本发明涉及藻类图像特征提取领域，特别是涉及一种藻类类型的识别方法及系统。
背景技术：
藻类对有机质有着特殊的敏感度，所以可以通过水质中的藻类构成来研究水质情况。
目前对藻类分类和鉴别的传统方法步骤繁琐、效率低下、费时费力，并且结果易受主观判断的影响；此外，传统方法要求研究人员具有较高专业知识以及丰富的实践经验，但是国内符合要求的研究人员相对来说，依然无法满足市场需求；且由于显微镜笨重且不便于携带，导致传统方法不适用于对大范围水域的多个检测点进行全天候、实时对藻类进行分类与计数。
由于传统对藻类分类与计数的方法要求研究人员依靠人眼识别，不仅对藻类类型识别速度慢，而且极易因为视觉疲劳而导致误差。
技术实现要素：
本发明的目的是提供一种藻类类型的识别方法及系统，以解决现有技术中受人为主观因素影响而导致识别误差大且识别速度慢的问题。
为实现上述目的，本发明提供了如下方案：
一种藻类类型的识别方法，包括：
获取被检藻类的藻类图像；
根据所述藻类图像计算所述藻类图像中各个像素点的梯度方向和图像梯度模值；
将所述藻类图像分割成i个尺寸相同的图像子区域；
根据所述梯度方向、所述图像梯度模值以及所述图像子区域确定图像块；
根据所述图像子区域确定所述图像块的图像块特征向量；
根据所述图像块特征向量确定所述被检藻类的类型。
可选的，所述根据所述梯度方向、所述图像梯度模值以及所述图像子区域确定图像块，具体包括：
按照相同的梯度方向以及所述图像梯度模值，利用统计直方图对i个所述图像子区域进行投影，得到l个图像块。
可选的，所述根据所述图像子区域确定所述图像块的图像块特征向量，具体包括：
获取所述图像块内的q个图像子区域；
根据所述梯度方向和所述图像梯度模值计算得到所述图像子区域的图像子区域特征向量；一个所述图像子区域包括j个图像子区域特征向量；
将q×j个所述图像子区域特征向量线性排列组合，得到所述图像块的图像块特征向量。
可选的，所述根据所述图像块特征向量确定所述被检藻类的类型，具体包括：
对所述图像块特征向量进行归一化处理，得到归一化后的图像块特征向量；
根据所述归一化后的图像块特征向量确定图像块特征向量直方图；
根据图像块特征向量直方图确定基于hog描述符算子的藻类图像特征；
根据所述基于hog描述符算子的藻类图像特征确定所述被检藻类的类型。
可选的，所述对所述图像块特征向量进行归一化处理，得到归一化后的图像块特征向量，具体包括：
利用公式
其中，v图像块特征向量，v'表示归一化后的图像块特征向量，ε是调节参数且|ε|→0。
一种藻类类型的识别系统，包括：
藻类图像获取模块，用于获取被检藻类的藻类图像；
梯度方向和图像梯度模值获取模块，用于根据所述藻类图像计算所述藻类图像中各个像素点的梯度方向和图像梯度模值；
分割模块，用于将所述藻类图像分割成i个尺寸相同的图像子区域；
图像块确定模块，用于根据所述梯度方向、所述图像梯度模值以及所述图像子区域确定图像块；
图像块特征向量确定模块，用于根据所述图像子区域确定所述图像块的图像块特征向量；
被检藻类类型确定模块，用于根据所述图像块特征向量确定所述被检藻类的类型。
可选的，所述图像块确定模块，具体包括：
图像块确定单元，按照相同的梯度方向以及所述图像梯度模值，利用统计直方图对i个所述图像子区域进行投影，得到l个图像块。
可选的，所述图像块特征向量确定模块，具体包括：
图像子区域获取单元，用于获取所述图像块内的q个图像子区域；
图像子区域特征向量计算单元，用于根据所述梯度方向和所述图像梯度模值计算得到所述图像子区域的图像子区域特征向量；一个所述图像子区域包括j个图像子区域特征向量；
图像块特征向量确定单元，用于将q×j个所述图像子区域特征向量线性排列组合，确定所述图像块的图像块特征向量。
可选的，所述被检藻类类型确定模块，具体包括：
归一化处理单元，用于对所述图像块特征向量进行归一化处理，得到归一化后的图像块特征向量；
图像块特征向量直方图确定模块，用于根据所述归一化后的图像块特征向量确定图像块特征向量直方图；
藻类图像特征确定模块，用于根据图像块特征向量直方图确定基于hog描述符算子的藻类图像特征；
