一种基于显微镜图像的脆杆群体藻类细胞统计方法与流程

1.本发明属于水生态环境监测技术领域，特别是涉及一种基于显微镜图像的脆杆群体藻类细胞统计方法。


背景技术：

2.利用显微镜和高清工业相机来采集藻类图像，然后通过深度学习检测模型识别出脆杆群体和它的像素坐标，需要设计一种图像模式识别方法来统计脆杆群体图像中的细胞个数。专利公开号cn111443028a中提出了基于深度学习模型对藻类进行识别和统计的方法，该方法对单细胞藻类的识别和统计效果较好。对脆杆群体藻类统计的效果较差，尤其是脆杆群体较大时，深度学习检测模型漏检较多，造成了藻密度、生物量等性能指标与实际情况不符的问题。


技术实现要素：

3.为了克服现有技术存在的不足，本发明提供了一种基于显微镜图像的脆杆群体藻类细胞统计方法。先通过深度学习模型识别出脆杆群体藻类和它的位置坐标，然后截取出该藻类的图像数据，通过图像模式识别技术来统计出它的细胞个数。
4.本发明提供了如下方案：一种基于显微镜图像的脆杆群体藻类细胞统计方法，包括：
5.获取所述脆杆群体藻类细胞的图像数据；
6.对所述图像数据进行处理，获得所述脆杆群体藻类细胞的排列长度；
7.基于所述排列长度获得脆杆群体内的细胞个数。
8.优选地，获取所述脆杆群体藻类细胞的图像数据包括，
9.采集浮游藻类样品的图像数据，构建深度学习模型，将所述浮游藻类样品的图像数据输入所述深度学习模型进行识别，获得所述脆杆群体藻类细胞的图像数据和位置坐标。
10.优选地，对所述图像数据进行处理包括图像预处理、图像矫正、计算脆杆群体的最小包围矩形；
11.对所述图像数据进行处理还包括，基于所述脆杆群体藻类细胞的图像数据进行图像预处理获得第一图像；对所述第一图像进行图像矫正获得第二图像；基于所述第二图像计算脆杆群体的最小包围矩形，获得所述脆杆群体藻类细胞的排列长度。
12.优选地，所述图像预处理包括图像缩放、图像灰度化、第一图像模糊化去噪、图像对比度增强、第二图像模糊化去噪；
13.所述图像预处理还包括，基于所述脆杆群体藻类细胞的图像数据，对图像进行缩放处理，获得缩放彩色图像；
14.对所述缩放彩色图像进行图像灰度化，获得灰度图像；
15.对所述灰度图像进行第一图像模糊化去噪，获得第一去噪图像；
16.对所述第一去噪图像进行对比度拉伸处理，获得拉伸图像；
17.对所述拉伸图像进行第二图像模糊化去噪，获得所述第一图像。
18.优选地，所述第一图像模糊化去噪为中值滤波去噪；
19.所述对比度拉伸处理通过自适应直方图均衡化算法进行对比拉伸处理；
20.所述第二图像模糊化去噪通过高斯模糊化算法进行去噪。
21.优选地，所述图像矫正包括图像二值化、旋转角度统计、计算旋转和平移矩阵、图像旋转校正；
22.所述图像矫正还包括，基于所述第一图像进行二值化处理后，计算图像二值化区域的纹理方向，基于所述纹理方向获得脆杆群体图像的旋转角度；基于所述旋转角度和脆杆群体图像的宽、高，计算旋转和平移矩阵；基于所述旋转和平移矩阵对所述第一图像进行旋转校正，获得所述第二图像。
23.优选地，所述计算脆杆群体的最小包围矩形包括，
24.基于旋转和平移矩阵获得所述第二图像的二值图像，基于所述二值图像获得垂直和水平投影；对所述垂直和水平投影进行修正，获得修正图像；基于所述修正图像查找脆杆群体的最大外轮廓，根据所述最大外轮廓获得最小包围矩形。
25.优选地，获得所述脆杆群体藻类细胞的排列长度还包括，基于第二图像分别进行水平和垂直方向上的索贝尔算子运算，获得图像水平梯度强度和图像垂直梯度强度；基于所述图像水平梯度强度和图像垂直梯度强度，获得脆杆群体的内部纹理方向；基于所述内部纹理方向和最小包围矩形，获得与纹理方向垂直的外接矩形边，所述外接矩形边即为细胞排列长度。
