一种污水运动微生物的图像自动检测方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，更具体的说，涉及一种污水运动微生物的图像自 动检测方法。
【背景技术】
[0002] 长期以来，污水生物处理系统的运行管理主要依赖于运行参数和水质指标的测定 来判断和控制，存在明显的滞后效应。有研宄表明，污水生物处理系统中的微生物种类、数 量、活性变化等种群结构特征，能在一定程度上预判工艺状况和水质处理效果。因此，近几 年来，伴随着显微镜技术和计算机技术的发展，利用图像分析手段对污水系统的生物相结 构进行自动识别和定性分析受到了广泛关注。而运动微生物的目标检测则成为实现自动识 别与定性分析的前提条件。
[0003] 目前，常用的图像运动目标检测方法主要有帧差法、光流法以及背景减除法。其 中，帧差法是最简单快速的运动目标检测方法，通常可采用两帧、三帧或者五帧图像的差分 运算来获取运动目标。帧差法运算简单、实时性特别好，但所提取的运动目标往往不完整， 目标检测效果受目标运动速度影响很大，虽然可通过采用多帧差分来克服目标重叠现象， 但是空洞现象难以解决。光流法是利用图像序列中的像素强度数据的时域变化和相关性来 确定各自像素位置的"运动"，但是由于其计算量大，对硬件的要求高，因此很难满足检测实 时性要求。背景减除法是用当前帧与所建立的背景模型进行差分运算，以获取所要检测的 目标。
[0004] 背景减除法的检测精度依赖于背景模型的精度，并且对于复杂变化的背景还需要 及时对背景模型进行更新。常见的背景建模方法主要有平均背景法、码本模型法、混合高斯 模型法等。平均背景法的基本思路是计算每个像素的平均值和标准差或者平均差值，作为 它的背景模型，算法简单，但目标检测效果不是很理想。混合高斯模型采用多个高斯模型来 表征图像中各个像素点特征，并用每个当前帧来更新模型，通过当前帧中每一个像素与背 景模型的比较，判断该像素是否为背景。由此可见，混合高斯模型是一种实时更新的模型， 对于光照的变化、运动物体的长时间停留等现象有很好的抗干扰能力，但是当背景变化过 快或运动目标运动缓慢时，混合高斯模型易将运动目标当作背景融到模型中去，从而造成 运动目标的漏检。针对背景场景中包含复杂运动目标以及光线急剧变化等情况，Kim等人 提出了码本模型。码本模型可获得每个像素的时间序列，因此可以很好的处理时间起伏问 题。该模型不仅可以克服像素剧烈变化，也能将运动目标从复杂背景中很好的分离出来，但 是，分离出来的目标轮廓往往不够精确。
[0005] 综上所述，目前常见的运动目标检测方法均有其自身的优势和缺陷。而污水运动 微生物的检测难点主要表现在以下几个方面：
[0006] (1)污水微生物显微成像颜色对比度明显不足，视频拍摄视角受限，运动目标特征 不清晰，污水中的悬浮物、胶体物等各种有机物和无机物的干扰严重；
[0007] (2)运动微生物的目标背景相当复杂，时常伴随遮挡、重叠、粘连、运动模糊、运动 阴影等现象，此外，还会受到水体波动的影响；
[0008] (3)污水微生物种类繁多，生活习性各异，出现频度、丰度以及运动速度等跟工况 条件和自身活性度紧密相关，难以准确估计；
[0009] (4)活性微生物具有特定的进食习惯、蠕动方式以及弹跳扭曲御敌等习性，极易造 成外部形态发生明显的形变特征。
[0010] 因此，针对上述污水运动微生物的检测难点，需要提供一种更加优化的污水中运 动微生物的图像自动检测方法。
【发明内容】
[0011] 1.发明要解决的技术问题
[0012] 本发明针对上述现有运动目标图像检测方法存在的不足，以及检测污水运动微生 物存在的难点，提出了一种将多层自适应码本模型和目标轮廓提取相融合的污水运动微生 物图像自动检测方法；本发明通过设计自适应的复杂背景建模和背景更新机制，加速背景 收敛，同时结合基于改进型五帧差分算法所提取的完整连续的目标轮廓边界，提高了污水 微生物的自动检测精度与效率，且实验结果也验证了该方法的有效性与实时性。
[0013] 2?技术方案
[0014] 为达到上述目的，本发明提供的技术方案为：
