基于圖像處理的浮游生物檢測(cè)與識(shí)別

第1章緒論1.1課題背景與意義生活在水中但是不能依靠自己的能力進(jìn)行移動(dòng)，只能依靠水流并隨水流漂動(dòng)的生物稱為浮游生物[1]。浮游生物是生物群落的統(tǒng)稱，可分為浮游植物和浮游動(dòng)物，其體型微小，一般在幾微米到幾毫米之間。自然界中的浮游生物具有數(shù)量龐大且形態(tài)多樣等特點(diǎn)，尤其是浮游動(dòng)物，幾乎可以是見到全部的動(dòng)物類群，如：體型微小的原生動(dòng)物、藻類[2]，也包括某些甲殼類軟體動(dòng)物和某些動(dòng)物的幼體，他們沒有活僅有微弱的游泳能力，大多是需要在顯微鏡下才能看得清其形態(tài)特征。對(duì)浮游生物的分類一直是一項(xiàng)十分繁重的工作。傳統(tǒng)的浮游生物識(shí)別分類方法依靠人工在顯微鏡下開展。主要依靠專業(yè)研究人員對(duì)浮游生物的形態(tài)、大小等特征進(jìn)行分類[3]，這種方法工作量大、效率低，而且往往要會(huì)因?yàn)檠芯繂T自身原因（主觀性）產(chǎn)生較大的誤差?，F(xiàn)如今，隨著數(shù)字圖像處理技術(shù)的發(fā)展，在浮游生物識(shí)別方向提供了新的思路，使得利用圖像處理技術(shù)解決浮游生物識(shí)別成為了可能。1.2國(guó)內(nèi)外研究現(xiàn)狀藻類幾乎全世界各處部分都有所分布，而且環(huán)境幾乎對(duì)藻類沒有任何消極影響，藻類的適應(yīng)能力極強(qiáng)，可以再?zèng)]有營(yíng)養(yǎng)成分和重組光照的情況下迅速繁殖。因此國(guó)外早有專家對(duì)藻類進(jìn)行了檢測(cè)和研究，早期主要依托形態(tài)分類,化學(xué)分類及分子生物學(xué)方法，但其需要鑒別人員具有豐富的專業(yè)知識(shí)而且所使用的儀器成本過高。繼而發(fā)展了流式細(xì)胞技術(shù)，流式細(xì)胞術(shù)不僅具有分析速度快、靈敏度和準(zhǔn)確度高等優(yōu)點(diǎn)，而且可以同時(shí)測(cè)量單個(gè)細(xì)胞的多個(gè)生理參數(shù)，但流式細(xì)胞儀很難應(yīng)用在現(xiàn)場(chǎng)，而又受光源、水體等自然因素影響。因此在認(rèn)識(shí)圖像方法的重要性后，國(guó)內(nèi)外就開始研究使用這一先進(jìn)技術(shù)。1.2.1國(guó)外研究現(xiàn)狀利用數(shù)字圖像處理技術(shù)進(jìn)行的海洋懸浮顆粒與浮游生物的分析研究始于20世紀(jì)70年代，初期的研究應(yīng)用只要是將計(jì)算機(jī)視覺系統(tǒng)與唱過顯微鏡相結(jié)合，產(chǎn)生更適合于人觀察和識(shí)別的圖像，并采用簡(jiǎn)單的圖像處理方法對(duì)顯微鏡影像中的浮游動(dòng)物或懸浮顆粒的外形輪廓尺寸大?。ㄖ睆胶兔娣e等）進(jìn)行簡(jiǎn)單測(cè)量、分類、計(jì)數(shù)[4]。早在20世紀(jì)80年代，Jeffries等人實(shí)現(xiàn)了對(duì)某些橈足類生物的識(shí)別，通過目標(biāo)圖像的輪廓外形和幾何特征進(jìn)行分類，但由于需要大量學(xué)習(xí)集，使得這種方案識(shí)別能力受限，并且無法實(shí)現(xiàn)浮游生物的種、屬的識(shí)別。Chehdi等人，在改進(jìn)上述方法的基礎(chǔ)上，通過對(duì)圖像取二值化并進(jìn)行形態(tài)學(xué)濾波，避免了生物腹部鞭毛的干擾，一定程度上提高了分類的準(zhǔn)確性。Rodenacker等提出了依靠決策樹進(jìn)行分類的方案，但該文只對(duì)分類情況進(jìn)行討論，并沒有給出明確的識(shí)別率，造成無法對(duì)此種方案效果評(píng)估的結(jié)果[5]。Thonnat等人成功實(shí)現(xiàn)了對(duì)位于地中海地區(qū)的主要浮游生物進(jìn)行分類并且取得了不錯(cuò)的結(jié)果。實(shí)際上浮游生物的多樣化和復(fù)雜化使得并不存在一種同一的方法能將其全部進(jìn)行完美的分類[6]。HuQ等提出了基于數(shù)字圖像自動(dòng)識(shí)別分類系統(tǒng)中一種新的分類器[7],以共現(xiàn)矩陣為特征,支持向量機(jī)的分類器,新的分類器使得分類錯(cuò)誤率大幅降低且在豐度較低地區(qū),使浮游生物的豐度估計(jì)大幅提高。但在獲取圖像時(shí)若光源為閉塞非線性照明會(huì)產(chǎn)生較大遮擋使分類出錯(cuò)。KienLL等開發(fā)了一種提取橈足類目標(biāo)浮游生物形態(tài)特征的自動(dòng)化技術(shù)[8],利用數(shù)字圖像技術(shù)獲取圖像并用人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類,提高了橈足類浮游生物識(shí)別分類的速度。但若是識(shí)別的橈足類具有相似大小和其他特征就會(huì)導(dǎo)致在分類時(shí)產(chǎn)生錯(cuò)誤歸類。HernándezsernaA等提出了一個(gè)新的自動(dòng)識(shí)別系統(tǒng)[9],通過提取圖像的幾何,形態(tài)學(xué)和紋理特征,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別,實(shí)驗(yàn)突出了神經(jīng)網(wǎng)絡(luò)是如何對(duì)物種的識(shí)別進(jìn)行彌補(bǔ)的。然而仍需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)來定義物種從而使產(chǎn)生的主觀性及不確定性是可能的。ColtelliP等提出了一種基于分割,形態(tài)提取,色素特征測(cè)定和神經(jīng)網(wǎng)絡(luò)分組的圖像分析方法實(shí)現(xiàn)硅藻自動(dòng)實(shí)時(shí)識(shí)別和計(jì)數(shù)分類的方法[10],該方法在一定程度上克服了自動(dòng)識(shí)別系統(tǒng)的不足。但其需要訓(xùn)練大量圖像才能得到令人滿意的性能。HicksYA等描述了一個(gè)將硅藻圖片與其他圖片相比較從而進(jìn)行識(shí)別分類的模型[11]，該模型可用于表示硅藻在其生命周期任何階段的形狀紋理等特征的變化并以此進(jìn)行識(shí)別實(shí)驗(yàn)。但是其是在一個(gè)較小的數(shù)據(jù)集上進(jìn)行的故其造成的誤差也是難以避免的。1.2.2國(guó)內(nèi)研究現(xiàn)狀我國(guó)利用圖像處理技術(shù)進(jìn)行對(duì)浮游生物的分類識(shí)別研究起步晚，這就導(dǎo)致了與國(guó)外的先進(jìn)研究水平有著較大的差距。我國(guó)所開展的該類研究規(guī)模有限且多數(shù)是針對(duì)顯微鏡中的浮游藻圖像識(shí)別[12],如王明利用形態(tài)學(xué)方法,高亞輝利用硅藻殼面顯微紋理圖像特征進(jìn)行分類等,但其識(shí)別范圍窄,跨門的識(shí)別研究更是處于空白階段,與國(guó)外相比存在著較大的差距。至于結(jié)合圖像處理的國(guó)內(nèi)識(shí)別研究現(xiàn)狀，王雨任琳琳等人通過流式影像術(shù)成功實(shí)現(xiàn)對(duì)小型浮游植物的分類研究。