[发明专利]一种基于显微图像的角毛藻和非角毛藻自动分类方法

权利要求书

1.一种基于显微图像的角毛藻和非角毛藻自动分类方法，其特征在于，包括以下步骤：

(1)从藻类的显微图像中提取出藻类目标细胞二值化图像；

(2)将二值化图像调整为如下尺寸：将二值化图像的高度即行数固定为300像素，列数则按原比例进行缩放；

(3)采用结构元素对图像进行闭运算：所述结构元素是指半径为5像素宽度的圆形结构元素；

(4)骨架提取：对二值图像采用距离变换细化算法进行骨架提取；

(5)提取骨架的节点数和端点数：提取骨架的节点集合和端点集合，从而获取节点和端点的数量；

(6)类判决：根据是否满足(节点数＞5且端点数＞5)条件作为是否为角毛藻的判据：如果满足则为角毛藻，否则为非角毛藻。

2.根据权利要求1所述基于显微图像的角毛藻和非角毛藻自动分类方法，其特征在于，步骤(1)从藻类的显微图像中提取出藻类目标细胞二值化图像；具体为：

a.将角毛藻原始图像转换为灰度图像；

b.构建灰度图像方向角模型，分别构成两幅灰度图像；

c.对两幅灰度图像分别采用增强大津法自动阈值二值化后再进行逻辑与运算；

d.对所得到的二值图像做双向滤波和中值滤波以去掉二值图像中小的噪声点；

e.进行形态学膨胀操作以连接目标细胞断裂的边缘；

f.提取二值图像的最大轮廓并填充后再进行形态学腐蚀操作；

g.用腐蚀后的二值图像与原始图像做逻辑与运算，得到细胞目标图像；

在步骤b中，构建灰度图像方向角模型，计算灰度曲面的法线方向矢量与三维坐标系中三个坐标轴X、Y、Z方向的矢量方向角，再利用水平(X)方向角和垂直(Y)方向角在XZ和YZ平面的矢量距作为灰度值分别构成两幅灰度图像；

在步骤b中灰度图像方向角模型是将图像中任意4个像素点的坐标(x，y)及灰度值f(x，y)在三维坐标系中确定的4个点(x，y，f(x，y))构成灰度曲面，计算灰度曲面的法线方向矢量与三维坐标系中三个坐标轴X、Y、Z方向的矢量方向角，再利用水平(X)方向角和垂直(Y)方向角在XZ和YZ平面的矢量距作为灰度值分别构成两幅灰度图像；

在步骤c中增强大津法是在运用大津法之前做一个线性拉伸，用于解决图像主体部分与背景灰度差较小的问题；

在步骤c中选取使类间方差最大和类内方差最小的图像灰度作为最佳阈值；

在步骤d中，对步骤c所得到的二值图像先进行双向滤波，再进行中值滤波，用于去掉二值图像中小的噪声点；

在步骤f中最大轮廓是指：寻找到的轮廓包含的像素数最多；填充是指：将寻找到的最大轮廓内部填充为白色；

在步骤g中，将腐蚀后的图像与原始图像做逻辑与运算，提取细胞图像的边缘并保留内部纹理；

步骤b优选为：

对于一幅图像I，由任意4个像素点的坐标及灰度值在三维坐标系中确定的4个点构成灰度曲面，建立空间直角坐标系，令相邻两像素点间的距离为1，并将每个像素点的灰度值除以255，利用空间点坐标的概念确定每个像素点灰度在该坐标系下的坐标；

设4个相邻像素(i，j)，(i+1，j)，(i，j+1)，(i+1，j+1)在Z轴上的灰度值分别为I(i，j)，I(i+1，j)，I(i，j+1)，I(i+1，j+1)，在空间坐标系中A′B′C′、A′C′D′、A′B′D′和B′C′D′为四个互不重叠的三角形平面；

在A′C′D′平面中，D′C′对应的矢量为f_D′C′＝[0，1，I(i，j+1)-I(i，j)]，A′D′对应的矢量为f_A′D′＝[1，0，I(i，j)-I(i+1，j)]，由矢量积的概念，该三角形面的法线方向就是此两矢量的矢量积，f_A′C′D′＝f_A′D′×f_D′C′；

