菌落圖像進行分析計數(shù)-畢業(yè)設(shè)計修改版

菌落圖像進行分析計數(shù)_畢業(yè)設(shè)計修改版摘要對菌落圖像進行分析計數(shù)是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進行質(zhì)量檢測的一項很重要的工作。針對菌落圖像的特點，本文通過VC++進行軟件開發(fā)，利用數(shù)字圖像處理技術(shù)對菌落圖像進行處理與分析。主要完成了以下工作：用最大類間差法對采集的菌落圖像進行二值化；通過霍夫變換的方法實現(xiàn)了培養(yǎng)皿邊緣的去除，提出了一種改進的橢圓霍夫變換，該方法能很好地抑制噪聲和干擾的影響；通過距離變換法和分水嶺算法對粘連菌落進行分割；通過八領(lǐng)域邊緣跟蹤和區(qū)域填充法對菌落進行標(biāo)號后計數(shù)。關(guān)鍵詞：菌落分析，距離變換，粘連分割，邊緣跟蹤

ABSTRACTIMAGEPROCESSINGANDANALYSISOFCOLONYisanimportantworkinQualityInspectionforanalysisinthefieldofAgriculture,FoodIndustryandmedicalhealthindustry.Accordingtothefeatureofthecolonyimage,thisarticleuseVC++todevelopsoftware,usedigitalimageprocessingtoanalysisthecolonyimage.Themainresultsareasfollows:1.ItdobinaryColonyimagebyOTSU2.ItrealizedremovingtheedgeofthedishbytheHoughtransformmethod;putforwardanimprovedellipticalHoughtransform,whichcaninhibitnoiseandtheinfluenceofinterference.Studiedthepartitionofoverlappingcolonyusingchaincodedeviationtheoryandawatershedtransformationrespectively.Eight-connectededgetrackingalgorithmandareafillingalgorithmareusedtomarkandcountthecolony.Keywords:colonycounting;distancetransform;overlappingpartition;edgetracking

目錄第1章引言 11.1國內(nèi)外研究現(xiàn)狀 11.1.1圖像處理在計數(shù)方面的應(yīng)用 11.1.2菌落分析的發(fā)展 11.1.3粘連菌落分割研究 21.2研究的目的和意義 31.3本文主要研究內(nèi)容 4第2章關(guān)于數(shù)字圖像處理的理論基礎(chǔ)及常用處理方法 62.1數(shù)字圖像處理的起源及發(fā)展 62.2數(shù)字圖像處理的研究內(nèi)容 62.3數(shù)字圖像處理和分析模塊的基本構(gòu)成 72.4圖像處理的常用方法 8第3章菌落圖像的預(yù)處理 103.1菌落圖像的灰度化 103.1.1RGB顏色模型 103.1.2彩色圖像 103.1.3灰度圖像 113.1.4圖像灰度化 113.2菌落圖像的增強 123.2.1領(lǐng)域平均法 133.2.2中值濾波法 133.3菌落圖像的閾值分割 153.4培養(yǎng)皿邊緣的去除 183.4.1圓的霍夫變換 18第4章粘連菌落的分割 244.1距離變換 244.2分水嶺變換 254.2.1算法原理 254.2.2等值線跟蹤 254.2.3粘連區(qū)域分割點的確定 264.2.4粘連區(qū)域的切割 26第5章菌落圖像的特征提取與計數(shù) 295.1菌落圖像的幾何特征描述 295.1.1周長 295.1.2面積 305.1.3偏心率 305.2菌落的計數(shù) 315.2.1圖像連通區(qū)域的標(biāo)號 315.2.2菌落計數(shù) 325.3試驗結(jié)果及分析 33第6章結(jié)束語 34參考文獻(xiàn) 35致謝 36附錄 37連通區(qū)域標(biāo)號源程序 37英文文獻(xiàn) 41文獻(xiàn)譯文 43

第1章90年代以來，隨著計算機技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)也飛速發(fā)展，使得基于數(shù)字圖像處理來進行菌落計數(shù)成為可能，在國外也相繼有一些關(guān)于全自動菌落計數(shù)儀開發(fā)的研究報道，但由于其設(shè)備復(fù)雜，對菌落形態(tài)、大小等有所限制，未能應(yīng)用于實際工作中。國內(nèi)關(guān)于這方面的研究報道是從這幾年剛剛起步，但發(fā)展極其迅速。目前，國內(nèi)外已有多家企業(yè)或研究機構(gòu)提供全自動菌落計數(shù)儀，如杭州迅數(shù)科技的AS系列以及北京先驅(qū)威鋒技術(shù)開發(fā)公司的ZJL-200型菌落計數(shù)分析儀，另外，美國SpiralBiotech公司、Giles公司，德國Schuett公司等也都有菌落自動計數(shù)儀面世。這些系統(tǒng)大都采用高質(zhì)量、高分辨率和高清晰度的彩色數(shù)碼CCD（大于500萬像素），來獲得高清晰的圖像，再通過先進的硬件技術(shù)和軟件編程，來確?？煽康姆治鼋Y(jié)果。系統(tǒng)通過直觀、友好的操作界面，使操作人員不需專業(yè)培訓(xùn)就能操作，并且都能實現(xiàn)對計數(shù)結(jié)果的統(tǒng)計分析，并能夠?qū)λ媒Y(jié)果進行保存、顯式、打印等操作，計數(shù)速度大都大于300個菌落/秒。而且，這些儀器大都應(yīng)用面比較廣，適用于傳統(tǒng)傾注式、涂布式或螺旋式接種的玻璃平皿和塑料平皿以及快速檢測濾膜、紙片的微生物檢測。另外，為了提高技術(shù)準(zhǔn)確性及系統(tǒng)整體性能，各公司生產(chǎn)的儀器也都有各自的特點，如為了減小光源不均勻所帶來的誤差，杭州迅數(shù)科技的全自動菌落計數(shù)儀系列，提供了上下雙光源、透射底光源、平板式無影側(cè)光源、懸浮式暗視野拍攝系統(tǒng)四種可選擇光源，美國SpiralBiotech公司的Qcount型全自動菌落計數(shù)儀則提供頂部入射光、底部透射光和帶偏振的暗視野三種可選擇光源，美國Giles公司的BIOMICV3則有頂部底部雙向光源、暗場及可選擇的紫外燈三種光源。為了提高性能，德國Schuett公司ColonyQuant菌落計數(shù)儀，同時可在同一個樣品中區(qū)別8種不同顏色的菌落，而浙江理工大學(xué)視覺檢測技術(shù)研究所開發(fā)研制的Hicc-1型高清晰全自動菌落計數(shù)分析儀，通過顏色識別和專有的背景校正，精細(xì)分割光照不勻的菌落，最多可同時計數(shù)出15類不同的菌落。另外，為了使分割準(zhǔn)確，這些儀器都有手動分割的功能。1.1.3粘連菌落分割研究從國內(nèi)外文獻(xiàn)報道來看，對粘連菌落圖像分割的主要方法有基于數(shù)學(xué)形態(tài)學(xué)的腐蝕膨脹法、分水嶺變換法等，這些都是目前分割粘連菌落的主流傳統(tǒng)算法，但是它們在應(yīng)用中表現(xiàn)出局限性。如腐蝕膨脹法對重疊區(qū)域采用先腐蝕分離再膨脹恢復(fù)的策略，獲得具有幾何意義的分界線。但是該法的腐蝕和膨脹的次數(shù)需人工經(jīng)驗確定，且腐蝕和膨脹的不可逆性會造成一定誤差。分水嶺分割算法就是通過確定分水嶺的位置而進行圖像分割的。該算法分割精度較高，但缺點是需要確定種子點，且它們的不同位置會影響邊界的劃定，容易出偽邊界錯誤。而且傳統(tǒng)的分水嶺算法有一些缺陷:1.由于噪聲和梯度的局部不規(guī)則性的影響，分割結(jié)果往往形成過分割；2.