基于圖像處理技術(shù)的海洋微藻數(shù)量統(tǒng)計(jì)方法

郭顯久張國勝耿春云

(1.大連海洋大學(xué)信息工程學(xué)院,遼寧大連116023;2.遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,遼寧大連116023;3.大連海洋大學(xué)海洋科技與環(huán)境學(xué)院,遼寧大連116023)

基于圖像處理技術(shù)的海洋微藻數(shù)量統(tǒng)計(jì)方法

郭顯久1、2,張國勝3,耿春云1、2

(1.大連海洋大學(xué)信息工程學(xué)院,遼寧大連116023;2.遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,遼寧大連116023;3.大連海洋大學(xué)海洋科技與環(huán)境學(xué)院,遼寧大連116023)

根據(jù)海洋微藻顯微圖像的特點(diǎn),利用圖像處理技術(shù)給出了自動統(tǒng)計(jì)海洋微藻數(shù)量的方法。該方法首先對微藻圖像進(jìn)行小波去噪,并對去噪后的圖像通過形態(tài)學(xué)的膨脹運(yùn)算進(jìn)行增強(qiáng);然后利用最大類間方差法和形態(tài)學(xué)的開運(yùn)算對增強(qiáng)后的圖像進(jìn)行分割;最后對分割后的二值圖像進(jìn)行微藻區(qū)域標(biāo)記,統(tǒng)計(jì)出在圖像中的微藻數(shù)量,進(jìn)而計(jì)算出水體中微藻的濃度。利用本文中所給出的方法編寫了海洋微藻數(shù)量自動統(tǒng)計(jì)軟件,仿真試驗(yàn)結(jié)果表明,該方法有效、可行。

海洋微藻;圖像處理;微藻數(shù)量統(tǒng)計(jì);最大類間方差法

海洋微藻在海洋中占有重要位置,它不僅可為海洋生物提供豐富的食物來源,也可反映海洋水體富營養(yǎng)化及水質(zhì)污染的狀況,因此,國內(nèi)外廣泛使用微藻種類和數(shù)量作為海洋生態(tài)環(huán)境監(jiān)測、水質(zhì)污染評價的重要指標(biāo)。目前,海洋微藻的監(jiān)測主要由專業(yè)人員在顯微鏡下對樣品進(jìn)行人工辨別、分類、計(jì)數(shù),其工作量大、速度慢、效率低。為此,通過實(shí)時提取海水微藻顯微圖像,運(yùn)用數(shù)字圖像處理技術(shù),編制一個快速、準(zhǔn)確的微藻數(shù)量自動統(tǒng)計(jì)軟件,檢測海域中所含微藻的種類和數(shù)量,這對微藻生物發(fā)展的早期監(jiān)測、預(yù)報具有重要的意義[1-3]。

微藻的自動識別和定量方法主要有吸收光譜法、熒光光譜法、液相色譜法、流式細(xì)胞儀、分子技術(shù)等[4],但這些方法大多過程繁瑣,嚴(yán)重依賴于微藻的生理狀態(tài),且分辨率不高?；陲@微圖像特征的自動識別方法具有使用便捷、成本低廉、分類結(jié)果精確、過程直觀、易與傳統(tǒng)手段結(jié)合等特點(diǎn)。國內(nèi)對微藻顯微圖像識別的研究近幾年發(fā)展很快[5-8],然而,大部分研究只局限于少數(shù)種類上。本研究中,作者通過對微藻顯微圖像的特點(diǎn)進(jìn)行研究,給出了基于圖像處理技術(shù)的海洋微藻數(shù)量自動統(tǒng)計(jì)方法,并根據(jù)被檢測的樣本量,計(jì)算出水體中所含微藻濃度。于曉靜[9]、郭顯久等[10]給出了微藻數(shù)量自動統(tǒng)計(jì)方法,他們利用直方圖均衡化方法對圖像進(jìn)行增強(qiáng),采用Prewitt邊緣檢測算子、形態(tài)學(xué)膨脹和腐蝕算法以及空洞填充方法對圖像進(jìn)行分割,最后運(yùn)用中值濾波去除微小雜質(zhì)干擾。這種方法雖然能夠較好地完成微藻圖像的分割,但其算法較復(fù)雜,需要對分割后的圖像進(jìn)行多次后續(xù)處理。為此,本研究中對上述方法進(jìn)行了改進(jìn),主要是運(yùn)用形態(tài)學(xué)的膨脹算法對灰度微藻圖像進(jìn)行增強(qiáng),運(yùn)用最大類間方差法和形態(tài)學(xué)開運(yùn)算法對增強(qiáng)后的圖像進(jìn)行分割。通過試驗(yàn)證明,本研究中所給出的海洋微藻數(shù)量自動統(tǒng)計(jì)方法具有算法簡單、分割效果好等特點(diǎn)。

