耿春云，郭顯久、2

(1．大連海洋大學(xué)信息工程學(xué)院，遼寧大連116023;2．遼寧省海洋信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧大連116023)

海洋微藻一方面可通過光合作用釋放出地球上絕大多數(shù)的氧氣，固定二氧化碳減少溫室效應(yīng);另一方面又是赤潮及水體富營養(yǎng)化等自然災(zāi)害的主要因素。海洋微藻也蘊(yùn)藏著極大的商業(yè)、生產(chǎn)、生活和環(huán)境價(jià)值，其微藻富含蛋白質(zhì)、脂肪和碳水化合物，某些種類還富含油料、微量元素和礦物質(zhì)等原料，不僅是人類未來重要的食品、工業(yè)原料，而且也可作為新型的再生能源與環(huán)境增值能源開發(fā)的重要原料［1-2］，所以對(duì)微藻種類的鑒別越來越受到人們的關(guān)注。

傳統(tǒng)海洋微藻鑒別方法主要有形態(tài)分類法、化學(xué)分類法和分子生物學(xué)方法［3］。形態(tài)分類法即通過顯微鏡觀察活體或固定樣本的外部形態(tài)和結(jié)構(gòu)來確定其歸屬，但由于微藻形態(tài)和結(jié)構(gòu)復(fù)雜且不同物種間可能存在相似或同一物種中存在異形，所以鑒定的效率和準(zhǔn)確率都不高;化學(xué)分類法是以糖類、脂類、蛋白和核酸等化學(xué)分子為標(biāo)志，比較和闡述不同藻類之間的親緣及進(jìn)化關(guān)系，從而實(shí)現(xiàn)微藻的鑒定識(shí)別，這種方法要求鑒定者具有過硬的生物化學(xué)分析理論水平、化學(xué)物質(zhì)分離提取和儀器使用能力，極大地增加了鑒定的局限性和難度;分子生物學(xué)法是采用DNA測(cè)定技術(shù)進(jìn)行同源性比對(duì)及系統(tǒng)進(jìn)化樹分析確定微藻的種類。以上3種方法多涉及生物和化學(xué)方面的知識(shí)，不僅增加了識(shí)別的難度，同時(shí)也不利于實(shí)現(xiàn)微藻鑒定和識(shí)別的自動(dòng)化。

利用海洋微藻顯微圖像進(jìn)行微藻自動(dòng)識(shí)別與分類的研究近年來發(fā)展很快，然而，大部分研究只局限于少數(shù)種類上，并且圖像中只有單個(gè)藻體的情況或只用來統(tǒng)計(jì)微藻個(gè)數(shù)［4-7］。本研究中，在不針對(duì)微藻種類的前提下，通過對(duì)在海域中隨機(jī)采集到的不同微藻混合的樣本圖像進(jìn)行預(yù)處理，提取微藻的形狀和紋理特征，利用仿生模式識(shí)別算法實(shí)現(xiàn)微藻的自動(dòng)識(shí)別，該方法不僅能夠識(shí)別不同種類的微藻，而且也能夠識(shí)別大小不同的相同品種的微藻。

1 海洋微藻圖像的預(yù)處理

在實(shí)際采集樣本圖像時(shí)，往往得到的是海洋微藻的RGB圖像，由于RGB圖像包含顏色因子，實(shí)際提取特征過程較為復(fù)雜且信息量大，目標(biāo)信息不突出，不利于目標(biāo)與背景的分離，對(duì)目標(biāo)識(shí)別造成了困難，因此，必須對(duì)彩色圖像進(jìn)行灰度化和二值化處理。首先將彩色圖像轉(zhuǎn)化為256級(jí)灰度圖像，再將灰度圖像轉(zhuǎn)化為二值圖像。在二值圖像中，只有0和255兩個(gè)灰度值，0表示黑色像素，255表示白色像素。

1.1 彩色圖像轉(zhuǎn)換為灰度圖像

彩色圖像轉(zhuǎn)換為灰度圖像的方法有很多［8-10］，在多種方法中，考慮到系統(tǒng)的運(yùn)行速度和轉(zhuǎn)換失真等因素，本研究中選擇加權(quán)平均方法，實(shí)現(xiàn)從海洋微藻彩色圖像到灰度圖像的轉(zhuǎn)換，其轉(zhuǎn)換公式為

其中:I(x，y)表示灰度圖像的像素灰度值;R(x，y)、G(x，y)、B(x，y)分別表示彩色圖像 3 個(gè)顏色 (紅、綠、藍(lán))的分量值。轉(zhuǎn)換結(jié)果如圖1所示。

