[发明专利]一种海洋微生物的实时监测方法

说明书

技术领域

本发明涉及图像处理和识别领域，具体涉及一种海洋微生物的实时监测方法。

背景技术

大面积海洋微生物的实时监测是海洋环境调查的重点和难点之一，国内外在近几十年间做了大量的研究工作，但是所研制的水下显微镜装置或者不具备目标微生物的智能识别功能，或者没有在线实时分析功能，或者没有特定微生物数量分布的测量与分析功能。

制约在线实时识别微生物的关键两个因素是需要处理的数据量和数据的处理速度。一般来说，海洋中特定微生物的丰度很低，海洋微生物的水下显微原位监测系统，需获取大量海水样品的影像资料并对其进行处理后才能取得有意义的科学数据。

通常情况下，连续采集一天的MPEG4标准清晰度的影像资料的存储容量就达到20G以上，而一次海洋环境调查的时间可能在数十天以上，因而采集得到的视频流本身就构成了海量的数据，而在处理过程中要将视频流中的帧保存成图像，数据量又会进一步加大，而且图像的处理中又涉及多步计算过程，尤其是图像中目标候选区域特征的提取非常耗时，如果选取特征数目太多，则处理速度太慢，达不到实时性的要求，如果特征数目选取太少，则会造成信息不足，增加了识别的错误率。

海洋微生物实时监测系统可以利用海洋监控装置中的显微镜下拍摄到的视频图像实时地、自动地发现特定微生物的存在，并且记录数据，定时估算海域内特定的微生物的分布密度，如果特定微生物的分布密度超标，则在终端软件上产生报警信息，以引起海洋监测人员的注意，监测系统的关键在于目标微生物的特征提取和识别。

特征提取作为微生物识别的关键步骤，是指将待识别的图像中的前景区域从背景区域中分离出来后，对该部分具有代表性的前景图像的像素局部或整体特性进行整合和计算的过程，然而由于拍摄微生物的角度不同，微生物躯体的舒张情况不同，都会对特征计算产生很大的影响。

目前通常选用的特征有：灰度特征：例如均值、标准差、众数、中位数等；形态特征：例如方向、周长、面积、密集度、形态比、欧拉数、最远两点间距离等；形状特征：例如曲率、等效椭圆轴长、不变矩、傅立叶描述子等；纹理特征：例如共生矩阵、马尔科夫随机场等。

现有技术中主要的识别算法有BP神经网络和特征统计识别算法，BP神经网络首先提取待识别目标的各种特征；然后将特征送到神经网络中训练，使训练好的神经网络对特征敏感；最后将待识别目标预处理、提取特征后送到神经网络中进行识别。特征的提取是该算法研究的关键，特征参数过少会引起判断上的歧义，过多会增加训练时间。由于特征选取比较复杂，而且神经网络结构复杂，识别速度较慢，不能满足实时性的要求。

特征统计识别算法提取待识别目标的一组统计特征，再按照一定准则下确定的决策函数进行分类判决。支持向量机分类方法是特征统计识别算法方面比较新的进展，该方法对可区分的二分类问题的最优分类可以通过最大化两类的空白区域（即间隔，margin）得到。间隔宽度的定义是n维特征空间的判别超平面和最近的训练模式（支持向量）之间的距离，因此，支持向量确定了判别函数，当存在多个判别超平面时，通过确定两个类别的最优判别超平面，可以有效避免过拟合问题（即对于训练样本具有较高的识别率，但是对于测试样本识别率却很低）。

由于待检测的字符二值图片只有0和1两种像素点，因此它的识别是典型的二分类问题，可以用支持向量的分类方法进行解决；而且支持向量的方法能够有效表达线性不可分的数据的抽象特征，利用核函数将数据映射到高维特征空间，然后在高维特征空间中进行线性划分，这一特征可以对相近字符进行更有效的分类和识别，而且对于不清晰和有污渍的字符也有更好的判别效果；另外，SVM（支持向量机）离线生成存有判别函数的model文件，在实际识别过程中，只需要在程序初始化时将model文件一次读入内存，之后就能快速进行字符的识别，SVM的识别方法能够兼顾识别速率和识别正确率。

发明内容

本发明提供了一种海洋微生物实时监测方法，可以应用于大面积的海洋微生物的实时监测，依据海洋环境监测时得到的视频流，进行海洋微生物的快速识别，丢弃没有微生物存储的图像，节省了存储容量，提高了数据处理速度。

一种海洋微生物的实时监测方法，包括以下步骤：

（1）以视频流的形式实时采集海洋中待监测区域的水域状况，并从视频流存储的图像中选取最初的若干幅图像计算得到背景图像。