耿春云，郭顯久、2

(1．大連海洋大學(xué)信息工程學(xué)院，遼寧大連116023;2．遼寧省海洋信息技術(shù)重點實驗室，遼寧大連116023)

海洋微藻一方面可通過光合作用釋放出地球上絕大多數(shù)的氧氣，固定二氧化碳減少溫室效應(yīng);另一方面又是赤潮及水體富營養(yǎng)化等自然災(zāi)害的主要因素。海洋微藻也蘊藏著極大的商業(yè)、生產(chǎn)、生活和環(huán)境價值，其微藻富含蛋白質(zhì)、脂肪和碳水化合物，某些種類還富含油料、微量元素和礦物質(zhì)等原料，不僅是人類未來重要的食品、工業(yè)原料，而且也可作為新型的再生能源與環(huán)境增值能源開發(fā)的重要原料［1-2］，所以對微藻種類的鑒別越來越受到人們的關(guān)注。

傳統(tǒng)海洋微藻鑒別方法主要有形態(tài)分類法、化學(xué)分類法和分子生物學(xué)方法［3］。形態(tài)分類法即通過顯微鏡觀察活體或固定樣本的外部形態(tài)和結(jié)構(gòu)來確定其歸屬，但由于微藻形態(tài)和結(jié)構(gòu)復(fù)雜且不同物種間可能存在相似或同一物種中存在異形，所以鑒定的效率和準確率都不高;化學(xué)分類法是以糖類、脂類、蛋白和核酸等化學(xué)分子為標志，比較和闡述不同藻類之間的親緣及進化關(guān)系，從而實現(xiàn)微藻的鑒定識別，這種方法要求鑒定者具有過硬的生物化學(xué)分析理論水平、化學(xué)物質(zhì)分離提取和儀器使用能力，極大地增加了鑒定的局限性和難度;分子生物學(xué)法是采用DNA測定技術(shù)進行同源性比對及系統(tǒng)進化樹分析確定微藻的種類。以上3種方法多涉及生物和化學(xué)方面的知識，不僅增加了識別的難度，同時也不利于實現(xiàn)微藻鑒定和識別的自動化。

利用海洋微藻顯微圖像進行微藻自動識別與分類的研究近年來發(fā)展很快，然而，大部分研究只局限于少數(shù)種類上，并且圖像中只有單個藻體的情況或只用來統(tǒng)計微藻個數(shù)［4-7］。本研究中，在不針對微藻種類的前提下，通過對在海域中隨機采集到的不同微藻混合的樣本圖像進行預(yù)處理，提取微藻的形狀和紋理特征，利用仿生模式識別算法實現(xiàn)微藻的自動識別，該方法不僅能夠識別不同種類的微藻，而且也能夠識別大小不同的相同品種的微藻。

1 海洋微藻圖像的預(yù)處理

在實際采集樣本圖像時，往往得到的是海洋微藻的RGB圖像，由于RGB圖像包含顏色因子，實際提取特征過程較為復(fù)雜且信息量大，目標信息不突出，不利于目標與背景的分離，對目標識別造成了困難，因此，必須對彩色圖像進行灰度化和二值化處理。首先將彩色圖像轉(zhuǎn)化為256級灰度圖像，再將灰度圖像轉(zhuǎn)化為二值圖像。在二值圖像中，只有0和255兩個灰度值，0表示黑色像素，255表示白色像素。

1.1 彩色圖像轉(zhuǎn)換為灰度圖像

彩色圖像轉(zhuǎn)換為灰度圖像的方法有很多［8-10］，在多種方法中，考慮到系統(tǒng)的運行速度和轉(zhuǎn)換失真等因素，本研究中選擇加權(quán)平均方法，實現(xiàn)從海洋微藻彩色圖像到灰度圖像的轉(zhuǎn)換，其轉(zhuǎn)換公式為

其中:I(x，y)表示灰度圖像的像素灰度值;R(x，y)、G(x，y)、B(x，y)分別表示彩色圖像 3 個顏色 (紅、綠、藍)的分量值。轉(zhuǎn)換結(jié)果如圖1所示。

