基于自我学习机制的粘连菌落自动分割方法与流程

本发明属于微生物检测技术领域，涉及一种基于自我学习机制的粘连菌落自动分割方法。

背景技术：

平板菌落计数是检测食品、农产品中活体微生物数量的国标方法，其计数结果可用来评价食品、农产品在生产及加工过程中受微生物污染的程度。平板菌落计数主要有人工计数法和计算机视觉自动计数法。申请号为CN201210059955.5的专利公开了一种计算机视觉自动计数法，通过统计标准平板菌落图片中菌落区域与背景区域（培养基）的颜色特征，建立以颜色特征为分割阈值的菌落区域背景区域分割标准，并在计算机中编写特定的图像处理程序来完成菌落计数任务。计算机视觉自动计数法具有速度快、检测结果客观等优势，能在短时间内完成大批量平板的菌落计数。

在实际操作过程中，为了保证计数结果的可靠性，用于平板菌落培养的样品稀释液浓度不能太低（理想情况是经稀释液涂布后，平板包含30-300个菌落），因而不可避免的出现菌落粘连的情况。为了准确计算平板内菌落的个数，这就要求计算机内特定的图像处理程序不仅要完成菌落区域与背景区域的分割，而且要对粘连菌落进行分割。菌落区域与背景区域往往具有不同的颜色特征且差异比较明显，通过图像处理程序内设定的固定分割阈值即可完成图像分割；而粘连菌落区域均由组成菌落的微生物细胞覆盖，导致菌落边缘区域、菌落重叠区域、菌落中心区域之间的颜色差异非常小，对应的分割阈值往往随着培养批次、图像拍摄条件等因素而发生变化，难以在图像处理程序中预先设定合理的分割阈值来完成粘连菌落的分割。

学者（周莹莉等. 基于图像处理的菌落自动计数方法及其实现. 数据采集与处理, 2003, 18(4):460-464.）提出了采用动态阈值（如最大类间方差法自动计算最优阈值）对粘连菌落进行分割，但是动态阈值的计算、修正以及其分割效果的判断要求操作人员具有较高的图像处理技能，因此不利于该方法的推广。申请号为CN201510732585.0的专利公开了以一定的时间间隔跟踪拍摄粘连区域的菌落生长过程，搜寻菌落彼此粘连之前的图像并结合固定阈值进行分割。该方法的分割效果好，但连续跟踪拍摄过程耗时，难以满足大批量平板的菌落计数需求。

为了有效分离粘连菌落，使得菌落计数结果能够准确地反映样本的微生物数量，本发明提出一种基于自我学习机制的粘连菌落分割方法；借助该方法，一线的普通操作人员经过简单的操作即可实现复杂粘连菌落的高效分割。

技术实现要素：

本发明针对两个或两个以上单菌落由于彼此的菌落边缘相互接触而形成的粘连菌落，提出了一种基于自我学习机制的粘连菌落自动分割方法。

计算机首先学习特定粘连菌落对应的菌落边缘区域、菌落接触区域以及菌落中心区域的颜色特征，根据颜色特征自动构建分割模型，随后采用未知的粘连菌落测试已构建的分割模型，最后将通过测试的分割模型应用于大批量平板中的粘连菌落分割。

为达到上述目的，本发明采用的技术方案是：

步骤一：分割模型的自我构建，具体包含以下过程：

过程（1），采集菌落彩色图像，分别提取n个粘连菌落彩色图像中菌落边缘区域（1）、菌落接触区域（2）以及菌落中心区域（3）内的红色分量R、绿色分量G和蓝色分量B的均值r、g和b，得到的n*3组数据，组建数组X _{n*3, 3}。