1 微藻自動檢測系統(tǒng)的構(gòu)成

1.1 系統(tǒng)硬件的構(gòu)成

系統(tǒng)的硬件構(gòu)成框圖如圖1所示。將微藻樣本加入載玻片上,利用固定在顯微鏡目鏡端的CCD數(shù)碼相機(jī)通過顯微鏡以恒定的放大倍率獲取載玻片上的微藻圖像,將所采集的圖像存儲到計(jì)算機(jī),供后期處理及統(tǒng)計(jì)使用。

1.2 系統(tǒng)軟件的構(gòu)成

系統(tǒng)的軟件流程框圖如圖2所示。

為完成對微藻圖像中微藻數(shù)量的統(tǒng)計(jì),需要對微藻圖像進(jìn)行如下處理:彩色圖像轉(zhuǎn)換為灰度圖像,圖像增強(qiáng)與圖像分割,最后利用分割出來的藻類區(qū)域進(jìn)行微藻數(shù)量統(tǒng)計(jì),并根據(jù)樣本量計(jì)算出微藻濃度。

圖1 系統(tǒng)硬件構(gòu)成框圖Fig.1 Block diagram of the system hardware

圖2 系統(tǒng)軟件流程框圖Fig.2 Block diagram of the system software

2 彩色圖像轉(zhuǎn)換為灰度圖像

通過顯微鏡和CCD數(shù)碼相機(jī)獲得的圖像是彩色圖像,由于對彩色圖像處理時,存在計(jì)算量大、軟件運(yùn)行速度慢等問題,鑒于本研究中只統(tǒng)計(jì)顯微圖像中微藻的數(shù)量,而不涉及藻類識別問題,因此,本研究中將彩色圖像轉(zhuǎn)換為灰度圖像進(jìn)行處理。本文中采用HLS(色調(diào)、亮度、飽和度)模型轉(zhuǎn)化算法將彩色圖像轉(zhuǎn)換為灰度圖像。設(shè)Y為像素點(diǎn)的亮度,R、G、B分別為三基色的相對強(qiáng)度,則HLS(色調(diào)、亮度、飽和度)模型轉(zhuǎn)化算法為[11]

Y=[max(R,G,B)+min(R,G,B)]/2×3。 (1)

本研究中以新月菱形藻為例,將新月菱形藻的彩色圖轉(zhuǎn)換為灰度圖像的結(jié)果見圖3。

圖3 轉(zhuǎn)換后的新月菱形藻灰度圖像Fig.3 The transformation image from color to gray in alga Nitzschia closterium

3 微藻圖像的去噪與增強(qiáng)

由于水體環(huán)境中的多種懸浮 “顆粒”以及由此產(chǎn)生的反射引起光照不均勻所產(chǎn)生的噪聲直接影響到微藻數(shù)量的統(tǒng)計(jì),另外,顯微微藻圖像的灰度直方圖為一狹窄單峰 (圖4),說明此類圖像的背景與前景圖像之間對比度不強(qiáng),這不利于圖像的分割。為保障正確統(tǒng)計(jì)微藻數(shù)量,必須對采集到的微藻圖像進(jìn)行去噪與增強(qiáng)處理。

