[发明专利]一种目标菌落生长特征识别方法

说明书

本发明公开了一种目标菌落生长特征识别方法。活动轮廓检测算法适用类圆粒目标分割，但复杂性较高且对粘连菌落分割效果不佳。本发明如下：1、图像采集；2、灰度处理；3、进行二值化处理。4、去除图像中的培养皿边缘以外的部分。5、形态学处理。6、对图像进行轮廓检测、轮廓分割、椭圆拟合和椭圆筛选。7、获取培养皿中各个菌落的数量、大小、颜色信息。本发明依靠计算机视觉的被识别图像处理方法，并结合统计学的算法，从培养皿复杂的菌落分布中将每个菌落的面积大小、颜色特征和边缘特征提取出来，能够得到非常精确的菌落总数量和菌落实际位置，从而方便了使用者统计菌落信息，减少了使用者的操作负担。

技术领域

本发明属于菌落识别技术领域，具体涉及一种目标菌落生长特征识别方法。

背景技术

在生物研究领域中，培养皿中形成菌落的数量及大小等是抗生素筛选、细菌鉴定及相关测试的重要指标。如何精确测定目标菌落生长信息来观察菌落动态变化是有待解决的重要难题，而人工对菌落计数及大小测定是非常艰苦且易出错的过程，往往还需要计算机相关软件进行辅助标记，耗时且费力。在培养皿中形成的菌落单位往往不仅仅是独立的，可能会有多个粘连在一起，这更增加了菌落信息测定的困难度。

随着图像处理与计算机视觉的广泛应用，已经有许多学者将其应用到微生物研究中，包括有菌落识别、菌落计数和定位等领域。在菌落计数领域中，较为成熟的方法有基于距离变换的分水岭分割法，基于深度学习的被识别图像分割方法和活动轮廓检测算法等(张力新，基于改进水平集的菌落被识别图像智能计数算法[J].天津大学学报，2019,52(1):84-89)。其中较为传统的基于距离变换的分水岭分割方法对较少的粘连菌落和规则形状的分割效果较好，但对于粘连菌落严重的情况效果不佳，容易产生过分割于与欠分割的问题，满足不了精确分割的要求；基于深度学习的被识别图像分割方法分割效果较好，能够满足大多数实验要求，但是该方法需要的训练数据较多难以大量采集；活动轮廓检测算法适用类圆粒目标分割，但复杂性较高且对粘连菌落分割效果不佳。这些方法实现计数或定位还需采用其他遍历方法进行处理，并且获取每个菌落的详细信息较为困难。

近几年有许多学者提出基于几何学进行拟合的方法对粘连菌落进行处理，相比于分水岭等方法对粘连区域的分割效果更佳，但是鲁棒性较差，只能针对椭圆或者针对圆进行拟合，这样分割效果虽然不错，但需要提前设定好椭圆或圆的信息，且对粘连菌落分割存在一定的随机性，不能按照目标菌落自身具备的长短轴比例进行分割，故不具备广泛适用性(San-Ding Luo,Zheng Zou,Guang-Ya Tian,An Automatic Colonies Counting Basedon Piecewise Circle Fitting[J].Journal of Information Hiding and MultimediaSignal Processing,2017,8(3):660-669)。在很多菌落图像处理中，往往忽视了对存在较少菌落的培养皿进行二值化处理的问题，由于图像中背景点较多直接采用全局阈值二值化会错误地将菌落与背景混淆，而采用自适应阈值二值化会使得菌落边缘粗化，不适用对存在较密集菌落的培养皿进行二值化处理。

发明内容

本发明的目的在于提供一种目标菌落生长特征识别方法。

本发明的步骤如下：

步骤1、用摄像机在纯黑色背景下对装有菌落的培养皿进行图像采集，得到彩色被识别图像。

步骤2、对彩色被识别图像进行灰度化和双边滤波处理，得到灰度值被识别图像。

步骤3、根据灰度值被识别图像的大小进行自适应分割，并进行二值化处理。

3-1.设定图像分割块大小n×n；n的表达式如式(2)所示：

式(2)中，L为灰度值被识别图像的像素行数，为向上取整所得值。

3-2.将被识别图像分割为多张n×n大小的子图像。