具体的，采用彩色图像采集系统获取菌落图像，对已获取的n个粘连菌落彩色图像I_i（i=1, 2, …, n-1, n），操作人员分别利用鼠标点击n个粘连菌落彩色图像I_i中菌落边缘区域（1）、菌落接触区域（2）以及菌落中心区域（3），计算机自动提取以鼠标落点为中心、5像素×5像素的正方形区域内的红色分量R、绿色分量G和蓝色分量B的均值（r，g，b）；并将得到的n*3组（r，g，b）依次保存到数组X _{n*3, 3}，其中数组X _{n*3, 3}的第1列、第2列和第3列分别保存红色分量R的均值r、绿色分量G的均值g和蓝色分量B的均值b；数组X _{n*3, 3}的第j*3-2行（j=1, 2, …, n-1, n）依次保存n个粘连菌落彩色图像I_i中菌落边缘区域（1）的（r，g，b）值，数组X _{n*3, 3}的第j*3-1行（j=1, 2, …, n-1, n）依次保存n个粘连菌落彩色图像I_i中菌落接触区域（2）的（r，g，b）值，数组X _{n*3, 3}的第j*3行（j=1, 2, …, n-1, n）依次保存n个粘连菌落彩色图像I_i中菌落中心区域（3）的（r，g，b）值。

过程（2），建立数组Y _{n*3, 1}，保存数组X _{n*3, 3}中每一行的（r，g，b）值对应区域的属性，其中Y _{n*3, 1}数组中第j*3-2行（j=1, 2, …, n-1, n）、第j*3-1行（j=1, 2, …, n-1, n）的取值均为0，代表数组X _{n*3, 3}的对应的（r，g，b）值属于背景区域；Y _{n*3, 1}数组中第j*3行（j=1, 2, …, n-1, n）的取值均为1，代表数组X _{n*3, 3}对应的（r，g，b）值属于目标区域。

具体的操作为：建立数组Y _{n*3, 1}，保存数组X _{n*3, 3}中每一行的（r，g，b）值对应区域的属性，其中Y _{n*3, 1}数组中第j*3-2行（j=1, 2, …, n-1, n）的取值均为0，代表数组X _{n*3, 3}的第j*3-2行（j=1, 2, …, n-1, n）对应的（r，g，b）值属于背景区域（即菌落边缘区域（1）的（r，g，b）值属背景区域）；Y _{n*3, 1}数组中第j*3-1行（j=1, 2, …, n-1, n）的取值均为0，代表数组X _{n*3, 3}的第j*3-1行（j=1, 2, …, n-1, n）对应的（r，g，b）值属于背景区域（即菌落接触区域（2）的（r，g，b）值属背景区域）；Y _{n*3, 1}数组中第j*3行（j=1, 2, …, n-1, n）的取值均为1，代表数组X _{n*3, 3}的第j*3行（j=1, 2, …, n-1, n）对应的（r，g，b）值属于目标区域（即菌落中心区域（3）的（r，g，b）值属目标区域）。

过程（3），构建分割模型，将n个粘连菌落彩色图像I_i中的前Int (2*n/3)幅图像在数组X _{n*3, 3}和数组Y _{n*3, 1}对应的数据结合K最近邻分类算法（KNN，K-Nearest Neighbor）构建分割模型，即X _{n*3, 3}数组的第1行到第Int (2*n/3)*3行作为KNN的输入变量X，数组Y _{n*3, 1}的第1行到第Int (2*n/3)*3行作为KNN的输出参数Y，建立分割模型Y = F_knn（X）；分割模型Y = F_knn（X）建立了X与Y之间的对应关系，根据X的值即可计算出Y的值；当Y值为0时，表示X对应的区域属于背景区域，当Y值为1时，表示X对应的区域属于目标区域；Int (2*n/3)表示对2*n/3取整数。

步骤二：分割模型的自我测试，具体包含以下过程：

过程（1），提取n个粘连菌落彩色图像I_i中的后n-Int (2*n/3)幅图像在数组X _{n*3, 3}和数组Y _{n*3, 1}对应的数据，测试已建立的分割模型Y = F_knn（X）；即X _{n*3, 3}数组的第Int (2*n/3)*3+1行到第n*3行的数据X_测试作为测试分割模型的输入变量；数组Y _{n*3, 1}的第Int (2*n/3)*3+1行到第n*3行的数据Y_测试作为评价分割模型的输出参数的标准。

