[發明專利]一種藻類細胞圖像自動分類方法

有效

• 申請號: 201410682794.4
• 申請日: 2014-11-24
• 公開（公告）號: CN104331712B
• 公開（公告）日: 2017-08-25
• 發明（設計）人: 劉哲人;王秀芹;金巖;古偉宏
• 申請（專利權）人: 齊齊哈爾格林環保科技開發有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 溫國林

技術領域

本發明涉及圖像處理、模式分類、環境監測等領域，尤其涉及一種藻類細胞圖像自動分類方法。

背景技術

隨著計算機科學的發展以及交叉學科應用的需求，計算技術已經廣泛應用于環境監測領域。特別是隨著人工智能領域研究的不斷深入，通過對特定關注對象數學模型的構建實現計算機對圖像、視頻等媒體內容自動的理解成為可能。因此，在環境科學和信息科學之間的學科交叉研究可以促進先進的環境檢測方法和儀器的研究。目前，水體中藻類細胞的類別和計數是監測水體污染物和判別水體質量的重要參考指標。然而，當前環境監測中僅能通過人力進行分類和計數，該方法費時費力，并且由于經驗等多種因素，目前這種高度依賴于主觀判別的方法往往不能快速準確的實現藻類細胞類別的準確識別，因此借助圖像處理和模式識別的方法實現藻類細胞圖像自動分類成為亟待解決的問題。

目前關于藻類圖像自動分類的方法較少，根據采用模型的不同，將現有方法分為如下兩種：

1)基于靜態模型的方法[1-3]：該方法往往提取特定細胞區域的視覺特征(如：顏色、紋理和形狀等特征)，然后利用常見靜態分類器(如支持向量機，樸素貝葉斯等)進行模型學習，然后再對未知類別的藻類圖像進行自動分類。但是，該類方法往往依賴于具有魯棒分辨能力的視覺特征描述子，否則很難準確分類形變復雜的藻類細胞。

2)基于時序模型的方法[4]：該類方法往往提取表征某類細胞連續時刻形態變化的特征序列，然后通過表征時間序列的圖模型(如隱馬爾可夫模型，隨機場模型等)進行序列動態學習，然后利用訓練得到的時序模型進行細胞分類。但是該方法進行時序模型學習時對大量數據具有很強依賴，并且因為模型結構復雜導致學習計算量大，速度慢。

發明內容

本發明提供了一種藻類細胞圖像自動分類方法，本發明降低了計算復雜度，提高了藻類細胞的分類率，詳見下文描述：

一種藻類細胞圖像自動分類方法，所述自動分類方法包括以下步驟：

對藻類圖像進行預處理，獲取處理后的藻類圖像；

根據處理后的藻類圖像，進行藻類圖像視覺特征提取，獲取多特征融合表示的特征向量；

將所有藻類細胞按照類別進行分類，提取每類細胞中的特定比例的細胞圖像作為后續模型學習的訓練集；

構建多任務學習模式的目標函數并求解；使用訓練得到的模型對測試數據進行預測；

其中，目標函數為：

式中，表示M個任務模型參數的集合，W^j為W的第j個列向量，表示第j個模型參數，表示基于最小二乘的多任務聯合學習部分，表示基于組稀疏優化思想設計的正則項；||·||₂表示列向量的l₂范數，η為權重參數，表示第j類細胞的第k個樣例的特征，Y^j表示第j類類別標簽。

所述使用訓練得到的模型對測試數據進行預測的步驟具體為：

采用第l類的模型W^l對待測試的樣本F^U計算W^l×F^U與所有類別標記的誤差的絕對值|W^l×F^U-Y^j|，記錄此時最小誤差E^l，待依次計算所有類模型對應的最小誤差后，選擇這些值中最小值對應的右上角標記p，將F^U分類為第p類；如果Y^j＝p，則正確分類，否則為錯誤分類。

本發明提供的技術方案的有益效果是：本發明將所有藻類細胞按照類別進行分類，提取每類細胞中的特定比例的細胞圖像作為后續模型學習的訓練集；構建多任務學習模式的目標函數并求解；使用訓練得到的模型對測試數據進行預測從而解決第一類方法對高分辨力視覺特征的依賴，又可以避免第二類方法對大數據的依賴和高計算復雜度。本發明降低了計算復雜度，提高了藻類細胞的分類率。

附圖說明

圖1為菱形藻的示意圖；

圖2為橋彎藻的示意圖；

圖3為雙眉藻的示意圖；

圖4為一種藻類細胞圖像自動分類方法的流程圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚，下面對本發明實施方式作進一步地詳細描述。

本方法將突破背景技術中對每類藻類獨立進行建模的現有方法，采用多任務聯合學習的模型對多個藻類同時進行模型學習，從而解決第一類方法對高分辨力視覺特征的依賴，又可以避免第二類方法對大數據的依賴和高計算復雜度。