圖1 彩色圖像轉(zhuǎn)換為灰度圖像Fig.1 Transformation of color image into gray image

1.2 灰度圖像轉(zhuǎn)化為二值圖像

一般根據(jù)灰度圖像直方圖將灰度圖像轉(zhuǎn)化為二值圖像，有單閾值法和雙閾值法。由于微藻灰度圖像的直方圖［圖2-(a)］為標準的單峰圖像，所以在實際應(yīng)用中選用單閾值法將灰度圖像二值化。轉(zhuǎn)化算法為

其中:f(x，y)為二值圖像的像素值;I(x，y)為公式 (1)中得到的像素灰度值;T為根據(jù)灰度圖像的直方圖選定的閾值，即為灰度直方圖中灰度分布最大值處所對應(yīng)的灰度值。圖2為將灰度圖像轉(zhuǎn)化為二值圖像的結(jié)果 (為顯示效果，在這里采用反向顯示，即白變黑、黑變白)。

圖2 灰度圖像轉(zhuǎn)化為二值圖像Fig.2 Transformation of gray image into binary image

2 海洋微藻圖像特征的提取

圖像中的特征是對圖像分析與識別的關(guān)鍵參數(shù)，特征的選取及使用決定著圖像分析與識別的成敗，常用的圖像特征有顏色特征、形狀特征、紋理特征、空間關(guān)系特征等。

由于海洋微藻的半透明性降低了不同藻體細胞之間的顏色差距，而空間關(guān)系特征對圖像或目標的旋轉(zhuǎn)、反轉(zhuǎn)、尺度的變化具有敏感性，因此，本研究中采用圖像的形狀特征和紋理特征對海洋微藻進行識別與分類。

2.1 微藻形狀特征的提取

形狀特征一般包括圓度 (也稱豐滿度)和矩形度等。圓度為目標圖像區(qū)域面積與其最小外接圓面積之比，矩形度為目標區(qū)域面積與其最小外接矩形面積之比，在這里定義區(qū)域面積為某區(qū)域占有的黑像素個數(shù)?？梢钥闯?，圓度與矩形度在定義和表示意義上是相似的，所以，本研究中僅提取了矩形度這一形狀特征值用于海洋微藻的識別。

形狀特征的矩形度定義如下:

其中:S1為目標區(qū)域面積，即目標占有的像素個數(shù);S2為目標最小外接矩形所占的面積。

本研究中以曲周藻Pleurosigma pelagicum為例，計算矩形度的算法如下:

(1)遍歷圖像像素計算出目標區(qū)域的面積S1，如圖3所示。

(2)從上、下、左、右4個方向分別掃描圖3所示的二值圖像，分別得到各個方向第一次遇到黑像素的坐標:y_top、y_bottom、x_left、x_right，如圖4所示。

(3)計算外接矩形面積，即

(4)由公式 (3)計算該藻的矩形度D。

圖3 曲周藻的二值圖像Fig.3 Binary image of alga Pleurosigma pelagicum

圖4 曲周藻最小外接矩形的掃描結(jié)果Fig.4 Minimal outer rectangle of alga Pleurosigma pelagicum

2.2 微藻紋理特征的提取

紋理是對圖像各像元灰度空間分布的一種描述，是圖像局部性質(zhì) (灰度分布函數(shù))的統(tǒng)計［11］。紋理特征不是基于像素點的特征，它需要在包含多個像素點的區(qū)域中進行統(tǒng)計計算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會由于局部的偏差而無法匹配成功。作為一種統(tǒng)計特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對于噪聲有較強的抵抗能力。經(jīng)常使用的特征值有能量、熵、慣性矩、平穩(wěn)度、相關(guān)度等。所以，本研究中在提取紋理特征時首先利用二值圖像得到目標區(qū)域的重心，再在灰度圖像中以重心為中心作矩形，計算矩形內(nèi)像素的紋理特征，以此作為待識別目標的紋理特征，如圖5所示。

2．2．1 微藻圖像重心的計算 利用二值圖像計算目標區(qū)域的重心，其計算公式［9］如下:

其中:Grayx(x，y)為所有像素點映射到x軸的像素值矩;Grayy(x，y)為所有像素點映射到y(tǒng)軸的像素值矩;Gray(x，y)為所有像素點映射到原點的像素值矩;(x，y)為像素在圖像中的坐標;gxy為y行x列像素點的像素值，在二值圖像中黑像素為0，白像素為1。