由于圖像對比度低，區(qū)域邊界像素的梯度值也較低，目標(biāo)的重要輪廓容易丟失。為改進以上缺陷，一些學(xué)者對傳統(tǒng)的分水嶺算法提出了改進【3-5】。提出了能量最小化的Watersnakes算法，提高了邊界定位的準(zhǔn)確度和連續(xù)性，但對過分割問題的解決貢獻(xiàn)很?。徊捎没鶚?biāo)記Marker的分水嶺算法來消除過分割現(xiàn)象；提出了一種基于地貌修正的分水嶺變換方法來減少重復(fù)分割。這個算法雖然可以有效地分割粘連目標(biāo)，是分割粘連目標(biāo)的常用方法，但是這個算法復(fù)雜，計算量極大，限制了其在實際中的應(yīng)用。另外，王衛(wèi)星等將小波包分割引入分水嶺變換，可以在一定程度上克服分水嶺變換的缺點，在圖像尺寸較小的情況下，分割精度能夠得到一定提高。1.2研究的目的和意義菌落是指細(xì)菌在固體培養(yǎng)基上生長繁殖而形成的能被肉眼識別的生長物，由數(shù)以萬計相同的細(xì)菌集合而成。樣品稀釋后與培養(yǎng)基混合，在一定培養(yǎng)條件下，每個能夠生長繁殖的細(xì)菌細(xì)胞都可以在培養(yǎng)基上形成一個可見的菌落。對菌落進行分析，主要是對菌落的數(shù)量以及大小、形狀等特征進行分析，從而了解細(xì)菌繁殖的動態(tài)，以便對被檢樣品進行衛(wèi)生學(xué)評價時提供科學(xué)依據(jù)。其中，確定菌落數(shù)量是一項非常重要的工作。菌落總數(shù)是指在一定條件下（如需氧情況、營養(yǎng)條件、pH、培養(yǎng)溫度和時間等）每克（每毫升）檢樣所生長出來的細(xì)菌菌落總數(shù)。菌落總數(shù)主要是作為判定物品被細(xì)菌污染程度的標(biāo)志，具有重要的衛(wèi)生學(xué)意義，它可用于觀察食品中細(xì)菌的性質(zhì)以及細(xì)菌在食品中繁殖的動態(tài)，以便對被檢樣品進行衛(wèi)生學(xué)評價時提供科學(xué)依據(jù)。而各種細(xì)菌在一定條件下形成的菌落特征（如大小、形狀、邊緣、表面、質(zhì)地、顏色等）具有一定的穩(wěn)定性，這是衡量菌種純度、辨認(rèn)和鑒定菌種的重要依據(jù)。菌落分析所涉及的主要行業(yè)有：疾病控制、衛(wèi)生檢驗中心；檢驗檢疫局、質(zhì)量技術(shù)監(jiān)督局；醫(yī)院、大學(xué)、科學(xué)研究機構(gòu)：食品科學(xué)與工程，微生物，發(fā)酵，免疫，醫(yī)學(xué)檢驗，公共衛(wèi)生；環(huán)境監(jiān)測部門、自來水公司；食品企業(yè)：飲料，飲用水，乳及乳制品，保健食品，糕點糖果，膨化食品，食品添加劑，糧食及其制品，酒類，調(diào)味品，微生態(tài)保健食品；消毒劑、消毒器械：消毒劑，消毒器械，生物指示劑，化學(xué)指示劑，滅菌包裝物；一次性使用醫(yī)療用品：輸注類，導(dǎo)管類，診斷、治療器具類，透析器具類，麻醉器具類，手術(shù)巾、敷料類，護理器材類；衛(wèi)生用品、化妝品業(yè)：衛(wèi)生巾，尿布，皮膚、粘膜衛(wèi)生用品，隱形眼睛護理用品，其他的一次性衛(wèi)生用品；制藥企業(yè)：生物制藥，化學(xué)制藥，抗生素企業(yè)等。對菌落進行分析是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進行質(zhì)量檢測的一項基本而非常重要的工作。例如，食品中細(xì)菌菌落總數(shù)越多，則表明該食品污染程度越重，腐敗變質(zhì)速率越快，因此，細(xì)菌菌落總數(shù)作為食品衛(wèi)生質(zhì)量的重要標(biāo)準(zhǔn)能夠反映出食品的新鮮程度、是否變質(zhì)以及生產(chǎn)過程的一般衛(wèi)生狀況等。水中細(xì)菌總數(shù)往往同水體受有機物污染的程度呈正相關(guān)，它是評價水質(zhì)污染程度的一個重要指標(biāo)之一。而在醫(yī)學(xué)領(lǐng)域，對菌落進行分析是醫(yī)生進行疾病診斷、細(xì)菌變異研究的重要依據(jù)。由此可以看出，菌落分析對于人民食品安全、衛(wèi)生健康等都有著非常重要的意義，同時，它也對人民生活質(zhì)量的提高有著非常重要的影響。中國水產(chǎn)科學(xué)研究院黃海水產(chǎn)研究所就曾在2007年引進一臺全自動菌落分析儀，用于進行魚類致病微生物菌落圖譜制作，加強魚類細(xì)菌性疾病的基礎(chǔ)性研究工作。國內(nèi)通常采用國家標(biāo)準(zhǔn)檢驗法--普通營養(yǎng)瓊脂傾注平皿法進行菌落接種計數(shù)。傳統(tǒng)的方法是采用人工剝離進行計數(shù)，由于試驗樣品量往往很大，使用該法不僅工序繁雜、耗時長、效率低，而且依靠人工觀察計數(shù)帶有一定的主觀性,誤差大，重現(xiàn)性不好。后來出現(xiàn)的菌落計數(shù)器雖然在一定程度上可以減輕人工的勞動，但對菌落進行計數(shù)仍然是一項費時、繁雜的工作。近年來，圖像測量技術(shù)作為測量領(lǐng)域中的新興技術(shù)，已經(jīng)在很多領(lǐng)域得到了廣泛應(yīng)用，它是以現(xiàn)代光學(xué)為基礎(chǔ)，融光電子學(xué)、激光技術(shù)、計算機圖像學(xué)、信息處理和計算機視覺為一體，實現(xiàn)對測量對象的實時、在線、非接觸測量，可以在很大程度上克服人為誤差。利用計算機圖像處理技術(shù)[6]進行菌落分析也逐漸被人們關(guān)注，它不僅可以消除主觀因素的影響，分析結(jié)果比較準(zhǔn)確可靠，所用設(shè)備也簡單方便，而且易于操作。目前，市場上已經(jīng)出現(xiàn)一些全自動菌落分析儀，但是，多為國外進口，價格昂貴，因此只有一些大的企業(yè)和科研單位能夠買得起，大部分企業(yè)仍然采用價格便宜的菌落計數(shù)器。而且，即使是目前最先進的菌落分析儀，為了使分析結(jié)果準(zhǔn)確，在分析過程中仍然需要進行人工干預(yù)。因此，有必要開展這方面的研究，使其分析結(jié)果更加準(zhǔn)確，而且盡量采用軟件技術(shù)來減小系統(tǒng)對硬件的要求，使其在生產(chǎn)成本上能有很大幅度的降低。這樣，將使全自動菌落分析儀可以被很多中小企業(yè)所接受，這對于提高工廠生產(chǎn)效率、減輕工人勞動強度有很重要的意義，更進一步，它也會對提高國民生產(chǎn)總值，改善人民生活質(zhì)量產(chǎn)生深遠(yuǎn)影響。本文主要研究內(nèi)容本課題是利用數(shù)字圖像處理算法實現(xiàn)對菌落圖像的預(yù)處理、去除平皿邊緣、粘連菌落分割、菌落特征提取、菌落計數(shù)等，得到滿足需要的結(jié)果。針對菌落圖像特點，提出用最大類間方差法對采集的菌落圖像進行二值化，用變換去除平皿邊緣圖像，用距離變換和分水嶺算法分割粘連菌落，最后用八鄰域邊緣跟蹤和區(qū)域填充算法進行標(biāo)號后計數(shù)。實驗證明此法不僅計數(shù)結(jié)果準(zhǔn)確，重現(xiàn)性好，而且速度快，計數(shù)結(jié)果不受菌落接種方法、菌落種類、形態(tài)、大小的影響，完全可以代替?zhèn)鹘y(tǒng)的人工計數(shù)，具有一定的推廣和應(yīng)用價值。