雖然流式細(xì)胞技術(shù)不僅具有分析速度快、靈敏度高及準(zhǔn)確性強(qiáng)等優(yōu)點(diǎn)，而且可以同時(shí)測(cè)量單個(gè)細(xì)胞的多個(gè)生理參數(shù)，但是其無法完成對(duì)瞬時(shí)獲得的大數(shù)據(jù)信息的分析且缺乏對(duì)高分辨率圖像形態(tài)的分辨能力[13]，并且由于某些浮游生物直徑過小，甚至低于光源的激發(fā)波長(zhǎng)，使得流式細(xì)胞儀在某些方面受限。而洪炎峰等人提出了一種利用CCD傳感器進(jìn)行實(shí)時(shí)圖像采集，將背景減算法和逐幀篩選的方法加以結(jié)合并以此來完成目標(biāo)的快速分割，得到分割結(jié)果后其為了實(shí)現(xiàn)良好的分類效果，在選取特征時(shí)使用特征自適應(yīng)的方法以此來降低識(shí)別時(shí)間且提高準(zhǔn)確率。不過這種方法也會(huì)由于圖像邊界的不完整造成誤分類。在此對(duì)國(guó)內(nèi)外研究人員的成果進(jìn)行綜合分析可發(fā)現(xiàn)，其主要內(nèi)容都是在圖像預(yù)處理，圖像分割，邊緣檢測(cè)，特征提取，建立分類規(guī)則等這些方面進(jìn)行研究發(fā)掘[14]。將其歸納總結(jié)可得：圖像預(yù)處理，一般都是采用平滑化進(jìn)行濾波來消除噪聲，如空域或頻域?yàn)V波中的鄰域平均及中值濾波等算法，此外也可以通過銳化來加強(qiáng)圖像的輪廓。圖像分割，則是依賴于基于閾值分割的方法，即將圖像進(jìn)行二值化處理，在此基礎(chǔ)上獲得目標(biāo)浮游生物的邊界輪廓。因?yàn)樵诟∮紊锾卣魈崛∵@一環(huán)節(jié)中，獲得輪廓是至關(guān)重要的。計(jì)算特征都是在這基礎(chǔ)上才能開展的。建立分類規(guī)則，就是需要對(duì)浮游生物的各項(xiàng)特征進(jìn)行歸納總結(jié)以此得出某一規(guī)律，使任一浮游生物都能以該規(guī)律進(jìn)行分類。1.3本文主要研究?jī)?nèi)容本文針對(duì)浮游生物通過圖像處理技術(shù)進(jìn)行檢測(cè)、識(shí)別的研究。在此基礎(chǔ)上設(shè)計(jì)了較為合理的圖像預(yù)處理及圖像分割方法，并在獲得經(jīng)過分割后的圖像對(duì)其使用膨脹腐蝕等形態(tài)學(xué)運(yùn)算而后再對(duì)灰度圖像進(jìn)行二值化操作將其轉(zhuǎn)換為二值圖像，通過對(duì)二值圖像的邊界跟蹤，再對(duì)二值圖像進(jìn)行特征提取，并根據(jù)所得到的特征按照分類規(guī)則進(jìn)行簡(jiǎn)單分類，以此構(gòu)造出一個(gè)浮游生物的檢測(cè)、識(shí)別器。本文所述內(nèi)容安排如下所示：第1章緒論，介紹了本文所研究課題的背景意義以及國(guó)內(nèi)外在這一領(lǐng)域中的研究現(xiàn)狀。第2章系統(tǒng)分類模塊介紹，簡(jiǎn)單介紹了系統(tǒng)所需圖像預(yù)處理，分割，提取特征及分類這四個(gè)模塊，并給出本文中分類總算法流程。第3章圖像預(yù)處理及圖像分割，簡(jiǎn)單敘述了獲得浮游生物的方法和對(duì)獲得的圖像進(jìn)行的濾波操作以此來消除抑制噪聲，且比較各類圖像分割方法以獲取圖像的邊界。第4章浮游生物特征提取，對(duì)于獲得的浮游生物輪廓計(jì)算其特征。第5章構(gòu)造分類器，根據(jù)不同的浮游生物特征分類規(guī)則對(duì)其進(jìn)行簡(jiǎn)單分類。第2章浮游生物圖像算法架構(gòu)本章構(gòu)建了浮游生物圖像算法架構(gòu)，主要分為四個(gè)模塊：預(yù)處理、分割、提取特征及分類，其總體模塊架構(gòu)如圖2-1所示。圖2-1系統(tǒng)模塊結(jié)構(gòu)2.1浮游生物圖像算法模塊(1)預(yù)處理模塊圖像的預(yù)處理是通過在空域或頻域上進(jìn)行濾波，以此來消除或抑制噪聲。減弱了獲得圖像中的各類干擾，從而能有效降低圖像后續(xù)尋找邊界操作中誤尋找的影響。功能如圖2-2所示。圖2-2預(yù)處理模塊(2)分割模塊為識(shí)別分析圖像目標(biāo)往往需要將其從圖像中剝離出來，而圖像分割就可以把人們感興趣的部分從圖像中分割出來。圖像分割現(xiàn)在已經(jīng)有數(shù)千種方法，典型的分割方法可以分為基于閾值方法，基于邊緣方法及基于區(qū)域方法。功能算法如圖2-3所示。圖2-3分割功能算法(3)特征提取模塊一般用于分類需要計(jì)算浮游生物顏色特征及紋理特征，也可以將其形態(tài)學(xué)的特征轉(zhuǎn)化為圖像特征，并以此計(jì)算圖像中周長(zhǎng)，面積，最小外接矩形，矩形度，體態(tài)比，葉狀性，凸率及偏心率等數(shù)字形態(tài)學(xué)特征。圖2-4即為特征參數(shù)結(jié)構(gòu)圖。圖2-4特征參數(shù)結(jié)構(gòu)圖(4)分類模塊通過計(jì)算得出的特征是否符合某一分類規(guī)則來進(jìn)行分類，例如，若圓形度大于等于0.85，可將該浮游生物劃分為圓形，長(zhǎng)寬比大于8即為線形，矩形度在0.9到1.4之間且體態(tài)比在1到5之間則為矩形若都不滿足則可劃分為其它類型。2.2圖像算法流程如圖2-5即為本文中所用到的浮游生物圖像算法流程。圖2-5浮游生物圖像算法流程圖

第3章圖像預(yù)處理與分割3.1圖像噪聲分析實(shí)際情況中噪聲的存在往往會(huì)加大處理難度且會(huì)使最終呈現(xiàn)結(jié)果出現(xiàn)非常大的誤差。但在現(xiàn)實(shí)中噪聲產(chǎn)生原因又是十分復(fù)雜，是在圖像成像傳輸?shù)冗^程中種種因素雜糅產(chǎn)生的。為此能夠抑制甚至是消除噪聲，從而能夠能到清晰的圖像并以此開展后續(xù)的各項(xiàng)處理技術(shù)，這是必不可少的。噪聲就是影響人或計(jì)算機(jī)對(duì)某一事物進(jìn)行分析處理的干擾信號(hào)，往往是隨機(jī)產(chǎn)生的具有難以預(yù)測(cè)的特點(diǎn)。噪聲可以分為內(nèi)部或者是外部噪聲。通常是根據(jù)其產(chǎn)生的原因來將其劃分為這兩類的。由于電磁波干擾等外界因素影響所對(duì)系統(tǒng)造成的噪聲即為外部噪聲。而又由內(nèi)部產(chǎn)生干擾導(dǎo)致系統(tǒng)噪聲的出現(xiàn)其即為內(nèi)部噪聲。而在本文中獲取的浮游生物圖像存在的噪聲導(dǎo)致原因有下列幾點(diǎn)：(1)浮游生物運(yùn)動(dòng)及水流動(dòng)導(dǎo)致的目標(biāo)圖像模糊等(2)水中含有其它雜質(zhì)對(duì)光源光線進(jìn)行吸收反射導(dǎo)致目標(biāo)圖像邊界模糊。(3)水流對(duì)光照的吸收反射等作用及光源自身光照強(qiáng)度等原因造成的圖像質(zhì)量不高等。這些系統(tǒng)的內(nèi)部和外部噪聲，不可避免會(huì)導(dǎo)致圖像分辨率的降低導(dǎo)致圖像的不清晰，影響后續(xù)操作。3.2常見去噪方法介紹3.2.1空域?yàn)V波法介紹圖像平滑中常見的空域?yàn)V波是基于局部平滑的均值或中值濾波[15]。圖像是由大小恒定灰度不變的各個(gè)像素組成，對(duì)于灰度異常的像素可以統(tǒng)計(jì)其鄰域中各像素的灰度值并以此計(jì)算其灰度平均值來代替異常像素的灰度值。