基于图像处理技术的海洋微藻数量统计方法

郭显久张国胜耿春云

(1.大连海洋大学信息工程学院,辽宁大连116023;2.辽宁省海洋信息技术重点实验室,辽宁大连116023;3.大连海洋大学海洋科技与环境学院,辽宁大连116023)

基于图像处理技术的海洋微藻数量统计方法

郭显久1、2,张国胜3,耿春云1、2

(1.大连海洋大学信息工程学院,辽宁大连116023;2.辽宁省海洋信息技术重点实验室,辽宁大连116023;3.大连海洋大学海洋科技与环境学院,辽宁大连116023)

根据海洋微藻显微图像的特点,利用图像处理技术给出了自动统计海洋微藻数量的方法。该方法首先对微藻图像进行小波去噪,并对去噪后的图像通过形态学的膨胀运算进行增强;然后利用最大类间方差法和形态学的开运算对增强后的图像进行分割;最后对分割后的二值图像进行微藻区域标记,统计出在图像中的微藻数量,进而计算出水体中微藻的浓度。利用本文中所给出的方法编写了海洋微藻数量自动统计软件,仿真试验结果表明,该方法有效、可行。

海洋微藻;图像处理;微藻数量统计;最大类间方差法

海洋微藻在海洋中占有重要位置,它不仅可为海洋生物提供丰富的食物来源,也可反映海洋水体富营养化及水质污染的状况,因此,国内外广泛使用微藻种类和数量作为海洋生态环境监测、水质污染评价的重要指标。目前,海洋微藻的监测主要由专业人员在显微镜下对样品进行人工辨别、分类、计数,其工作量大、速度慢、效率低。为此,通过实时提取海水微藻显微图像,运用数字图像处理技术,编制一个快速、准确的微藻数量自动统计软件,检测海域中所含微藻的种类和数量,这对微藻生物发展的早期监测、预报具有重要的意义[1-3]。

微藻的自动识别和定量方法主要有吸收光谱法、荧光光谱法、液相色谱法、流式细胞仪、分子技术等[4],但这些方法大多过程繁琐,严重依赖于微藻的生理状态,且分辨率不高。基于显微图像特征的自动识别方法具有使用便捷、成本低廉、分类结果精确、过程直观、易与传统手段结合等特点。国内对微藻显微图像识别的研究近几年发展很快[5-8],然而,大部分研究只局限于少数种类上。本研究中,作者通过对微藻显微图像的特点进行研究,给出了基于图像处理技术的海洋微藻数量自动统计方法,并根据被检测的样本量,计算出水体中所含微藻浓度。于晓静[9]、郭显久等[10]给出了微藻数量自动统计方法,他们利用直方图均衡化方法对图像进行增强,采用Prewitt边缘检测算子、形态学膨胀和腐蚀算法以及空洞填充方法对图像进行分割,最后运用中值滤波去除微小杂质干扰。这种方法虽然能够较好地完成微藻图像的分割,但其算法较复杂,需要对分割后的图像进行多次后续处理。为此,本研究中对上述方法进行了改进,主要是运用形态学的膨胀算法对灰度微藻图像进行增强,运用最大类间方差法和形态学开运算法对增强后的图像进行分割。通过试验证明,本研究中所给出的海洋微藻数量自动统计方法具有算法简单、分割效果好等特点。

1 微藻自动检测系统的构成

1.1 系统硬件的构成

系统的硬件构成框图如图1所示。将微藻样本加入载玻片上,利用固定在显微镜目镜端的CCD数码相机通过显微镜以恒定的放大倍率获取载玻片上的微藻图像,将所采集的图像存储到计算机,供后期处理及统计使用。

1.2 系统软件的构成

系统的软件流程框图如图2所示。

为完成对微藻图像中微藻数量的统计,需要对微藻图像进行如下处理:彩色图像转换为灰度图像,图像增强与图像分割,最后利用分割出来的藻类区域进行微藻数量统计,并根据样本量计算出微藻浓度。

图1 系统硬件构成框图Fig.1 Block diagram of the system hardware

图2 系统软件流程框图Fig.2 Block diagram of the system software

2 彩色图像转换为灰度图像

通过显微镜和CCD数码相机获得的图像是彩色图像,由于对彩色图像处理时,存在计算量大、软件运行速度慢等问题,鉴于本研究中只统计显微图像中微藻的数量,而不涉及藻类识别问题,因此,本研究中将彩色图像转换为灰度图像进行处理。本文中采用HLS(色调、亮度、饱和度)模型转化算法将彩色图像转换为灰度图像。设Y为像素点的亮度,R、G、B分别为三基色的相对强度,则HLS(色调、亮度、饱和度)模型转化算法为[11]