第2章關(guān)于數(shù)字圖像處理的理論基礎(chǔ)及常用處理方法數(shù)字圖像處理是通過計算機對圖像進行去除噪聲、增強、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個因素的影響:一是計算機的發(fā)展;二是數(shù)學(xué)的發(fā)展特別是離散數(shù)學(xué)理論的創(chuàng)立和完善;三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長。DigitalImageProcessing）又稱為計算機圖像處理，它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機對其進行處理的過程。數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時的電子計算機已經(jīng)發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。但是50年代的計算機主要還是用于數(shù)值計算，滿足不了處理大量數(shù)據(jù)圖像的要求。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60年代初期。伴隨著第三代計算機的研制成功，以及快速傅里葉變換算法的的發(fā)現(xiàn)和應(yīng)用使得對圖像的某些計算得以實際實踐。早期的圖像處理的目的是改善圖像的質(zhì)量，它以人為對象，以改善人的視覺效果為目的。在70年代圖像技術(shù)有了長足進展，80年代，硬件的發(fā)展使得人們不僅能處理2-D圖像而且能處理3-D圖像，許多能獲取3-D圖像的設(shè)備和處理分析3-D圖像的系統(tǒng)研制成功，圖像技術(shù)得到廣泛應(yīng)用。2.2數(shù)字圖像處理的研究內(nèi)容數(shù)字圖象處理，就是采用計算機對圖像進行信息加工。圖象處理的主要內(nèi)容有：圖像的采集、增強、復(fù)原、變換、編碼、重建、分割、配準(zhǔn)、嵌拼、融合、特征提取、模式識別和圖像理解。對圖像進行處理或加工、分析的主要目的有三個方面：（1提高圖像的視感質(zhì)量,如進行圖像的亮度、彩色變換,增強、抑制某些成分,對圖像進行幾何變換等,以改善圖像的質(zhì)量。（2提取圖像中所包含的某些特征或特殊信息,這些被提取的特征或信息往往為計算機分析圖像提供便利。提取特征或信息的過程是模式識別或計算機視覺的預(yù)處理。提取的特征可以包括很多方面,如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。（3圖像數(shù)據(jù)的變換、編碼和壓縮,以便于圖像的存儲和傳輸。不管是何種目的的圖像處理,都需要由計算機和圖像專用設(shè)備組成的圖像處理系統(tǒng)對圖像數(shù)據(jù)進行輸入、加工和輸出。2.3數(shù)字圖像處理和分析模塊的基本構(gòu)成一個基本的圖像（處理和分析）可由五部分（如圖2.1）表示：圖2.1圖像處理和分析模型這五部分分別是：采集、顯示、存儲、通信、處理和分析。（1）圖像采集模塊為采集數(shù)字圖像，需要兩種裝置。一種是對某個電磁能量譜段（如X射線、可見光、紅外線等）敏感的物理器件，它能產(chǎn)生與所接受到的電磁能量成正比的（模擬）電信號。另一種稱為數(shù)字化器，他能將上述電信號轉(zhuǎn)化為數(shù)字形式，所有采集數(shù)字圖像的設(shè)備都需要這兩種裝置。（2）圖像顯示模塊對于圖像處理來說，最終的目的是要顯示給人看的。對于圖像分析來說，分析的結(jié)果也可以借助計算機圖形學(xué)技術(shù)轉(zhuǎn)換為圖像形式直觀的顯示。所以圖像的顯示對其處理和分析系統(tǒng)是非常重要的。常用的圖像處理和分析系統(tǒng)主要顯示設(shè)備是顯示器，輸入顯示圖像也可拷貝到照片或透明膠片上，除了顯示器，還有投影儀和各種打印設(shè)備可以用于圖像輸出顯示。（3）圖像存儲模塊圖像包含有大量的信息因而存儲圖像也需要大量空間。用于數(shù)字處理和圖像分析的數(shù)字存儲器可分為三類：a，處理和分析過程中使用的快速存儲器。計算機內(nèi)存就是一種提供快速存儲功能的存儲器，在圖像處理中大量的運算所產(chǎn)生的緩存數(shù)據(jù)可以存儲在里面，方便隨時調(diào)用數(shù)據(jù)進行圖像處理運算。b，用于比較快速的重新調(diào)用的在線或聯(lián)機存儲器。c，不經(jīng)常使用的數(shù)據(jù)庫存儲器。這種存儲器的特點是要求非常大的容量，但對數(shù)據(jù)讀取不太頻繁，常用于對數(shù)字圖像的保存。（4）圖像通信模塊隨著網(wǎng)絡(luò)發(fā)展的進步，圖像的通信傳輸也得到極大關(guān)注。圖像傳輸可使不同的系統(tǒng)共享圖像數(shù)據(jù)資源，極大地推動了圖像在各個領(lǐng)域的應(yīng)用。（5）圖像處理和分析模塊對圖像的處理和分析一般可用算法來描述，而大多數(shù)算法可通過軟件來實現(xiàn)，在為了提高速度和克服通用計算機的缺陷時才應(yīng)用專用的硬件實現(xiàn)。90年代后，各種工業(yè)標(biāo)準(zhǔn)的訂立也促進了圖像處理分析軟件的發(fā)展，使圖像處理變得更加方便快捷。2.4圖像處理的常用方法（1）圖像變換由于圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數(shù)字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應(yīng)用。（2）圖像的增強圖像的增強用于調(diào)整圖像的對比度，突出圖像中的重要細(xì)節(jié)，改善視覺質(zhì)量。通常采用灰度直方圖修改技術(shù)進行圖像增強。圖像的灰度直方圖是表示一幅圖像灰度分布情況的統(tǒng)計特性圖表，與對比度緊密相連。如果獲得一幅圖像的直方圖效果不理想，可以通過直方圖均衡化處理技術(shù)作適當(dāng)修改，即把一幅已知灰度概率分布圖像中的像素灰度作某種映射變換，使它變成具有均勻灰度概率分布的新圖像，使圖像清晰。（3）圖像的平滑圖像的平滑處理即圖像的去噪聲處理，主要是為了去除實際成像過程中，因成像設(shè)備和環(huán)境所造成的圖像失真，提取有用信息。實際獲得的圖像在形成、傳輸、接收和處理過程中，不可避免地存在外部干擾和內(nèi)部干擾，如光電轉(zhuǎn)換過程中敏感元件靈敏度的不均勻性、數(shù)字化過程的量化噪聲、傳輸過程中的誤差以及人為因素等，均會使圖像變質(zhì)。因此，去除噪聲恢復(fù)原始圖像是圖像處理中的一個重要內(nèi)容。（4）邊緣銳化圖像邊緣銳化處理主要是加強圖像中的輪廓邊緣和細(xì)節(jié)，形成完整的物體邊界，達(dá)到將物體從圖像中分離出來或?qū)⒈硎就晃矬w表面的區(qū)域檢測出來的目的。銳化的作用是要使灰度反差增強，因為邊緣和輪廓都位于灰度突變的地方。所以銳化算法的實現(xiàn)是基于微分作用。它是早期視覺理論和算法中的基本問題。（5）圖像的分割圖像分割是將圖像分成若干部分，每一部分對應(yīng)于某一物體表面，在進行分割時，每一部分的灰度或紋理符合某一種均勻測度度量。其本質(zhì)是將像素進行分類。分類依據(jù)是像素的灰度值、顏色、頻譜特性、空間特性或紋理特性等。圖像分割是圖像處理技術(shù)的基本方法之一，應(yīng)用于諸如染色體分類、景物理解系統(tǒng)、機器視覺等方面。

第3章菌落圖像的R、G、BR、G、BRGB顏色模型為了科學(xué)的定量描述和使用顏色，人們提出了各種顏色的模型，例如RGB顏色模型、HIS顏色模型等。計算機中的數(shù)字圖像，用的最多的是RGB彩色空間，因為計算機彩色監(jiān)視器的輸入需要RGB三個彩色分量，通過三個分量的不同比例，在顯示屏幕上合成所需要的任意顏色，即不管用什么形式的彩色空間，最后的輸出一定要轉(zhuǎn)換成RGB彩色空間。自然界常見的各種顏色光，都可由紅、綠、藍(lán)三種顏色的光按照不同比例相配而成，這就是色度學(xué)中最基本原理――三基色原理【6】。由于人眼對紅、綠、藍(lán)三種色光最敏感，因此由這三種顏色相配所得的彩色范圍最廣，選紅、綠、藍(lán)三種顏色作為基色，構(gòu)成RGB彩色空間，也稱為RGB彩色模型。在RGB彩色空間中，任意彩色光L，其配色方程可以表示為【7】：（3.1）式中，r、g、bR、G、B[R]、[G]、[B]r[R]、g[G]、b[B]L的三色分量，且有。3.1.2彩色圖像任何顏色都可以由紅、綠、藍(lán)三種基本顏色按照不同的比例混合得到，每種基本顏色可以分成0～255共256個等級，那么由紅、綠、藍(lán)（簡稱RGB三原色）組成顏色的種類可以達(dá)到（約1600萬）種。當(dāng)一副圖像的每個像素被賦予不同的RGB值時，就形成了彩色圖像。常見的彩色圖像有帶調(diào)色板的彩色圖像和不帶調(diào)色板的真彩色圖像兩種。