最簡(jiǎn)單方法是計(jì)算鄰域的平均值時(shí)并不加上該像素所占權(quán)值比重及非加權(quán)的鄰域平均方法，此時(shí)中心像素灰度值為鄰域的平均值。雖然算法簡(jiǎn)單，速度快，但去噪同時(shí)也容易使圖像邊緣變得模糊，如果鄰域選取的越大，那么圖像邊界也會(huì)變得更模糊。均值濾波法是一種很好的能克服上述弊端的算法，通過一個(gè)長(zhǎng)度為奇數(shù)的模板在圖像上滑動(dòng)，模板大小一般選用規(guī)格為3*3或者是5*5。而后計(jì)算模板像素灰度的平均值將此作為模板中心像素的灰度值。而加權(quán)均值濾波即是在非加權(quán)的基礎(chǔ)上規(guī)定了模板中各像素灰度占模板的權(quán)重。對(duì)于圖像中亮度突變的像素點(diǎn)，使用均值濾波法來進(jìn)行平滑處理能獲得較好的處理效果。中值濾波也是一種簡(jiǎn)單有效的濾波方法。其與均值濾波類似，都是通過一個(gè)3*3或5*5的奇數(shù)模板在圖像上滑動(dòng)，不同的是模板的中心像素灰度并不是其鄰域像素灰度值的平均值而是其中值。模板的形狀也并不是固定為矩形的，也可以為圓形或其它形狀，不同形狀的模板最終形成的濾波效果也不盡相同。通過比較可以發(fā)現(xiàn)，均值濾波可以消除噪聲但也會(huì)是圖像邊界變得模糊，然而中值濾波對(duì)于脈沖干擾的抑制效果要更好，但其并不適用于點(diǎn)，線等較多的圖像。3.2.2頻域?yàn)V波法介紹從空域的角度來說，可以把函數(shù)自變量（x,y）看作是二維空間中一點(diǎn)，那么可以把在二維空間矩形區(qū)域內(nèi)的數(shù)字圖像f(x,y)視為一個(gè)離散函數(shù)[16]。但是從另一角度來說，如果f(x,y)是有關(guān)幅值變化的一個(gè)二維信號(hào)，那么可以通過傅里葉變換等相關(guān)操作對(duì)其在頻域中分析，這就是頻域?yàn)V波法。頻域?yàn)V波法中卷積定理公式如下式(3-1)： (3-1)其中F(u,v)和H(u,v)是其對(duì)應(yīng)的傅里葉變換。頻域?yàn)V波的基本步驟如下[17]：(1)計(jì)算原始圖像f(x,y)的離散傅里葉變換,得到F(u,v)。(2)移動(dòng)頻譜F(u,v)零頻點(diǎn)至頻譜圖中心位置處。(3)計(jì)算濾波器函數(shù)H(u,v)和F(u,v)乘積G(u,v)。(4)將G(u,v)零頻點(diǎn)移回頻譜圖左上角。(5)計(jì)算(4)結(jié)果的傅里葉反變換。(6)取g(x,y)實(shí)部作為結(jié)果圖像。其基本原理圖如圖3-1所示：圖3-1頻域?yàn)V波基本步驟原理圖3.3圖像預(yù)處理由于獲得的初始圖像在各種外界干擾下產(chǎn)生較多的噪聲，同時(shí)還帶來圖像中浮游生物目標(biāo)輪廓不清晰等問題，種種問題都會(huì)對(duì)后續(xù)特征的提取帶來困擾，故需先對(duì)圖像進(jìn)行預(yù)處理。本文中采取的預(yù)處理操作有，先對(duì)圖像灰度化，而后在平滑濾波抑制噪聲，對(duì)比均值法和中值法的效果，本文采用了自適應(yīng)閾值均值濾波法。3.3.1灰度變化本文中由于并不需要圖像的顏色特征，所以是對(duì)目標(biāo)浮游生物的灰度圖像進(jìn)行分割處理，因此需要先把彩色圖像轉(zhuǎn)換為灰度圖像。常常是通過直方圖均衡化的方法來使圖像灰度化[17]，即原圖像通過一種灰度映射關(guān)系使盡可能多的灰度級(jí)上像素均勻分布。通過這樣的方法獲得的灰度圖像就能具有較高的對(duì)比度。本文示例灰度圖像如下圖3-2所示。(a1)纖毛蟲(b1)圓篩藻(c1)三角藻(a2)纖毛蟲灰度圖(b2)圓篩藻灰度圖(c2)三角藻灰度圖 (d1)新月藻(e1)磷蝦(d2)新月藻灰度圖(e2)磷蝦灰度圖圖3-2本文所用浮游生物彩色圖像與灰度圖像對(duì)比圖3.3.2圖像平滑濾波(1)鄰域平均法鄰域平均法是對(duì)噪聲圖像每一像素點(diǎn)取鄰域計(jì)算像素灰度級(jí)的平均值替換原像素灰度值。公式如下(3-2)所示： (3-2)其中，S是已知選取的鄰域，M為鄰域中像素的個(gè)數(shù)。一般來說，鄰域平均濾波的鄰域模板為3*3，5*5或7*7，所選的鄰域半徑越大，平滑濾波的效果就越強(qiáng)。導(dǎo)致其圖像就越模糊。(2)中值濾波法中值濾波方法是一種不需要圖像統(tǒng)計(jì)特性的非線性處理方法，因此其實(shí)現(xiàn)應(yīng)用方法十分簡(jiǎn)便。實(shí)際上中值濾波法與均值濾波方法相似都是在圖像上滑動(dòng)一大小為基數(shù)的窗口，唯一不同的是中心點(diǎn)像素由均值換成中值。設(shè)有一維序列，用大小為奇數(shù)m的窗口對(duì)其進(jìn)行濾波。即在這一維序列中抽出m個(gè)數(shù)，其中為其中值，，然后將這m個(gè)數(shù)按數(shù)值大小排序，取其中值。公式如下（3-3）所示： (3-3)(3)多圖像平均法多圖像平均法是通過將某一目標(biāo)的多幅描述相同特征的圖像進(jìn)行平均來消除噪聲的。設(shè)該目標(biāo)圖像f(x,y)有M幅圖像。式(3-4)為加上噪聲的圖像。 (3-4)如此可得平均后的圖像，公式如下(3-5)。 (3-5)3.4浮游生物圖像分割本文是通過浮游生物圖像的輪廓計(jì)算來提取特征的，采用圖像分割方法將人們感興趣的目標(biāo)輪廓提取出來。分割得到的輪廓效果直接影響著特征提取的好壞。3.4.1基于閾值的圖像分割根據(jù)閾值的不同可以把基于閾值圖像分割[18]分為全局單，雙及自適應(yīng)閾值法三種。灰度密度視為兩個(gè)單峰和并以最小錯(cuò)誤率確定閾值的全局單閾值法，即當(dāng)其直方圖為兩個(gè)波峰時(shí)，可以把分割需要的閾值設(shè)定為峰谷的閾值。但又存在著這一類問題，即若是把閾值設(shè)置的過大，則會(huì)出現(xiàn)把目標(biāo)邊界當(dāng)成圖像背景的可能。反之，又有可能把背景當(dāng)成目標(biāo)邊界進(jìn)行分割。雙閾值法就是在這基礎(chǔ)之上設(shè)置了兩個(gè)閾值，防止了誤分類情況的出現(xiàn)。常見閾值選取算法如下：(1)最大類間方差法可以用閾值來將圖像分為兩類，得到的最佳閾值其類間方差最大。該算法對(duì)噪聲比較敏感，適用于尋找單和雙閾值，但是對(duì)于灰度變化平緩的圖像其效用并不明顯。(2)二維最大熵法圖像根據(jù)最大熵法選擇的閾值進(jìn)行分割得到的兩部分包含最多的灰度信息，及產(chǎn)生的熵為最大。對(duì)圖像分割結(jié)果進(jìn)行比對(duì)，可以發(fā)現(xiàn)二維最大熵法對(duì)噪聲比較敏感，如果目標(biāo)圖像的面積不是太小的話，其分割效果也是比較好的，其缺點(diǎn)在于計(jì)算的時(shí)間太過于長(zhǎng)。3.4.2邊緣檢測(cè)及其算法圖像平緩區(qū)中的像素灰度其導(dǎo)數(shù)為0，而所需目標(biāo)的邊緣其像素灰度導(dǎo)數(shù)發(fā)生突變，將這些像素點(diǎn)鏈接起來就能獲得所需邊緣。常用于邊緣檢測(cè)的算子有Robert算子，Sobel算子等梯度算子，Canny算子等[19]。(1)梯度算子梯度對(duì)應(yīng)一階導(dǎo)數(shù)，圖像的函數(shù)為，其在點(diǎn)處的梯度矢量如下式(3-6)所示。 (3-6)其中沿x的方向梯度為，沿y方向的梯度為。由此可以得出幅度和方向角如下式(3-7)(3-8)所示。 (3-7) (3-8)實(shí)際上計(jì)算像素位置時(shí)常用卷積近似計(jì)算，需將和兩個(gè)模板組合成一個(gè)梯度算子。(2)Canny算子用Canny算子進(jìn)行邊緣檢測(cè)獲得目標(biāo)邊界須滿足如下三個(gè)準(zhǔn)則[20]：①低錯(cuò)誤率，及只找到目標(biāo)邊界且能找到所有的邊界。②高精確定位精度，通過Canny算子計(jì)算得到的邊緣輪廓與實(shí)際差距要盡可能小。③單邊響應(yīng)，檢測(cè)單邊呈現(xiàn)結(jié)果沒有出現(xiàn)多邊。由上述準(zhǔn)則可以得出濾波器對(duì)邊界響應(yīng)的卷積公式如(3-9)所示。 (3-9)若上下限[-w,w]外函數(shù)為0，那么上述三個(gè)準(zhǔn)則可以用式(3-10)(3-11)(3-12)表示。 (3-10) (3-11) (3-12)3.4.3基于區(qū)域的圖像分割圖像的空間性質(zhì)指的是同一區(qū)域內(nèi)的像素往往具有相似的性質(zhì)，相反，不同區(qū)域像素則具有不同性質(zhì)[21]?；趨^(qū)域的圖像分割的實(shí)現(xiàn)則依賴于這一性質(zhì)。傳統(tǒng)區(qū)域分割的方法有區(qū)域生長(zhǎng)及分裂合并這兩種。(1)區(qū)域生長(zhǎng)區(qū)域生長(zhǎng)原理是集合所有相似性質(zhì)的像素以此構(gòu)成區(qū)域。具體步驟就是尋找一個(gè)像素作為分割對(duì)象的起點(diǎn)，而后掃描該像素周圍的像素，將性質(zhì)相似的像素合并，重復(fù)上述步驟直到?jīng)]有像素滿足要求為止，從而就能獲得目標(biāo)所在的區(qū)域[22]。實(shí)際中存在三個(gè)問題如下所示需要解決[23]：①確定一組能正確代表區(qū)域的起點(diǎn)像素。②確定能在生長(zhǎng)過程是將相鄰像素包括進(jìn)來。③存在著能讓生長(zhǎng)停止的條件。(2)分裂合并分裂合并與區(qū)域生長(zhǎng)不同，其是通過分裂整幅圖像以得到所需的各個(gè)區(qū)域，實(shí)際中往往是把圖像分成任意大小不重疊的區(qū)域，而后在分裂或合并來進(jìn)行分割操作[24]。這類方法常要設(shè)計(jì)區(qū)域的一致性測(cè)度，這當(dāng)中最常用的就是基于灰度統(tǒng)計(jì)特征。如下可以簡(jiǎn)答描述分裂合并的步驟：①對(duì)于任一，若，則分裂成不重疊的四等分。②對(duì)相鄰區(qū)域和，若，將兩者合并。③當(dāng)進(jìn)一步分裂和合并無法進(jìn)行時(shí)，結(jié)束算法。3.5二值圖像形態(tài)學(xué)濾波經(jīng)過上述分割方法已經(jīng)可以得知目標(biāo)的外形，但是仍然存在比目標(biāo)小的碎片碎片噪聲，此外目標(biāo)邊界也會(huì)存在著大量毛刺，為了消除這種碎片噪聲且平滑目標(biāo)邊界，可以使用數(shù)字形態(tài)學(xué)上的開閉運(yùn)算來進(jìn)行濾波。數(shù)字形態(tài)學(xué)原理是用一定形態(tài)的結(jié)構(gòu)元素來度量提取形狀實(shí)現(xiàn)分析?；具\(yùn)算有：膨脹，腐蝕，開運(yùn)算和閉運(yùn)算[25]。膨脹：對(duì)上元素和，用對(duì)進(jìn)行膨脹，記作，可得如下公式(3-13) (3-13)讓原本位于圖像原點(diǎn)的結(jié)構(gòu)元素S在整個(gè)Z2平面移動(dòng)，當(dāng)S原點(diǎn)平移至Z點(diǎn)時(shí)S相對(duì)于其自身原點(diǎn)映像和A有公共的交集，即至少有1個(gè)像素是重疊的，則所有的Z點(diǎn)構(gòu)成的集合即為S對(duì)A的膨脹圖像。腐蝕：對(duì)上元素和，用對(duì)進(jìn)行腐蝕，記作，可得如下公式(3-14) (3-14)讓原本位于圖像原點(diǎn)的結(jié)構(gòu)元素S在整個(gè)Z2平面移動(dòng)，當(dāng)S原點(diǎn)平移至Z點(diǎn)時(shí)S恰好完全包含于A中，則所有的Z點(diǎn)集合即為S對(duì)A的腐蝕圖像。開運(yùn)算：使用結(jié)構(gòu)元素S對(duì)A進(jìn)行開運(yùn)算。公式如下(3-15) (3-15)先腐蝕后膨脹，能使圖像邊界光滑，斷開狹窄連接和消除毛刺。閉運(yùn)算：使用結(jié)構(gòu)元素S對(duì)A進(jìn)行閉運(yùn)算。公式如下(3-16) (3-16)先膨脹后腐蝕，同樣能光滑目標(biāo)邊界，但其與開運(yùn)算相反，其能彌合狹窄的間斷，填充細(xì)小空洞?？傮w來說開運(yùn)算可以起到分離圖像各區(qū)域的作用，并且可以濾除小的獨(dú)立區(qū)域，閉運(yùn)算則是可以將分開的區(qū)域連通起來。兩種方法都保留了圖像中主要細(xì)節(jié)特征[26]。分割得到的圖像內(nèi)外部往往存在著孤立的區(qū)域噪聲，如新月藻和三角藻的邊緣圖像不僅內(nèi)部存在孔洞而且邊界并不平滑連貫，此時(shí)可以通過閉運(yùn)算來進(jìn)行濾波，達(dá)到填充孔洞，平滑邊界的效果。閉運(yùn)算后圖像如圖3-3示例。 (a1)圓篩藻閉運(yùn)算前(b1)纖毛蟲閉運(yùn)算前(c1)三角藻閉運(yùn)算前(a2)圓篩藻閉運(yùn)算后(b2)纖毛蟲閉運(yùn)算后(c2)三角藻閉運(yùn)算后(d1)纖毛蟲閉運(yùn)算前(e1)新月藻閉運(yùn)算(d2)磷蝦閉運(yùn)算后(e2)新月藻閉運(yùn)算后圖3-3形態(tài)學(xué)濾波前后圖像3.6邊界提取當(dāng)閉運(yùn)算濾波后可獲得一個(gè)邊界平滑且獨(dú)立的區(qū)域，此時(shí)可以對(duì)該圖像進(jìn)行后續(xù)的特征提取。本文中使用了邊界跟蹤的方法來獲得目標(biāo)的邊界。通過對(duì)目標(biāo)邊緣輪廓的描邊跟蹤就可以提取出目標(biāo)的邊界，當(dāng)確定了起始邊緣像素，即可沿一跟蹤方向進(jìn)行描邊[27]。如下圖3-4則表示了跟蹤的方向。圖3-4跟蹤方向圖可以知道如下的跟蹤算法。(1)輪廓提取。通過將某一八鄰域都是白的像素點(diǎn)換成黑色來獲得所需目標(biāo)的所有邊緣。(2)邊界跟蹤。確定的邊界起始點(diǎn)作為跟蹤的起點(diǎn)，方向即為如圖3-9所示。將找到的所有符合要求的邊界點(diǎn)進(jìn)行標(biāo)記，當(dāng)跟蹤返回至起點(diǎn)時(shí)，就可以說是獲得了邊界像素點(diǎn)的集合。可用式(3-17)表示。 (3-17)(3)同理也對(duì)圖像中未標(biāo)記的邊界像素點(diǎn)做上述跟蹤以此獲得所有目標(biāo)邊緣的像素點(diǎn)。區(qū)域生長(zhǎng)法獲得目標(biāo)邊界其算法步驟如下表示。(1)進(jìn)棧，從邊界的起始點(diǎn)開始。(2)對(duì)棧內(nèi)彈出點(diǎn)作標(biāo)記。(3)若其八鄰域點(diǎn)未作標(biāo)記則進(jìn)棧且做上標(biāo)記。(4)重復(fù)上述步驟，目標(biāo)像素點(diǎn)集合可以用如下式(3-18)所示。 (3-18)(5)那么整幅圖像的邊界像素點(diǎn)集合就可以用式(3-19)表示。 (3-19)的邊界坐標(biāo)集合就如上式(3-18)所示。而其區(qū)域點(diǎn)集合就如上式(3-19)所示。圖3-5就是獲得的浮游生物最終輪廓邊界，偽彩色標(biāo)記圖像之后用白色進(jìn)行邊界標(biāo)記。(a)圓篩藻最終輪廓(b)三角藻最終輪廓(c)纖毛蟲最終輪廓(d)磷蝦最終輪廓(e)新月藻最終輪廓圖3-5浮游生物最終輪廓圖

