一种大肠杆菌轮廓的精确提取及识别方法技术

本发明专利技术公开了一种大肠杆菌轮廓的精确提取及识别方法；本发明专利技术依靠计算机视觉的图像处理技术，结合大肠杆菌的几何特性，针对性地设计了一套图像处理算法，深度结合了实验所得出的数据，提高不同场景下系统的个性化和适配性。并利用统计学的算法，从培养皿复杂的大肠杆菌形态图像中将大肠杆菌形态的轮廓特征提取出来，从而方便了使用者统计信息，在大量的图像分析中减少了使用者的操作负担，加快实验的进度。此外，本发明专利技术设计一种轮廓亚像素重建算法，在不改变硬件的前提下，提高图像的分辨率，使系统的轮廓变得更加细致，从而能够精确地提取轮廓。同时本发明专利技术采用自适应双阈值二值化来处理二值化过程中的手动调参，使系统更加智能和高效。智能和高效。智能和高效。

【技术实现步骤摘要】
一种大肠杆菌轮廓的精确提取及识别方法


[0001]本专利技术属于生物医学图像处理领域，主要涉及一种大肠杆菌轮廓的精确提取及识别方法。

技术介绍

[0002]细胞形态和亚细胞空间结构对微生物细胞的功能有着重大影响，因此通过对微生物形态的研究具有非常重要的理论意义和实际应用价值。且长期以来，光学显微镜一直是表征和理解微生物世界的重要技术，广泛用于测量活细胞和群落内部的空间结构，这通常会导致大量的或难以手动分析的图像。在过去，微生物的标本检查等工作是由人工完成的，存在检测效率低、精度有限等一系列的问题，当需要分析数百，数千甚至更多的图像时，手动分析变得根本不可能。而利用计算机对细胞图像进行自动判读可以有效地避免这些问题，因而也成为国内外学者研究的一个热点。随着基于计算机图像分析的快速发展，使得传统图像处理技术和卷积神经网络都能够量化单个细胞和群落的大量属性。由于神经网络需要大量的样本数据和训练时间且泛化能力弱。所以目前大多数应用于微生物学的图像分析工具都依赖于传统的图像分析技术，传统的图像处理技术构成了目前大多数微生物学图像分析工具的基础。然而在传统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：包括以下步骤：步骤1、采集被识别的大肠杆菌形态图像；步骤2、对步骤1所得的大肠杆菌形态图像进行预处理，得到预处理图像；步骤3、对步骤2所得的预处理图像进行自适应双阈值二值化，得到二值图像；步骤4、对步骤3所得的二值图像进行区域填充，得到填充图像；步骤5、对步骤4的填充图像进行两次形态学开运算，得到菌落开运算图像；步骤6、对步骤5所得的开运算图像进行黏连分割，得到黏连分割图像；步骤7、对步骤6所得的黏连分割图像进行轮廓绘制并进行计数，得到轮廓图像；步骤8、将步骤7所得的轮廓图像进行亚像素重建，得到轮廓亚像素重建图像；步骤9、对步骤8所得的轮廓亚像素重建图像进行轮廓分割，得到轮廓分割图像；步骤10、提取大肠杆菌的轮廓特征；根据步骤10得到的大肠杆菌的轮廓特征，进行大肠杆菌形态分析。2.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：被测的大肠杆菌培养皿中投加有抗生素；每隔预设时长重复执行一次步骤1至11，得到在不同时间段下，大肠杆菌受到抗生素的抑制效果。3.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：步骤2中所述预处理的具体过程为：2
‑
1.对步骤1所得的大肠杆菌形态图像使用分量权重法进行灰度化，其中三通道形态图像得到单通道形态灰度图像；2
‑
2.对步骤2
‑
1所得的形态灰度图像进行背景校正，得到形态背景校正图像，背景校正的具体过程为：2
‑2‑
1.选取3*3的卷积核模板，该卷积核以中心位置作为坐标原点；2
‑2‑
2.使用步骤2
‑2‑
1所得的3*3卷积核对步骤2
‑
1所得的大肠杆菌形态灰度图像做卷积，得到轻模糊处理图像o(x,y)；2
‑2‑
3.选取25*25的卷积核模板，对步骤2
‑
1所得的大肠杆菌形态灰度图像进行高斯滤波，得到强模糊处理图像b(x,y)；并求取强模糊处理图像b(x,y)的平均灰度M；2
‑2‑
4.对步骤2
‑
1所得的大肠杆菌灰度图像进行背景校正，得到形态背景校正图像f(x,y)如下：f(x,y)＝o(x,y)
‑
b(x,y)+M2
‑
3.对步骤2
‑
2所得的形态背景校正图像进行双边滤波，得到大肠杆菌形态双边滤波灰度图像；双边滤波方法具体为将空间域核与颜色域核叠加得到双核；用双核对被识别图像进行滤波；2
‑
4.对步骤2
‑
3所得的大肠杆菌形态双边滤波灰度图像进行直方图均衡化增强，得到大肠杆菌形态灰度增强图像；2
‑
5.对步骤2
‑
4所得的大肠杆菌形态灰度增强图像进行形态学梯度变换；得到大肠杆菌形态学梯度变换图像g如下：式(2)中，f表示大肠杆菌形态灰度增强图像，B表示3*3的交叉形内核，表示膨胀操作，表示腐蚀操作；大肠杆菌形态学梯度变换图像g即为步骤2得到的预处理图像。