过程（2），将数据X_测试代入已建立的分割模型Y = F_knn（X），计算出对应的输出参数Y_计算= F_knn（X_测试）；数组Y_计算的结构与数组Y_测试的结构相同，均为n*3- Int (2*n/3)*3行1列的数组，当Y_计算值为0时，表示X_测试对应的区域属于背景区域，当Y_计算值为1时，表示X_测试对应的区域属于目标区域。

过程（3），输出参数Y_计算与评价标准Y_测试进行逐行对比，统计Y_计算中满足数组Y_计算与数组Y_测试同一行取值相同这一条件的总行数m，计算出分割模型的自我测试效果R=m/（n*3- Int (2*n/3)*3）*100%；若R大于等于R_合格，则进入步骤三；若R小于R_合格且R小于R_合格累计出现的次数小于等于K次，则重新进入步骤一；若R小于R_合格且R小于R_合格累计出现的次数大于K次，则终止执行任何步骤；其中R_合格为90%，K为10。

步骤三：粘连菌落的自动分割，具体包含以下过程：

对于步骤一中n个粘连菌落彩色图像I_i（i=1, 2, …, n-1, n）相同批次的待分割的粘连菌落彩色图像I_D，从彩色图像I_D的第1行第1列开始，逐行提取每一个像素点对应的红色分量R的均值r、绿色分量G的均值g和蓝色分量B的均值b构成的输入变量X_D，将每一个像素点对应的X_D值代入已通过测试的分割模型Y = F_knn（X），逐一计算像素点对应的属性Y_D = F_knn（X_D），若像素点对应的Y_D的值为0，则将像素点的灰度值设为0；若像素点对应的Y_D的值为1，则将像素点的灰度值设为1，进而完成对待分割粘连菌落彩色图像的二值分割。

有益的技术效果：

本发明通过操作人员利用鼠标点击粘连菌落图像的菌落边缘区域（1）、菌落接触区域（2）以及菌落中心区域（3），利用计算机自动提取鼠标落点区域的红色分量R的均值r、绿色分量G的均值g和蓝色分量B的均值b构成的输入变量X，以落点区域的属性Y作为输出参数，自动建立并测试粘连菌落的分割模型Y = F_knn（X），最终利用建立的粘连菌落分割模型完成对待分割粘连菌落图像的二值分割。本发明可捕捉粘连菌落图像的菌落边缘区域（1）、菌落接触区域（2）以及菌落中心区域（3）的颜色特征，自动建立并验证粘连菌落的分割规则，使得一线的普通操作人员经过简单的操作即可实现复杂粘连菌落的高效分割。

附图说明

图1为粘连菌落彩色图像，其中1为菌落边缘区域、2为菌落接触区域、3为菌落中心区域；

图2为粘连菌落二值分割后的效果图，4为分割得到的单菌落中心-I、5为分割得到的单菌落中心-II。

具体实施方式

下面是对本发明于自我学习机制的粘连菌落自动分割方法的实施实例说明：

步骤一：分割模型的自我构建，具体包含以下过程：

过程（1），采用彩色图像采集系统对菌落图像进行采集，对已获取的5个粘连菌落彩色图像I_i（i=1, 2, …, 4, 5），操作人员分别利用鼠标点击5个粘连菌落彩色图像I_i中菌落边缘区域（1）、菌落接触区域（2）以及菌落中心区域（3），如附图1所示，计算机自动提取以鼠标落点为中心、5像素×5像素的正方形区域内的红色分量R、绿色分量G和蓝色分量B的均值（r，g，b）；并将得到的15组（r，g，b）依次保存到数组X _{15, 3}，其中数组X _{15, 3}的第1列、第2列和第3列分别保存红色分量R的均值r、绿色分量G的均值g和蓝色分量B的均值b；数组X _{15, 3}的第j*3-2行（j=1, 2, …, 4, 5）依次保存5个粘连菌落彩色图像I_i中菌落边缘区域（1）的（r，g，b）值，数组X _{15, 3}的第j*3-1行（j=1, 2, …, 4, 5）依次保存5个粘连菌落彩色图像I_i中菌落接触区域（2）的（r，g，b）值，数组X _{15, 3}的第j*3行（j=1, 2, …, 4, 5）依次保存5个粘连菌落彩色图像I_i中菌落中心区域（3）的（r，g，b）值。