第4章浮游生物特征提取與形狀分類根據(jù)獲得的邊界圖像可以從中計(jì)算出所需特征包括其基本特征或是形態(tài)特征?；咎卣髦饕娣e，周長(zhǎng)，圓等效直徑等等，形態(tài)學(xué)特征主要包含矩形度，葉狀性，伸長(zhǎng)度，體態(tài)比，凸率等。此外浮游生物圖像還具有顏色特征及紋理特征[28]。顏色特征是可以用作浮游生物區(qū)分的明顯特征，如浮游動(dòng)物和浮游植物往往其顏色特征不同，浮游植物之間的顏色特征也大有不同的可能。紋理特征包含了浮游生物細(xì)胞表面的結(jié)構(gòu)排列，對(duì)于其他特征而言，紋理特征更能反映浮游生物圖像宏觀性及微觀結(jié)構(gòu)性[29]。常常將能量，熵，相關(guān)性為參數(shù)以共生矩陣來提取紋理信息。4.1特征提取確定目標(biāo)邊界后，就可以從輪廓中提取特征了。所謂的特征就是通過用數(shù)學(xué)性質(zhì)來描述輪廓及其所包圍的區(qū)域。圖像的形狀特征在本文中扮演著重要的角色，因?yàn)樾枰ㄟ^精確描述浮游生物圖像中其形狀特征來對(duì)其進(jìn)行識(shí)別。因?yàn)橹恍枰玫綀D像的形狀特征，即可對(duì)浮游生物圖像的二值化圖像進(jìn)行特征提取，大大簡(jiǎn)化了特征提取的過程。本文中主要討論的特征可分三個(gè)大類：基礎(chǔ)特征，形態(tài)學(xué)特征以及七個(gè)不變矩特征。4.1.1基礎(chǔ)特征(1)周長(zhǎng)L:即圖像邊界周長(zhǎng)。本文通過計(jì)算邊界像素點(diǎn)個(gè)數(shù)來計(jì)算所需目標(biāo)邊界周長(zhǎng)?？梢杂萌绻?4-1)來表示。 (4-1)式中(x,y)是邊界像素點(diǎn)的坐標(biāo)，M是圖像的高度，N是圖像寬度。(2)面積S:面積可以衡量目標(biāo)圖像的尺寸，常用的方法是通過邊界包含區(qū)域的面積來計(jì)算。該方法可以說是最簡(jiǎn)單的方法，其只需統(tǒng)計(jì)出目標(biāo)邊界所包含區(qū)域內(nèi)所有像素點(diǎn)個(gè)數(shù)即可。由此可以得出如(4-2)的計(jì)算面積的公式。 (4-2)式中F(i,j)即為二值圖像，統(tǒng)計(jì)像素點(diǎn)數(shù)目也可以看作統(tǒng)計(jì)的個(gè)數(shù)。(3)最小外接矩形面積及寬高可以采用鏈碼的方法來計(jì)算最小外接矩形的寬和高。如式(4-3)(4-4)所示。 (4-3) (4-4)式中n是鏈碼的長(zhǎng)度，是起點(diǎn)，則是鏈碼方向的分量。最小外階矩形的面積可以用等式(4-5)表示。 (4-5)上式中的是目標(biāo)邊界的極值。圖像的基礎(chǔ)特征反應(yīng)了目標(biāo)最直接簡(jiǎn)單也最基本的特征。4.1.2形態(tài)學(xué)特征(1)圓形度圓形度是用來表示目標(biāo)接近圓形的程度。當(dāng)計(jì)算出目標(biāo)的圓形度為1時(shí)，可以將目標(biāo)形狀視為圓形。此外若目標(biāo)形狀是條狀或其他復(fù)雜形狀時(shí)，圓形度會(huì)變小。圓形度計(jì)算公式如式(4-6)所示。 (4-6)上式中P為目標(biāo)邊界周長(zhǎng)，A是邊界及其包含區(qū)域面積。(2)矩形度矩形度表示了目標(biāo)對(duì)其最小外接矩形的充滿程度。當(dāng)目標(biāo)恰為矩形時(shí)，完全填充，矩形度最小為1。計(jì)算所得的矩形度越接近1，則目標(biāo)就越接近于矩形。矩形度計(jì)算公式如(4-7)所示。 (4-7)上式中Rect為最小外接矩形的面積，A是目標(biāo)邊界的面積，W，H則是最小外接矩形的寬高。(3)體態(tài)比體態(tài)比反應(yīng)的是目標(biāo)最小外接矩形的長(zhǎng)寬比值。體態(tài)比描述了目標(biāo)邊界的緊湊性，若是該比值越接近于1則可說明目標(biāo)邊界越緊湊。體態(tài)比計(jì)算公式如式(4-8)所示。 (4-8)式中W，H都為目標(biāo)最小外接矩形的寬度和高度。(4)葉狀性葉狀性反應(yīng)的是目標(biāo)邊界的幅值特征，是目標(biāo)質(zhì)心到其邊界最短距離和目標(biāo)邊界最大寬度的比值。計(jì)算葉狀性的公式如(4-9)所示。 (4-9)上式中的為質(zhì)心到邊界最短距離，即為目標(biāo)邊界的最大寬度。(5)凸率凸率定義為目標(biāo)邊界與其最小外接多邊形面積的比值，反應(yīng)了目標(biāo)邊界的不規(guī)則性。計(jì)算凸率的公式如(4-10)所示。 (4-10)上式中k(x,y)范圍分布可以用式(4-11)表示。 (4-11)(6)偏心率通常也將偏心率稱為伸長(zhǎng)度。往往是用來反映目標(biāo)邊界的緊湊性?？梢缘弥?dāng)目標(biāo)邊界所包含的區(qū)域其偏心率越大，那么該區(qū)域也就更接近于扁圓。計(jì)算偏心率公式如式(4-12)所示。 (4-12)上式中W可以視為圖像中目標(biāo)與主軸同向的寬度，也可以視為其最小外接矩形的寬度，H即為垂直主軸的高度，也可是為其最小外接矩形的高度。(7)密集度從公式角度來看密集度可以看作是圓形度計(jì)算公式的倒數(shù)。其是一個(gè)量化特征用以反映目標(biāo)區(qū)域的密集度。換言之，即當(dāng)周長(zhǎng)固定時(shí)，密集度越大代表其面積就越大。嚴(yán)格意義上來說，密集度并不是圖像在平移旋轉(zhuǎn)上的不變量。計(jì)算密集度的公式如式(4-13)所示。 (4-13)如表4-1所示即為本文中所用的浮游生物其基礎(chǔ)特征與形態(tài)學(xué)特征的計(jì)算值。表4-1形態(tài)學(xué)特征計(jì)算值三線表特征種類周長(zhǎng)面積圓形度矩形度體態(tài)比葉狀性凸率偏心率圓篩藻1.4910e+031402320.83170.99521.00270.49870.99980.9973小環(huán)藻546.02241051.00130.85751.02350.48490.99420.9874纖毛蟲625.15177470.89370.99311.02020.49000.99970.9803楔形藻459.25108400.75640.99511.96610.19520.96820.5602新月藻955.13127940.69091.00012.41810.20540.99640.4194習(xí)藻1.1322e+03121380.11491.71351.459360.10010.83580.6518三角藻149.095511050.83421.00311.05280.47250.99540.9500磷蝦1.6573e+031664880.80810.99621.44220.34670.99970.69404.1.3七個(gè)不變矩特征不變矩在圖像中具有旋轉(zhuǎn)平移尺度不變的特點(diǎn)，本文引入該特征可以避免相同種類的浮游生物圖像中因目標(biāo)的移動(dòng)或其它導(dǎo)致分類過程中產(chǎn)生誤分類情況的產(chǎn)生[30]。目前常用的矩為胡矩，即文中的七個(gè)不變矩。(1)矩概念對(duì)于灰度函數(shù)為f(x,y)的圖像而言，其p+q階矩可用式(4-14)表示。 (4-14)由此推得零階矩為式(4-15) (4-15)得到的一階矩可以用來計(jì)算圖像的質(zhì)心如式(4-16)所示。 (4-16)中心矩即是將坐標(biāo)原點(diǎn)移動(dòng)至質(zhì)心處可用式(4-17)表示。 (4-17)中心矩歸一化可用式(4-18)表示。 (4-18)(2)七個(gè)不變矩七個(gè)不變矩的具體算法公式如式(4-19)(4-20)(4-21)(4-22)(4-23)(4-24)(4-25)所示。 (4-19) (4-20) (4-21) (4-22) (4-23) (4-24) (4-25)如表4-2即為本文中所用浮游生物其七個(gè)不變矩的計(jì)算值表4-2七個(gè)不變矩特征計(jì)算值三線表不變矩種類Hu1Hu2Hu3Hu4Hu5Hu6Hu7圓篩藻0.16660.00000.00000.00000.00000.00000.0000小環(huán)藻0.15920.00010.00000.00000.00000.00000.0000纖毛蟲0.16650.03150.00000.00000.00000.00000.0000楔形藻0.23870.02450.00030.00000.00000.00000.0000新月藻0.23590.02800.00000.0000-0.0000-0.0000-0.0000習(xí)藻1.96453.25410.00620.00000.00000.00000.0000三角藻0.16610.00010.00000.00000.00000.00000.0000磷蝦0.17770.00390.00000.00000.00000.00000.00004.2特征選擇想要對(duì)浮游生物進(jìn)行分類，就得先識(shí)別它，并根據(jù)其特征進(jìn)一步構(gòu)造分類器。這當(dāng)中特征的選取至關(guān)重要，實(shí)際上并不是所有的特征在分類中是必須的，如果不加分析不加剔除的在分類中使用計(jì)算全部特征，那么無疑會(huì)加大分類時(shí)的工作量使其效率降低。因此在分類前需要提取合適的特征，使得能用最少最能體現(xiàn)浮游生物的特征來進(jìn)行分類。用于分類的特征應(yīng)滿足如下要求[31]:（1）可區(qū)分性：對(duì)種類相同，形狀相同的浮游生物，具有相似的特征。（2）唯一性：不同種類，形狀的浮游生物其特征差異十分明顯，能有效的對(duì)不同形狀的浮游生物進(jìn)行分類。（3）不相關(guān)性：對(duì)于同一形狀的浮游生物不應(yīng)選取兩個(gè)或以上的特征來對(duì)其相同的屬性進(jìn)行描述，即一個(gè)特征只反映一種分類所需特性。（4）數(shù)量盡可能少：選取的特征應(yīng)該盡可能少，否則會(huì)導(dǎo)致分類工作量加大且效率反而降低。4.3形狀特征分析本文中通過對(duì)浮游生物圖像進(jìn)行圖像處理，特征選擇及提取等一系列操作，若是想在這基礎(chǔ)之上在對(duì)浮游生物進(jìn)行形狀上的分類，就需要構(gòu)造一個(gè)分類器來進(jìn)行分類，通過構(gòu)建一個(gè)分類樹就可以順序?qū)Ω餍螤钸M(jìn)行分類。本文中簡(jiǎn)單的將浮游生物其形狀劃分為矩形，圓形，線性及其他，總共四類根據(jù)數(shù)據(jù)庫(kù)中各浮游生物有關(guān)各個(gè)特征如圓形度等的數(shù)據(jù)取值范圍，可以發(fā)現(xiàn)某種形狀的浮游生物圖像在其某一特征中存在密集型，以此可以明顯區(qū)分其它形狀。類圓形的圓形度范圍集中在0.85到1之間，那么可以將計(jì)算得到圓形度特征大于等于0.85時(shí)將目標(biāo)形狀劃分為圓。而且從規(guī)律中也可以得知類圓形的矩形度及Hu1矩范圍，且其體態(tài)比接近1，另外也可發(fā)現(xiàn)其它特征并沒有什么明顯的數(shù)值范圍。當(dāng)然，不精確的邊緣提取或者其自身本就不是圓形也會(huì)造成計(jì)算得到的圓形度數(shù)值不在規(guī)律中。對(duì)于線型而言，其圓形度小于0.2，矩形度也在1.2到4.5之間，體態(tài)比大于8，Hu1矩大于1，如類圓形般，線性其它特征也沒有明顯的規(guī)律，不滿足這一規(guī)律也有可能是邊緣不夠精確，也有可能是浮游生物其邊界體態(tài)變化較大導(dǎo)致的。矩形類的浮游生物除了圓形度，矩形度，體態(tài)比可得出規(guī)律外，其它特征也不存在明顯可以得出的規(guī)律。游離規(guī)律之外的目標(biāo)其原因如線性，是由不精確的邊界及其體態(tài)變化大產(chǎn)生的?？梢酝ㄟ^圓形度來確定目標(biāo)形狀是否為圓形，矩形線性也可以通過體態(tài)比和矩形度來加以劃分。根據(jù)上述特征就可以設(shè)計(jì)出一個(gè)有關(guān)形狀的分類器，先判斷區(qū)分圓形，不滿足要求，則再判斷區(qū)分是否為矩形，其次判斷區(qū)分線性，矩形，最后，若是不滿足上述所有的分類要求，則將其劃分為其它類別。4.4構(gòu)造形狀分類器根據(jù)浮游生物各形狀其特征規(guī)律可以得到分類規(guī)律表如表4-3所示。實(shí)際上，在這一步中只是把浮游生物的形狀大致的給區(qū)分出來，并用不著識(shí)別出浮游生物具體的科屬種，那么通過上表就可以根據(jù)特征的規(guī)律將浮游生物進(jìn)行形狀上的分類。根據(jù)構(gòu)造的分類樹即可以簡(jiǎn)單明了的進(jìn)行分類，如圖4-1所示即為本文中構(gòu)造的形狀分類樹。表4-3形狀分類特征規(guī)律三線表類別圓形度矩形度體態(tài)比Hu1矩Hu3矩矩形0.2-0.50.9-1.41.0-5.0無明顯規(guī)律無明顯規(guī)律圓形0.85-1.01.2-1.41.0-1.20.15-0.16無明顯規(guī)律線性0-0.21.3-4.58.0以上1.0以上無明顯規(guī)律其它無明顯規(guī)律無明顯規(guī)律無明顯規(guī)律無明顯規(guī)律無明顯規(guī)律圖4-1構(gòu)造得到的分類樹4.5形狀分類結(jié)果本文中成功實(shí)現(xiàn)了不同形狀的浮游生物的分類，將浮游生物分成矩形，線性，圓形及其它共四類。在形態(tài)學(xué)特征計(jì)算中，當(dāng)圓形度為0.85及以上時(shí)，劃為圓形，體態(tài)比為8以上時(shí)劃為線形，矩形度在0.9與1.4之間，體態(tài)比在1.0到5.0之間劃為矩形。本文中對(duì)于矩形類采用了鼓藻，菱形藻，纖毛蟲等浮游生物共計(jì)圖像8幅，分類的正確率達(dá)66.7%。文中圓形類采用了圓篩藻，小環(huán)藻，小球藻等浮游生物共計(jì)圖像10幅，當(dāng)中分類正確率高達(dá)90.3%，線形類在文中采用了顫藻，脆桿藻，新月藻，針桿藻等浮游生物共計(jì)圖像10幅，其分類正確率達(dá)78.2%。其它不滿足上述形狀要求的浮游生物同一劃分至其它類中?？偟膩碚f，本文對(duì)于浮游生物其形狀上的分類基本取得了較好的分類效果。4.6誤分類及其解決方法4.6.1誤分類原因?qū)嶋H分類中往往會(huì)因?yàn)榉N種原因造成誤分類現(xiàn)象，本文中介紹了幾種可以產(chǎn)生誤分類現(xiàn)象的原因，原因如下。(1)多種形狀特征界限處易出錯(cuò)。例如目標(biāo)的形狀為矩形或線形，根據(jù)分類上的規(guī)律可以發(fā)現(xiàn)并不能通過矩形度這一特征來對(duì)這兩這加以區(qū)分，但是矩形和線形在體態(tài)比這一特征上就有了較大的區(qū)別，就可以對(duì)體態(tài)比來進(jìn)行目標(biāo)的矩形線形來劃分了。