兩者的區(qū)別在于圖像所包含的顏色數(shù)量、顏色的表示方式。帶調(diào)色板的彩色圖像的每個像素值與調(diào)色板查找表中的索引號相對應(yīng)，通過索引號可以在調(diào)色板中找到像素點的彩色值；真彩色圖像沒有采用調(diào)色板技術(shù)，每個像素值直接用R、G、BGrayscale）是指只含亮度信息，不含色彩信息的圖像，就像平時看到的亮度由暗到明的黑白照片，亮度變化是連續(xù)的。因此，要表示灰度圖，就需要把亮度值進行量化，通常劃分為0～255共256個級別，0表示最暗（全黑），255最亮（全白），數(shù)值越接近0，對應(yīng)的像素點越黑；相反，則對應(yīng)的像素點越白?；叶葓D像使用比較方便，首先圖像每個像素點的R、G、BR、G、B256色的調(diào)色板，所以圖像數(shù)據(jù)中的一個字節(jié)代表一個像素。如果是彩色的256色的調(diào)色板，圖像處理后可能會產(chǎn)生不屬于這256種顏色的新顏色，所以，圖像處理一般采用灰度圖像。3.1.4圖像灰度化在RGB顏色模型中，如果RGB，則顏色（R、G、BRGB的值叫做灰度值。彩色和灰度之間可以相互轉(zhuǎn)化，由彩色轉(zhuǎn)化為灰度的過程叫做灰度化處理；由灰度轉(zhuǎn)化為彩色的過程叫作偽彩色處理。彩色圖像灰度化就是使彩色的R、G、BR、G、B0～255，所以灰度的級別只有256級，即灰度圖像僅能表現(xiàn)256種顏色。彩色圖像灰度化沒有統(tǒng)一的標(biāo)準(zhǔn)。一般來說，都是根據(jù)原來圖像的RGB的3個分量以及它們的權(quán)重來求取的。本文采用加權(quán)平均值法進行圖形的灰度化處理。即根據(jù)重要性或其他指標(biāo)給R、G、BR、G、B（3.2）其中U、V、WR、G、BU、V、WUVW時將得到較合理的灰度圖像。試驗和理論推導(dǎo)證明，當(dāng)U0.299，V0.587，W0.114時，即當(dāng)（3.3）時，能夠得到最合理的灰度圖像，本研究采用此種方法。這個公式也是電視工業(yè)標(biāo)準(zhǔn)灰度化的方法，用這種方法可以從彩色電視信號得到自然的黑白亮度信號，該方法除用于電視亮度信號外，也廣泛用于其它彩色圖像的灰度化處理中。圖3.2就是利用加權(quán)平均值法對圖3.1灰度化處理的結(jié)果，菌落圖像已經(jīng)沒有了彩色成分，在內(nèi)存中表示圖像的矩陣也由原來的三個矩陣減少為一個矩陣，圖像的數(shù)據(jù)量大大減少了。圖3.1原始菌落圖像圖3.2灰度化處理后的菌落圖像3.2菌落圖像的增強在菌落圖像處理的過程中，實際獲得的圖像一般都因灰塵、雜質(zhì)、光照等某種干擾而含有噪聲，這些噪聲使圖像質(zhì)量退化，并淹沒了菌落的特征，給圖像的處理和識別帶來了困難。在圖像處理系統(tǒng)中加入圖像增強處理，可以達(dá)到減少或消除噪聲影響，增強菌落特征的作用。圖像增強是數(shù)字圖像處理的基本內(nèi)容之一，它是指按特定的需要突出一幅圖像中的某些信息，同時削弱或去除某些不需要的信息，它是一種將原來不清晰的圖像變得清晰或強調(diào)某些感興趣的特征，抑制不感興趣的特征，使之改善圖像質(zhì)量，豐富信息量，加強圖像判讀和識別效果的圖像處理方法。同時，它也是對圖像視覺效果改善行之有效、相對簡單的方法。圖像增強可分為兩大類：頻域處理法與空域處理法。論文中主要采用的是空域處理中的圖像平滑方法，通過修改像素灰度值的方法來減少和消除圖像中高頻噪聲，改善圖像的對比度，達(dá)到提高目標(biāo)圖像視覺效果的目的。常用的平滑處理的方法有鄰域平均法和中值濾波法【8】。3.2.1領(lǐng)域平均法鄰域平均法是一種局部處理算法，它是一種線性濾波，領(lǐng)域平均法的過程是使一個窗口在圖像上滑動，窗口中心位置的值用窗口內(nèi)各點的像素值的平均值來代替，即這種方法的基本思想是用幾個像素點的灰度值的平均值來代替一個像素的灰度值。對于位置處的像素，其灰度值為，平滑后的灰度值為，則由包圍鄰域的若干個像素的灰度平均值所決定，即用下式可得到平滑的像素灰度值3.4式中，A表示以為中心的鄰域點的集合，M是A中像素點的總數(shù)。圖3.3表示了常用的4鄰域點和8鄰域點的集合。（a）4鄰域點的集合（b）8鄰域點的集合圖3.3鄰域平均法示意圖3.2.2中值濾波法中值濾波也是一種局部平均平滑技術(shù)，是非線性濾波去噪方法，由于它在實際的運算過程中不需要統(tǒng)計特性，所以使用比較方便。中值濾波是采用一個含有奇數(shù)個點的滑動窗口，用窗口中各點的灰度值的中值來代替窗口中心點像素的灰度值。對于一個一維序列，取窗口長度為m，m為奇數(shù)。對此序列進行中中值濾波，就是從輸入序列中順序取出m個元素，，其中i為窗口的中心位置，vm-1/2，將這m個元素按照數(shù)值大小排列，位于正中間的那個數(shù)值作為濾波輸出。即3.5式中Med…表示取序列中值。對于二維序列進行中值濾波時，濾波窗口也是二維的，將窗口內(nèi)像素排序，生成單調(diào)數(shù)據(jù)序列，二維中值濾波的結(jié)果為3.6圖3.4就是常用的二維中值濾波的窗口。利用鄰域平均方法（8鄰域點平均）和中值濾波方法（3×3二維濾波窗口）分別對含有噪聲的菌落圖像（圖3.2）進行處理，由結(jié)果（圖3.5）可以看出，鄰域平均法處理后的圖像變得模糊，相比之下，中值濾波方法可以克服線性濾波所帶來的圖像細(xì)節(jié)模糊現(xiàn)象，能夠比較好的保護圖像的邊緣，而且對濾除脈沖干擾及顆粒噪聲最為有效，所以論文采用中值濾波方法對菌落圖像進行圖像增強處理。圖3.4二維中值濾波窗口（a）鄰域平均法（b）中值濾波法圖3.5圖像平滑對比圖3.3菌落圖像的閾值分割圖像的二值化一般通過閾值分割的方法來實現(xiàn)。閾值分割是一種簡單、有效的圖像分割方法,它的基本思想是利用圖像中要提取的目標(biāo)與背景的灰度值間、或者目標(biāo)與目標(biāo)的灰度值之間的差異，取一個或幾個合適的灰度值作為門限值（閾值），然后把圖像中的每一個像素和閾值進行比較，由此可將圖像以閾值為界分為兩類或多類，從而把目標(biāo)與背景或目標(biāo)與目標(biāo)分割開來【9】。設(shè)輸入圖像為，輸出圖像為，以代表任一點像素，代表輸入圖像該點的灰度值，代表輸出圖像該點的灰度值，閾值分割可用公式表示如下。若圖像分為目標(biāo)與背景，所選閾值為T，則有（3.7）T可將圖像分為背景和目標(biāo)，所得的圖像稱為二值圖像。根據(jù)閾值分割的定義可以看出，閾值分割的結(jié)果很大程度上依賴于分割閾值的選擇，閾值的設(shè)定對二值化處理產(chǎn)生的結(jié)果影響非常大，圖3.6為不同閾值下的處理結(jié)果?？梢园l(fā)現(xiàn)，過小的閾值會把不需要的內(nèi)容也一起提取出來，而過大的閾值會去掉部分目標(biāo)物體，所以合理的確定閾值非常重要。閾值的確定方法有很多，本文采用最大類間方差法，即由Otsu【10】（即大津展之）于1978年提出的最大類間方差法，又稱為大津閾值分割法，它是在判決分析和最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的，算法較為簡單，是一種引起較多關(guān)注的閾值選取方法。本文研究的識別系統(tǒng)圖像分割算法主要就是基于大津閾值分割算法的多種擴展應(yīng)用。設(shè)原始灰度圖像灰度級為L，灰度級為的像素點數(shù)為，則圖像的全部像素的點數(shù)為：。歸一化直方圖，則（3.8）按灰度級用閾值t劃分為兩類：和。因此，和類的類出現(xiàn)概率及均值層分別由下列各式給出（3.9）（3.10）（a）原始圖像（b）閾值為165（c）閾值為200（d）閾值為220圖3.6不同閾值分割菌落圖像（3.11）（3.12）式中（3.13）可以推出，對任何t值，下式都能成立（3.14）和類的方差可由下式求得（3.15）（3.16）定義類內(nèi)方差為（3.17）類間方差為3.18總體方差為3.19引入下列關(guān)于t的等價的判決準(zhǔn)則3.20這三個準(zhǔn)則是彼此等效的，將使和兩類得到最佳分離的值作為最佳閾值，因此將定義為最大判決準(zhǔn)則。