圖1 彩色圖像轉(zhuǎn)換為灰度圖像Fig.1 Transformation of color image into gray image

1.2 灰度圖像轉(zhuǎn)化為二值圖像

一般根據(jù)灰度圖像直方圖將灰度圖像轉(zhuǎn)化為二值圖像，有單閾值法和雙閾值法。由于微藻灰度圖像的直方圖［圖2-(a)］為標(biāo)準(zhǔn)的單峰圖像，所以在實(shí)際應(yīng)用中選用單閾值法將灰度圖像二值化。轉(zhuǎn)化算法為

其中:f(x，y)為二值圖像的像素值;I(x，y)為公式 (1)中得到的像素灰度值;T為根據(jù)灰度圖像的直方圖選定的閾值，即為灰度直方圖中灰度分布最大值處所對(duì)應(yīng)的灰度值。圖2為將灰度圖像轉(zhuǎn)化為二值圖像的結(jié)果 (為顯示效果，在這里采用反向顯示，即白變黑、黑變白)。

圖2 灰度圖像轉(zhuǎn)化為二值圖像Fig.2 Transformation of gray image into binary image

2 海洋微藻圖像特征的提取

圖像中的特征是對(duì)圖像分析與識(shí)別的關(guān)鍵參數(shù)，特征的選取及使用決定著圖像分析與識(shí)別的成敗，常用的圖像特征有顏色特征、形狀特征、紋理特征、空間關(guān)系特征等。

由于海洋微藻的半透明性降低了不同藻體細(xì)胞之間的顏色差距，而空間關(guān)系特征對(duì)圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度的變化具有敏感性，因此，本研究中采用圖像的形狀特征和紋理特征對(duì)海洋微藻進(jìn)行識(shí)別與分類。

2.1 微藻形狀特征的提取

形狀特征一般包括圓度 (也稱豐滿度)和矩形度等。圓度為目標(biāo)圖像區(qū)域面積與其最小外接圓面積之比，矩形度為目標(biāo)區(qū)域面積與其最小外接矩形面積之比，在這里定義區(qū)域面積為某區(qū)域占有的黑像素個(gè)數(shù)?？梢钥闯?，圓度與矩形度在定義和表示意義上是相似的，所以，本研究中僅提取了矩形度這一形狀特征值用于海洋微藻的識(shí)別。

形狀特征的矩形度定義如下:

其中:S1為目標(biāo)區(qū)域面積，即目標(biāo)占有的像素個(gè)數(shù);S2為目標(biāo)最小外接矩形所占的面積。

本研究中以曲周藻Pleurosigma pelagicum為例，計(jì)算矩形度的算法如下:

(1)遍歷圖像像素計(jì)算出目標(biāo)區(qū)域的面積S1，如圖3所示。

(2)從上、下、左、右4個(gè)方向分別掃描圖3所示的二值圖像，分別得到各個(gè)方向第一次遇到黑像素的坐標(biāo):y_top、y_bottom、x_left、x_right，如圖4所示。

(3)計(jì)算外接矩形面積，即

(4)由公式 (3)計(jì)算該藻的矩形度D。

圖3 曲周藻的二值圖像Fig.3 Binary image of alga Pleurosigma pelagicum

圖4 曲周藻最小外接矩形的掃描結(jié)果Fig.4 Minimal outer rectangle of alga Pleurosigma pelagicum

2.2 微藻紋理特征的提取

紋理是對(duì)圖像各像元灰度空間分布的一種描述，是圖像局部性質(zhì) (灰度分布函數(shù))的統(tǒng)計(jì)［11］。紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。經(jīng)常使用的特征值有能量、熵、慣性矩、平穩(wěn)度、相關(guān)度等。所以，本研究中在提取紋理特征時(shí)首先利用二值圖像得到目標(biāo)區(qū)域的重心，再在灰度圖像中以重心為中心作矩形，計(jì)算矩形內(nèi)像素的紋理特征，以此作為待識(shí)別目標(biāo)的紋理特征，如圖5所示。

2．2．1 微藻圖像重心的計(jì)算 利用二值圖像計(jì)算目標(biāo)區(qū)域的重心，其計(jì)算公式［9］如下:

其中:Grayx(x，y)為所有像素點(diǎn)映射到x軸的像素值矩;Grayy(x，y)為所有像素點(diǎn)映射到y(tǒng)軸的像素值矩;Gray(x，y)為所有像素點(diǎn)映射到原點(diǎn)的像素值矩;(x，y)為像素在圖像中的坐標(biāo);gxy為y行x列像素點(diǎn)的像素值，在二值圖像中黑像素為0，白像素為1。