(2)同一種類的浮游生物存在著多種形狀實(shí)際上，對(duì)于種類相同的浮游生物往往存在著不同的形狀，這也是導(dǎo)致誤分類現(xiàn)象產(chǎn)生的原因。而且由于浮游生物存在是立體的，不同的角度獲取不同的浮游生物圖像會(huì)使得得到的形狀不同，那么對(duì)于這種浮游生物的分類其出現(xiàn)誤分類的概率也會(huì)隨之增大。(3)浮游生物的生活方式浮游生物是單個(gè)的還是多個(gè)及是否疊加存在也會(huì)造成誤分類，往往多個(gè)浮游生物疊加在一起會(huì)使其形狀存在較大的變動(dòng)，從而導(dǎo)致形狀分類時(shí)將某一浮游生物錯(cuò)誤的劃分到另一截然不同的形狀中去。若是出現(xiàn)這種情況時(shí)，往往難以解決。4.6.2誤分類解決方法實(shí)際上，對(duì)單獨(dú)一個(gè)浮游生物進(jìn)行分類并不會(huì)存在太大的問題，但是一旦有多個(gè)浮游生物聚集堆疊就會(huì)出現(xiàn)各種問題，如形狀的改變使分類時(shí)錯(cuò)誤的將其劃分到另一類別中，為此，存在著兩種方法可以用于解決改善上述問題。(1)根據(jù)最終的分類結(jié)果來對(duì)形狀分類進(jìn)行調(diào)整。(2)若是存在上述問題，則直接將形狀不同的浮游生物不管其是否為多個(gè)疊加產(chǎn)生劃分到其所屬的形狀類別中。

結(jié)論本文對(duì)浮游生物基于圖像處理的識(shí)別分類加以研究，并構(gòu)造了一個(gè)分類器用以分類。主要研究了圖像的預(yù)處理，邊緣檢測(cè)，特征提取及分類這幾個(gè)方面，且比較并選取了合適的算法。經(jīng)過預(yù)處理操作去除了圖像中的噪聲，運(yùn)用Canny算子及邊界跟蹤獲得了完整連貫的目標(biāo)輪廓。進(jìn)行閉運(yùn)算的形態(tài)學(xué)濾波來消除空洞獲得平滑邊界輪廓。對(duì)輪廓計(jì)算其形態(tài)學(xué)特征，并對(duì)提取的特征進(jìn)行篩選，提出干擾特征和無關(guān)特征，最后根據(jù)不同形狀的特征規(guī)律構(gòu)建分類器，從而實(shí)現(xiàn)了浮游生物的形狀分類。本文將浮游生物劃分為圓形，矩形，線形及其他總計(jì)四類。但是本文仍然存在一些問題需要進(jìn)一步進(jìn)行處理，浮游生物是復(fù)雜多樣的，對(duì)于同一個(gè)浮游生物若從其不同的角度進(jìn)行拍攝，對(duì)獲得的圖像進(jìn)行計(jì)算也有可能使得到的特征不同從而導(dǎo)致最終分類的形狀結(jié)果截然不同。此外，若是發(fā)生了多個(gè)浮游生物堆疊得現(xiàn)象，在獲得圖像邊緣時(shí)會(huì)造成邊界的誤分割，導(dǎo)致形狀分類時(shí)出現(xiàn)嚴(yán)重誤分類的結(jié)果。浮游生物識(shí)別分類技術(shù)仍然處在不斷發(fā)展當(dāng)中，仍然有巨大的發(fā)展空間，本文中的研究也只是這一領(lǐng)域中極小的一部分，仍可進(jìn)一步加深。本文只是通過形態(tài)學(xué)特征進(jìn)行分類，構(gòu)造的分類也是處于第一層面當(dāng)中，可以根據(jù)紋理特征構(gòu)造第二層分類器，進(jìn)一步對(duì)浮游生物進(jìn)行分類，降低分類的錯(cuò)誤率?？梢酝ㄟ^BP神經(jīng)算法擬合訓(xùn)練進(jìn)行浮游生物的識(shí)別分類，引入專家知識(shí)和模糊語言，這樣即使對(duì)于某一浮游生物的描述并不是十分詳盡但仍然能夠獲得較好的分類效果。計(jì)算機(jī)對(duì)專家知識(shí)，模糊知識(shí)的準(zhǔn)確表達(dá)可以作為下一階段浮游生物識(shí)別分類研究的加深研究。

參考文獻(xiàn)王鈮.海洋浮游生物數(shù)字圖像處理方法[D].青島:中國(guó)海洋大學(xué),2006.譚巧,馬芊芊.應(yīng)用浮游植物生物完整性指數(shù)評(píng)價(jià)長(zhǎng)江上游河流健康[J].淡水漁業(yè),2017,47(3):97-104.劉海瀅.河湖水系連通及生態(tài)健康評(píng)估指標(biāo)體系研究[D].鄭州:華北水利水電大學(xué),2015JeffriesH.P.,BermanM.S.,Katsinisetal.Automatedsizingandcountingandidentificationofzooplanktonbypatternrecognition[J].MarineBiology,1984,78:329-334.KarstenR.,PeterG.,UtaJ.,BurkhardA.Semi-Automaticrecognitionofmicroorganismsinwater[C].Internationalconferenceofimageprocessing,2001,30-33.HansD,MichaM,Bayer.Automaticdiatomidentification.[J],2002,289-298.HuQ,DavisC.Automaticplanktonimagerecognitionwithco-occurrencematricesandSupportVectorMachine[J].MarineEcologyProgress,2005,295(1):21-31.KienLL,Li-LeeC,ChongVC,etal.Automatedidentificationofcopepodsusingdigitalimageprocessingandartificialneuralnetwork[J].BmcBioinformatics,2015,16(18):S4.HernándezsernaA,JiménezseguraLF.Automaticidentificationofspecieswithneuralnetworks[J].Peerj,2014,2(2):e563.ColtelliP,BarsantiL,EvangelistaV,FrassanitoAM,GualtieriP.Watermonitoring:automatedandrealtimeidentificationandclassificationofalgaeusingdigitalmicroscopy[J].EnvironmentalScience:ProcessesandImpacts,2014,16(11):2656-2665.HicksYA.Amodelofdiatomshapeandtextureforanalysis,synthesisandidentification[J].MachineVisionandApplications,2006,17:297-307.譚鐵強(qiáng),徐立.漢江枯水期藻類生長(zhǎng)調(diào)查[J].環(huán)境與健康雜志,2002,19(2):136-137.高尚.基于數(shù)字全息成像的淡水藻類檢測(cè)與分類技術(shù)研究[D].南昌:南昌航空大學(xué),2017.丁偉杰,周國(guó)民,任文華.基于小波分解和顏色熵的浮游生物圖像識(shí)別[J].計(jì)算機(jī)工程,2008(14):188-190.楊榕,張榮.基于圖像處理技術(shù)的浮游生物自動(dòng)分類研究[J].計(jì)算機(jī)仿真,2006,23(5):167-170.任琳琳.流式影像術(shù)在黃東海浮游植物群落結(jié)構(gòu)研究中的應(yīng)用[D].