一种藻类细胞图像自动分类方法技术

本发明专利技术公开了一种藻类细胞图像自动分类方法，所述自动分类方法包括以下步骤：对藻类图像进行预处理，获取处理后的藻类图像；根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向量；将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测。本发明专利技术降低了计算复杂度，提高了藻类细胞的分类率。

【技术实现步骤摘要】

本专利技术涉及图像处理、模式分类、环境监测等领域，尤其涉及一种藻类细胞图像自 动分类方法。
技术介绍
随着计算机科学的发展以及交叉学科应用的需求，计算技术已经广泛应用于环境 监测领域。特别是随着人工智能领域研究的不断深入，通过对特定关注对象数学模型的构 建实现计算机对图像、视频等媒体内容自动的理解成为可能。因此，在环境科学和信息科学 之间的学科交叉研究可以促进先进的环境检测方法和仪器的研究。目前，水体中藻类细胞 的类别和计数是监测水体污染物和判别水体质量的重要参考指标。然而，当前环境监测中 仅能通过人力进行分类和计数，该方法费时费力，并且由于经验等多种因素，目前这种高度 依赖于主观判别的方法往往不能快速准确的实现藻类细胞类别的准确识别，因此借助图像 处理和模式识别的方法实现藻类细胞图像自动分类成为亟待解决的问题。 目前关于藻类图像自动分类的方法较少，根据采用模型的不同，将现有方法分为 如下两种： 1)基于静态模型的方法[1-3]:该方法往往提取特定细胞区域的视觉特征（如： 颜色、纹理和形状等特征），然后利用常见静态分类器（如支持向量机，朴素贝叶斯等）进行 模型学习，然后再对未知类别的藻类图像进行自动分类。但是，该类方法往往依赖于具有鲁 棒分辨能力的视觉特征描述子，否则很难准确分类形变复杂的藻类细胞。 2)基于时序模型的方法[4]:该类方法往往提取表征某类细胞连续时刻形态变化 的特征序列，然后通过表征时间序列的图模型（如隐马尔可夫模型，随机场模型等）进行序 列动态学习，然后利用训练得到的时序模型进行细胞分类。但是该方法进行时序模型学习 时对大量数据具有很强依赖，并且因为模型结构复杂导致学习计算量大，速度慢。
技术实现思路
本专利技术提供了，本专利技术降低了计算复杂度，提高 了藻类细胞的分类率，详见下文描述： ，所述自动分类方法包括以下步骤： 对藻类图像进行预处理，获取处理后的藻类图像； 根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特 征向量； 将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为 后续模型学习的训练集； 构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预 测； 其中，目标函数为： Nj M r=argmin ^ JjWi-Yj \f+^WWjW2 k=l j=l 式中，『 = 表示M个任务模型参数的集合，为W的第j个列向量，表示第 j个模型参数，I： iiif X咛-夕I卩表示基于最小二乘的多任务联合学习部分，表 /=1.2.. .,U A-=I 戶1 示基于组稀疏优化思想设计的正则项；I I ? I I2表示列向量的I2范数，rI为权重参数，F/表 示第j类细胞的第k个样例的特征，表示第j类类别标签。 所述使用训练得到的模型对测试数据进行预测的步骤具体为： 采用第1类的模型W1对待测试的样本Fu计算W1X Fu与所有类别标记r =丨F G1的误 差的绝对值Iw1XFu-Yl,记录此时最小误差E1，待依次计算所有类模型对应的最小误差后， 选择这些值中最小值对应的右上角标记P，将Fu分类为第P类；如果f = P，则正确分类，否 则为错误分类。 本专利技术提供的技术方案的有益效果是：本专利技术将所有藻类细胞按照类别进行分 类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习 模式的目标函数并求解；使用训练得到的模型对测试数据进行预测从而解决第一类方法对 高分辨力视觉特征的依赖，又可以避免第二类方法对大数据的依赖和高计算复杂度。本发 明降低了计算复杂度，提高了藻类细胞的分类率。 【附图说明】 图1为菱形藻的示意图； 图2为桥弯藻的示意图； 图3为双眉藻的示意图； 图4为的流程图。 【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步 地详细描述。 本方法将突破
技术介绍
中对每类藻类独立进行建模的现有方法，采用多任务联合 学习的模型对多个藻类同时进行模型学习，从而解决第一类方法对高分辨力视觉特征的依 赖，又可以避免第二类方法对大数据的依赖和高计算复杂度。 101 :对藻类图像进行预处理，获取处理后的藻类图像； 其中，对所输入藻类图像（一幅图像中仅包含一个藻类细胞，如图1所示）的采集 装置、摄像头参数、图像存储格式和图像分辨率等参数以及藻类图像的类型均无特殊限制。 为了满足后续处理所需的数据形式，本方法对输入的藻类图像进行图像灰度化处 理，然后对灰度处理后的然后对图像进行滤波，其目的是滤掉图像噪声，将滤波后的图像尺 度进行归一化，本专利技术中以双线性插值法为例进行实现，具体不限制。 上述对输入的藻类图像依次进行图像灰度化处理、滤波处理以及归一化处理的步 骤为本领域技术人员所公知，本专利技术实施例对此不做限制。例如：本方法中的图像灰度化处 理采用文献[5]中的内容，滤波处理以及归一化处理采用文献[6]中的内容。 102 :根据处理后的藻类图像，进行藻类图像视觉特征提取； 由于后续采用多任务联合学习的方法来提高模型辨别能力，所以本专利技术对于藻类 图像视觉特征类别不做具体限制，实验中针对上图中藻类图像所体现的纹理和形状特征， 采用了多特征融合策略。 S卩：对图像I，分别提取N类视觉特征，第i类视觉特征采用向量Fi表示，然后将N 类特征向量级联起来，形成最终的多特征融合表示的特征向量F = [Fl, F2,......,FN] 由于方向梯度直方图对于表征藻类细胞外轮廓形状具有很强的性能，所以对藻类 图像I提取了方向梯度直方图特征向量F1，具体可以参考文献[7]中的内容，本专利技术对此不 做赘述。 由于尺度不变特征变换SIFT对于图像的局部纹理特性具有很强表征能力，所以 对藻类图像I提取了采用尺度不变特征变换SIFT特向向量F2,具体可以参考文献[8]中的 内容,本专利技术对此不做赘述。 在此基础上，将二者级联起来，形成融合后的特征向量[F1，F2]。 103:将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像 作为后续模型学习的训练集； 将所有藻类细胞按照类别进行分类，假设共M类藻类细胞。第j类细胞用Sj表示， 其中V = Id _，泞表示第j类细胞的第k个样例的特征表示，其中该类细胞共有卬个 样本。每类细胞制定相同的类别标签所有类别标记集记为Y。 然后，提取每类细胞中的特定比例R的细胞图像作为后续模型学习的训练集，其 余所有数据用做测试数据集。其中，比例R根据需要设定，实验中参考值为50%。数据选取 的方法也可以根据实际情况选择，实验中参考方法为人为随机选择。 104 :构建多任务学习模式的目标函数并求解； 目前，现有的分类器大部分都是单独对某一个藻类进行识别，如果把每个藻类的 识别看成一个任务的话，这种分类方法称为单一的任务学习。在单一的任务学习过程中，每 个任务被认为是独立进行的，忽略了任务之间的关联性。因此，本方法加入藻类之间的关联 信息，对多个藻类同时进行分类识别，即多任务学习。在多任务学习过程中，本文档来自技高网...