則目標(biāo)圖像的重心坐標(biāo)(Mx，My)為

2．2．2 微藻圖像紋理特征的提取 目前獲取圖像紋理特征的普遍方法為空間灰度層共現(xiàn)矩陣法［12］?；叶裙铂F(xiàn)矩陣是一個(gè)描述灰度圖像紋理分布統(tǒng)計(jì)規(guī)律的矩陣，其元素定義為:灰度圖像中θ方向上相隔d像元距離的一對(duì)像元，分別具有灰度層i和j的概率，記為 p(i，j|d，θ)。本研究中，設(shè) θ=0，d=5，得到共現(xiàn)矩陣，由共現(xiàn)矩陣得到以下紋理特征參數(shù):

(1)能量

(2)熵

(3)慣性矩

(4)相關(guān)度

式中，

(5)局部平穩(wěn)

3 基于仿生的模式識(shí)別

傳統(tǒng)的模式識(shí)別過程大多是利用統(tǒng)計(jì)決策理論對(duì)有限類樣本進(jìn)行最優(yōu)分類，是以不同樣本在特征空間中的最佳劃分為目標(biāo)。而海洋微藻的模式識(shí)別是對(duì)混合圖片中的微藻進(jìn)行一個(gè)一個(gè)的“認(rèn)識(shí)”過程，不要求最佳劃分只要求正確識(shí)別，所以本研究中，利用王守覺［13］提出的仿生模式識(shí)別 (拓?fù)淠Ｊ阶R(shí)別)理論進(jìn)行識(shí)別。

仿生模式識(shí)別理論基于同源連續(xù)性原理，它認(rèn)為兩個(gè)同類事物之間存在一個(gè)漸變過程，在這個(gè)漸變過程中各事物都屬于同一類。所以仿生模式識(shí)別理論的實(shí)現(xiàn)過程就是計(jì)算待識(shí)別樣本到學(xué)習(xí)樣本所組成的特征空間距離的過程，距離最小的類即為待識(shí)別樣本所屬的類。

定義待識(shí)別類為X，特征空間中的已知類集合為P={p1，p2，…，pn}，待識(shí)別X類到P中各類別的距離為D1，D2，…，Dn，并生成距離集合DH={D1，D2，…，Dn}，其中最小距離定義為dHmin，那么問題就轉(zhuǎn)換為求DH中最小距離dHmin及其對(duì)應(yīng)的類別號(hào) i，即 (dHmin，i)=min(DH)［14］。

定義X到pi的距離Di的算法如下:

其中:D、E、H、I、C、L分別為矩形度、能量、熵、慣性矩、相關(guān)度和局部平穩(wěn)度特征值。

圖5 紋理特征值提取區(qū)域Fig.5 Extracting region of texture eigenvalue

4 海洋微藻自動(dòng)識(shí)別實(shí)驗(yàn)

4.1 微藻來源

為驗(yàn)證本算法，對(duì)在海域中隨機(jī)采集的不同形狀、大小、紋理的微藻混合圖像進(jìn)行自動(dòng)識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)用海洋微藻圖像樣本隨機(jī)采集于大連市黑石礁海域，使用Nikon Eclipse 5i型顯微鏡在10×100倍下拍攝圖像，如圖6所示，假設(shè)藻體未知，并以數(shù)字代碼表示每個(gè)藻體。

圖6 實(shí)驗(yàn)用微藻圖像樣本Fig.6 Samples of microalgae in the experiment

4.2 微藻的特征空間

在圖6中，4張微藻的混合圖片中共存在7種微藻，其中1和2為1種，3和7為1種，4、5、6、8、9分別為5種。將這7種藻類分別用Ⅰ (1、2號(hào)藻)、Ⅱ (3、7號(hào)藻)、Ⅲ (4號(hào)藻)、Ⅳ (5號(hào)藻)、Ⅴ (6號(hào)藻)Ⅵ (8號(hào)藻)、Ⅶ (9號(hào)藻)代碼來表示，則7種藻類的特征空間值如表1所示。

表1 學(xué)習(xí)樣本獲得的特征值Tab.1 Microalgae eigenvalues from Fig.6

4.3 實(shí)驗(yàn)結(jié)果

使用本研究中給出的仿生模式自動(dòng)識(shí)別方法求得圖6中9個(gè)微藻個(gè)體與表1中7種微藻類別的特征空間距離，如表2所示。

在表2中，橫向數(shù)值為圖6中每個(gè)藻體與7種不同藻類的特征空間距離，每個(gè)藻體與某藻種距離最近的數(shù)據(jù)已用黑體標(biāo)出。由圖6可知:藻體1、2為同種藻類，而表2中顯示第1行的藻體1和第2行的藻體2與Ⅰ的距離最近;同理，藻體3和藻體7同屬一類，而表2中顯示第3行的藻體3和第7行的藻體7與Ⅱ的距離最近。從表2中依次可看出，藻體4與Ⅲ的距離最近，藻體5與Ⅳ的距離最近，藻體6與Ⅴ的距離最近，藻體8與Ⅵ的距離最近，藻體9與Ⅶ的距離最近。由表2可以看出:藻體1、2屬于Ⅰ類，藻體3、7屬于Ⅱ類，藻體4屬于Ⅲ類，藻體5屬于Ⅳ類，藻體6屬于Ⅴ類，藻體8屬于Ⅵ類，藻體9屬于Ⅶ類，結(jié)果完全正確。