由于是基于二階統(tǒng)計特性，而是基于一階統(tǒng)計特性，和是閾值t的函數(shù)，而與t值無關(guān)，因此三個準(zhǔn)則中最為簡便，所以選用其作為準(zhǔn)則可得最佳閾值（3.21）通過使用最大類間方差算法得到分割閾值進行分割時，雖然可以極大限度地分割目標(biāo)像素和背景像素，但是會有過分割（將少量目標(biāo)像素分割成背景）和欠分割（將少量的背景像素分割為目標(biāo)）的情況出現(xiàn)。由于大部分的圖像都具有上述的灰度分布特點，這樣的誤分割是很難避免的。3.4培養(yǎng)皿邊緣的去除在對二值菌落圖像進行反色處理后可以看出，除了檢測出菌落圖像外,還可見明顯的培養(yǎng)皿邊緣圖像,如圖3.7所示。這影響了后續(xù)計數(shù)步驟的進行,故需去除培養(yǎng)皿邊緣圖像。傳統(tǒng)的方法是通過邊緣檢測的方法來進行處理，但是由于二值化后的圖像邊緣并不完整，因此不適用于這種方法。由于培養(yǎng)皿邊緣是個規(guī)則的圓形,在畸變之后可能變?yōu)闄E圓，因此本文采用Hough變換檢測圓的方法來去除培養(yǎng)皿邊緣圖像。Hough變換是由PaulHough在1962年提出的，它在圖像處理和計算機中經(jīng)常被用來在邊緣增強后的圖像中提取目標(biāo)的邊緣信息。Hough變換實現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系，它將圖像空間中復(fù)雜的邊緣特征信息轉(zhuǎn)化為參數(shù)空間中的聚類檢測問題。這使Hough變換具有明了的幾何解析性、一定的抗干擾能力和易于實現(xiàn)并行處理等優(yōu)點；另一方面，它也存在著計算量大每個邊緣點映射成參數(shù)空間的一個曲面有時可簡化成一條曲線，是一到多的映射、占用內(nèi)存大、提取的參數(shù)受參數(shù)空間的量化間隔制約等缺陷。Hough變換長期以來一直是直線檢測的一種有效算法，直線上各點經(jīng)過變換轉(zhuǎn)換至參數(shù)空間中某一定點并在該點累積，形成參數(shù)空間中的局部最大值，從而檢測到直線。但應(yīng)用在圓或橢圓的檢測中，參數(shù)空間的維數(shù)將擴大到三維和五維，這將耗費大量的存儲空間和處理器時間。針對如何降低參數(shù)空間的維數(shù)、減少計算量，許多人提出了自己的看法，但很多算法對圖像中的噪聲干擾、計算的量化誤差仍考慮不足。在菌落圖像中，經(jīng)過預(yù)處理后培養(yǎng)皿的邊緣是圓形，當(dāng)菌落圖像傾斜時就是橢圓形。對菌落的識別，就需要去除培養(yǎng)皿邊緣的圖像，從而準(zhǔn)確地實現(xiàn)菌落的自動計數(shù)。Hough變換【11】及其改進算法是解決以上問題的一種有效途徑。本文提出了一種改進的橢圓的霍夫變換，利用圓和橢圓的對稱性對圖像過濾，形成子圖并獲得可能的形心位置，進而在各子圖上采用霍夫變換的投票機制獲得其余的參數(shù)，識別出橢圓，從而實現(xiàn)對菌落的識別和計數(shù)。該方法能很好地抑制噪聲和誤差的干擾。3.4.1圓的霍夫變換圓的一般方程是（3.22）它表示的物理意義是，圖像空間中的圓對應(yīng)著參數(shù)空間中的一個點，而圖像空間的一個點x,y對應(yīng)著參基于圖像處理的菌落分析系統(tǒng)開發(fā)研究數(shù)空間中的一個三維直立圓錐，該點約束了通過該點一族圓的參數(shù)。圖3.7二值化圖像反色處理顯然，圖像空間中圓上的點映射到參數(shù)空間中的一族圓錐的交點正好對應(yīng)于圓的圓心坐標(biāo)和圓的半徑。對參數(shù)空間適當(dāng)量化，構(gòu)造一個三維的累加數(shù)組，對圖像空間所存在的圓邊界形狀檢測時，先計算圖像每點強度的梯度信息，然后根據(jù)適當(dāng)閾值求出邊緣，再計算與邊緣上的每一點像素距離為r的所有點，同時A累加：+1。改變r值可以根據(jù)先驗知識確定其變化范圍，減少計算量再重復(fù)上述過程，當(dāng)對全部邊緣點變換完成后，所有累加數(shù)組的值進行檢驗，其峰值的坐標(biāo)就對應(yīng)著圖像空間中圓的圓心和半徑。2.利用梯度方向的圓的霍夫變換對灰度圖像獲取邊緣的同時，得到圖像每點的強度信息可以顯著減少Hough變換的計算量。這種改進方法是使r沿著邊緣點的法線方向變化，而不是所有方向。圓心的計算公式為（3.23）其中，,、分別是兩個方向的梯度。實際計算中，可以直接計算出（3.24）其中，，這種方法已成為圓檢測的標(biāo)準(zhǔn)Hough變換。對于大多數(shù)灰度圖像來說，抽取后的景物邊緣仍有一定的寬度，以及噪聲的存在，參與變換的像素點仍然較多，從而計算量仍然很大。3.4.2一種改進的橢圓的霍夫變換1.橢圓和圓的幾何特性及引理引理1：設(shè)E為一橢圓或圓，現(xiàn)對E自左向右，自上而下掃描。假設(shè)每一水平掃描線與E相交于點和，為和的中點，則所有均處于同一直線上，稱其為縱軸，則稱為對于的對稱點（見圖3.8（a））。引理2：設(shè)E為一橢圓或圓，現(xiàn)對E自上向下，自左而右掃描。假設(shè)每一垂直掃描線與E相交于點和，為和的中點，則所有均處于同一直線上，稱其為橫軸，則稱為對于的對稱點（見圖3.8（b））。引理3：設(shè)E為一橢圓或圓，和為E的兩條對稱軸，則和的交點即為橢圓E的中心見圖3.9。2.形心的提取在開始提取橢圓形心前，首先提取圖像的邊緣信息，并將其存儲于圖像F中。形心坐標(biāo)的提取步驟為:1初始化一空白圖像G，自左向右，自上而下掃描圖像F，對于每個邊界特征點，應(yīng)用引理1，求取所有的，并將其存儲于G中。2對圖像G作霍夫變換檢測直線，檢測到的結(jié)果即是可能的。根據(jù)檢測到的各在F中提取和相關(guān)的對稱點，形成子圖。（3）G，自上向下，自左而右掃描圖像，對于每個邊界特征點，應(yīng)用引理2，求取所有的，并將其存儲于G中。（4）對圖像G作霍夫變換檢測直線，檢測到的結(jié)果即是可能的。根據(jù)檢測到的各，在中提取和相關(guān)的對稱點，形成子圖。（a）對稱產(chǎn)生縱軸（b）對稱產(chǎn)生橫軸圖3.8橢圓對稱軸的獲取圖3.9獲取橢圓的圓心（5）求取和的交點，根據(jù)引理3，該交點即是供候選的形心。經(jīng)過以上步驟，不僅提取出了可能的形心坐標(biāo)，降低了哈夫變換參數(shù)空間的維數(shù)，而且還濾除了許多不包含對稱性的特征點如噪聲，達(dá)到了去噪的濾波作用。3.橢圓旋轉(zhuǎn)角的獲取設(shè)為橢圓E上的某一點，為P點梯度向量的角度，a和b分別為橢圓的半長軸與半短軸。對于圓心在、轉(zhuǎn)角度為零的橢圓，滿足以下關(guān)系：（3.25）當(dāng)橢圓以為圓心，旋轉(zhuǎn)角為U時，滿足以下關(guān)系：（3.26）由式（2.26）可知，目前的未知參數(shù)為長短軸比和轉(zhuǎn)角，令利用霍夫變換在空間上投票，并在空間上尋找局部最大值，從而確定和的值。以上投票過程并非針對圖像F中的所有邊界點進行，而是在步驟2所獲得的子圖中進行。因為F中存在很多不必要的干擾點，影響檢測的精度，而濾除了噪聲和其他圖形邊界的干擾，提高了檢測的精度。4.橢圓長短軸的確定在已知的條件下，橢圓上點滿足下式：，（3.27）如果在步驟3中成功地獲得了的值，則橢圓的長短軸值可由式（3.27）求得。同理，在子圖中對每個邊界點在參數(shù)空間上投票，通過尋求參數(shù)空間上局部最大值來確定該橢圓的長短軸。將不同子圖的結(jié)果加以組合，即可獲得整個圖像F中所有橢圓信息。上面討論了利用幾何對稱性提取圖像中圓和橢圓的方法，并根據(jù)對稱性特點快速確定形心，濾除原圖中不必要的干擾信息，降低霍夫變換參數(shù)空間的維數(shù)，達(dá)到了準(zhǔn)確、快速提取橢圓的效果。在實際應(yīng)用時，參數(shù)空間中累加器的疊加及尋找局部最大值時的閾值選取尤為重要，必要時還必須用相應(yīng)的函數(shù)對其進行平滑處理。在本文的實現(xiàn)過程中，參數(shù)空間閾值的選取仍依靠經(jīng)驗來選取某一固定值，這是實現(xiàn)中的不足之處。由于在步驟3和步驟4中采用霍夫變換的投票機制確定參數(shù)，使得圖像中橢圓邊界即使不連續(xù)或者少部分殘缺小于30%的情況下，仍能夠達(dá)到較為滿意的結(jié)果。用這種方法對菌落圖像的培養(yǎng)皿邊緣的識別準(zhǔn)確率在98%以上。同時當(dāng)培養(yǎng)皿邊緣畸變?yōu)闄E圓時，這種方法也適合，因為圓是橢圓的一種特例。用橢圓的Hough變換來識別一幅圖像中有圓和橢圓的情況，提高了識別的可靠性。圖3.10為去除培養(yǎng)皿邊緣后的菌落圖像。圖3.10去除培養(yǎng)皿邊緣圖像

