将边缘亚像素点/>与所有同类亚像素点/>值之间的汉明距离的均值作为边缘亚像素点/>的平均相似距离/>。通过上述方法获取每个边缘亚像素点的平均相似距离。以每个边缘亚像素点为中心像素点,构建每个边缘亚像素点的/>邻域,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为3。为了分析微生物轮廓与其他区域的像素点之间的差别,以第j条基础边缘线为例,基于上述数据构建每条基础边缘线的微生物轮廓点显著度/>,表达式为:
式中,为第j条基础边缘线的微生物轮廓点显著度,/>为第j条基础边缘线上所有边缘亚像素点的/>邻域组成的区域内的Tamura纹理特征对比度,m为第j条基础边缘线上边缘亚像素点数量,/>为第j条基础边缘线上第i个边缘亚像素点/>的平均相似距离,/>为第j条基础边缘线上所有边缘亚像素点的平均相似距离的均值。其中Tamura纹理特征对比度为公知技术,具体过程不再赘述。
公式逻辑:若获取的同一类亚像素点为微生物轮廓上的亚像素点,且为同一个微生物的轮廓上的亚像素点,则在亚像素点的邻域内的纹理是相同的,此时的值较小;微生物轮廓上的亚像素点通常与其他区域亚像素点的像素值差别较大,即微生物轮廓上的亚像素点与其他区域的亚像素点之间的对比度较大,即/>较大,此时亚像素点获取的微生物轮廓点显著度/>较大;反之亚像素点获取的微生物轮廓点显著度/>较小。
粪大肠菌为短杆状,通常呈现出直杆状且两端有稍微弯曲的形态,对亚像素图中所有边缘线均进行闭运算,使图像中的各个边缘线尽可能相连组成闭合的边缘线。以第j条基础边缘线所在闭合边缘线为例,通过曲率公式计算闭合边缘线/>上每个亚像素点的曲率,将该闭合边缘线上获取的所有曲率按照从大到小的顺序排列组成的序列作为该闭合边缘线的曲率变化序列/>,其中n为该闭合边缘线上像素点数量,则/>为闭合边缘线/>上的最大曲率,/>为闭合边缘线/>上的最小曲率。获取曲率变化序列/>的概率分布曲线的峰度,用/>表示。其中,闭运算、曲率公式以及计算概率分布曲线的峰度均为公知技术,具体过程不再赘述。
对于闭合边缘线上每个亚像素点,将亚像素点的曲率与坐标组成的向量作为亚像素点的特征向量,将同一闭合边缘线上的所有亚像素点的特征向量输入K-means算法进行聚类,初始聚类中心为4,K-means算法的输出为各聚类簇,聚类簇数量为4。计算每个聚类簇中所有亚像素点的曲率均值;获取曲率均值较大的前两个聚类簇,将这两个聚类簇的最大曲率分别记为第一曲率和第二曲率,然后获取第一曲率和第二曲率之间的差值,用/>表示;同时获取第一曲率和第二曲率对应的亚像素点坐标之间的连线,并获取该连线的方向对应的角度。
计算亚像素图像中闭合边缘线所围成区域的图像二阶矩,图像二阶矩的计算方法为公知技术,在此不做过多赘述。计算图像二阶矩的特征值和特征向量,最大的特征值对应的特征向量即为闭合边缘线/>所围成区域的主方向,将该主方向对应的角度用/>表示。
基于上述数据获取闭合边缘线的微生物轮廓线显著度/>,表达式为:
式中,为闭合边缘线/>的微生物轮廓线显著度,/>为第一曲率和第二曲率之间的差值,/>为闭合边缘线/>所围成区域的主方向对应的角度,/>为第一曲率和第二曲率对应亚像素点连线的方向对应的角度,/>为曲率变化序列/>的概率分布曲线的峰度,/>为调参因子,作用是防止分母为0,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为1。
公式逻辑:根据上述分析,若闭合边缘线为粪大肠菌的边缘线,则在闭合边缘线/>上获取的亚像素点的曲率最大值为两端弯曲的最弯点,此时/>的值较小,曲率最大值两点的连接线为两端点,此时连接线与闭合边缘线/>所围成的区域的主方向相同,即/>较小;同时由于粪大肠菌的边缘在进行闭运算后是连续且平滑的,此时曲率变化序列/>中元素的值变化也是平滑的,其概率分布曲线变化较为平缓,此时峰度/>的值应该小于等于正态分布曲线的峰度,正态分布曲线的峰度为3,此时获取的微生物轮廓线显著度/>的值较大;反之,获取的微生物轮廓线显著度/>的值较小。
针对上述闭合边缘线所围成区域内的亚像素点进行分析。粪大肠菌内部的亚像素点通常不具有明显的颜色,他们呈现出透明或者浅色的外观,且像素值较为接近。使用连通域组件标记法对亚像素图中的连通域进行标记,其中连通域组件标记法为公知技术,在此不做过多赘述。
获取标记的连通域后,检测是否存在连通域亚像素点与闭合边缘线所围成区域亚像素点重合较多的连通域。在亚像素图中,存在多个边缘线所围成的区域以及标记连通域,均按照上述方式进行分析。
以闭合边缘线为例,将闭合边缘线/>所围成的区域与标记连通域的重合率记为/>,其中,重合率为上述两区域中所重合的亚像素点的个数与闭合边缘线/>所围成的区域亚像素点的个数的比值。
获取微生物轮廓面显著度,表达式为:
式中,为闭合边缘线/>所围区域的微生物轮廓线显著度,/>为闭合边缘线/>所围成区域与所标记连通域的重合率,/>为闭合边缘线/>所围成区域中所有亚像素点像素值的变异系数,其中变异系数的计算方法为公知技术,在此不做过多赘述。