26.优选地，基于所述排列长度获得脆杆群体内的细胞个数，通过将所述细胞排列长度除以脆杆单位细胞像素长度，获得脆杆群体内的细胞个数。
27.本发明与现有技术相比，具有以下有益效果：
28.1、不需要在深度学习模型中直接检测脆杆群体内细胞，减少了数据标注工作，提高了模型训练和模型优化的效率。
29.2、相对于深度学习模型检测脆杆群体内细胞，采用图像模式识别技术来统计脆杆群体内细胞的准确率更高。
30.3、适用范围广，无论是较大的脆杆群体藻类还是小的脆杆群体藻类，识别效果都很稳定。
31.4、脆杆群体藻类细胞统计方法为独立的模块，便于算法的优化和维护。
附图说明
32.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的前提下，还可以根据这些附图获得其他的附图。
33.图1为本发明实施例的方法流程图；
34.图2是本发明实施例的图像预处理流程图；
35.图3是本发明实施例的图像矫正流程图；
36.图4是本发明实施例的计算脆杆群体的最小包围矩形流程图；
37.图5是本发明实施例的计算脆杆群体细胞排列长度流程图；
38.图6是本发明实施例的脆杆群体藻类细胞统计效果图。
具体实施方式
39.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。
40.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。
41.如图1所示，本发明提供了一种基于显微镜图像的脆杆群体藻类细胞统计方法,包括：
42.获取脆杆群体藻类细胞的图像数据；
43.对图像数据进行处理，获得脆杆群体藻类细胞的排列长度；
44.基于排列长度获得脆杆群体内的细胞个数。
45.获取脆杆群体藻类细胞的图像数据包括，
46.采集浮游藻类样品的图像数据，构建深度学习模型，将浮游藻类样品的图像数据输入深度学习模型进行识别，获得脆杆群体藻类细胞的图像数据和位置坐标。
47.对图像数据进行处理包括图像预处理、图像矫正、计算脆杆群体的最小包围矩形；
48.对图像数据进行处理还包括，基于脆杆群体藻类细胞的图像数据进行图像预处理获得第一图像；对第一图像进行图像矫正获得第二图像；基于第二图像计算脆杆群体的最小包围矩形，获得脆杆群体藻类细胞的排列长度。
49.图像预处理包括图像缩放、图像灰度化、第一图像模糊化去噪、图像对比度增强、第二图像模糊化去噪；
50.图像预处理还包括，基于脆杆群体藻类细胞的图像数据，对图像进行缩放处理，获得缩放彩色图像；
51.对缩放彩色图像进行图像灰度化，获得灰度图像；
52.对灰度图像进行第一图像模糊化去噪，获得第一去噪图像；
53.对第一去噪图像进行对比度拉伸处理，获得拉伸图像；
54.对拉伸图像进行第二图像模糊化去噪，获得第一图像。
55.第一图像模糊化去噪为中值滤波去噪；
56.对比度拉伸处理通过自适应直方图均衡化算法进行对比拉伸处理；
57.第二图像模糊化去噪通过高斯模糊化算法进行去噪。
58.图像矫正包括图像二值化、旋转角度统计、计算旋转和平移矩阵、图像旋转校正；
59.图像矫正还包括，基于第一图像进行二值化处理后，计算图像二值化区域的纹理方向，基于纹理方向获得脆杆群体图像的旋转角度；基于旋转角度和脆杆群体图像的宽、高，计算旋转和平移矩阵；基于旋转和平移矩阵对第一图像进行旋转校正，获得第二图像。
60.计算脆杆群体的最小包围矩形包括，
61.基于旋转和平移矩阵获得第二图像的二值图像，基于二值图像获得垂直和水平投影；对垂直和水平投影进行修正，获得修正图像；基于修正图像查找脆杆群体的最大外轮廓，根据最大外轮廓获得最小包围矩形。