則目標圖像的重心坐標(Mx，My)為

2．2．2 微藻圖像紋理特征的提取 目前獲取圖像紋理特征的普遍方法為空間灰度層共現(xiàn)矩陣法［12］?；叶裙铂F(xiàn)矩陣是一個描述灰度圖像紋理分布統(tǒng)計規(guī)律的矩陣，其元素定義為:灰度圖像中θ方向上相隔d像元距離的一對像元，分別具有灰度層i和j的概率，記為 p(i，j|d，θ)。本研究中，設(shè) θ=0，d=5，得到共現(xiàn)矩陣，由共現(xiàn)矩陣得到以下紋理特征參數(shù):

(1)能量

(2)熵

(3)慣性矩

(4)相關(guān)度

式中，

(5)局部平穩(wěn)

3 基于仿生的模式識別

傳統(tǒng)的模式識別過程大多是利用統(tǒng)計決策理論對有限類樣本進行最優(yōu)分類，是以不同樣本在特征空間中的最佳劃分為目標。而海洋微藻的模式識別是對混合圖片中的微藻進行一個一個的“認識”過程，不要求最佳劃分只要求正確識別，所以本研究中，利用王守覺［13］提出的仿生模式識別 (拓撲模式識別)理論進行識別。

仿生模式識別理論基于同源連續(xù)性原理，它認為兩個同類事物之間存在一個漸變過程，在這個漸變過程中各事物都屬于同一類。所以仿生模式識別理論的實現(xiàn)過程就是計算待識別樣本到學(xué)習(xí)樣本所組成的特征空間距離的過程，距離最小的類即為待識別樣本所屬的類。

定義待識別類為X，特征空間中的已知類集合為P={p1，p2，…，pn}，待識別X類到P中各類別的距離為D1，D2，…，Dn，并生成距離集合DH={D1，D2，…，Dn}，其中最小距離定義為dHmin，那么問題就轉(zhuǎn)換為求DH中最小距離dHmin及其對應(yīng)的類別號 i，即 (dHmin，i)=min(DH)［14］。

定義X到pi的距離Di的算法如下:

其中:D、E、H、I、C、L分別為矩形度、能量、熵、慣性矩、相關(guān)度和局部平穩(wěn)度特征值。

圖5 紋理特征值提取區(qū)域Fig.5 Extracting region of texture eigenvalue

4 海洋微藻自動識別實驗

4.1 微藻來源

為驗證本算法，對在海域中隨機采集的不同形狀、大小、紋理的微藻混合圖像進行自動識別實驗。實驗用海洋微藻圖像樣本隨機采集于大連市黑石礁海域，使用Nikon Eclipse 5i型顯微鏡在10×100倍下拍攝圖像，如圖6所示，假設(shè)藻體未知，并以數(shù)字代碼表示每個藻體。

圖6 實驗用微藻圖像樣本Fig.6 Samples of microalgae in the experiment

4.2 微藻的特征空間

在圖6中，4張微藻的混合圖片中共存在7種微藻，其中1和2為1種，3和7為1種，4、5、6、8、9分別為5種。將這7種藻類分別用Ⅰ (1、2號藻)、Ⅱ (3、7號藻)、Ⅲ (4號藻)、Ⅳ (5號藻)、Ⅴ (6號藻)Ⅵ (8號藻)、Ⅶ (9號藻)代碼來表示，則7種藻類的特征空間值如表1所示。

表1 學(xué)習(xí)樣本獲得的特征值Tab.1 Microalgae eigenvalues from Fig.6

4.3 實驗結(jié)果

使用本研究中給出的仿生模式自動識別方法求得圖6中9個微藻個體與表1中7種微藻類別的特征空間距離，如表2所示。

在表2中，橫向數(shù)值為圖6中每個藻體與7種不同藻類的特征空間距離，每個藻體與某藻種距離最近的數(shù)據(jù)已用黑體標出。由圖6可知:藻體1、2為同種藻類，而表2中顯示第1行的藻體1和第2行的藻體2與Ⅰ的距離最近;同理，藻體3和藻體7同屬一類，而表2中顯示第3行的藻體3和第7行的藻體7與Ⅱ的距離最近。從表2中依次可看出，藻體4與Ⅲ的距離最近，藻體5與Ⅳ的距離最近，藻體6與Ⅴ的距離最近，藻體8與Ⅵ的距離最近，藻體9與Ⅶ的距離最近。由表2可以看出:藻體1、2屬于Ⅰ類，藻體3、7屬于Ⅱ類，藻體4屬于Ⅲ類，藻體5屬于Ⅳ類，藻體6屬于Ⅴ類，藻體8屬于Ⅵ類，藻體9屬于Ⅶ類，結(jié)果完全正確。