第4章粘連菌落的分割從去除平皿邊緣后的菌落圖像（圖）看出，有些菌落之間存在明顯的粘連，為使后續(xù)的計數(shù)準(zhǔn)確，需把粘連菌落分割開來。針對圖的特點，本文采用了一種將距離變換和分水嶺算法結(jié)合使用的分割方法。,它將一幅二值圖像轉(zhuǎn)化為一幅灰度圖像,在這幅灰度圖像中,每個像素的灰度級是該像素與距其最近的背景間的距離。從理論上講,要計算一個像素點到背景像素點的最短距離,需要對圖像進行全局操作運算,即計算此像素點與所有背景像素點的距離,再取最小值。除非這幅數(shù)字圖像的尺寸非常小,否則這種全局操作的計算量是非常大的。實際運用中的距離變換實現(xiàn)算法是從鄰近像素點入手,每次只計算其與局部相鄰的幾個像素點距離的最小值,根據(jù)全局距離是局部距離按比例疊加而成的原理,對圖像進行前后兩次掃描,最終得到近似的距離圖像?；谏鲜鲈?實踐中用倒角Chamfer算法來進行距離變換,簡單快速,其計算出的距離合理逼近于真實的歐氏幾何距離Euclidean?！?模板,以一種類似于卷積的操作在整幅圖像中移動。其具體算法是先把二值圖像中背景灰度設(shè)為0,目標(biāo)菌落灰度設(shè)為1;然后對圖像做兩次掃描,前向掃描從左到右,自頂向下進行,后向掃描從右到左,自底向上進行;一旦模板中心移動到某一目標(biāo)位置時,模板中的每個元素就與其對應(yīng)位置處的圖像像素值相加,從而得到一個兩項和的集合,位于模板中心的圖像像素值就用這些和中的最小值代替。a5×5前向模板b5×5后向模板圖3.1距離變換模板用5×5模板計算的距離與真實幾何距離的差距一般為1.96%～2.02%。當(dāng)然可以采用更高階的模板,每次考慮更多鄰域的像素點,如7××5模板,計算出來的距離為歐氏距離的5倍。4.2分水嶺變換4.2.1算法原理距離變換的結(jié)果得到一幅灰階圖像，圖中每個像素的灰度值是該像素到最近的背景像素的距離。距離變換在分割相互粘連的區(qū)域時十分有效，分水嶺算法就是建立在這個基礎(chǔ)之上的。如果把距離變換圖中像素的灰度看作高度就可得到一幅立體的地形圖。其中區(qū)域核心部分的高度最高，經(jīng)常需要找出圖中這些“制高點”，顆粒分析中可用它們來統(tǒng)計顆粒的數(shù)目。分水嶺算法（或稱水線算法）則是將距離變換圖倒轉(zhuǎn)過來翻看。這樣，高峰就變成了凹坑，如果坑中有水，水就會積在坑底。分水嶺算法就是利用水平面逐漸提高時發(fā)生的現(xiàn)象來進行類比的。開始時由于坑中的水比較少，各個水坑是彼此分離的。等到水面升高到一定程度，有些水坑中的水就會連成一片。本算法的關(guān)鍵在于尋找兩個“水坑”將連未連的點。粘連區(qū)域的分割點就在第一次連接時的那條邊界線上，由找出的分割點再來確定將粘連區(qū)域分割開的線段。4.2.2等值線跟蹤通常，分水嶺算法采用數(shù)學(xué)形態(tài)學(xué)運算來實現(xiàn)，即先用最終腐蝕標(biāo)記所有粒子，所謂最終腐蝕是指腐蝕處理時不能使粒子消失，處理結(jié)果每個粒子收縮成一個點。然后用條件膨脹標(biāo)記生長出粒子，所謂條件膨脹是指將膨脹限制在原始集合內(nèi)，同時當(dāng)兩個粒子靠得很近時不能有連接部分。這種算法比較費時，而且實現(xiàn)起來比較困難，因此本文采用一種較為簡單的處理方法――等值線跟蹤法。從結(jié)構(gòu)上看，距離變換圖是一系列層層嵌套的封閉等值線。上面介紹的分水嶺算法中的水面提高，在實際操作中等價于距離值逐次降低。水面上升區(qū)域擴大的過程可以用逐次跟蹤距離圖中的等值線來實現(xiàn)。這樣便可將算法中區(qū)域的擴大與區(qū)域的搜索結(jié)合在一起進行。為了有利于減少粘連，采用四連通跟蹤。跟蹤時，后一層邊界的跟蹤起點與前一層邊界的起點選擇在同一行上，前者處于后者的左邊。它是外面一層邊界在這一行線段上的最左點。4.2.3粘連區(qū)域分割點的確定要找到兩個相鄰區(qū)域真正的分割點，首先要找到鄰界跟蹤內(nèi)、外邊界的分離點。為了提高處理速度，外圈的跟蹤不用等到外部邊界全部跟蹤完畢，邊界閉合才結(jié)束。而是只要跟蹤點數(shù)超過上次內(nèi)圈邊界24點時即終止。同時，為了便于找到這兩條邊界線的分離點，需同時保留這兩條邊界線上所有的像素值或坐標(biāo)值，或是相應(yīng)的鏈碼表。由于這兩條邊界線的起始段是緊貼在一起的，可從起始點出發(fā)搜索外層邊界與內(nèi)層封閉邊界的分離點。在臨界跟蹤外邊界上，粘連區(qū)域連接部分的點可分為雙連點、單連點與中連點3種類型，如圖4.2所示。雙連點連接兩個區(qū)域，單連點連接一個區(qū)域，中連點處于連接線上但并不與區(qū)域直接相連。按粘連部分連接點的個數(shù)來說，可將粘連區(qū)域的連接情況分為3類，即：單點連接、雙點連接和多點連接。如圖3.3所示。圖中分別用*、#與$表示雙連點、單連點與中連點，由于是連接點，都在臨界跟蹤的外邊界上，故它們的值都為1。單點連接的連接點是雙連點，它即為分割點。雙點連接的連接點是兩個單連點，可（（a）雙連點（b）單連點（c）.2三種類型的連接點用它們之一作為分割點。而多點連接的連接段則是由兩個單連點作端點，中間有數(shù)量不等的中連點組成，可用它們的中點作分割點。4.2.4粘連區(qū)域的切割得到分割點以后還需要由此確定真正切割兩個粘連區(qū)域的線段。最簡單的方法是由分割點出發(fā)，作臨界跟蹤外邊界的垂直線，找出此垂直線與粘連區(qū)域外輪a單點連接（b）雙點連接（c）多點連接一（d）多點連接二圖4.3連接的三種類型廓（距離值為1的點）的交點，連接這兩個交點將區(qū)域分開。一般來說，切割粘連區(qū)域的步驟如下：（1）由邊界上分割點前后各3個鏈碼總共6個鏈碼計算它們的平均鏈碼，由它表示邊界的切線方向。（2）平均鏈碼加2，使直線逆時針旋轉(zhuǎn)90°指向區(qū)域的外部。沿此方向?qū)ふ仪懈罹€的一個端點。（3）平均鏈碼減2，使直線順時針旋轉(zhuǎn)90°指向區(qū)域?qū)γ孢吔绲耐獠?，沿此方向?qū)ふ仪懈罹€的另一個端點。（4）連接兩個端點，即得切割線，它將兩個區(qū)域分割開來。如此就能將粘連菌落分割開來,分割后的菌落圖像如圖2.14所示。由圖4.4可見,除了極個別重疊特別嚴(yán)重的菌落外,粘連菌落都被合理地分割開了。另外,本文所采用的這種粘連菌落圖像分割算法,對其他各種粘連顆粒圖像的分割同樣適用。本算法在距離變換圖像上使用分水嶺算法,能夠合理快速地分割粘連顆粒,與其他相關(guān)方法相比,分割效果良好穩(wěn)定、速度快且對圖像有極強的兼容性。圖4.4分割后的菌落圖像

