[發明專利]一種小環藻識別方法及裝置

有效

• 申請號: 201710977279.2
• 申請日: 2017-10-19
• 公開（公告）號: CN107679509B
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 王曉宇;趙建;顧國生;劉超;鄧杰航;胡孫林;康曉東
• 申請（專利權）人: 廣東工業大學;廣州市刑事科學技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種小環藻識別方法，其特征在于，包括：

獲取包含待測藻類的原始水體樣本的高倍數顯微圖像，并對所述顯微圖像進行切片處理，以獲取以小環藻外形為內切圓的正方形識別圖像；

對所述識別圖像進行極坐標變換，并提取經過極坐標變化圖像的多個識別特征，所述識別特征包括PCA綜合信息分布特征、局部二值模式特征、Hu矩、灰度共生矩陣的熵、基于馬爾科夫的互信息及SSIM；

將提取的多個識別特征輸入預先構建的決策樹模型中，根據所述決策樹模型輸出結果確定所述待測藻類的類別；所述決策樹模型為根據模板小環藻圖像的特征和訓練樣本圖像集中各個訓練樣本特征的信息增益率，利用C4.5決策樹算法進行分類，根據分類結果對待測藻類進行識別；

其中，所述模板小環藻圖像為多幅不同生長周期的小環藻顯微圖像矩陣平均值對應的圖像，所述訓練樣本圖像集包括多幅小環藻顯微圖像及多幅非小環藻的顯微圖像；所述提取經過極坐標變化圖像的多個識別特征包括：

分別計算極坐標變化圖像的PCA綜合信息分布特征值、局部二值模式特征值、7個Hu矩特征值、4個灰度共生矩陣的熵、基于馬爾科夫的互信息值及SSIM值；將15個特征值作為所述識別圖像的識別特征；所述計算極坐標變化圖像的PCA綜合信息分布特征值包括：

所述識別圖像的大小為M×N，對應的圖像矩陣為X＝[x₁，x₂，...，x_M]^T，x_i為圖像矩陣的行向量，利用下述公式計算所述識別圖像每行的均值向量：

利用下述公式計算各行向量與所述均值向量的差值：

利用下述公式計算各行向量的協方差矩陣：

計算各協方差矩陣的特征值和特征向量，并選取預設個數的最大特征值對應的特征向量，按照從大到小的順序構造特征矩陣：

w＝(u₁，u₂，...，u_n)，n為預設個數，u_i為特征向量；

將所述差值映射到所述特征矩陣中，得到所述識別圖像的PCA特征矢量；

計算所述識別圖像與所述模板小環藻圖像的PCA特征矢量的歐式距離，以獲得所述識別圖像的PCA綜合信息分布特征值。

2.根據權利要求1所述的小環藻識別方法，其特征在于，所述決策樹模型為根據模板小環藻圖像的特征和訓練樣本圖像集中各個訓練樣本特征的信息增益率，利用C4.5決策樹算法進行分類包括：

分別對所述模板小環藻圖像、各個訓練樣本圖像進行切片處理，以獲取各自相應的以小環藻外形為內切圓的正方形圖像；

對各個正方形圖像進行極坐標變化，并分別提取每個經過極坐標變化圖像的多個訓練特征，以構成訓練特征集，所述訓練特征的類型與所述識別特征的類型相同；

分別計算各所述訓練特征的信息增益率，并將各信息增益率中最大值對應的訓練特征作為劃分特征；

根據所述劃分特征對所述訓練特征集進行劃分，以得到多個子特征集，每個所述子特征集為所述決策樹模型的一個類別。

3.根據權利要求1所述的小環藻識別方法，其特征在于，所述對所述識別圖像進行極坐標變換包括：

對所述識別圖像進行直方圖均衡化處理；

對經過直方圖均衡化后的圖像進行極坐標變化。

4.根據權利要求1所述的小環藻識別方法，其特征在于，所述根據分類結果對待測藻類進行識別包括：

利用歐式距離對待測藻類的各個識別特征，依次與所述決策樹模型的每個類別包含的特征，進行相似性比較；

選取相似度滿足預設條件對應的類別，作為所述待測藻類的類別。

5.根據權利要求1所述的小環藻識別方法，其特征在于，所述根據所述模板小環藻圖像為多幅不同生長周期的小環藻顯微圖像矩陣平均值對應的圖像包括：

獲取20幅處于不同生成周期的標準小環藻顯微圖像；

對各標準小環藻顯微圖像進行切片處理，以獲取以小環藻外形為內切圓的正方形標準圖像；

將各標準圖像對應的圖像矩陣點對點進行累加后，取平均值，以獲取所述模板小環藻圖像。