基于Live‑Wire分割的微生物群落识别方法与流程

本发明属于微生物检测领域，尤其涉及一种基于Live‐Wire分割的微生物群落识别方法。

背景技术：

在食品、医疗、工业、环保等领域，对产品和样品的微生物检验具有重要的意义。其中，微生物群落识别是微生物检验中最为重要的一步。近年来，随着计算机视觉技术的发展，基于图像处理的微生物群落识别方法以其自动、快速、客观等特点成为了国内外的一大研究热点。一般来说，基于图像处理的微生物群落识别主要分为图像分割和分割部分筛选两个步骤。目前，比较常用的分割微生物群落图像的方法有基于阈值的分割方法和基于形态学的分水岭算法等。其中效果最好的是分水岭算法，因为它轮廓封闭、定位精确。而对于分割部分的筛选则主要是通过先得到疑似群落的形态特征，再对形态特征的某些参数设置阈值，来达到剔除污染等干扰的目的。

分水岭算法对于微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割分割的现象。而为了消除过度分割，往往需要进行一些特别的处理，而这通常会导致部分图像信息的丢失。此外，分水岭算法是自动的分割方法，缺少专家知识的干预，在复杂情况可能无法得到理想的结果。在筛选分割部分方面，由于污染的形态特征具有不确定性，使用阈值来剔除污染等干扰的准确性较差。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供一种基于Live‐Wire分割的微生物群落识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于Live-Wire分割的微生物群落识别方法，包括以下步骤：

(1)读取微生物群落图像，对图像进行预处理；

(2)对预处理后的图像进行Live‐wire分割，得到若干分割好的图像碎片：

(2.1)根据待分割图像构建一个加权有向图；

(2.2)采用最优路径搜索算法来查找加权有向图中两点之间的最短路径作为物体的边界段，进行边缘分割；

(3)将已经被确认的微生物群落与污染图像作为训练集，用SVM对训练集进行训练，得到微生物群落与污染分类模型，利用训练好的分类模型对步骤2得到的图像碎片进行分类，从而识别微生物群落。

进一步地，所述的步骤2.1具体为：将待分割图像中的像素当作有向图中的节点，相邻像素间的边当作连接节点的边。在边上定义一个代价函数，其值作为边的权值，并使强边缘具有较小的代价值，非边缘具有较大的代价值。可认为连接非邻接像素的边的代价值为+∞。两个邻接像素的代价值公式如式(1)：

t(p,q)＝ω_G×f_G(q)+ω_Z×f_Z(q)+ω_D×f_D(p,q) (1)

式中t(p,q)为像素p到其邻接像素q的局部代价；ω_G、ω_Z和ω_D为加权系数；f_G(q)、f_Z(q)和f_D(q)为对应像素q处的梯度特征函数、Laplace过零特征函数和光滑度约束函数，如式(2)～(4)所示：

式中G(q)和L(q)分别为像素q处的梯度的幅值和Laplace值；D(q)为图像中像素q处的单位法向量。对∏p,q有0≤t(p,q)≤1。

进一步地，所述的步骤2.2具体包括以下子步骤：

(2.2.1)在步骤2.1构建的加权有向图上人工交互地选取感兴趣的起始节点s和目标节点e；

(2.2.2)令最短路径标记节点集合M＝{s}，未标记节点集合U＝A‐M，临时最短路径标记节点集合T＝Φ；其中，A为图像所有像素点的集合；

(2.2.3)将最新加入M的节点i作为扩展源，得到i的所有相邻节点J到s的最短路径，并把J中的未标记节点加到T中，即T＝T∪(J∩U)；

(2.2.4)在T中选择具有最小d的节点x，把它加到M中，即M＝M∪x；同时把x从T中去除，即T＝T‐x；d为某个点到起始点s的最短路径；

(2.2.5)如果目标节点e不属于M，则重复步骤2.2.3～2.2.4；如果e属于M，则进行下一步；

(2.2.6)从目标节点e出发反向跟踪其方向信息，得到从起始节点s到目标节点e的最短路径；按照最短路径对图像进行分割；

(2.2.7)如果还有其他感兴趣的起始节点s和目标节点e，则重复2.2.1～2.2.6；否则，分割结束，得到若干分割好的图像碎片。

进一步地，所述的步骤3中，SVM对训练集进行训练的特征包括：面积A、周长P、长度L、宽度W、等效直径D、形状因子C。等效直径D和形状因子C的公式如式(5)～(6)所示。

C＝4πA/P² (6)