62.获得脆杆群体藻类细胞的排列长度还包括，基于第二图像分别进行水平和垂直方向上的索贝尔算子运算，获得图像水平梯度强度和图像垂直梯度强度；基于图像水平梯度强度和图像垂直梯度强度，获得脆杆群体的内部纹理方向；基于内部纹理方向和最小包围矩形，获得与纹理方向垂直的外接矩形边，外接矩形边即为细胞排列长度。
63.基于排列长度获得脆杆群体内的细胞个数，通过将细胞排列长度除以脆杆单位细胞像素长度，获得脆杆群体内的细胞个数。
64.实施例一
65.进一步地，本发明提供的基于显微镜图像的脆杆群体藻类细胞统计方法,从浮游藻类样品中采集图像数据，通过深度学习模型从图像中识别出脆杆群体藻类和位置坐标，然后截取出脆杆群体区域的图像数据，通过图像模式识别技术来统计出它的细胞个数。
66.通过图像模式识别技术来统计出它的细胞个数具体包括以下步骤，
67.s1.图像预处理：增强图像的对比度；
68.s2.图像矫正：将脆杆群体图像按纹理方向进行旋转；
69.s3.计算脆杆群体的最小包围矩形；
70.s4.根据脆杆群体的纹理方向，计算它的细胞排列长度；
71.s5.计算脆杆群体内细胞的个数。
72.参照图2，所述图像预处理模块包括以下内容:
73.⑴
首先对图像进行缩放处理，提高整体运行效率；
74.⑵
将缩放后的彩色图像数据转换成灰度图像；
75.⑶
对灰度图像进行中值滤波去噪；
76.⑷
采用clahe(对比度受限的自适应直方图均衡化)算法对图像进行对比度拉伸操作；
77.⑸
由于clahe算法拉伸后的图像数据会存在较多噪点，需要通过高斯模糊化算法来进一步降噪。
78.参照图3，所述图像矫正模块包括以下内容:
79.⑴
采用otsu(大律)算法对灰度图像进行二值化处理；
80.⑵
将二值化图像中数值为255的区域纳入统计，计算脆杆群体图像的旋转角度；
81.⑶
根据步骤(2)计算的旋转角度和图像的宽和高，计算出旋转和平移矩阵；
82.⑷
将灰度图像数据进行旋转矫正。
83.参照图4，所述计算脆杆群体最小包围矩形包括以下内容:
84.⑴
用上个步骤计算出来的旋转和平移矩阵，来对二值图像进行旋转矫正；
85.⑵
在矫正后的二值图像上分别计算垂直和水平投影图像；
86.⑶
分别统计垂直和水平投影图像的均值，根据给定的系数，计算出投影的阈值，结合投影图像中前后像素关系，算出孤立的、投影值较低区域的坐标；
87.⑷
将步骤(3)中计算的坐标对旋转后的二值图像进行修正，去除杂质的干扰；
88.⑸
在步骤(4)处理后的二值图像上查找脆杆群体的最大外轮廓；
89.⑹
在脆杆群体的最大外轮廓上计算出最小包围矩形。
90.参照图5，所述计算脆杆群体细胞排列长度包括以下内容:
91.⑴
在旋转矫正后的灰度图像上，分别进行水平和垂直方向上的sobel(索贝尔算子)运算；
92.⑵
分别统计水平和垂直方向上的梯度强度，找出梯度强度较大的图像数据；
93.⑶
在梯度强度较大的图像中，进一步计算出脆杆群体内部纹理方向；
94.⑷
找出最小外接矩形的短边和长边，分别计算他们的角度；
95.⑸
进一步判断最小外接矩形的哪条边和脆杆群体内部纹理方向的夹角接近90度；
96.⑹
与脆杆群体内部纹理垂直的边，它的长度即为脆杆群体细胞排列长度。
97.在采集数据时，显微镜始终处于固定的倍率下，因此，将计算出来的脆杆群体细胞排列长度除以提前设置好的脆杆单位细胞像素长度，即可计算出脆杆群体内实际的细胞个数。
98.参照图6，脆杆群体图像左上角深色数字为本发明检测的脆杆群体细胞个数。
99.以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。