[0015] 本发明的一种污水运动微生物的图像自动检测方法，其步骤为：
[0016] 步骤一、采集污水运动微生物视频图像；
[0017] 步骤二、创建多层自适应码本模型，并根据该码本模型对步骤一采集的图像进行 运动目标检测；
[0018] 步骤三、采用改进型五帧差分算法对步骤一采集的图像进行目标轮廓提取；
[0019] 步骤四、将步骤二获得的运动目标检测结果，与步骤三获得的运动目标轮廓进行 融合或运算；
[0020] 步骤五、对步骤四所得图像进行形态学处理和区域填充，获得运动目标检测结果。
[0021] 更进一步地，步骤二基于YCbCr颜色空间创建多层自适应码本模型，码本模型依 据采集图像中每个像素点在YCbCr空间上的颜色和亮度变化，为每个像素点生成一个码本 cb，每个码本cb中包含一个或者多个码字cw ;所述的码本与码字构造方式如下：
[0022] cb = {cwl, cw2, cw3,......, cwn, t}
[0023] cw = {learnhigh[m], learnlow[m], max[m], min[m], t_last_ update, stale, matchtime}
[0024] 上式中，t为访问码本的频度；n为码本中包含的码字个数；m表示Y、Cb、Cr颜色通 道，0 < m < 2 ;learnhigh[m]和learnlow[m]分别为三个通道的学习上下限阈值；max[m] 和min[m]记录对应码字中各通道的最大值和最小值；t_last_update为码字上次更新时 间；stale为码字未出现的最大时间间隔；matchtime表示该码字出现的次数。
[0025] 更进一步地，步骤二创建多层自适应码本模型的过程为：
[0026] (1)初始化，将每个像素的码本置空，即n = 0 ;
[0027] (2)对于第t帧视频：
[0028] ①在对应cb中寻找像素I (x，y)所匹配的cw，即判断是否满足以下条件：
[0029] 1 earn 1 ow [m] < I (x, y) [m] < 1 earnhi gh [m]
[0030] 式中，I (x，y) [m]为YCbCr空间中，坐标位置在（x，y)处的图像像素I (x，y)的三 通道值；
[0031] ②如果不存在符合条件的cw或者码本为空，则为该cb创建一个新的cw ;
[0032] ③如果匹配成功，那么就更新该cw ;
[0033] (3)更新所有cw的stale值，并将所有超过stale值仍未出现的cw消除；
[0034] (4)创建主码本模型Mcodebook和一个缓存码本模型Hcodebook ;
[0035] (5)对输入像素I(X，y)，在Mcodebook中寻找匹配的cw，即存在cw满足以下条件：
[0036] min[m]-minMod[m]< = I (x, y) [m]< = max[m]+maxMod[m]
[0037] 式中，minMod[m]和maxMod[m]是对图像前景进行分割时的阈值；
[0038] ①若匹配成功，则判定该像素I (x，y)为背景，更新对应cw ;
[0039] ②如匹配不成功，那么就判定该像素I(X，y)为前景，在Hcodebook中寻找匹配的 cw，如果在Hcodebook中找到匹配的码字，则更新该cw ;否则就在Hcodebook中创建一个新 的cw ;
[0040] (6)将 Hcodebook 中所有 stale>TH 的 cw 删除，TH 为 Hcodebook 的除旧阈值；
[0041] (7)将 Hcodebook 中所有 matchtime>Tadd 的 cw 添加到 Mcodebook 中去，Tadd 为 Hcodebook中码字转移阈值；
[0042] (8)将 Mcodebook 中的所有 stale>Tdelete 的 cw 删去，Tdelete 为 Mcodebook 中 除旧阈值；
[0043] (9)返回到步骤（5)，直至视频图像像素全部检测完毕。
[0044] 更进一步地，步骤三对采集图像进行目标轮廓提取的过程为：
[