圖4 新月菱形藻顯微圖像的灰度直方圖Fig.4 A gray histogram of alga Nitzschia closterium

3.1 微藻圖像的去噪

利用Donoho等[12-13]提出的小波收縮方法對圖像進(jìn)行去噪。該方法的基本原理是:首先對信號進(jìn)行小波變換,然后對小波系數(shù)進(jìn)行閾值收縮,最后進(jìn)行小波逆變換。本研究中采用硬閾值的方法對小波系數(shù)進(jìn)行收縮,以達(dá)到去噪的目的。閾值選擇算法為

式中:HDj,i為第j尺度下的第i個小波系數(shù);閾值N為信號的采樣個數(shù),σ為信號的標(biāo)準(zhǔn)偏差估計(jì)值,其值可取為σ=Med0.6745Med,即取小波系數(shù)絕對值的中值。

采用Daubechies(8)小波對微藻顯微圖像進(jìn)行小波變換,對原始圖像 (圖3)進(jìn)行4層分解,去噪后的圖像如圖5(a)所示。

3.2 微藻圖像的增強(qiáng)

針對顯微微藻圖像的背景與前景之間對比度不強(qiáng),且有的微藻具有半透明等特點(diǎn),本研究中將形態(tài)學(xué)的膨脹算法應(yīng)用到微藻灰度圖像的增強(qiáng)上,取得了較好的結(jié)果。膨脹算法[14]如下:

設(shè)A為輸入圖像,B為結(jié)構(gòu)元素,A、B是E=z2中的集合,A被B膨脹定義為

A⊕B=(z∈E:Bz∩A≠?)。 (3)

膨脹是把結(jié)構(gòu)元素B平移z后得到Bz,使Bz與A交集不為空集的所有點(diǎn)z構(gòu)成的集合。膨脹是一個擴(kuò)張的過程,這種變換使目標(biāo)肢體擴(kuò)張,小洞被填滿。本文中結(jié)構(gòu)元素采用菱形結(jié)構(gòu),大小為8,采用膨脹算法對去噪后的圖像(圖5(a))進(jìn)行增強(qiáng),結(jié)果見圖5(b)。

圖5 新月菱形藻顯微圖像去噪和增強(qiáng)后的圖像Fig.5 De-noising image and enhancement image in alga Nitzschia closterium

4 微藻圖像的分割

微藻圖像分割的目的就是將圖像中藻的個體所占的區(qū)域從背景中分割出來,便于微藻數(shù)量的統(tǒng)計(jì)。圖像分割采用最大方差閾值和形態(tài)學(xué)的開運(yùn)算相結(jié)合的方法完成微藻圖像的分割。

4.1 采用最大方差閾值方法分割圖像

1979年,Otsu[15]提出了最大類間方差法 (亦稱Otsu法),該算法具有計(jì)算簡單、穩(wěn)定有效的特點(diǎn),一直被廣泛使用,是一種性能良好的自動閾值選擇方法。當(dāng)背景和目標(biāo)的兩個總體分布差異不大時,該算法在對圖像分割時能夠體現(xiàn)出優(yōu)勢[16]。針對微藻圖像和最大方差閾值方法的特點(diǎn),該算法非常適合微藻圖像的分割。

最大類間方差算法的原理是取某一灰度值作為初始閾值,將圖像分成兩個區(qū)域,當(dāng)這兩個區(qū)域間的灰度方差為最大時,該閾值即為圖像分割閾值。

設(shè)一幅圖像的灰度級為1～m級,灰度值為T的像素個數(shù)為nT,N為像素總數(shù),則各灰度級像素的分布概率為

pT=nT/N。 (4)

設(shè)任意灰度值T(T=1～m)將圖像分成兩個區(qū)域C0和C1,則C0和C1產(chǎn)生的概率w0(T)和w1(T)分別為

式中:μ為整幅圖像的灰度平均值,μ(T)為閾值為T時C0區(qū)域的灰度平均值,μ(T);i為灰度值,i=1～m。所以區(qū)域C0和C1間的方差為

閾值的選擇方法就是將T從灰度值1～m分別取值,計(jì)算閾值選擇函數(shù)δ2(T),求出maxδ2(T)所對應(yīng)的T,記為T*,稱為圖像分割閾值。

