[发明专利]一种基于图像处理技术的显微图像炭疽孢子密度计算方法

说明书

本发明提供了一种基于图像处理技术的显微图像炭疽孢子密度计算方法，包括：步骤1，标注一幅炭疽孢子图像，构建混合高斯模型；步骤2，采用基于高斯分离度的自适应Otsu阈值分割炭疽孢子图像；步骤3，对分割后的图像进行开滤波、闭滤波、形状滤波和面积滤波；步骤4，提取目标边缘轮廓；步骤5，计算图像中各像素与混合高斯模型的相似度；步骤6，计算基于符号对数相似度的边缘停止函数；步骤7，对步骤4中得到的边缘轮廓进行轮廓演化，得到炭疽孢子的精确轮廓；步骤8，对结果图像统计连通域的面积和连通域的个数，得到炭疽孢子的个数。利用本发明方法获得的密度统计信息可以为作物的病情估计，或者炭疽孢子的活性、耐药性分析提供依据。

技术领域

本发明涉及数字图像图像处理和模式识别领域，具体说，涉及一种基于图像处理技术的显微图像炭疽孢子密度计算方法。

背景技术

在作物生长和果蔬储运过程中，病害是降低农业生产效率的主要原因。每年约有50％的柑橘果皮被病害破坏；在热带地区，收获的水果和蔬菜有一半由于腐烂而损失。这些疾病主要归因于真菌孢子的致病作用。如果真菌孢子在疾病的早期就能被检测和计数，则可以提前采取适当的预防措施。此外，在疾病控制药物的研发过程中，真菌孢子的密度统计可以揭示孢子的耐药程度和活性，可以为新的生物或化学药物的研究提供强有力的技术支持。在农作物、水果和蔬菜的病害中，炭疽病是一种常见而危险的病害，它会导致农作物枯萎、死亡和水果/蔬菜的腐烂。炭疽真菌是炭疽病的主要致病菌，在全球范围内分布，宿主众多，导致热带、亚热带地区大量的粮食、水果和蔬菜的炭疽病发生。所以，对炭疽真菌孢子进行密度信息的统计对绿色农业和精准农业具有重要的意义。

人工统计孢子密度信息依赖于肉眼，耗时、费力且容易出错。随着计算机视觉和人工智能的发展，孢子的自动信息统计逐渐受到研究者的关注。一般分为两类：传统的方法和基于深度学习的方法。

在传统的自动统计方法中，研究人员需要设计一个合适的特征提取器来从背景中分离孢子。然而，特征提取器是固定的因此这些方法总是局限于某单一场景。与传统方法不同，深度学习技术可以学习如何从大量样本中提取特征，是近年来出现的一种有效的技术。目前，基于深度学习的孢子检测已有报道，但是这项工作的目的是鉴定孢子的种类，而统计孢子的密度还未见报告。而且目前还缺乏大量的炭疽孢子数据集来进行深度网络训练。此外，图像中大量炭疽孢子的标记工作繁琐，导致对孢子边界的标记不准确，从而影响训练后网络的性能。因此，有必要设计一种不依赖于大量标注的炭疽孢子的密度精准计算方法。

此外，图像像素点的灰度作为一种重要的特征信息往往被首先考虑，通常通过设置阈值的方法来初步分离孢子和背景。在众多的阈值分割方法中，Otsu(又称为最大类间方差法)，由于其简单性和自适应性被广泛应用于灰度图像分割中。作为一种阈值分割方法，Otsu阈值只在当图像直方图呈双峰分布时有较好的分割效果，而当直方图是单峰分布或接近单峰分布时，阈值就会偏向其中一个类。直方图单峰分布是由目标和背景的类别不平衡分布引起的。这种类别不平衡现象在炭疽孢子图像中普遍存在，因为显微镜下的拍摄到的炭疽孢子图像中孢子像素数目显著小于背景像素数目。另外在这类场景中，这种类别不平衡还具有多样性的特征，例如，不同的炭疽孢子图像中孢子的个数可能差异很大。图像中目标和背景分布的不平衡性以及多样性，使得Otsu分割的性能显著降低。

为了解决Otsu方法在不平衡分布情况下的偏移问题，研究人员提出了一些基于改进的方法。这些方法可以分为两类：基于算法的方法和基于数据的方法。基于算法的方法通过将小于1的系数与类间方差相乘，增加了小类在目标函数中的比例。通常这类方法在稳定不平衡分布的情况下能取得比Otsu更好的分割效果。然而，当数据分布发生变化时，固定的系数往往不合适了。另一方面，基于数据的Otsu方法通过对较大的类进行欠采样来增加较小类的重要性。例如，在一个约束强度范围内采用最大类间方差法搜索一个最优值。实验证明，基于数据的Otsu方法比基于算法的方法更有效。然而，何时在约束空间中搜索以及如何自动确定约束范围仍然是人为固定设置的，因此现有的基于数据的Otsu方法仍然只适用于稳定的非平衡分布。