4.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：步骤3中所述自适应双阈值二值化的具体过程为：3
‑
1.对步骤2所得的预处理图像进行灰度梯度计算，梯度计算包括计算梯度方向与幅值，结合Sobel算子，计算出四个方向上的梯度变化强度，再通过线性插值计算两个对角线方向上的梯度变化强度；3
‑
2.将当前像素梯度变化强度与沿正负、对角线梯度方向上的相邻像素的梯度强度进行比较，若一个像素点为比较中的最大值，则保留该像素为边缘点，像素值设为255；若不是最大，则对其进行抑制，不将其作为边缘点；像素值设为0；3
‑
3.通过Otsu算法，将梯度图像非真实边缘部分划分为伪边缘部分和非边缘部分；将迭代分割运算中取得最大类间方差时的分割阈值作为最优分割阈值，抑制孤立的弱边缘，完成边缘检测；类间方差的表达式如下：其中，w0为目标点数占总图像比例，u0为其平均灰度；w1为背景点数占图像比例，u1为其平均灰度；u为图像总平均灰度；g
′
为类间方差；取类间方差值取最大时对应的阈值作为最优分割阈值，并将其定义为低阈值；将低阈值的2.5倍定义为高阈值；梯度强度低于低阈值的像素点被抑制，不作为边缘点，像素值设为0；高于高阈值的像素点被定义为强边缘，保留为边缘点，像素值设为255；处于高低阈值之间的定义为弱边缘；若弱边缘的邻域像素中有至少一个为强边缘像素点，则将该弱边缘保留为强边缘，像素值设为255；否则，该弱边缘不作为边缘点，像素值设为0。5.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：步骤4中进行区域填充的具体过程为：4
‑
1.对步骤3所得的二值图像中的连通域之外的像素值全部赋值为0，再将所得图像进行按位取反处理；对步骤4
‑
1所得的图像与步骤3所得的二值图像进行按位取或处理，得到填充图像。6.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：步骤6中所述黏连分割的具体过程为：6
‑
1.对黏连分割图像进行八连通链码标记；链码标记具体过程为：式(4)中，j为链码序号；k为链码步进长度；ζ
j,k
为链码第j个点的链码值；(x
j
,y
j
)、(x
j
‑
k
,y
j
‑
k
)分别表示链码第j、j
‑
k个点坐标；6
‑1‑
1.以起始点开始，并记录为起始点坐标，以8连通的方式从编码为1的方向开始搜索下一个边界像素点；之后，记录方向编码；6
‑1‑
2.从找到的像素开始重复步骤6
‑1‑
1，得出一组链码；若该组链码闭合，则在编码完成后返回到起始点；否则，省略起始点坐标；6
‑1‑
3.对步骤6
‑1‑
2所得的链码进行归一化，得归一化链码；将链码看作n位自然数，将
链码按一个方向循环，使其构成的n位自然数最小，形成起点唯一的链码；6
‑
2.确定连通域边界上的凹点；6
‑2‑
1.对步骤6
‑
1所得的图像边界链码，再根据向量叉乘运算公式进行叉乘运算，所得向量叉乘运算结果存放在集合S
e
中；定义一个阈值T
h
；若向量叉乘运算结果大于阈值T
h
，则该两个向量对应的像素点满足凹点特性条件；向量叉乘运算公式如下：s＝a
×
b＝|a||b|sin(θ)其中，s为向量叉乘运算结果；a表示以链码的起始坐标为起点，以步长k为距离所做的向量；b表示以向量a的终点作为起点，以步长k为距离所做的向量；θ为向量a到向量b的夹角；6
‑2‑
2.对步骤6
‑2‑
1所得的集合S
e
中满足凹点特性条件的像素点进行标记，得到多个凹点待定集合；每个凹点待定集合均包括一系列位于凹点周围的点；再将每个凹点待定集合中绝对值最大的那个点作为该集合的凹点，得到图像中所有的凹点；6
‑
3.对步骤6
‑
2所得的连通域边界上的凹点进行匹配分割，凹点匹配分割的具体过程为：6
‑3‑
1.将凹点分类为内凹点和外凹点，内凹点表示沿着图像的内边缘依次寻找得到的凹点；外凹点表示沿着图像的外边缘依次寻找得到的凹点；6
‑3‑
2.若连通域边界上的外凹点个数小于1，则不进行分割；6
‑3‑
3.若连通域边界上的外凹点个数为2，则通过将该两个外凹点直线相连的方式进行分割；若连通域边界上的外凹点个数大于2；则将各外凹点两两之间配对；若两个外凹点满足欧式距离最小且外凹点的分割线在同方向上，则该两个外凹点直接配对；将各组配对的外凹点直线相连，完成分割。7.根据权利要求1所述的一种大肠杆菌轮廓的精确提取及识别方法，其特征在于：步骤8中进行轮廓亚像素重建的具体步骤为：8
‑
1.对步骤7所得的轮廓图像进行灰度化；8
‑
2.灰度化后的轮廓图像进行梯度检测，梯度检测包含幅值和方向，设置8个3*3方向模板，用8个方向模板在图像上进行卷积运算，得到8个梯度图像；模板的方向就是梯度方向...

【专利技术属性】
技术研发人员：徐莹，于骏，孙乐圣，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：