利用該算法對增強(qiáng)后的圖像(圖5(b))求全值閾值δ2(T),其變化曲線如圖6所示,曲線的最大值即為T*。利用T*作為閾值,對圖5(b)進(jìn)行分割,結(jié)果如圖7(a)所示。

圖6 圖5(b)的全值閾值δ2(T)曲線Fig.6 δ2(T)curve of Fig.5(b)

4.2 采用開運(yùn)算法對分割圖像細(xì)化

分割后的圖像里有可能存在小的雜質(zhì)干擾塊,這樣會造成對微藻數(shù)量的統(tǒng)計(jì)錯誤。由于形態(tài)學(xué)中的開運(yùn)算在粘連目標(biāo)的分離及背景噪聲 (尤其是椒鹽噪聲)的去除方面有較好的效果,因此采用開運(yùn)算對分割后的圖像進(jìn)行細(xì)化和去除小塊噪聲。開運(yùn)算實(shí)際上是用同一個結(jié)構(gòu)元素對圖像先腐蝕再進(jìn)行膨脹的運(yùn)算[9]。

設(shè)A為輸入圖像,B為結(jié)構(gòu)元素,A、B是E=z2中的集合,利用B對A作腐蝕運(yùn)算,其定義為

AΘB=(z∈E:Bz?A)。 (8)

腐蝕是把結(jié)構(gòu)元素平移z以后得到Bz,使Bz包含于A的所有點(diǎn)z構(gòu)成的集合。腐蝕是一種收縮變換的過程,腐蝕的結(jié)果是A的子集。

利用B對A作開運(yùn)算,根據(jù)開運(yùn)算的定義,由式 (3)和式 (8)可得

A°B=(AΘB)⊕B。 (9)

本文中結(jié)構(gòu)元素采用圓形結(jié)構(gòu),大小為2,對分割后的圖像 (圖7(a))進(jìn)行開運(yùn)算,結(jié)果見圖7(b)。

圖7 分割及開運(yùn)算后的結(jié)果Fig.7 Segmentation and open operation

為驗(yàn)證上述方法的可行性,對多種微藻的顯微圖像進(jìn)行了分割處理,均取得了較好的效果。圖8是對小球藻顯微圖像分割處理后的結(jié)果。

圖8 對小球藻顯微圖像分割處理后的結(jié)果Fig.8 The segmentation of alga Chlorella image

5 微藻數(shù)量的統(tǒng)計(jì)

5.1 微藻數(shù)量統(tǒng)計(jì)算法

對分割后的微藻二值圖像中,白區(qū)域表示微藻所占的區(qū)域,其像素值為1,黑區(qū)域?yàn)楸尘皡^(qū)域,其值為0。對微藻數(shù)量的統(tǒng)計(jì)實(shí)際上就是統(tǒng)計(jì)出圖像中連通白區(qū)域的數(shù)目,這個數(shù)目就是微藻數(shù)量。在二維圖像中,假設(shè)目標(biāo)像素點(diǎn)A周圍有m個(m≤8)相鄰的像素,若A的值與這m個像素中某一個像素B的值相等,則稱像素A與B具有連通性。常用的連通性有4連通和8連通。4連通選取目標(biāo)像素的上、下、左、右4個點(diǎn);8連通則選取目標(biāo)像素在二維空間中所有的相鄰像素,即除了4連通的點(diǎn)外,還包括左上、右上、左下、右下4個點(diǎn)。

本文中采用8連通方法標(biāo)記微藻區(qū)域。設(shè)I為輸入二值圖像;M為I的標(biāo)記數(shù)組,大小與I相同且初始值為0;L為標(biāo)記連通區(qū)域的個數(shù),初始值為1。標(biāo)記算法的基本思路是先標(biāo)記整個連通區(qū)域,然后再標(biāo)記下一個區(qū)域,直到所有的連通區(qū)域都被標(biāo)記為止。具體算法為:

1)對I進(jìn)行逐行掃描,找到第一個白像素點(diǎn),在M中對應(yīng)的點(diǎn)即被標(biāo)記為L,并在I中置該點(diǎn)為0,該點(diǎn)作為種子點(diǎn);