公式逻辑:若闭合边缘线所围成区域为粪大肠菌所在的区域,同时,通过连通域组件标记法获取的区域为亚像素点之间像素值相差较小的区域,符合粪大肠菌群的特征,此时若上述两区域的重合率较高,闭合边缘线/>所围成区域为粪大肠菌群的可能性较大;同时,/>为闭合边缘线/>所围成区域中亚像素点像素值的变异系数,若闭合边缘线所围成区域中的亚像素点之间的值较为接近,此时变异系数较小,闭合边缘线/>所围成区域为粪大肠菌的可能性较大,且微生物轮廓面显著度/>的值较大;反之,获取的微生物轮廓面显著度/>的值较小。
获取边缘线轮廓突出系数,表达式为:
式中,为第j条基础边缘线的边缘线轮廓突出系数,/>为第j条基础边缘线的微生物轮廓点显著度,/>为第j条基础边缘线所在闭合边缘线/>的微生物轮廓线显著度,/>为第j条基础边缘线所在闭合边缘线/>所围区域的微生物轮廓面显著度。
公式逻辑:当第j条基础边缘线为粪大肠菌的边缘线时,获取的微生物轮廓点显著度、微生物轮廓线显著度以及微生物轮廓面显著度的值都较大,此时,获取的边缘线轮廓突出系数的值也较大;反之,获取的边缘线轮廓突出系数的值较小。
同理,获取亚像素图中所有边缘线的边缘线轮廓突出系数,并对其进行归一化处理。
至此,获取亚像素图中所有边缘线的归一化边缘线轮廓突出系数。
步骤S003,根据归一化边缘线轮廓突出系数获取水环境微生物轮廓的检测。
获取亚像素图中所有边缘线的归一化边缘线轮廓突出系数,根据边缘线轮廓突出系数对边缘线进行筛选获取微生物的轮廓,具体为:设突出阈值,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为0.6,将归一化边缘线轮廓突出系数大于突出阈值/>的边缘线记为微生物的边缘线,获取微生物的轮廓。其中,本实施例中所述微生物为粪大肠菌。上述方法的实施步骤图如图2所示。
综上所述,本发明实施例通过机器视觉结合微生物特征进行微生物检测,通过采集水样的微生物图像,获取微生物图像灰度图的亚像素图;获取亚像素图中长度超过阈值的各边缘线作为各基础边缘线,降低计算量;根据基础边缘线上各亚像素点邻域的LBP值之间的距离得到各基础边缘线的微生物轮廓点显著度;通过对基础边缘线进行闭运算得到闭合边缘线;根据各闭合边缘线上亚像素点的曲率的概率分布曲线结合闭合边缘线所围区域的主方向得到各闭合边缘线的微生物轮廓线显著度;根据亚像素图中各连通域与各闭合边缘线所围区域的重叠情况结合所有亚像素点像素值的变异系数得到各闭合边缘线所围区域的微生物轮廓面显著度;根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数;将边缘线轮廓突出系数大于阈值的各基础边缘线作为微生物轮廓的各边缘线,从而提高了微生物轮廓提取精度,提高了微生物检测效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,该方法包括以下步骤:
结合显微镜获取各水样的微生物图像,并转换成灰度图;
通过双线性插值法获取灰度图的亚像素图;通过Canny算子获取亚像素图的边缘线;根据各边缘线上亚像素点数量得到各基础边缘线;将基础边缘线上亚像素点作为边缘亚像素点;通过局部二值模式获取各边缘亚像素点邻域的LBP值;根据各边缘亚像素点邻域的LBP值之间的相似情况得到各边缘亚像素点的平均相似距离;根据各边缘亚像素点的平均相似距离得到各基础边缘线的微生物轮廓点显著度;获取亚像素图中各基础边缘线所在闭合边缘线;获取各闭合边缘线上每个亚像素点的曲率;通过图像二阶矩获取各闭合边缘线所围区域的主方向;根据曲率及主方向得到各闭合边缘线的微生物轮廓线显著度;通过连通域组件标记法标记亚像素图中各连通域;根据各连通域与各闭合边缘线所围区域的重叠情况得到各闭合边缘线所围区域的重合率;根据重合率得到各闭合边缘线所围区域的微生物轮廓面显著度;根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数;
根据各基础边缘线的边缘线轮廓突出系数得到微生物轮廓;
所述根据各边缘亚像素点的平均相似距离得到各基础边缘线的微生物轮廓点显著度,具体包括:
对于各基础边缘线,计算基础边缘线上所有边缘亚像素点的平均相似距离均值;计算基础边缘线上每个边缘亚像素点的平均相似距离与所述平均相似距离均值的差值平方;计算所有所述差值平方的均值;获取基础边缘线上所有边缘亚像素点邻域所组成的区域;获取所述区域的Tamura纹理特征对比度;计算所述纹理特征对比度与所述差值平方的均值的比值;将所述比值作为基础边缘线的微生物轮廓点显著度;
所述根据曲率及主方向得到各闭合边缘线的微生物轮廓线显著度,具体包括:
获取各闭合边缘线上所有亚像素点的概率分布曲线的峰度;
对于各闭合边缘线,将闭合边缘线上各亚像素点的曲率与坐标组成的向量作为各亚像素点的特征向量;通过K-means聚类算法对闭合边缘线上所有亚像素点的特征向量进行聚类得到各聚类簇;获取各聚类簇中所有曲率的均值;将曲率均值最大和第二大的聚类簇的曲率分别记为第一、第二曲率;计算第一曲率与第二曲率之间的差值绝对值,记为曲率差值绝对值;获取第一曲率与第二曲率对应的亚像素点之间的连线方向;计算所述连线方向与闭合边缘线所围区域的主方向之间的对应角度的差值绝对值,记为角度差值绝对值;计算所述峰度与正态分布曲线峰度之间的差值,记为峰度差值;
计算曲率差值绝对值、角度差值绝对值及峰度差值的乘积;将所述乘积的倒数作为闭合边缘线的微生物轮廓线显著度;
所述根据重合率得到各闭合边缘线所围区域的微生物轮廓面显著度,具体包括:
计算各闭合边缘线所围区域中所有亚像素点像素值的变异系数;计算各闭合边缘线所围区域的重合率与所述变异系数的差值;将所述差值作为各闭合边缘线所围区域的微生物轮廓面显著度;
所述根据微生物轮廓点、线、面显著度得到各基础边缘线的边缘线轮廓突出系数,具体包括:
计算各基础边缘线的微生物轮廓点显著度与对应闭合边缘线的微生物轮廓线显著度及微生物轮廓面显著度的乘积;将所述乘积作为各基础边缘线的边缘线轮廓突出系数。
2.如权利要求1所述的一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,所述根据各边缘线上亚像素点数量得到各基础边缘线,具体为:将边缘线上亚像素点数量大于预设数量阈值的各边缘线作为各基础边缘线。
3.如权利要求1所述的一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,所述根据各边缘亚像素点邻域的LBP值之间的相似情况得到各边缘亚像素点的平均相似距离,具体为:
将同一基础边缘线上的边缘亚像素点作为同类亚像素点;获取各边缘亚像素点与各同类亚像素点的邻域的LBP值之间的汉明距离;计算各边缘亚像素点的所有所述汉明距离的均值;将所述均值作为各边缘亚像素点的平均相似距离。
4.如权利要求1所述的一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,所述获取亚像素图中各基础边缘线所在闭合边缘线,具体为:通过对所有基础边缘线进行闭运算获取亚像素图中各基础边缘线所在闭合边缘线。
5.如权利要求1所述的一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,所述根据各连通域与各闭合边缘线所围区域的重叠情况得到各闭合边缘线所围区域的重合率,具体包括:
对于各闭合边缘线所围区域,获取各连通域与闭合边缘线所围区域重合的像素点数量,记为重叠面积;计算最大重叠面积与闭合边缘线所围区域像素点数量的比值;将所述比值作为闭合边缘线所围区域的重合率。
6.如权利要求1所述的一种基于图像轮廓处理的水环境微生物检测方法,其特征在于,所述根据各基础边缘线的边缘线轮廓突出系数得到微生物轮廓,具体包括:
将归一化边缘线轮廓突出系数大于预设突出阈值的各基础边缘线作为微生物的各边缘线,获取微生物的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311843364.1A CN117495851B (zh) | 2023-12-29 | 2023-12-29 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311843364.1A CN117495851B (zh) | 2023-12-29 | 2023-12-29 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495851A CN117495851A (zh) | 2024-02-02 |
CN117495851B true CN117495851B (zh) | 2024-04-05 |
Family
ID=89680398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311843364.1A Active CN117495851B (zh) | 2023-12-29 | 2023-12-29 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495851B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052377A (zh) * | 2024-04-16 | 2024-05-17 | 中国环境监测总站 | 一种基于水生境自动反演的水生态综合评价方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015052972A (ja) * | 2013-09-09 | 2015-03-19 | 富士通株式会社 | 計測用コンピュータプログラム、計測装置及び計測方法 |
CN105447527A (zh) * | 2015-12-31 | 2016-03-30 | 四川木牛流马智能科技有限公司 | 采用图像识别技术将环境微生物进行分类的方法和系统 |
CN111539969A (zh) * | 2020-04-23 | 2020-08-14 | 武汉铁路职业技术学院 | 图像边缘检测方法、装置、计算机设备及存储介质 |
CN114648511A (zh) * | 2022-03-28 | 2022-06-21 | 杭州电子科技大学 | 一种大肠杆菌轮廓的精确提取及识别方法 |
CN116503462A (zh) * | 2023-05-10 | 2023-07-28 | 武汉惟景三维科技有限公司 | 一种圆形斑点圆心快速提取方法及系统 |
CN117152747A (zh) * | 2023-10-31 | 2023-12-01 | 南通鼎城船舶技术有限公司 | 一种船舶压载水的微生物识别方法 |
-
2023