Y=[max(R,G,B)+min(R,G,B)]/2×3。 (1)

本研究中以新月菱形藻为例,将新月菱形藻的彩色图转换为灰度图像的结果见图3。

图3 转换后的新月菱形藻灰度图像Fig.3 The transformation image from color to gray in alga Nitzschia closterium

3 微藻图像的去噪与增强

由于水体环境中的多种悬浮 “颗粒”以及由此产生的反射引起光照不均匀所产生的噪声直接影响到微藻数量的统计,另外,显微微藻图像的灰度直方图为一狭窄单峰 (图4),说明此类图像的背景与前景图像之间对比度不强,这不利于图像的分割。为保障正确统计微藻数量,必须对采集到的微藻图像进行去噪与增强处理。

图4 新月菱形藻显微图像的灰度直方图Fig.4 A gray histogram of alga Nitzschia closterium

3.1 微藻图像的去噪

利用Donoho等[12-13]提出的小波收缩方法对图像进行去噪。该方法的基本原理是:首先对信号进行小波变换,然后对小波系数进行阈值收缩,最后进行小波逆变换。本研究中采用硬阈值的方法对小波系数进行收缩,以达到去噪的目的。阈值选择算法为

式中:HDj,i为第j尺度下的第i个小波系数;阈值N为信号的采样个数,σ为信号的标准偏差估计值,其值可取为σ=Med0.6745Med,即取小波系数绝对值的中值。

采用Daubechies(8)小波对微藻显微图像进行小波变换,对原始图像 (图3)进行4层分解,去噪后的图像如图5(a)所示。

3.2 微藻图像的增强

针对显微微藻图像的背景与前景之间对比度不强,且有的微藻具有半透明等特点,本研究中将形态学的膨胀算法应用到微藻灰度图像的增强上,取得了较好的结果。膨胀算法[14]如下:

设A为输入图像,B为结构元素,A、B是E=z2中的集合,A被B膨胀定义为

A⊕B=(z∈E:Bz∩A≠Ø)。 (3)

膨胀是把结构元素B平移z后得到Bz,使Bz与A交集不为空集的所有点z构成的集合。膨胀是一个扩张的过程,这种变换使目标肢体扩张,小洞被填满。本文中结构元素采用菱形结构,大小为8,采用膨胀算法对去噪后的图像(图5(a))进行增强,结果见图5(b)。

图5 新月菱形藻显微图像去噪和增强后的图像Fig.5 De-noising image and enhancement image in alga Nitzschia closterium

4 微藻图像的分割

微藻图像分割的目的就是将图像中藻的个体所占的区域从背景中分割出来,便于微藻数量的统计。图像分割采用最大方差阈值和形态学的开运算相结合的方法完成微藻图像的分割。

4.1 采用最大方差阈值方法分割图像

1979年,Otsu[15]提出了最大类间方差法 (亦称Otsu法),该算法具有计算简单、稳定有效的特点,一直被广泛使用,是一种性能良好的自动阈值选择方法。当背景和目标的两个总体分布差异不大时,该算法在对图像分割时能够体现出优势[16]。针对微藻图像和最大方差阈值方法的特点,该算法非常适合微藻图像的分割。

最大类间方差算法的原理是取某一灰度值作为初始阈值,将图像分成两个区域,当这两个区域间的灰度方差为最大时,该阈值即为图像分割阈值。

设一幅图像的灰度级为1～m级,灰度值为T的像素个数为nT,N为像素总数,则各灰度级像素的分布概率为

pT=nT/N。 (4)

设任意灰度值T(T=1～m)将图像分成两个区域C0和C1,则C0和C1产生的概率w0(T)和w1(T)分别为

式中:μ为整幅图像的灰度平均值,μ(T)为阈值为T时C0区域的灰度平均值,μ(T);i为灰度值,i=1～m。所以区域C0和C1间的方差为

阈值的选择方法就是将T从灰度值1～m分别取值,计算阈值选择函数δ2(T),求出maxδ2(T)所对应的T,记为T*,称为图像分割阈值。

利用该算法对增强后的图像(图5(b))求全值阈值δ2(T),其变化曲线如图6所示,曲线的最大值即为T*。利用T*作为阈值,对图5(b)进行分割,结果如图7(a)所示。