2)檢查種子點(diǎn)的八鄰域點(diǎn)并標(biāo)記滿足連通性要求的,且尚未被標(biāo)記的點(diǎn),在M中對應(yīng)的點(diǎn)標(biāo)記為L,并在I中置該點(diǎn)為0,并將該點(diǎn)作為新種子點(diǎn);

3)重復(fù)2)操作,直到I沒有符合8連通要求的點(diǎn)為止,結(jié)束一個連通區(qū)域標(biāo)記;

4)區(qū)域個數(shù)L加1,重復(fù)上述1)、2)、3)過程,直到I全部為0時止,這表明I的所有連通區(qū)域都被標(biāo)記,M為標(biāo)記結(jié)果。

從上述算法可以看出,L的值即為圖像中微藻的個數(shù)。利用上述方法編寫了統(tǒng)計(jì)微藻數(shù)量的應(yīng)用軟件,該軟件用Matlab編寫,圖9為該軟件的主界面。首先輸入樣本量,然后按 “讀圖像”按鈕,讀取微藻顯微圖像,并在微藻原始圖像窗口顯示該圖像;最后按 “開始統(tǒng)計(jì)”按鈕,計(jì)算機(jī)便按上述方法給出微藻的數(shù)量及單位體積的濃度,并顯示在 “結(jié)果區(qū)”的對應(yīng)文本框中。

圖9 微藻數(shù)量自動統(tǒng)計(jì)軟件主界面Fig.9 The interface of automatic counting software for alga

5.2 統(tǒng)計(jì)結(jié)果對比

用本研究中給出的海洋微藻數(shù)量自動統(tǒng)計(jì)軟件對實(shí)驗(yàn)室獲取的新月菱形藻和小球藻多幅顯微圖像進(jìn)行自動統(tǒng)計(jì),并與人工統(tǒng)計(jì)結(jié)果進(jìn)行了對比。從表1可見,與人工統(tǒng)計(jì)方式相比,本文中給出的自動統(tǒng)計(jì)方法的平均準(zhǔn)確率大于94%,說明該方法是可行的。造成誤差的主要原因有兩個方面:一是由于微藻個體有半透明的特點(diǎn),并且體內(nèi)明暗分布不連續(xù),因此在分割時有可能將一個個體分割成兩個個體。另外,在采樣時,也存在少量雜質(zhì)的干擾而無法剔除,或微藻圖像某一部分過細(xì)而導(dǎo)致分割時變成兩部分,這些都可能造成統(tǒng)計(jì)個數(shù)增加。二是在取樣時,微藻個體有可能疊加到一起或受到遮擋,這也會造成統(tǒng)計(jì)個數(shù)的減少。

表1 統(tǒng)計(jì)軟件自動統(tǒng)計(jì)結(jié)果與人工統(tǒng)計(jì)結(jié)果的對比Tab.1 The comparison between automatic statistics andmanual statistics

6 結(jié)論

本文使用顯微鏡及CCD對海洋微藻圖像進(jìn)行采集,并針對顯微微藻圖像的特點(diǎn),給出了運(yùn)用圖像處理技術(shù)自動檢測水體中微藻數(shù)量的方法。該方法包括對顯微微藻圖像去噪、增強(qiáng)、膨脹和腐蝕等處理技術(shù),并利用最大類間方差法將微藻在圖像中進(jìn)行有效分割。最后通過分割后的圖像進(jìn)行微藻區(qū)域標(biāo)記,統(tǒng)計(jì)出微藻數(shù)量并計(jì)算出微藻濃度。通過仿真試驗(yàn)表明,本文給出的方法是有效、可行的。所編軟件可應(yīng)用于水體的微藻狀況檢測,從而提高水體中微藻檢測的速度和效率。

[1] Li Jinzhong,Wu Yanyou,Qin Song,etal.The application of digital microimage processing in algae classifying and counting[J].Gui Zhou Science,2006,24(3):25-27.