第5章菌落圖像的特征提取與計數(shù)5.1菌落圖像的幾何特征描述在一個實際的圖像識別系統(tǒng)中，圖像分割的最終目的是為了進一步對圖像的特征進行提取和分析，即先找出能夠區(qū)分不同目標(biāo)的合適的特征參數(shù)，這些特征參數(shù)對于不同目標(biāo)能夠得到不同的特征值，根據(jù)特征值，可以區(qū)分開不同的目標(biāo)。為了得到目標(biāo)的特征值，必須依靠合適的目標(biāo)表達(dá)和描述方法。目標(biāo)描述是對目標(biāo)表達(dá)的進一步抽象，它描述出最能夠代表目標(biāo)的一些特征參數(shù)，包括目標(biāo)的形狀、顏色和紋理等。在本文的研究中，在參考大量資料與實驗分析基礎(chǔ)上，提取了菌落以下特征參數(shù)：周長、面積、偏心率、形狀因子和圓形度。其中有的是基于目標(biāo)內(nèi)部區(qū)域的特征，有的是基于目標(biāo)邊界的特征。.1周長區(qū)域的周長即區(qū)域的邊界長度。一個形狀簡單的物體用相對較短的周長來包圍它所占有面積內(nèi)的元素，周長就是圍繞所有這些像素的外邊界的長度。通常，測量這個長度時包含了許多90度的轉(zhuǎn)角，從而夸大了周長值。區(qū)域的周長在區(qū)別具有簡單或復(fù)雜形狀物體時顯得尤其重要。由于周長的表示方法不同，因而計算方法也不同，常用的簡便方法如下：（1）當(dāng)把圖像中的像素看作單位面積小方塊時，則圖像中的區(qū)域和背景均由小方塊組成。區(qū)域的周長即為區(qū)域和背景縫隙的長度和，此時邊界用隙碼表示。因此，計算出隙碼的長度即為所求周長。（2）當(dāng)把像素看作一個個獨立的點時，則周長可用鏈碼表示，求周長也即計算鏈碼長度。在3×3鄰域中，中心點與其上、下、左、右4點的距離為1，而與斜角4點的距離為，因此利用邊界的鏈碼表可以計算區(qū)域的周長。即對偶數(shù)號鏈碼及奇數(shù)號鏈碼分別計數(shù)，然后將偶數(shù)號鏈碼數(shù)和奇數(shù)號鏈碼數(shù)與的乘積相加即得區(qū)域的周長。即周長L表示為（5.1）式中和分別是邊界鏈碼（8方向）中偶數(shù)號鏈碼與奇數(shù)號鏈碼的數(shù)目。（3）周長用邊界所占面積表示，也即邊界點數(shù)之和，每個點占面積為1的一個小方塊。5.1.2面積面積是物體總尺寸的一個方便的度量。面積只與該物體的邊界有關(guān)，而與其內(nèi)部灰度級的變化無關(guān)。一個形狀簡單的物體可用相對較短的周長來包圍它所占的面積。常用的計算面積的方法如下：像素計數(shù)面積：最簡單的（未校準(zhǔn)的）面積計算方法是統(tǒng)計邊界內(nèi)部（也包括邊界上）像素數(shù)目。在此定義下，面積的計算非常簡單，求出區(qū)域邊界內(nèi)像素點的總和即可，計算公式如下：（5.2）對二值圖像而言，若用1表示物體，用0表示背景，其面積就是統(tǒng)計的個數(shù)。5.1.3偏心率偏心率也可叫伸長度，它在一定程度上描述了區(qū)域的緊湊性，即目標(biāo)外形關(guān)于區(qū)域中心的對稱程度。偏心率E有多種計算公式，一種常用的簡單方法是區(qū)域主軸長軸長度與輔軸短軸長度的比值，即（5.3）當(dāng)物體的邊界已知時，用其外接矩形的尺寸來刻畫它的基本形狀是最簡單的方法。求物體在坐標(biāo)系方向上的外接矩形，只需計算物體邊界點的最大和最小坐標(biāo)值，就可得到物體的水平和垂直跨度。但是，對于任意朝向的物體，水平方向和垂直方向并非是本文研究的重點。因此，必須先確定物體的主軸，然后計算反映物體形狀特征的主軸方向上的長度和與之垂直方向上的寬度，這樣的外接矩形是物體的最小外接矩形。也就是說物體的最小外接矩形滿足以下三個條件：（1）被測物體被限制在該矩形區(qū)域之內(nèi)；（2）矩形的4條邊都與被測物體輪廓相切；（3）在所有滿足（1）、（2）條件的矩形中該矩形的長度最大。則該矩形的長為被測物體的長軸長度，該矩形的寬為被測物體的短軸長度，如圖3.1所示。根據(jù)定義長軸長度是目標(biāo)邊界上任意兩點之間距離的最大值，計算長軸需要對目標(biāo)邊界進行多次遍歷，任取目標(biāo)邊界上兩點p、qp、qz，z的最大長度就是長軸的長度。從圖5.1可見，確定了長軸端點B、CBC垂直于矩形的短邊，短軸長度等于目標(biāo)邊界與矩形兩側(cè)邊的交點D、E到線段BC距離之和。點D、E分別是在長軸兩側(cè)的目標(biāo)邊界中離長軸距離最大的點。圖5.1長軸和短軸目標(biāo)的偏心率不受平移、旋轉(zhuǎn)和尺度變換的影響，它只能粗略描述目標(biāo)的基本形狀和中心的情況，并不能精確的區(qū)分目標(biāo)的形狀，比如正方形和圓形的偏心率都為1，但它們的形狀顯然不同。表3.1為某菌落的特征參數(shù)值。表5.1某菌落的特征參數(shù) 周長 面積 偏心率 123 506 1.1 5.2菌落的計數(shù)5.2.1圖像連通區(qū)域的標(biāo)號對分割后的菌落二值圖像（圖）進行計數(shù)，即數(shù)出圖像中連通黑區(qū)域的數(shù)目。若直接采用傳統(tǒng)連通區(qū)域標(biāo)號的方法，雖然算法較簡單，但由于其原理是在圖像中每找到一個黑點，就進行從左至右，從下到上和從右至左，從上到下兩次圖像掃描來搜索其連通區(qū)域并標(biāo)號，所以此算法的時間復(fù)雜度是O（n2（n為圖像大?。?，當(dāng)圖像尺寸n較大時，速度很慢。本文提出了一種先對菌落連通區(qū)域進行八鄰域邊緣跟蹤，再對連通區(qū)域內(nèi)部進行像素填充的標(biāo)號計數(shù)方法，其時間復(fù)雜度僅為O（n）（n為圖像大?。?，從而在準(zhǔn)確的基礎(chǔ)上大大提高了速度。其具體算法為：初始化標(biāo)號M為1，標(biāo)號狀態(tài)N為0；將圖像按照從左至右，從下至上的順序搜索，找到的第一個黑點一定是最左下方的邊界點，記為A，A點的右、右上、上、左上四個鄰點中至少有一個邊界點，記為B從B開始找起，按右、右上、上、左上、左、左下、下、右下的順序找下一個邊界點C；如果C就是A點，則跟蹤結(jié)束，將此區(qū)域的灰度值填充為標(biāo)號值M，否則從C點繼續(xù)找，直到找到A點為止；一個連通區(qū)域跟蹤完畢后，將標(biāo)號值加1（若標(biāo)號值M大于254，則M＝M－254，標(biāo)號狀態(tài)N＝N＋1），并以這一區(qū)域的搜索結(jié)束點作為起始點再進行逐行掃描，邊緣跟蹤，區(qū)域填充。如此反復(fù)，直到對整幅圖像掃描完畢，而每個連通區(qū)域的實際標(biāo)號K＝N×254＋M。256個灰度級，故圖中每個連通區(qū)域的灰度級為其標(biāo)號值MM在1-254之間，而不是K。如果分割后的菌落圖像不含雜質(zhì)等偽目標(biāo)，則圖像中的菌落計數(shù)即為最大實際標(biāo)號數(shù)。5.2.2菌落計數(shù)如果分割后的菌落圖像不含雜質(zhì)等偽目標(biāo),則圖像中的菌落計數(shù)即為最大實際標(biāo)號數(shù)。但實際上,由于前期的菌落接種操作過程中存在或多或少的污染,所以分割后的菌落圖像中除了菌落外,還有一些微小的雜質(zhì)或大面積的污染。對于微小雜質(zhì)的去除,可根據(jù)先驗知識,人機交互設(shè)定一個閾值,統(tǒng)計標(biāo)號圖像中各標(biāo)號下像素的個數(shù),即為相應(yīng)連通區(qū)域的面積,若面積小于設(shè)定的閾值,則認(rèn)為是微小雜質(zhì),不予計數(shù)。對于大面積的污染,如圖2.14左下部分的污染,由于菌落的形狀近似圓形,可以定義形狀因子（S,C分別為連通區(qū)域的面積和周長,K的上限為1,因為分割后的菌落圖像不是正規(guī)的圓形,所以K的上限可以適當(dāng)增大一點,本文中取為115。當(dāng)然針對不同形態(tài)的菌落,其形狀因子可適當(dāng)調(diào)整。一旦求得某一連通區(qū)域的形狀因子大于上限,則認(rèn)為是污染物,不予計數(shù)。5.3試驗結(jié)果及分析通過對菌落圖像的特點及本實驗所選用的算法進行分析，不難看出，影響計數(shù)精度的因素主要為圖像閾值分割中閾值的選定。閾值的選擇對于圖像處理的影響已經(jīng)在前文中（3.3）介紹過。圖5.2所示為分別選取不同閾值時的分割效果。因此需要通過多次實驗來確定最佳閾值。不同閾值下的分割結(jié)果如表5.2所示。其中實際數(shù)目經(jīng)人工數(shù)為159個。（a）閾值為195（b）閾值為250圖5.2不同閾值下分水嶺分割效果表5.2不同閾值下分割結(jié)果閾值 195 196 197 198 199 200 201 205 計數(shù)結(jié)果 139 142 144 148 153 156 152 142 相對誤差（%） 12.58 10.69 9.43 6.92 3.77 1.89 4.40 10.69