表2 待識別微藻與樣本微藻特征空間距離Tab.2 Feature space distances between identifying microalgae and microalga simples

5 結(jié)語

本研究中，利用圖像技術(shù)研究了海洋微藻的自動識別與分類方法，針對藻類個體間顏色差距不明顯、半透明等特點，給出了以形狀及紋理方面的6個特征作為不同藻類識別的特征值，提出了利用仿生模式識別方法對海洋微藻圖像樣本進行識別的技術(shù)路線，并對在形狀、大小、紋理等方面存在差距的微藻混合圖像進行了識別實驗。實驗結(jié)果表明，該方法可以正確地識別出混合圖像中的多個微藻，說明此方法在微藻圖像識別中是可行且有效的。但也存在一定的缺陷，即無法對存在部分重疊的藻體進行識別與分類。今后作者將通過其他圖像處理技術(shù)，如小波處理等頻域圖像處理方式，實現(xiàn)圖像的預(yù)處理及分割或增加新的特征項，從而實現(xiàn)任意特殊情況下藻體的識別與分類，進而擴大本方法的適用范圍。

［1］Adamzak M，Bornscheuer U T，Bednarski W．The application of biotechnological methods for the synthesis of biodiese［J］．European Journal of Lipid Science and Technology，2009，111(8):800-813．

［2］程奇，呂蓓，沈桂芳．能源微藻生產(chǎn)生物柴油的意義及其開發(fā)價值［C］//經(jīng)濟發(fā)展方式轉(zhuǎn)變與自主創(chuàng)新——第12屆中國科學(xué)技術(shù)協(xié)會年會，2010．

［3］李雪梅，宮春光，安鑫龍．赤潮微藻的分類鑒定方法［J］．河北漁業(yè)，2011，63(12):58-59．

［4］駱巧琦，李雪松，梁君榮．基于形狀特征的硅藻顯微圖像自動識別［J］．廈門大學(xué)學(xué)報:自然科學(xué)版，2011，50(4):690-696．

［5］汪振興，佘焱，姜建國．赤潮藻類圖像自動識別的研究［J］．海洋環(huán)境科學(xué)，2007，26(1):42-44．

［6］Culverhouse P，Williams R，Reguera B，et al．Expert and machine discrimination of marine flora:a comparison of recognition accuracy of field collected phytoplankton［C］//IEEE International Conference on Visual Information Engineering，2003，7:177-181．

［7］鄭少平，謝杰鎮(zhèn)，王博亮，等．基于形狀特征描述子的赤潮優(yōu)勢種識別研究［J］．廈門大學(xué)學(xué)報，2009，48(5):676-679．

［8］郭彥伶，彭進業(yè)，王大凱．改進復(fù)原模型的彩色-灰度圖像變換方法［J］．計算機工程與應(yīng)用，2009，45(7):192-194．

［9］章衛(wèi)祥，周秉鋒．一種基于梯度域的彩色圖像轉(zhuǎn)灰度圖像的方法［J］．影像技術(shù)，2007(3):20-22．

［10］李貞培，李平，郭新宇，等．三種基于GDI+的圖像灰度化實現(xiàn)方法［J］．計算機技術(shù)與發(fā)展，2009，19(7):73-75．

［11］汪毅．基于數(shù)字圖像的藻類特征值提?。跠］．大連:大連海洋大學(xué)，2007．

［12］付信際，楊汝良，岳海霞．一種新的灰度共現(xiàn)矩陣特征提取算法［J］．測試技術(shù)學(xué)報，2005(3):310-314．

［13］王守覺．仿生模式識別(拓撲模式識別)——一種模式識別新模型的理論與應(yīng)用［J］．電子學(xué)報，2002，30(10):1417-1420．

［14］翟懿奎，曾軍英．一種基于小波奇異值分解的仿生模式虹膜識別算法［J］．電路與系統(tǒng)學(xué)報，2012，17(2):43-48．