图6 图5(b)的全值阈值δ2(T)曲线Fig.6 δ2(T)curve of Fig.5(b)

4.2 采用开运算法对分割图像细化

分割后的图像里有可能存在小的杂质干扰块,这样会造成对微藻数量的统计错误。由于形态学中的开运算在粘连目标的分离及背景噪声 (尤其是椒盐噪声)的去除方面有较好的效果,因此采用开运算对分割后的图像进行细化和去除小块噪声。开运算实际上是用同一个结构元素对图像先腐蚀再进行膨胀的运算[9]。

设A为输入图像,B为结构元素,A、B是E=z2中的集合,利用B对A作腐蚀运算,其定义为

AΘB=(z∈E:Bz⊂A)。 (8)

腐蚀是把结构元素平移z以后得到Bz,使Bz包含于A的所有点z构成的集合。腐蚀是一种收缩变换的过程,腐蚀的结果是A的子集。

利用B对A作开运算,根据开运算的定义,由式 (3)和式 (8)可得

A°B=(AΘB)⊕B。 (9)

本文中结构元素采用圆形结构,大小为2,对分割后的图像 (图7(a))进行开运算,结果见图7(b)。

图7 分割及开运算后的结果Fig.7 Segmentation and open operation

为验证上述方法的可行性,对多种微藻的显微图像进行了分割处理,均取得了较好的效果。图8是对小球藻显微图像分割处理后的结果。

图8 对小球藻显微图像分割处理后的结果Fig.8 The segmentation of alga Chlorella image

5 微藻数量的统计

5.1 微藻数量统计算法

对分割后的微藻二值图像中,白区域表示微藻所占的区域,其像素值为1,黑区域为背景区域,其值为0。对微藻数量的统计实际上就是统计出图像中连通白区域的数目,这个数目就是微藻数量。在二维图像中,假设目标像素点A周围有m个(m≤8)相邻的像素,若A的值与这m个像素中某一个像素B的值相等,则称像素A与B具有连通性。常用的连通性有4连通和8连通。4连通选取目标像素的上、下、左、右4个点;8连通则选取目标像素在二维空间中所有的相邻像素,即除了4连通的点外,还包括左上、右上、左下、右下4个点。

本文中采用8连通方法标记微藻区域。设I为输入二值图像;M为I的标记数组,大小与I相同且初始值为0;L为标记连通区域的个数,初始值为1。标记算法的基本思路是先标记整个连通区域,然后再标记下一个区域,直到所有的连通区域都被标记为止。具体算法为:

1)对I进行逐行扫描,找到第一个白像素点,在M中对应的点即被标记为L,并在I中置该点为0,该点作为种子点;

2)检查种子点的八邻域点并标记满足连通性要求的,且尚未被标记的点,在M中对应的点标记为L,并在I中置该点为0,并将该点作为新种子点;

3)重复2)操作,直到I没有符合8连通要求的点为止,结束一个连通区域标记;

4)区域个数L加1,重复上述1)、2)、3)过程,直到I全部为0时止,这表明I的所有连通区域都被标记,M为标记结果。

从上述算法可以看出,L的值即为图像中微藻的个数。利用上述方法编写了统计微藻数量的应用软件,该软件用Matlab编写,图9为该软件的主界面。首先输入样本量,然后按 “读图像”按钮,读取微藻显微图像,并在微藻原始图像窗口显示该图像;最后按 “开始统计”按钮,计算机便按上述方法给出微藻的数量及单位体积的浓度,并显示在 “结果区”的对应文本框中。

图9 微藻数量自动统计软件主界面Fig.9 The interface of automatic counting software for alga

5.2 统计结果对比

用本研究中给出的海洋微藻数量自动统计软件对实验室获取的新月菱形藻和小球藻多幅显微图像进行自动统计,并与人工统计结果进行了对比。从表1可见,与人工统计方式相比,本文中给出的自动统计方法的平均准确率大于94%,说明该方法是可行的。造成误差的主要原因有两个方面:一是由于微藻个体有半透明的特点,并且体内明暗分布不连续,因此在分割时有可能将一个个体分割成两个个体。另外,在采样时,也存在少量杂质的干扰而无法剔除,或微藻图像某一部分过细而导致分割时变成两部分,这些都可能造成统计个数增加。二是在取样时,微藻个体有可能叠加到一起或受到遮挡,这也会造成统计个数的减少。

