[发明专利]基于图像处理的微生物数量估算方法

摘要

本发明属于数字图像处理领域的应用，具体地说是针对显微镜下拍摄的细菌培养皿图像采用一定的处理步骤，使得处理后的二值图像中的像素数可用于估算培养皿内的细菌数量的基于图像处理的微生物数量估算方法，基于图像的二值化处理，提出了一种全新的微生物数量测定方法，此方法不需要对细菌本身进行实验，而是对显微镜下拍摄的培养皿图像进行处理，属于一种间接测定微生物数量的方法，本发明中应用非局部均值(NL‑means)去噪算法，对于同一培养皿的不同时间拍摄的细菌图像的统计结果比较稳定，不因细菌位置的改变而产生较大误差，适应性较强。

主权项

一种基于图像处理的微生物数量估算方法，其特征在于包括以下各步骤：第一步：读取原始图像I，进行灰度化处理得到灰度图像I0；第二步：去除图像中培养皿边缘外的部分：找到培养皿轮廓圆的半径和圆心，将边缘轮廓部分灰度置0，设处理后图像为I1；第三步：用非局部均值滤波算法对I1进行去噪处理，设去噪后的图像为I2，其具体步骤为：步骤3‑1：假设当前被处理的像素点为i，设Ωi为以像素i为中心的搜索窗口，大小为D×D，设搜索区域中某像素为j，Ni、Nj分别表示以i、j为中心的邻域窗口，大小为d×d，由邻域Ni内像素的灰度值构成的向量表示为步骤3‑2：用和之间的相似性来度量i和j的相似性：根据公式(1)计算两邻域窗口之间的高斯加权欧式距离：其中Ga表示标准差为a的高斯核，表示矩阵对应元素相乘，和越相似，则L2越小，用高斯核加权的目的是使邻域中距离中心像素越远的像素造成的影响越小；步骤3‑3：利用公式(2)计算描述像素i、j相似度的权值w(i,j)：w(i,j)=1Z(i)exp(-L2h2)---(2)]]>其中，Z(i)为权值的归一化系数，而h为图像的平滑参数，参数h控制高斯函数的衰减程度来控制权值的大小，从而控制平滑噪声的程度，h越小，高斯函数变化越显著，细节保留程度比较高，但会残留过多的噪声点；h越大，高斯函数变化越平缓，去噪水平越高，但同时也会导致图像越模糊；步骤3‑4：基于相似性的度量，利用公式(4)得到像素i的估计值v~(i)=Σj∈Ωiw(i,j)*v(j)---(4)]]>第四步：去除背景，以消除光照不均匀对图像造成的影响，具体步骤为：步骤4‑1：背景估计：对于I2中的像素i，选取其w×w的邻域内亮度最高的48个点，在这48个点中去除最亮的点，将剩余47个点的灰度平均值作为像素i处的背景值，设估计出的背景图像为Ib；步骤4‑2：分段对比度补偿及背景亮度规范化：设F＝255为规范化背景的亮度，逐行逐列扫描I2图像；若Ib(x,y)＞I2(x,y)，则按公式(5)计算I3(x,y)：I3(x,y)＝F‑k*[Ib(x,y)‑I2(x,y)]               (5)若按公式(5)计算出的I3(x,y)≥0.75F则直接输出I3(x,y)，否则按公式(6)计算I3(x,y)：I3(x,y)＝0.75F                      (6)若Ib(x,y)≤I2(x,y)，则按公式(7)计算I3(x,y)：I3(x,y)＝F                        (7)其中，k(x,y)的物理意义是背景与物体对比度放大的倍数，它是一个连续分段的线性函数，根据公式(8)计算k(x,y)：k(x,y)=B1,Ib(x,y)<A11+(B1-1)100-Ib(x,y)80,A1≤Ib(x,y)≤A21,A2<Ib(x,y)<A31+B2Ib(x,y)-22035,Ib(x,y)≥A3---(8)]]>其中A1、A2、A3、B1、B2为待定系数，应根据具体图像补偿效果进行选取，另外，设置前景像素的最小灰度值为0.75F是为了使前景像素的灰度值相差很小；第五步：对去除背景后的图像I3进行二值化处理，设二值化后的图像为I4，具体步骤为：步骤5‑1：用三角形法确定对I3进行二值化的阈值：I3灰度直方图为单峰，意味着前景和背景的分界并不是很清晰，此时的二值化阈值可由三角形法确定，在拍摄的培养皿图像中，细菌属于前景部分，具有较低的灰度值，且前景的像素点少于背景的像素点，此时认为直方图主要的峰对应背景灰度值，找到直方图的第一个非零点，和峰值点连成一条直线，亮点范围内的灰度分布曲线上距离这条直线最远的点对应的灰度值除以255即为二值化的阈值；步骤5‑2：应用上一步骤中确定的阈值对图像I3进行二值化：灰度高于阈值的被置为1，灰度低于阈值的被置为0，即：第六步：对二值图像进行形态学滤波，由于图像中细菌部分有很多孔洞、较窄的间断和细长的沟壑，同时背景部分还有很多细小的孤立点噪声，为了尽量保持细菌部分完整并消除噪声，对图像I4进行先闭运算后开运算的操作，具体步骤为：步骤6‑1：对二值化后图像I4求反；I5＝～I4                         (9)步骤6‑2：选择尺寸为5的圆盘结构元se1进行多次闭运算；I6＝imclose(I5,se1)                   (10)步骤6‑3：选择尺寸为2的圆盘结构元se2进行多次开运算；I7＝imopen(I6,se2)                    (11)第七步：将图像边缘外部分进一步去除；第八步：选取10个有代表性的细菌图像样本A1～A10，根据公式(12)～(15)分别计算其所占像素数后求平均像素数average，再统计整幅图像中所有细菌所占像素数total，除以每个细菌平均像素数，最终得到原图像中的细菌总数n。(num)i=ΣAi(x,y)=1Ai(x,y)---(12)]]>average=Σi=110(num)i---(13)]]>total=ΣI7(x,y)=1I7(x,y)---(14)]]>n=totalaverage---(15).]]>