被检藻类类型确定单元，用于根据所述基于hog描述符算子的藻类图像特征确定所述被检藻类的类型。
可选的，所述归一化处理单元，具体包括：
归一化处理子单元，用于利用公式
其中，v图像块特征向量，v'表示归一化后的图像块特征向量，ε是调节参数且|ε|→0。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种藻类类型的识别方法及系统，基于被检藻类的藻类图像，通过获取藻类图像的图像特征以确定被检藻类类型，无需再依靠人眼识别，直接获取被检藻类的图像就可以自动完成识别类别的作用，从而大大提高了识别速度，且不受人为主观因素的影响从而提高了识别精度。
此外，即使在大范围的水域内，可以通过无人机对藻类进行拍摄，采用本发明所提供的自动识别藻类类型的识别方法及系统就能够快速识别出水质中的藻类构成，以研究当前水域的水质情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的识别方法流程图；
图2为本发明实施例所提供的淡水藻类图像；
图3为本发明实施例所提供的淡水藻类图像对应的水平方向梯度图；
图4为本发明实施例所提供的淡水藻类图像对应的垂直方向梯度图；
图5为本发明所提供的使用9个统计单位的直方图对淡水藻类图像各子区域内像素点进行投影的示意图；
图6为本发明所提供的将淡水藻类图像各子区域合并为空间上互相重叠的图像块的示意图；
图7为本发明所提供的基于hog描述符算子的淡水藻类图像特征提取结果；
图8为本发明所提供的识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种藻类类型的识别方法及系统，能够自动识别出藻类类型，提高识别速度及精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种藻类类型的识别方法及系统，即基于梯度方向直方图(histogramoforientedgradient，hog)描述符算子的藻类图像特征提取方法，首先输入藻类图像；然后计算藻类图像各像素点的水平方向梯度和垂直方向梯度；将藻类图像划分为多个相同尺寸大小的图像子区域，根据像素点的梯度分别计算各图像子区域的特征向量；将各图像子区域合并为空间上互相重叠的图像块，把独立图像块内所有图像子区域的特征向量进行组合得到各图像块的原始特征向量；通过对各图像块的特征向量进行归一化消除各图像块之间相互重叠的特征向量；最后统计各图像块特征向量的直方图，得到最终的基于hog描述符算子的藻类图像特征提取结果，本发明提取到的藻类图像特征对阴影、光照与边缘改变具有更好的鲁棒性。
图1为本发明所提供的识别方法流程图，如图1所示，一种藻类类型的识别方法，包括：
步骤101：获取被检藻类的藻类图像。
步骤102：根据所述藻类图像计算所述藻类图像中各个像素点的梯度方向和图像梯度模值。
假设淡水藻类图像尺寸为m×n，利用sobel算子分别计算淡水藻类图像中各像素点的图像梯度模值|▽x,y|和梯度方向θx,y，其中，1≤x≤m，1≤y≤n；
步骤103：将所述藻类图像分割成i个尺寸相同的图像子区域。
将淡水藻类图像分割为i个相同尺寸的图像子区域，假设各图像子区域大小为n×n。
步骤104：根据所述梯度方向、所述图像梯度模值以及所述图像子区域确定图像块。
所述步骤104，具体包括：按照相同的梯度方向以及所述图像梯度模值，利用统计直方图对i个所述图像子区域进行投影，得到l个图像块。
使用l(l≥1且
步骤105：根据所述图像子区域确定所述图像块的图像块特征向量。
所述根据所述图像子区域确定所述图像块的图像块特征向量，具体包括：获取所述图像块内的q个图像子区域；根据所述梯度方向和所述图像梯度模值计算得到所述图像子区域的图像子区域特征向量；一个所述图像子区域包括j个图像子区域特征向量；将q×j个所述图像子区域特征向量线性排列组合，得到所述图像块的图像块特征向量。
步骤106：根据所述图像块特征向量确定所述被检藻类的类型。
所述根据所述图像块特征向量确定所述被检藻类的类型，具体包括：