表1 统计软件自动统计结果与人工统计结果的对比Tab.1 The comparison between automatic statistics andmanual statistics

6 结论

本文使用显微镜及CCD对海洋微藻图像进行采集,并针对显微微藻图像的特点,给出了运用图像处理技术自动检测水体中微藻数量的方法。该方法包括对显微微藻图像去噪、增强、膨胀和腐蚀等处理技术,并利用最大类间方差法将微藻在图像中进行有效分割。最后通过分割后的图像进行微藻区域标记,统计出微藻数量并计算出微藻浓度。通过仿真试验表明,本文给出的方法是有效、可行的。所编软件可应用于水体的微藻状况检测,从而提高水体中微藻检测的速度和效率。

[1] Li Jinzhong,Wu Yanyou,Qin Song,etal.The application of digital microimage processing in algae classifying and counting[J].Gui Zhou Science,2006,24(3):25-27.

[2] Wang Xuemin,Zhang Lei,Wang Mingshi.Image processing for automated identification of harmful algae[J].Journal of Computer-Aided Design&Computer Graphics,2004,16(2):158-162.

[3] 张前前,王修林,祝陈坚.赤潮浮游植物种类和数量分析的研究进展[J].海洋环境科学,2004,23(1):73-76.

[4] 高亚辉,杨军霞,骆巧琦,等.海洋浮游植物自动分析和识别技术[J].厦门大学学报:自然科学版,2006,45(Suppl.2):40-45.

[5] 汪振兴,佘焱,姜建国.赤潮藻类图像自动识别的研究[J].海洋环境科学,2007,26(1):42-44.

[6] 赵文仓,姬光荣,周立俭,等.浮游植物细胞图像识别方法的研究[J].计算机工程,2005,31(24):143-144.

[7] 郑少平,谢杰镇,王博亮,等.基于形状特征描述的赤潮优势种识别研究[J].厦门大学学报:自然科学版,2009,48(5):676 -679.

[8] 高亚辉.海洋微藻分类生态和生物活性物质研究[J].厦门大学学报:自然科学版,2001,40(2):566-573.

[9] 于晓静.基于图像处理的浮游生物统计软件的设计与实现[D].大连:大连海洋大学,2007.

[10] Guo Xianjiu,Liu Haiying,Jiang Fengjiao.Research on the segmentation method of micro algae image[J].Mathematical and Physical Fisheries Science,2010,8:1-7.

[11] 崔屹.数字图像处理与应用[M].北京:电子工业出版社, 2003.

[12] Donoho D L.De-noising by soft-thresholding[J].IEEE Trans on Information Theory,1995,41(3):613-627.

[13] Donoho D L,Johnstone IM.Ideal spatial adaptation by wavelet shrinkage[J].Biometrika,1994,81(3):425-455.

[14] Gonazalez R C,Woods R E.Digital Image Processing.Second E-dition[M].Beijing:Publishing House of Electronics Industry, 2003.

[15] Otsu N.A threshold selection method from gray-level histogram [J].IEEE Trans Systems Man Cybernet,1979,9(1):62-66.

[16] 张弘.数字图像处理与分析[M].北京:机械工业出版社, 2010.

A marine alga counting method based on an image processing technology

GUO Xian-jiu1,2,ZHANG Guo-sheng3,GENG Chun-yun1,2
(1.College of Information Engineering,Dalian Ocean University,Dalian 116023,China;2.Key Laboratory of Ocean Information Technology of Liaoning Province,Dalian 116023,China;3.College of Marine Science and Environment,Dalian Ocean University,Dalian 116023,China)

An automatic statisticalmethod of alga number is described based on an image processing technology depending upon characteristics ofmarine algamicroscopic image.Thismethod is conducted by the following prodedures.Firstly,the alga image is executed by wavelet de-noising,and then the de-noising image is enhanced by the dilation operation ofmorphology.Secondly,the image is segmented by Otsu algorithm and the open operation of morphology.Finally,the binary image segmented is labeled in accordance with the region of the algae,and the concentration of the algae in thewater is calculated by the alga number in the image.The program about themarine alga counting is coded according to themethod given in the paper.The experiments show that themethod here is feasible and effective for alga counting.

marine alga;image processing;alga number counting;Otsu algorithm

Q949.2

A

2095-1388(2012)04-0368-05

2012-04-20

辽宁省海洋与渔业厅计划项目 (2011027);大连海洋大学博士启动基金资助项目

郭显久 (1963-),男,博士,教授。E-mail:gxj@dlou.edu.cn