水体中的微生物识别方法技术

本申请公开了一种水体中的微生物识别方法

【技术实现步骤摘要】
水体中的微生物识别方法、装置、存储介质及设备


[0001]本申请涉及图像处理
，特别涉及一种水体中的微生物识别方法
、
装置
、
存储介质及设备
。

技术介绍

[0002]通过分析水体中含有的微生物种类及种群密度可以在一定程度上反应水体的生态环境情况
。
具体的，可以利用流式平面成像技术获取水体样品中的微生物图像，结合相应的图像识别算法可以实现水体中的微生物的种类分析及含量评估
。
[0003]相关技术中大多利用
CNN(Convolutional Neural Networks
，卷积神经网络
)
架构来识别微生物图像中的微生物
。
其中，经典的
CNN
模型如
Alexnet
，
VGG
，
ResNet
等等，这些模型从图像中的像素点出发，利用多层卷积操作逐渐扩大模型的感受野，最终达到提取图像特征的目的
。
[0004]CNN
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种水体中的微生物识别方法，其特征在于，所述方法包括：对待识别的微生物图像进行预处理，得到预处理图像；对所述预处理图像进行超像素分割处理，得到预定数量的超像素；根据所述预定数量的超像素创建图结构，所述图结构中的节点为超像素，所述图结构中的边存在于具有公用的像素点的两个超像素之间；根据所述超像素和所述预处理图像生成所述图结构的特征矩阵；利用图神经网络对所述特征矩阵进行处理，得到图像表征向量；利用分类器对所述图像表征向量进行分类，得到水体中的微生物的识别结果
。2.
根据权利要求1所述的水体中的微生物识别方法，其特征在于，所述根据所述超像素和所述预处理图像生成所述图结构的特征矩阵，包括：从所述预处理图像中提取每个超像素对应的一个局部图像；对每个局部图像进行特征提取，得到一个特征向量；将所有局部图像的特征向量组成特征向量矩阵；根据所述图结构中各个节点之间的关系生成邻接矩阵；将所述特征向量矩阵和所述邻接矩阵作为所述图结构的特征矩阵
。3.
根据权利要求2所述的水体中的微生物识别方法，其特征在于，所述从所述预处理图像中提取每个超像素对应的一个局部图像，包括：对于每个超像素，从所述预处理图像中获取所述超像素对应的一个子图像；在所述子图像的背景部分填充0，得到方形的填充图像，所述子图像作为前景部分位于所述填充图像的中心；将所述填充图像填充或缩放至边长为第一预定值后作为所述超像素对应的局部图像
。4.
根据权利要求1所述的水体中的微生物识别方法，其特征在于，所述对待识别的微生物图像进行预处理，得到预处理图像，包括：对待识别的微生物图像进行取反；在取反后得到的图像中对称填充0，以使填充后的图像的长度和宽度相等；将填充后得到的图像缩放至边长为第二预定值，得到预处理图像
。5.
根据权利要求1至4中任一所述的水体中的微生物识别方法，其特征在于，所述利用图神经网络对所述特征矩阵进行处理，得到图像表征向量，包括：利用所述图神经网络对所述特征矩阵计算所述图结构的深层表征矩阵；利用池化层对所述深层表征矩阵进行处理，得到图结构表征向量；利用两个全连接层对所述图结构表征向量进行处理，得到图像表征向量
。6.
根据权利要求5所述的水体中的微生物识别方法，其特征在于，所述利用所述图神经网络对所述特征矩阵计算所述图结构的深层表征矩阵，包括：当所述图神经网络中包含
n
个层级，且每个层级中包含一个图卷积层和一个前馈网络层时，获...

【专利技术属性】
技术研发人员：鹿超群，赵华鹤，冯宏臣，潘宏亮，王丽伟，
申请(专利权)人：长春精仪光电技术有限公司，
类型：发明
国别省市：