同样求出其它三角形平面的法线方向f_B′C′D′、f_A′B′D′和f_A′B′C′，则灰度曲面的法线方向能够用四个三角平面的法线方向的均值近似得到，为：

f_{A′B′C′D′}＝(f_B′C′D′+f_A′B′C′+f_A′B′D′+f_A′C′D′)/4

这就是灰度曲面A′B′C′D′的法线方向矢量；

再利用矢量方向角及方向余弦的概念，得到该法线矢量与X、Y、Z三个坐标轴的夹角分别如下：

θ_x(i，j)＝360°arccos(f_{A′B′C′D′}(1)/abs(f_{A′B′C′D′}))/2π

θ_y(i，j)＝360°arccos(f_{A′B′C′D′}(2)/abs(f_{A′B′C′D′}))/2π

θ_z(i，j)＝360°arccos(f_{A′B′C′D′}(3)/abs(f_{A′B′C′D′}))/2π

即为图像灰度分别在X、Y、Z三个方向上的矢量方向角；

对于每个方向上得到的夹角值分别进行灰度映射处理：

mapx(i,j)=[255×(θx(x,y)-min(θx(x,y))max(θx(x,y))-min(θx(x,y))]]]>

mapy(i,j)=[255×(θy(x,y)-min(θy(x,y))max(θy(x,y))-min(θy(x,y))]]]>

mapz(i,j)=[255×(θz(x,y)-min(θz(x,y))max(θz(x,y))-min(θz(x,y))]]]>

最后，再利用水平(X)方向角和垂直(Y)方向角在XZ和YZ平面的矢量距作为灰度值分别构成两幅灰度图像：

mapxz(i,j)=mapx2+mapz2]]>

mapyz(i,j)=mapy2+mapz2;]]>

步骤c优选为：

令原图像的灰度级为X，期望处理后的图像灰度级为Y，原始图像和期望图像的灰度级的分布范围极值分别为X_max，X_min和Y_max，Y_min，期望变换前后的图像对比度保持线性关系，即满足下式：

Y-YminYmax-Ymin=X-XminXmax-Xmin]]>

经整理线性拉伸的简单数学表达式为：Y＝aX+b

其中a=Ymax-YminXmax-Xmin,]]>b=XmaxYmin-YmaxXminXmax-Xmin]]>

当a＞1时，Y_max-Y_min＞X_max-X_min，则变换后图像的对比度增大，视觉感应为亮处更亮，暗处更暗；而通过设置b值，使整幅图像灰度级的均值改变相应的b值；本发明中令Y_max＝255，Y_min＝0；

原始灰度图像的灰度级为L灰度级为i的像素点数为n_i，全部像素为N，归一化直方图：Pi=niN,]]>Σi=0L-1Pi=1]]>

阈值t将灰度级划分为两类：C0＝(0，1，...，t)和C1＝(t+1，t+2，...L-1)

这两类的概率分别为：

ω0=Σi=0tPi=ω(t),]]>ω1=Σi=t+1tPi=1-ω(t)]]>

均值为：

μ0=Σi=0tiPiω0=μ(t)ω(t),]]>μ1=Σi=t+1L-1iPiω1=μT(t)-μ(t)1-ω(t)]]>

上式中μ(t)=Σi=0tiPi,]]>μT(t)=Σi=0L-1iPi]]>

方差：

σ02=Σi=0t(i-μ0)2Piω0,]]>σ12=Σi=t+1L-1(i-μ1)2Piω1]]>

类内方差为：σω2=ω0σ02+ω1σ12]]>

类间方差为：

σB2=ω0(μ0-μT)2+ω1(μ1-μT)2=ω0ω1(μ1-μ0)2]]>

总体方差为：σT2=σB2+σω2]]>

改变t的值，使类间方差取得最大值时的t值即为最佳阈值；

用求得的最佳阈值对灰度图像进行二值化。