北京:中國(guó)科學(xué)院研究生院（海洋研究所）,2013.HansduBuf,MichaMBayer.AutomaticDiatomIdentification[M].WORLDSCIENTIFIC,2002.劉成云,陳振學(xué).自適應(yīng)閾值的小波圖像去噪[J].光電工程,2007,34(6):77-81.孫曉昕,曲偉.空域?yàn)V波與頻域?yàn)V波下數(shù)字圖像平滑比較[J].黑龍江大學(xué)工程學(xué)報(bào),2014,5(04):76-81.李剛.基于機(jī)器視覺的密集復(fù)雜物體識(shí)別與定位[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.孫文榮,周先春,嵇亞婷.基于直方圖均衡化、PCA和SVM算法的人臉識(shí)別[J].軟件,2014,35(08):11-15.胡永生,冀小平.基于閾值的圖像分割方法的研究[J].科技情報(bào)開發(fā)與經(jīng)濟(jì),2007(02):171-172.劉春閣.梯度邊緣檢測(cè)算子綜述[J].科技視界,2012(28):213.劉慧勤.目標(biāo)檢測(cè)技術(shù)研究[D].北京:中國(guó)科學(xué)院研究生院(光電技術(shù)研究所),2016.鄺良德,朱曉霞,謝曉紅,易軍,雷岷,任永軍,郭志強(qiáng),李叢艷,鄭潔.沙門氏菌快速檢測(cè)技術(shù)概述[J].湖北農(nóng)業(yè)科學(xué),2011,50(02):226-228.羅志宏,馮國(guó)燦.一種新變分方法在圖像分割中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2011,38(12):263-265.李靜.基于區(qū)域生長(zhǎng)和背景配準(zhǔn)的低信噪比紅外目標(biāo)檢測(cè)算法[J].紅外技術(shù),2014,36(11):909-913.郭耀,張敏情,楊曉元,劉佳.基于小區(qū)域特征的圖像檢索方法[J].計(jì)算機(jī)工程,2009,35(07):200-202.王圣男,郁梅,蔣剛毅.智能交通系統(tǒng)中基于視頻圖像處理的車輛檢測(cè)與跟蹤方法綜述[J].計(jì)算機(jī)應(yīng)用研究,2005(09):9-14.張燕紅,李瑛,張燕寧,王鳳芹.基于數(shù)學(xué)形態(tài)學(xué)的細(xì)胞圖像分割方法研究及實(shí)現(xiàn)[J].計(jì)算機(jī)與現(xiàn)代化,2013(07):135-137.XLiu,JXiang,BYang.Alabelingalgorithmbasedon8-connectedboundarytracking[J].ComputerEngineering&Applications,2001,23(2):125-126.李榮,徐燕華.基于視覺信息的圖像特征提取算法研究[J].電子設(shè)計(jì)工程,2016,24(09):188-190.洪炎峰,陳耀武.實(shí)時(shí)浮游生物圖像目標(biāo)智能識(shí)別系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)工程,2012,38(15):183-186.LiaoS.X.,PawlakM.OnImageanalysisbymoments[J].IEEETrans.onPatternAnalysisandMachineIntelligence,1996,18(3):254-266.JOvtcharova,GPahl,JRix.Aproposalforfeatureclassificationinfeature-baseddesign[J].Computers&Graphics,1992,16(2):187-195.

附錄預(yù)處理程序%獲取圖像轉(zhuǎn)換成灰度圖clear,clcRGB=imread('圓篩藻.jpg');figure,imshow(RGB)I=rgb2gray(RGB);%平均模板濾波w=fspecial('average',7);I=imfilter(I,w,'corr','replicate');figure,imshow(I)二值化程序%自適應(yīng)閾值以二值化thresh=graythresh(I);bw=im2bw(I,thresh);figure,imshow(bw)閉運(yùn)算程序%邊緣檢測(cè)bw=edge(bw,'canny');se=strel('disk',9);bw=imclose(bw,se);bw=imfill(bw,'holes');imshow(bw);最小外接矩形程序%獲取最小外接矩形[rc]=find(bw==1);[rectx,recty,area,perimeter]=minboundrect(c,r,'a');line(rectx,recty);figure,imshow(bw)邊界提取程序%邊界跟蹤，獲得輪廓邊界[B,L]=bwboundaries(bw);imshow(label2rgb(L,@jet,[.5.5.5]))holdon;fork=1:length(B)boundary=B{k};plot(boundary(:,2),boundary(:,1),'w','LineWidth',2);text(boundary(1,2)-11,boundary(1,1)+11,num2str(k),'Color','y','Fontsize',14,'FontWeight','bold');end特征提取程序%計(jì)算所需形態(tài)學(xué)特征stats=regionprops(L,'All');x1=rectx(1);x2=rectx(2);x3=rectx(3);y1=recty(1);y2=recty(2);y3=recty(3);l=sqrt((x1-x2)^2+(y1-y2)^2);w=sqrt((x2-x3)^2+(y2-y3)^2);area=stats.Area;juxingdu=(l*w)/area%矩形度ifl>=w;titaibi=l/welsetitaibi=w/l%體態(tài)比endtulv=stats.Solidity%凸率centroid=stats.Centroid;cx=centroid(1);cy=centroid(2);distance=sqrt((boundary(:,2)-cx).^2+(boundary(:,1)-cy).^2);distance=min(distance);ifl>=w;yezhuangxing=distance/lelseyezhuangxing=distance/w%葉狀性endH=max(sum(bw));W=max(sum(bw'));shenchangdu=min(H,W)/max(H,W)%伸長(zhǎng)度area=stats.Area;perimeter=stats.Perimeter;yuanxingdu=(4*pi*area)/(perimeter^2)%圓形度%計(jì)算七個(gè)不變矩特征%計(jì)算圖像的零階幾何矩m00=sum(sum(bw));m10=0;m01=0;[row,col]=size(bw);fori=1:rowforj=1:colm10=m10+i*bw(i,j);m01=m01+j*bw(i,j);endendu10=m10/m00;u01=m01/m00;%計(jì)算圖像的二階幾何矩、三階幾何矩m20=0;m02=0;m11=0;m30=0;m12=0;m21=0;m03=0;fori=1:row