本发明的有益效果是：

1)通过Live-Wire算法来分割微生物群落图像，在引入专家知识的同时最小化了人工干预，有效地提高了微生物群落图像分割的准确性和针对性。

2)本发明利用SVM来对分割部分进行筛选，将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，有效地克服了污染形状的不确定性带来的甄别上的困难。

附图说明

图1为本发明基于Live‐Wire分割的微生物群落识别方法整体流程；

图2为Live‐Wire分割图像的具体流程。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明提供的一种基于Live-Wire分割的微生物群落识别方法，包括以下步骤：

(1)读取微生物群落图像，对图像进行预处理，例如：培养皿边缘去除、图像灰度化处理；

(2)对预处理后的图像进行Live‐wire分割，得到若干分割好的图像碎片。Live‐Wire算法是一种交互式的图像分割算法，旨在将人工干预减少到最小程度的情况下引入专家知识，从而在复杂情况下得到理想的结果。另一方面，由于操作者在分割过程中能够完全控制分割的进程，所以该算法能够在不损失图像信息的前提下有效避免过度分割，同时在分割复杂微生物群落图像时具有更好的表现。具体包括以下子步骤：

(2.1)根据待分割图像构建一个加权有向图：将待分割图像中的像素当作有向图中的节点，相邻像素间的边当作连接节点的边。在边上定义一个代价函数，其值作为边的权值，并使强边缘具有较小的代价值，非边缘具有较大的代价值。可认为连接非邻接像素的边的代价值为+∞。两个邻接像素的代价值公式如式(1)：

t(p,q)＝ω_G×f_G(q)+ω_Z×f_Z(q)+ω_D×f_D(p,q) (1)

式中t(p,q)为像素p到其邻接像素q的局部代价；ω_G、ω_Z和ω_D为加权系数；f_G(q)、f_Z(q)和f_D(q)为对应像素q处的梯度特征函数、Laplace过零特征函数和光滑度约束函数，如式(2)～(4)所示。

式中G(q)和L(q)分别为像素q处的梯度的幅值和Laplace值；D(q)为图像中像素q处的单位法向量。这样，对∏p,q有0≤t(p,q)≤1。

(2.2)采用最优路径搜索算法来查找加权有向图中两点之间的最短路径作为物体的边界段，进行边缘分割。如图2所示，具体包括以下子步骤：

(2.2.1)在步骤2.1构建的加权有向图上人工交互地选取感兴趣的起始节点s和目标节点e；

(2.2.2)令最短路径标记节点集合M＝{s}，未标记节点集合U＝A‐M，临时最短路径标记节点集合T＝Φ；其中，A为图像所有像素点的集合；

(2.2.3)将最新加入M的节点i作为扩展源，得到i的所有相邻节点J到s的最短路径，并把J中的未标记节点加到T中，即T＝T∪(J∩U)；

(2.2.4)在T中选择具有最小d的节点x，把它加到M中，即M＝M∪x；同时把x从T中去除，即T＝T‐x；d为某个点到起始点s的最短路径；

(2.2.5)如果目标节点e不属于M，则重复步骤2.2.3～2.2.4；如果e属于M，则进行下一步；

(2.2.6)从目标节点e出发反向跟踪其方向信息，得到从起始节点s到目标节点e的最短路径；

(2.2.7)按照最短路径对图像进行分割；

(2.2.8)如果还有其他感兴趣的起始节点s和目标节点e，则重复2.2.1～2.2.7；否则，分割结束，得到若干分割好的图像碎片。

(3)将已经被确认的微生物群落与污染图像作为训练集，用SVM对训练集进行训练，得到微生物群落与污染分类模型，利用训练好的分类模型对步骤2得到的图像碎片进行分类，从而识别微生物群落。

由于操作不当等原因，微生物群落图像中可能会有大量污染。这时如果直接拿前面分割好的图像来进行微生物检测的话，很有可能会把污染也给算在群落里，这样就严重影响了结果的准确性和可靠性。所以对于分割好的图像，还需要进行进一步的甄别，以剔除污染等干扰项。本发明在这一步使用的是SVM。

SVM是一种模式识别方法，它采用结构风险最小化原则，兼顾训练误差和泛化能力，在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势。它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。

训练集使用的是已经被确认的目标微生物群落和污染图像，而测试集(分割部分)的每一项则处于未标签的状态，需要利用训练好的预测模型来进行预测。训练集和测试集的特征提取包括了疑似群落的以下形状特征：面积A、周长P、长度L、宽度W、等效直径D、形状因子C。等效直径D和形状因子C的公式如式(5)～(6)所示。

C＝4πA/P² (6)。