表2 待識(shí)別微藻與樣本微藻特征空間距離Tab.2 Feature space distances between identifying microalgae and microalga simples

5 結(jié)語

本研究中，利用圖像技術(shù)研究了海洋微藻的自動(dòng)識(shí)別與分類方法，針對(duì)藻類個(gè)體間顏色差距不明顯、半透明等特點(diǎn)，給出了以形狀及紋理方面的6個(gè)特征作為不同藻類識(shí)別的特征值，提出了利用仿生模式識(shí)別方法對(duì)海洋微藻圖像樣本進(jìn)行識(shí)別的技術(shù)路線，并對(duì)在形狀、大小、紋理等方面存在差距的微藻混合圖像進(jìn)行了識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法可以正確地識(shí)別出混合圖像中的多個(gè)微藻，說明此方法在微藻圖像識(shí)別中是可行且有效的。但也存在一定的缺陷，即無法對(duì)存在部分重疊的藻體進(jìn)行識(shí)別與分類。今后作者將通過其他圖像處理技術(shù)，如小波處理等頻域圖像處理方式，實(shí)現(xiàn)圖像的預(yù)處理及分割或增加新的特征項(xiàng)，從而實(shí)現(xiàn)任意特殊情況下藻體的識(shí)別與分類，進(jìn)而擴(kuò)大本方法的適用范圍。

［1］Adamzak M，Bornscheuer U T，Bednarski W．The application of biotechnological methods for the synthesis of biodiese［J］．European Journal of Lipid Science and Technology，2009，111(8):800-813．

［2］程奇，呂蓓，沈桂芳．能源微藻生產(chǎn)生物柴油的意義及其開發(fā)價(jià)值［C］//經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)變與自主創(chuàng)新——第12屆中國科學(xué)技術(shù)協(xié)會(huì)年會(huì)，2010．

［3］李雪梅，宮春光，安鑫龍．赤潮微藻的分類鑒定方法［J］．河北漁業(yè)，2011，63(12):58-59．

［4］駱巧琦，李雪松，梁君榮．基于形狀特征的硅藻顯微圖像自動(dòng)識(shí)別［J］．廈門大學(xué)學(xué)報(bào):自然科學(xué)版，2011，50(4):690-696．

［5］汪振興，佘焱，姜建國．赤潮藻類圖像自動(dòng)識(shí)別的研究［J］．海洋環(huán)境科學(xué)，2007，26(1):42-44．

［6］Culverhouse P，Williams R，Reguera B，et al．Expert and machine discrimination of marine flora:a comparison of recognition accuracy of field collected phytoplankton［C］//IEEE International Conference on Visual Information Engineering，2003，7:177-181．

［7］鄭少平，謝杰鎮(zhèn)，王博亮，等．基于形狀特征描述子的赤潮優(yōu)勢(shì)種識(shí)別研究［J］．廈門大學(xué)學(xué)報(bào)，2009，48(5):676-679．

［8］郭彥伶，彭進(jìn)業(yè)，王大凱．改進(jìn)復(fù)原模型的彩色-灰度圖像變換方法［J］．計(jì)算機(jī)工程與應(yīng)用，2009，45(7):192-194．

［9］章衛(wèi)祥，周秉鋒．一種基于梯度域的彩色圖像轉(zhuǎn)灰度圖像的方法［J］．影像技術(shù)，2007(3):20-22．

［10］李貞培，李平，郭新宇，等．三種基于GDI+的圖像灰度化實(shí)現(xiàn)方法［J］．計(jì)算機(jī)技術(shù)與發(fā)展，2009，19(7):73-75．

［11］汪毅．基于數(shù)字圖像的藻類特征值提?。跠］．大連:大連海洋大學(xué)，2007．

［12］付信際，楊汝良，岳海霞．一種新的灰度共現(xiàn)矩陣特征提取算法［J］．測(cè)試技術(shù)學(xué)報(bào)，2005(3):310-314．

［13］王守覺．仿生模式識(shí)別(拓?fù)淠Ｊ阶R(shí)別)——一種模式識(shí)別新模型的理論與應(yīng)用［J］．電子學(xué)報(bào)，2002，30(10):1417-1420．

［14］翟懿奎，曾軍英．一種基于小波奇異值分解的仿生模式虹膜識(shí)別算法［J］．電路與系統(tǒng)學(xué)報(bào)，2012，17(2):43-48．