- 2023-12-29 CN CN202311843364.1A patent/CN117495851B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015052972A (ja) * | 2013-09-09 | 2015-03-19 | 富士通株式会社 | 計測用コンピュータプログラム、計測装置及び計測方法 |
CN105447527A (zh) * | 2015-12-31 | 2016-03-30 | 四川木牛流马智能科技有限公司 | 采用图像识别技术将环境微生物进行分类的方法和系统 |
CN111539969A (zh) * | 2020-04-23 | 2020-08-14 | 武汉铁路职业技术学院 | 图像边缘检测方法、装置、计算机设备及存储介质 |
CN114648511A (zh) * | 2022-03-28 | 2022-06-21 | 杭州电子科技大学 | 一种大肠杆菌轮廓的精确提取及识别方法 |
CN116503462A (zh) * | 2023-05-10 | 2023-07-28 | 武汉惟景三维科技有限公司 | 一种圆形斑点圆心快速提取方法及系统 |
CN117152747A (zh) * | 2023-10-31 | 2023-12-01 | 南通鼎城船舶技术有限公司 | 一种船舶压载水的微生物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117495851A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN105844285B (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN117495851B (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
Grimm et al. | An adaptable approach to automated visual detection of plant organs with applications in grapevine breeding | |
CN112257704A (zh) | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 | |
CN108257124B (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
Sharma et al. | Detection of rice disease using bayes' classifier and minimum distance classifier | |
CN114283407A (zh) | 一种自适应的白细胞自动分割、亚类检测方法及系统 | |
CN111047559B (zh) | 一种数字病理切片异常区域快速检测的方法 | |
Zhang et al. | A comprehensive survey with quantitative comparison of image analysis methods for microorganism biovolume measurements | |
CN110211117B (zh) | 医学影像中识别线管状物的处理系统及优化分割的方法 | |
CN112419335B (zh) | 一种细胞核分割网络的形状损失计算方法 | |
CN110853030B (zh) | 生物反应器病毒感染细胞质量评价方法 | |
Zhang et al. | A novel concavity based method for automatic segmentation of touching cells in microfluidic chips | |
CN110111307B (zh) | 一种免疫教学用免疫系统反馈模拟系统及方法 | |
CN111199235A (zh) | 一种图像边缘提取方法 | |
CN113344008B (zh) | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 | |
Prommakhot et al. | Exploiting convolutional neural network for automatic fungus detection in microscope images | |
Priya et al. | A new eyenet model for diagnosis of diabetic retinopathy | |
Liu et al. | Vessel segmentation using principal component based threshold algorithm | |
Liu et al. | Automatic Lung Parenchyma Segmentation of CT Images Based on Matrix Grey Incidence. |
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 |