[2] Wang Xuemin,Zhang Lei,Wang Mingshi.Image processing for automated identification of harmful algae[J].Journal of Computer-Aided Design&Computer Graphics,2004,16(2):158-162.

[3] 張前前,王修林,祝陳堅(jiān).赤潮浮游植物種類和數(shù)量分析的研究進(jìn)展[J].海洋環(huán)境科學(xué),2004,23(1):73-76.

[4] 高亞輝,楊軍霞,駱巧琦,等.海洋浮游植物自動分析和識別技術(shù)[J].廈門大學(xué)學(xué)報:自然科學(xué)版,2006,45(Suppl.2):40-45.

[5] 汪振興,佘焱,姜建國.赤潮藻類圖像自動識別的研究[J].海洋環(huán)境科學(xué),2007,26(1):42-44.

[6] 趙文倉,姬光榮,周立儉,等.浮游植物細(xì)胞圖像識別方法的研究[J].計(jì)算機(jī)工程,2005,31(24):143-144.

[7] 鄭少平,謝杰鎮(zhèn),王博亮,等.基于形狀特征描述的赤潮優(yōu)勢種識別研究[J].廈門大學(xué)學(xué)報:自然科學(xué)版,2009,48(5):676 -679.

[8] 高亞輝.海洋微藻分類生態(tài)和生物活性物質(zhì)研究[J].廈門大學(xué)學(xué)報:自然科學(xué)版,2001,40(2):566-573.

[9] 于曉靜.基于圖像處理的浮游生物統(tǒng)計(jì)軟件的設(shè)計(jì)與實(shí)現(xiàn)[D].大連:大連海洋大學(xué),2007.

[10] Guo Xianjiu,Liu Haiying,Jiang Fengjiao.Research on the segmentation method of micro algae image[J].Mathematical and Physical Fisheries Science,2010,8:1-7.

[11] 崔屹.數(shù)字圖像處理與應(yīng)用[M].北京:電子工業(yè)出版社, 2003.

[12] Donoho D L.De-noising by soft-thresholding[J].IEEE Trans on Information Theory,1995,41(3):613-627.

[13] Donoho D L,Johnstone IM.Ideal spatial adaptation by wavelet shrinkage[J].Biometrika,1994,81(3):425-455.

[14] Gonazalez R C,Woods R E.Digital Image Processing.Second E-dition[M].Beijing:Publishing House of Electronics Industry, 2003.

[15] Otsu N.A threshold selection method from gray-level histogram [J].IEEE Trans Systems Man Cybernet,1979,9(1):62-66.

[16] 張弘.數(shù)字圖像處理與分析[M].北京:機(jī)械工業(yè)出版社, 2010.

A marine alga counting method based on an image processing technology

GUO Xian-jiu1,2,ZHANG Guo-sheng3,GENG Chun-yun1,2
(1.College of Information Engineering,Dalian Ocean University,Dalian 116023,China;2.Key Laboratory of Ocean Information Technology of Liaoning Province,Dalian 116023,China;3.College of Marine Science and Environment,Dalian Ocean University,Dalian 116023,China)

An automatic statisticalmethod of alga number is described based on an image processing technology depending upon characteristics ofmarine algamicroscopic image.Thismethod is conducted by the following prodedures.Firstly,the alga image is executed by wavelet de-noising,and then the de-noising image is enhanced by the dilation operation ofmorphology.Secondly,the image is segmented by Otsu algorithm and the open operation of morphology.Finally,the binary image segmented is labeled in accordance with the region of the algae,and the concentration of the algae in thewater is calculated by the alga number in the image.The program about themarine alga counting is coded according to themethod given in the paper.The experiments show that themethod here is feasible and effective for alga counting.

marine alga;image processing;alga number counting;Otsu algorithm

Q949.2

A

2095-1388(2012)04-0368-05

2012-04-20

遼寧省海洋與漁業(yè)廳計(jì)劃項(xiàng)目 (2011027);大連海洋大學(xué)博士啟動基金資助項(xiàng)目

郭顯久 (1963-),男,博士,教授。E-mail:gxj@dlou.edu.cn