【技术保护点】
一种藻类细胞图像自动分类方法，其特征在于，所述自动分类方法包括以下步骤：对藻类图像进行预处理，获取处理后的藻类图像；根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向量；将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测；其中，目标函数为：W*=argminWΣj=1,2,...,MΣk=1Nj||Wj·Fkj-Yj||2+ηΣj=1M||Wj||2]]>式中，表示M个任务模型参数的集合，Wj为W的第j个列向量，表示第j个模型参数，表示基于最小二乘的多任务联合学习部分，表示基于组稀疏优化思想设计的正则项；||·||2表示列向量的l2范数，η为权重参数，表示第j类细胞的第k个样例的特征表示，Yj表示第j类类别标签。

【技术特征摘要】
1. 一种藻类细胞图像自动分类方法，其特征在于，所述自动分类方法包括以下步骤： 对藻类图像进行预处理，获取处理后的藻类图像； 根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向 量； 将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续 模型学习的训练集； 构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测； 其中，目标函数为：式中，P 表示M个任务模型参数的集合，为W的第j个列向量，表示第j个模于组稀疏优化思想设计的正则项；I I...

【专利技术属性】
技术研发人员：刘哲人，王秀芹，金岩，古伟宏，
申请(专利权)人：齐齐哈尔格林环保科技开发有限公司，
类型：发明
国别省市：黑龙江;23