第6章結(jié)束語確定菌落數(shù)量是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進行質(zhì)量檢測的一項基本而重要的工作。通過圖像處理方法實現(xiàn)分析也是代替人工分析的必然趨勢。它是醫(yī)學(xué)知識、數(shù)據(jù)結(jié)構(gòu)、圖像處理、模式識別等不同領(lǐng)域相關(guān)知識的綜合。本研究在閱讀大量的相關(guān)資料，并進行了總結(jié)、篩選和歸類后，對菌落預(yù)處理、粘連菌落的分割等方面進行了研究。本文主要研究內(nèi)容如下：（1）對圖像的預(yù)處理算法進行了研究，主要包括：彩色圖像灰度化、圖像閾值分割、圖像增強等。（2）通過Hough變換的方法實現(xiàn)了培養(yǎng)皿邊緣的去除，提出了一種改進的橢圓Hough變換，該方法能很好地抑制噪聲和干擾的影響。（3）采用分水嶺變換的方式對粘連菌落的分割進行了研究。（4）在分割后的圖像中，通過圖像連通區(qū)域的標(biāo)號Hough變換可以很好地檢測出直線、圓以及橢圓等形狀，但是其占用內(nèi)存較大、處理速度較慢，因此需要研究新的方法來去除培養(yǎng)皿的邊緣。（2）在對粘連菌落的分割方面，文中提出的方法對鏈?zhǔn)秸尺B有很好的分割效果，對于非鏈?zhǔn)秸尺B分割效果不是很好。通過面積直方圖與線長直方圖的方法可以實現(xiàn)對非鏈?zhǔn)秸尺B的分割，但這要對所分割圖像的面積、形狀等有較高要求，因此需對其進行改進。（3）本文所研究內(nèi)容比較適合形狀近似圓形的菌落，對于其他形狀菌落，應(yīng)進行研究使系統(tǒng)通用性能得到提高。

參考文獻(xiàn)[1]張思祥，范世福，李昀，等.數(shù)字化顯微圖像分析檢測系統(tǒng)的設(shè)計研究[J].現(xiàn)代科學(xué)儀器.2001，No.3：30-34[2]WuDY,WeiP.MeasuringTheConditionofParkingLotbyImageProcessing[J].JournalofBeijingInstituteofTechnology,1999,No.83:232-237[3]HieuT，MarcelM，ReinV.Watersnakes:Energydrivenwatershedsegmentation[J]，IEEETransactiononPatternAnalysisandMachineIntelligence2003，No.253:330一342[4]SalembierP,PardasM.Hierarchicalmorphologicalsegmentationforimagesequencecoding[J].IEEETransonImageProcessing，1994，No.35:639一651[5]Meyerf，VachierC.Imagesegmentationbasedonviscousfloodingsimulation[C].ProceedingofISMM，CSIRD.Sydney,ACM，2002，69-77[6]周瑩莉.基于圖像處理的菌落自動計數(shù)方法及其實現(xiàn).數(shù)據(jù)采集與處理，2003，18（4）：460-464[7]荊其誠.色度學(xué)[M].北京.科學(xué)出版社.1979：48-51[8]李朝暉.數(shù)字圖像處理及應(yīng)用[M].北京:機械工業(yè)出版社.2004:30[9]李弼程,彭天強,彭波等.智能圖像處理技術(shù)[M].北京:電子工業(yè)出版社.2004:72[10]鄧?yán)^忠，張秦嶺.數(shù)字圖像處理技術(shù)[M].廣東:廣東科技出版社.2005:154[11]OtsuN.AThresholdSelectionMethodFromGraylevelHistograms[J].IEEETransOnSystem,man,andCybernetics,1979,No.91:62-66[12]LeaversVF.Suvreywhichhoughtransform？CVGIP:ImageUnderstanding，1993，582:250一264[13]李蘭友.VisualBasic6圖像處理開發(fā)與實例[M].北京:電子工業(yè)出版社，2000

致謝時光荏苒，四年光景轉(zhuǎn)瞬即逝。在論文完成、即將答辯之際，向那些曾經(jīng)給予我關(guān)懷和幫助的所有老師和同學(xué)表示深深的謝意!本論文是在悉心指導(dǎo)下完成的。論文字里行間無不的悉心指導(dǎo)和諄諄教誨。勤勉的敬業(yè)精神、一絲不茍的工作態(tài)度，使我深深感動，也使我終身受益。在此謹(jǐn)向表示衷心的感謝和崇高的敬意!感謝學(xué)院領(lǐng)導(dǎo)和老師們在期間給予的關(guān)愛和幫助!感謝參加論文評閱和答辯委員會的們，在百忙之中抽出寶貴時間閱讀論文并提提出寶貴的意見和建議!

附錄連通區(qū)域標(biāo)號源程序：Graphics::TBitmap*Bitmap17;Bitmap17newGraphics::TBitmap;Bitmap17-AssignImage2-Picture-Graphic;Bitmap17-WidthImage2-Picture-Width;Bitmap17-HeightImage2-Picture-Height;Bitmap17-PixelFormatpf8bit;Bitmap17-PaletteImage1-Picture-Bitmap-Palette;intx_sign0;intm_temp0;intx_temp0;inty_temp0;longflag[500]0;Byte*ptr17newByte;int**Data_temp;Datanewint*[Bitmap17-Height];Data_tempnewint*[Bitmap17-Height];forinti0;iBitmap17-Height;i++Data[i]newint[Bitmap17-Width];Data_temp[i]newint[Bitmap17-Width];forinti0;iBitmap17-Height;i++ptr17Byte*Bitmap17-ScanLine[i];forintj0;jBitmap17-Width;j++Data[i][j]int*ptr17+j;forinti0;iBitmap17-Height;i++Data[i][Bitmap17-Width-1]255;Data[i][0]255;forj0;jBitmap17-Width;j++Data[0][j]255;Data[Bitmap17-Height-1][j]255;forinti1;iBitmap17-Height-1;i++forintj1;jBitmap17-Width-1;j++ifData[i][j]0//若當(dāng)前點為黑點ifData[i-1][j+1]0//右上Data_temp[i][j]Data_temp[i-1][j+1];x_tempData_temp[i-1][j+1];flag[x_temp]+1;ifData[i][j-1]0&&Data_temp[i][j-1]!x_temp//左前y_tempData_temp[i][j-1];forintm1;mBitmap17-Height-1;m++forintn1;nBitmap17-Width-1;n++ifData_temp[m][n]y_tempflag[y_temp]0;Data_temp[m][n]x_temp;flag[x_temp]+1;//end左前ifData[i-1][j-1]0&&Data_temp[i-1][j-1]!x_tempy_tempData_temp[i-1][j-1];forintm1;mBitmap17-Height-1;m++forintn1;nBitmap17-Width-1;n++ifData_temp[m][n]y_tempflag[y_temp]0;Data_temp[m][n]x_temp;flag[x_temp]+1;//end左上elseifData[i-1][j]0//正上Data_temp[i][j]