[发明专利]一种小环藻识别方法及装置

说明书

本发明实施例公开了一种小环藻识别方法及装置。其中，方法包括对包含待测藻类的原始水体样本的高倍数显微图像进行切片处理，得到以小环藻外形为内切圆的正方形识别图像；对识别图像进行极坐标变换，并提取经过极坐标变化图像的多个识别特征；将提取的多个识别特征输入预先构建的决策树模型中，根据决策树模型输出结果确定待测藻类的类别；决策树模型为根据模板小环藻图像的特征和训练样本图像集中各个训练样本特征的信息增益率，利用C4.5决策树算法进行分类，根据分类结果对待测藻类进行识别。本申请的技术方案有效的解决了对复杂背景下的藻类图像无法根据现有技术进行切割而识别，提高了藻类的识别准确率与效率。

技术领域

本发明实施例涉及图像处理技术领域，特别是涉及一种小环藻识别方法及装置。

背景技术

藻类常见于江河湖海、潮湿土表、荒漠沙地、温泉，甚至冰雪表面，在地球上分布十分广泛，与人类的生存环境密切相关，对于渔业、水产养殖、医药、食品、农业及环保等领域都有极其重要的意义。水体中藻类细胞的类别和数量时监测水体污染物和判别水体质量的重要指标参数。

现有技术中，一般通过人工对水体中的藻类进行分类和识别，不仅高度依赖操作者的经验等主观判断，费时费力，还无法准确快速的实现藻类细胞的识别。

鉴于此，如何提高藻类识别的准确性，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种小环藻识别方法及装置，以提高小环藻识别的准确率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种小环藻识别方法，包括：

获取包含待测藻类的原始水体样本的高倍数显微图像，并对所述显微图像进行切片处理，以获取以小环藻外形为内切圆的正方形识别图像；

对所述识别图像进行极坐标变换，并提取经过极坐标变化图像的多个识别特征，所述识别特征包括PCA综合信息分布特征、局部二值模式特征、Hu矩、灰度共生矩阵的熵、基于马尔科夫的互信息及SSIM；

将提取的多个识别特征输入预先构建的决策树模型中，根据所述决策树模型输出结果确定所述待测藻类的类别；所述决策树模型为根据模板小环藻图像的特征和训练样本图像集中各个训练样本特征的信息增益率，利用C4.5决策树算法进行分类，根据分类结果对待测藻类进行识别；

其中，所述模板小环藻图像为多幅不同生长周期的小环藻显微图像矩阵平均值对应的图像，所述训练样本图像集包括多幅小环藻显微图像及多幅非小环藻的显微图像。

可选的，所述提取经过极坐标变化图像的多个识别特征包括：

分别计算极坐标变化图像的PCA综合信息分布特征值、局部二值模式特征值、7个Hu矩特征值、4个灰度共生矩阵的熵、基于马尔科夫的互信息值及SSIM值；

将15个特征值作为所述识别图像的识别特征。

可选的，所述决策树模型为根据模板小环藻图像的特征和训练样本图像集中各个训练样本特征的信息增益率，利用C4.5决策树算法进行分类包括：

分别对所述模板小环藻图像、各个训练样本图像进行切片处理，以获取各自相应的以小环藻外形为内切圆的正方形图像；

对各个正方形图像进行极坐标变化，并分别提取每个经过极坐标变化图像的多个训练特征，以构成训练特征集，所述训练特征的类型与所述识别特征的类型相同；

分别计算各所述训练特征的信息增益率，并将各信息增益率中最大值对应的训练特征作为划分特征；

根据所述划分特征对所述训练特征集进行划分，以得到多个子特征集，每个所述子特征集为所述决策树模型的一个类别。