[發(fā)明專(zhuān)利]一種將環(huán)境微生物進(jìn)行全自動(dòng)分類(lèi)的方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201511016390.2
• 申請(qǐng)日: 2015-12-31
• 公開(kāi)（公告）號(hào): CN105608472A
• 公開(kāi)（公告）日: 2016-05-25
• 發(fā)明（設(shè)計(jì)）人: 李晨;蔣濤
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川木牛流馬智能科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46
• 代理公司: 成都九鼎天元知識(shí)產(chǎn)權(quán)代理有限公司 51214
• 代理人: 詹永斌

技術(shù)領(lǐng)域

本發(fā)明涉及環(huán)境微生物分類(lèi)技術(shù)領(lǐng)域，尤其涉及一種將環(huán)境微生物進(jìn)行全自動(dòng)分類(lèi)的方法和系統(tǒng)。

背景技術(shù)

微生物在自然界中是無(wú)處不在，無(wú)處不有的，數(shù)目巨大。微生物對(duì)于地球上的生命是至關(guān)重要的，它們可以將重要的元素轉(zhuǎn)換為能量，保持大氣中的化學(xué)平衡，為植物和動(dòng)物提供養(yǎng)分。微生物還可以用于實(shí)現(xiàn)許多商業(yè)目的，如制造抗生素、提高農(nóng)業(yè)效率以及生產(chǎn)生物燃料。此外還有一小部分微生物對(duì)人有害，導(dǎo)致各種疾病的發(fā)生。從歷史觀點(diǎn)來(lái)看，微生物研究主要集中于研究個(gè)體物種。

現(xiàn)有技術(shù)中的分類(lèi)結(jié)果很大程度上依靠圖像分割技術(shù)的精確程度。一旦圖像分割技術(shù)水平較低，系統(tǒng)就無(wú)法獲得高質(zhì)量的預(yù)處理二值圖片，從而影響特征提取的精度。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中的分類(lèi)方法依賴(lài)圖像分割精確程度的技術(shù)問(wèn)題，本發(fā)明公開(kāi)了一種將環(huán)境微生物進(jìn)行全自動(dòng)分類(lèi)的方法和系統(tǒng)。

本發(fā)明的技術(shù)方案如下:

本發(fā)明公開(kāi)了一種將環(huán)境微生物進(jìn)行全自動(dòng)分類(lèi)的方法，其具體包括以下的步驟：步驟一、構(gòu)建環(huán)境微生物分類(lèi)模型，采用原始環(huán)境微生物顯微圖片對(duì)分類(lèi)模型進(jìn)行訓(xùn)練；步驟二、獲取新的需要分類(lèi)的環(huán)境微生物的顯微圖片，獲取該顯微圖片的SIFT特征，將初始的SIFT特征向量映射到一個(gè)更高維度的視覺(jué)詞袋（BoVW）特征向量上，并構(gòu)成更加精密的SIFT-BoVW特征向量；步驟三、應(yīng)用分類(lèi)器進(jìn)行分類(lèi)。

更進(jìn)一步地，當(dāng)采用SVM作為分類(lèi)器時(shí)，采用基于區(qū)域的支持向量機(jī)（RBSVM）分類(lèi)器完成環(huán)境微生物的分類(lèi)。通過(guò)構(gòu)建分類(lèi)模型，不需圖片預(yù)處理的結(jié)果（圖像分割后得到的二值圖片），而只需要根據(jù)原始顯微圖片就可以實(shí)現(xiàn)環(huán)境微生物的特征提取與分類(lèi)，簡(jiǎn)化了分類(lèi)的過(guò)程。

