基于形態(tài)學(xué)多尺度圖像分析的海藻細(xì)胞圖像分割及特征提取.pdf

1、海洋浮游植物又稱浮游海藻,它們既是海洋生態(tài)系統(tǒng)中最重要的初級生產(chǎn)者,也是引發(fā)赤潮的主要因素。對浮游植物資源的開發(fā)利用、對海洋生態(tài)系統(tǒng)的監(jiān)測,都離不開對其種類的分類和鑒定。目前,對海藻的鑒定,最基本的方法是由生物學(xué)專家,觀察顯微鏡下的藻類外觀形態(tài)實現(xiàn)的。這種方法需要研究者擁有很高的專業(yè)水平和豐富的經(jīng)驗,且費(fèi)時又費(fèi)力。將計算機(jī)圖像處理與模式識別技術(shù),與這種最基本的方法相結(jié)合,建立浮游植物圖像自動識別系統(tǒng),是實現(xiàn)海藻種類準(zhǔn)確、快速鑒定的新途徑

2、。國內(nèi)外已有的浮游植物圖像識別系統(tǒng),普遍存在一些局限性:例如,海藻種類繁多,但大多數(shù)圖像識別系統(tǒng)能夠識別的種類偏少等。
　　 本文的研究內(nèi)容是浮游植物圖像自動識別系統(tǒng)中的重要組成部分,以海藻細(xì)胞顯微圖像的自動分割以及紋理特征提取作為主要研究目標(biāo)。圖像分割和特征提取的結(jié)果是準(zhǔn)確分類識別的基礎(chǔ)。
　　 近年來,形態(tài)學(xué)圖像分析逐步發(fā)展成為圖像領(lǐng)域一種新興的研究方法,其基本思想對非線性圖像處理分析產(chǎn)生了不可估量的促進(jìn)意義,尤其適

3、合于實時性要求高的場合。形態(tài)學(xué)圖像分析具有理論嚴(yán)謹(jǐn)完備、節(jié)省內(nèi)存、算法執(zhí)行效率高、易于用硬件實現(xiàn)等優(yōu)勢。在浮游植物圖像識別的國際先進(jìn)研究工作中,采用形態(tài)學(xué)圖像分析的方法進(jìn)行圖像分割和部分特征的提取,是一個主流的和有效的途徑。
　　 多尺度分析是一種類似于人類視覺系統(tǒng)的圖像分析方法,它的優(yōu)勢在于:圖像在不同的尺度下,可表現(xiàn)出與尺度相關(guān)的不同特性。因此,在某種單一尺度下無法實現(xiàn)的圖像分割或特征檢測任務(wù)在另外的或者綜合的尺度上能實現(xiàn)。

4、而形態(tài)學(xué)多尺度圖像分析方法兼具形態(tài)學(xué)和多尺度分析的優(yōu)點。因此,本文系統(tǒng)歸納了形態(tài)學(xué)多尺度圖像分析的理論體系,跟蹤其前沿進(jìn)展,針對海藻細(xì)胞顯微圖像的特點,圍繞圖像分割和特征提取這兩個目標(biāo),解決圖像分割和特征提取中的難題。
　　 本文的主要研究工作及創(chuàng)新之處包括以下幾點:
　　 1 針對含噪、低對比度、弱邊界、復(fù)雜形狀海藻細(xì)胞顯微圖像的分割,利用形態(tài)金字塔變換和連通形態(tài)算子,解決分割中的主要問題:
　　 (1)為了解

5、決圖像邊緣增強(qiáng)與噪聲放大的矛盾,利用附益形態(tài)金字塔變換,結(jié)合直接灰度映射、梯度邊緣檢測算子和改進(jìn)軟閾值濾波方法,提出了一種基于Haar形態(tài)金字塔的多尺度邊緣增強(qiáng)算法。
　　 Haar形態(tài)金字塔變換的非線性特性,使得圖像中的邊緣等重要幾何信息在各分辨率的殘差圖像中很好地保留。直接灰度映射增強(qiáng)了整幅圖像的灰度對比度,但同時放大了噪聲。梯度邊緣檢測算子和改進(jìn)軟閾值濾波方法,實現(xiàn)了殘差圖像邊緣的跟蹤和增強(qiáng),而對噪聲進(jìn)行了抑制。實驗結(jié)果表

6、明:針對低對比度和邊緣連續(xù)性差的海藻細(xì)胞顯微圖像,該算法可以有效地增強(qiáng)圖像的邊緣,且沒有放大噪聲。
　　 (2)為了解決圖像分割過程中噪聲抑制和圖像細(xì)節(jié)保留之間的矛盾,在連通形態(tài)變換的基礎(chǔ)上,提出了一種自適應(yīng)面積開算法,結(jié)合形態(tài)重建和屬性細(xì)化等連通形態(tài)算子,在去噪的同時,保留邊緣、角毛等精細(xì)結(jié)構(gòu)。
　　 2 提出了一種完備重構(gòu)的極值保留自適應(yīng)提升形態(tài)小波。
　　 在提升小波框架基礎(chǔ)上,提出了一種極值保留自適應(yīng)提升

7、形態(tài)小波,而且證明:在不需要分解過程中的提升判據(jù)的前提下,它是可完備重構(gòu)的。極值保留自適應(yīng)提升形態(tài)小波,在對圖像的多分辨率分解過程中,只對圖像的平坦區(qū)域進(jìn)行中值濾波,保留圖像的局部極值點。
　　 3 以對海藻細(xì)胞顯微圖像的特征描述為目的,將極值保留自適應(yīng)提升形態(tài)小波和基于灰度級共生矩陣(GLCM)的統(tǒng)計法相結(jié)合,提出了一種多尺度紋理特征描述方法。
　　 為了降低GLCM的計算量,同時有效、可靠地描述海藻細(xì)胞紋理特征,本文

8、將極值保留自適應(yīng)提升形態(tài)小波引入基于GLCM的統(tǒng)計法,充分利用極值保留自適應(yīng)提升形態(tài)小波極值保留的多分辯率特性和中值濾波的抗噪性能,使得該多尺度紋理特征描述方法,相對于單純的基于GLCM的統(tǒng)計法,既具有計算效率上的優(yōu)勢,又降低了對噪聲的敏感度。對中國沿海常見浮游植物細(xì)胞圖像庫中的17種圓篩藻種的紋理圖像識別實驗結(jié)果證明:基于極值保留自適應(yīng)提升形態(tài)小波和GLCM的多尺度紋理特征描述方法,比基于原始圖像的GLCM的紋理特征描述方法,平均正確

9、識別率要高約7個百分點。
　　 4 針對甲藻類細(xì)胞原始顯微圖像邊緣模糊、對比度低等不利于甲溝提取的困難,構(gòu)造了一種邊緣保留自適應(yīng)提升形態(tài)小波。
　　 該小波在根據(jù)圖像的局部特征構(gòu)造自適應(yīng)性更新算子時,將邊緣作為感興趣的圖像特征,更新提升根據(jù)是否是邊緣像素選擇保留、銳化濾波或平滑濾波,使得分解后的近似圖像中,圖像邊緣得以保留,而灰度變化緩慢的區(qū)域得到了平滑。實驗證明:甲藻細(xì)胞經(jīng)邊緣保留自適應(yīng)提升形態(tài)小波分解后的近似圖像,在