过程（2），建立数组Y _{15, 1}，保存数组X _{15, 3}中每一行的（r，g，b）值对应区域的属性，其中Y _{15, 1}数组中第j*3-2行（j=1, 2, …, 4, 5）的取值均为0，代表数组X _{15, 3}的第j*3-2行（j=1, 2, …, 4, 5）对应的（r，g，b）值属于背景区域（即菌落边缘区域（1）的（r，g，b）值属背景区域）；Y _{15, 1}数组中第j*3-1行（j=1, 2, …, 4, 5）的取值均为0，代表数组X _{15, 3}的第j*3-1行（j=1, 2, …, 4, 5）对应的（r，g，b）值属于背景区域（即菌落接触区域（2）的（r，g，b）值属背景区域）；Y _{15, 1}数组中第j*3行（j=1, 2, …, 4, 5）的取值均为1，代表数组X _{15, 3}的第j*3行（j=1, 2, …, 4, 5）对应的（r，g，b）值属于目标区域（即菌落中心区域（3）的（r，g，b）值属目标区域）；

过程（3），将5个粘连菌落彩色图像I_i中的前3幅图像在数组X _{15, 3}和数组Y _{15, 1}对应的数据结合K最近邻分类算法（KNN，K-Nearest Neighbor）构建分割模型，即X _{15, 3}数组的第1行到第9行作为KNN的输入变量X，数组Y _{15, 1}的第1行到第9行作为KNN的输出参数Y，建立分割模型Y = F_knn（X）；分割模型Y = F_knn（X）建立了X与Y之间的对应关系，根据X的值即可计算出Y的值；当Y值为0时，表示X对应的区域属于背景区域，当Y值为1时，表示X对应的区域属于目标区域。

步骤二：分割模型的自我测试，具体包含以下过程：

过程（1），提取5个粘连菌落彩色图像I_i中的后2幅图像在数组X _{15, 3}和数组Y _{15, 1}对应的数据，测试已建立的分割模型Y = F_knn（X）；即X _{15, 3}数组的第10行到第15行的数据X_测试作为测试分割模型的输入变量；数组Y _{15, 1}的第10行到第15行的数据Y_测试作为评价分割模型的输出参数的标准。

过程（2），将数据X_测试代入已建立的分割模型Y = F_knn（X），计算出对应的输出参数Y_计算= F_knn（X_测试）；数组Y_计算的结构与数组Y_测试的结构相同，均为6行1列的数组，当Y_计算值为0时，表示X_测试对应的区域属于背景区域，当Y_计算值为1时，表示X_测试对应的区域属于目标区域。

过程（3），输出参数Y_计算与评价标准Y_测试进行逐行对比，统计Y_计算中满足数组Y_计算与数组Y_测试同一行取值相同这一条件的总行数m，计算出分割模型的自我测试效果R=m/6*100%；若R大于等于90%，则进入步骤三，若R小于90%且R小于90%累计出现的次数小于等于K次，则重新进入步骤一；若R小于90%且R小于90%累计出现的次数大于K次，则终止执行任何步骤。步骤三：粘连菌落的自动分割，具体包含以下过程：

对于步骤一中5个粘连菌落彩色图像I_i（i=1, 2, …, 4, 5）相同批次的待分割的粘连菌落彩色图像I_D，从彩色图像I_D的第1行第1列开始，逐行提取每一个像素点对应的红色分量R的均值r、绿色分量G的均值g和蓝色分量B的均值b构成的输入变量X_D，将每一个像素点对应的X_D值代入已通过测试的分割模型Y = F_knn（X），逐一计算像素点对应的属性Y_D = F_knn（X_D），若像素点对应的Y_D的值为0，则像素属于背景区域，将像素点的灰度值设为0；若像素点对应的Y_D的值为1，则像素属于目标区域，将像素点的灰度值设为1，进而完成对待分割粘连菌落彩色图像的二值分割，得到构成粘连菌落的单菌落中心-I（4）和单菌落中心-II（5），如附图2所示，即可对处于粘连状态的单菌落进行精确计数。