更進(jìn)一步地，上述RBSVM分類(lèi)器完成環(huán)境微生物的分類(lèi)的過(guò)程具體包括：首先，利用SIFT-BoVW特征向量對(duì)每張環(huán)境微生物圖片進(jìn)行描述，其次，應(yīng)用優(yōu)化檢索法對(duì)每張圖片中的區(qū)域進(jìn)行快速檢索，再次，利用SVM給以上每個(gè)由優(yōu)化檢索法檢索到的區(qū)域打分，并認(rèn)定得到最高分的區(qū)域內(nèi)的物體為該圖的主要物體，接著，算出圖片中主要物體對(duì)應(yīng)的特征向量，根據(jù)特征向量進(jìn)行分類(lèi)。本發(fā)明不需要人工的參與，完全自動(dòng)實(shí)現(xiàn)環(huán)境微生物的分類(lèi)，不需要手動(dòng)參與圖像分割，也避免了環(huán)境微生物分類(lèi)依靠圖片分割技術(shù)的問(wèn)題。

更進(jìn)一步地，上述優(yōu)化檢索法為分枝限定法BaB、剪枝算法、或者貪婪算法中的一種。

更進(jìn)一步地，上述SIFT特征為RGB-SIFT特征、成對(duì)的SIFT特征、或者快速SIFT其中的一種。

更進(jìn)一步地，上述SIFT特征的提取包括以下的步驟：首先在尺度空間中尋找極值點(diǎn)，接著提取出這些極值點(diǎn)的位置、尺度、旋轉(zhuǎn)不變參數(shù)，最后形成一個(gè)128維度的特征向量。

更進(jìn)一步地，上述初始的SIFT特征向量映射到一個(gè)1000維度的高維度BoVW特征向量上。

更進(jìn)一步地，上述方法還包括應(yīng)用弱指導(dǎo)學(xué)習(xí)WSL框架對(duì)微生物分類(lèi)模型進(jìn)行訓(xùn)練。

上述方法還包括：當(dāng)測(cè)試圖片中得分最高的區(qū)域的分?jǐn)?shù)高于訓(xùn)練過(guò)程中陽(yáng)性圖片的閾值，則判斷其為陽(yáng)性圖片，否則判斷其為陰性圖片。

更進(jìn)一步地，上述分類(lèi)器為SVM分類(lèi)器或者人工神經(jīng)網(wǎng)絡(luò)ANN分類(lèi)器、K-最鄰近KNN分類(lèi)器或者貝葉斯Bayesian分類(lèi)器其中的一種或者幾種的組合。

本發(fā)明還公開(kāi)了一種將環(huán)境微生物進(jìn)行全自動(dòng)分類(lèi)的系統(tǒng)，其具體包括分類(lèi)模型構(gòu)建單元、模型訓(xùn)練單元、環(huán)境微生物顯微圖片獲取單元、SIFT特征獲取單元、向量映射單元、以及分類(lèi)器；所述分類(lèi)模型構(gòu)建單元用于構(gòu)建環(huán)境微生物分類(lèi)模型；所述模型訓(xùn)練單元用于采用原始環(huán)境微生物顯微圖片對(duì)分類(lèi)模型進(jìn)行訓(xùn)練；所述環(huán)境微生物顯微圖片獲取單元用于獲取新的需要分類(lèi)的環(huán)境微生物的顯微圖片；所述SIFT特征獲取單元用于獲取該顯微圖片的SIFT特征，所述向量映射單元用于將初始的SIFT特征向量映射到一個(gè)更高維度的視覺(jué)詞袋（BoVW）特征向量上，并構(gòu)成更加精密的SIFT-BoVW特征向量；所述分類(lèi)器用于進(jìn)行分類(lèi)。

通過(guò)采用以上的技術(shù)方案，本發(fā)明的有益效果是：本發(fā)明的方法和系統(tǒng)加強(qiáng)了環(huán)境微生物分類(lèi)系統(tǒng)的智能程度，形成了一套全自動(dòng)的檢查與分類(lèi)方法，SIFT-BoVW特征提取方法的使用，解決了現(xiàn)有技術(shù)強(qiáng)烈依靠圖片分割技術(shù)的問(wèn)題。

附圖說(shuō)明

本發(fā)明將通過(guò)例子并參照附圖的方式說(shuō)明，其中：

圖1為本發(fā)明的具體實(shí)現(xiàn)流程圖。