对所述图像块特征向量进行归一化处理，得到归一化后的图像块特征向量。
在实际应用中，利用公式
根据所述归一化后的图像块特征向量确定图像块特征向量直方图。
根据图像块特征向量直方图确定基于hog描述符算子的藻类图像特征。
根据所述基于hog描述符算子的藻类图像特征确定所述被检藻类的类型。
以下为采用本发明所提供的识别方法的具体实施例：
1)图2为本发明实施例所提供的淡水藻类图像，如图2所示，输入淡水藻类图像。
2)如图3-4所示，输入的淡水藻类图像尺寸为320×320，利用索贝尔(sobeloperator，sobel)算子分别计算淡水藻类图像中各像素点的图像梯度模值|▽x,y|和梯度方向θx,y，其中，1≤x≤320，1≤y≤320。
3)将淡水藻类图像分割为80个相同尺寸的图像子区域，各图像子区域大小为4×4；如图5所示，使用9个统计单位的直方图对各子区域内像素点进行投影；由于淡水藻类图像各像素点的梯度方向θx,y∈[0°,360°]，则使用9个统计单位的直方图对4×4大小的图像子区域进行投影即是把图像子区域的梯度方向范围360°划分为9个块，如图5所示，z1至z9为划分的图像块，图像子区域内任何一个像素点都对应于梯度方向范围中的一个块，因此可以得到图像子区域对应的9维特征向量；
4)如图6所示，将每个图像子区域合并为空间上互相重叠的图像块，把独立图像块内所有图像子区域的特征向量进行组合得到各图像块的图像块特征向量v；
5)由于各图像子区域之间互有重叠，所以计算得到的图像块的特征结果互不相同并且在特征向量中多次显示；通过对各图像块的特征向量进行归一化可以消除各图像块之间相互重叠的特征向量，并且提取得到的图像块hog特征对阴影、光照与边缘改变具有鲁棒性；图像块特征向量归一化公式为：
6)得到各图像块归一化后的特征向量，统计各图像块特征向量的直方图，得到最终的基于hog描述符算子的淡水藻类图像特征提取结果，图7是本发明专利得到的基于hog描述符算子的淡水藻类图像特征提取结果。
采用本发明所提供的自动识别藻类类型的识别方法及系统无需人眼识别，能够快速识别出藻类类型，即使是检测大水域的水质质量，也能够快速精确识别。
图8为本发明所提供的识别系统结构图，如图8所示，一种藻类类型的识别系统，包括：
藻类图像获取模块801，用于获取被检藻类的藻类图像。
梯度方向和图像梯度模值获取模块802，用于根据所述藻类图像计算所述藻类图像中各个像素点的梯度方向和图像梯度模值。
分割模块803，用于将所述藻类图像分割成i个尺寸相同的图像子区域。
图像块确定模块804，用于根据所述梯度方向、所述图像梯度模值以及所述图像子区域确定图像块。
所述图像块确定模块804具体包括：图像块确定单元，按照相同的梯度方向以及所述图像梯度模值，利用统计直方图对i个所述图像子区域进行投影，得到l个图像块。
图像块特征向量确定模块805，用于根据所述图像子区域确定所述图像块的图像块特征向量。
所述图像块特征向量确定模块805具体包括：图像子区域获取单元，用于获取所述图像块内的q个图像子区域；图像子区域特征向量计算单元，用于根据所述梯度方向和所述图像梯度模值计算得到所述图像子区域的图像子区域特征向量；一个所述图像子区域包括j个图像子区域特征向量；图像块特征向量确定单元，用于将q×j个所述图像子区域特征向量线性排列组合，确定所述图像块的图像块特征向量。
被检藻类类型确定模块806，用于根据所述图像块特征向量确定所述被检藻类的类型。
所述被检藻类类型确定模块806具体包括：归一化处理单元，用于对所述图像块特征向量进行归一化处理，得到归一化后的图像块特征向量；图像块特征向量直方图确定模块，用于根据所述归一化后的图像块特征向量确定图像块特征向量直方图；藻类图像特征确定模块，用于根据图像块特征向量直方图确定基于hog描述符算子的藻类图像特征；被检藻类类型确定单元，用于根据所述基于hog描述符算子的藻类图像特征确定所述被检藻类的类型。
其中，归一化处理单元具体包括：归一化处理子单元，用于利用公式
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。