（检测技术与自动化装置专业论文）基于图像技术的菌落检测.pdf

嬲嘲料 山川川川洲川洲圳 l j n j j - i - o z 珥a1 1 节 独创性声明一 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及 取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论 文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得重迭 邮电太堂或其他教育机构的学位或证书而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 意。 “。 学位论文作者签名：符年 签字日期：五彩矿年石月乒日 学位论文版权使用授权书 本学位论文作者完全了解一重麽邮电太堂 有关保留、使用学位论 文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权重麽邮电太堂可以将学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名： 符事 导师签名： 签字日期：加彦年占月争日 签字日期： 口步，年6 月叶日 重庆邮电大学硕士论文摘要 摘要 菌落图像的处理与分析在工农业生产、医疗卫生等领域均有着广泛的 应用。将菌落图像进行图像处理，可快速地统计菌落个数并对其形态特征 进行分析。 图像分割是菌落图像处理与分析过程中的关键环节，菌落形态分析依 赖图像分割的结果。因此，图像分割方法的选择直接影响到菌落检测。目 前图像分割的方法众多，但仍没有一种方法对所有测试图像分割效果均为 最佳。为此，本文针对菌落图像自身的特点对菌落进行检测。处理的过程 主要有以下三个步骤： 1 菌落图像预处理。本文讨论了一种基于模糊隶属度的菌落图像增强方 法对菌落图像进行预处理。该算法在结合模糊隶属度的基础上通过选 取阈值对图像中各像素点灰度进行模糊变换实现图像增强。通过该算 法对图像增强的结果与常用的图像增强方法进行实验比较。结果表明， 该算法能够更好地增强茵落目标边界两侧对比度。 2 菌落图像分割。本文对空间模糊c 均值聚类分割算法进行了改进，讨 论了快速的空间模糊c 均值聚类算法。改进后的分割算法用于菌落图 像分割不仅可以在分割过程中较好地去除噪声对分割结果的影响，还 降低了时间复杂度。同时，还可以填补菌落个体中微小孔洞，能够将 菌落个体与背景分离，保持其完整性。 3 菌落图像分析。本文使用区域标号与轮廓跟踪相结合的方法来对分割 后的菌落进行分析。其中轮廓跟踪的方法在引入方向变量的基础上， 通过对方向变量进行奇偶性判断来排除部分邻近点，有效地提高了检 测速度。具体过程如下：首先，对分割后的菌落图像进行区域标号； 其次，轮廓跟踪每个连通区域后使用当前标号进行区域填充，填补菌 落个体分割后可能出现的孔洞；最后，获取菌落数量、周长、面积等 菌落形态特征。通过对菌落图像的实例分析，验证了该方法的实用性。 关键词s 菌落，图像增强，图像分割，模糊c 均值聚类，轮廓 t h ep r o c e s s i n ga n da n a l y s i so fc o l o n yi m a g eh a saw i d er a n g eo f a p p l i c a t i o n s i nt h ei n d u s t r i a la n da g r i c u l t u r a lp r o d u c t i o n w i t h i m a g e p r o c e s s i n gw ec a ng e tt h en u m b e ro ft h ec o l o n i e sa n da n a l y z et h em o r p h o l o g y c h a r a c t e r i s t i c sq u i c k l y s e g m e n t a t i o ni st h ek e yo fp r o c e s s i n ga n da n a l y s i so f t h ec 0 1 0 n yi m a g e ， c o l o n ym o r p h o l o g yc h a r a c t e r i s t i c sa n a l y s i s r e l i e so nt h e r e s u l to fi m a g e s e g m e n t a t i o n ，t h ec h o i c eo fs e g m e n t a t i o nm e t h o dd i r e c t l ya f f l c c t s t h ec o l o n y d e t e c t i o nr e s u l t t h e r ea r em a n ys e g m e n t a t i o nm e t h o d sa tp r e s e n t ，b u tt h e r ei s n om e t h o dt h a tc a ng e tab e s ts e g m e n t a t i o nr e s u l ti na l lt e s ti m a g e s s o ，t h i s p a p e rd e t e c t st h ec o l o n yb yt h ec h a r a c t e r i s t i c so fi t s e l f t h ep r o c e s so ft h e d e t e c t i o nc a nb ed i v i d e di n t ot h ef b l l o w i n gt h r e es t e p s ： 1 c o l o n yi m a g ep r e p r o c e s s i n g i nt h i sp a p e r ，a ne n h a n c e m e n tm e t h o dw i t h f u z z ym e m b e r s h i pi s d i s c u s s e dt op r e p r o c e s st h ec o l o n yi m a g e t h e a l g o r i t h me n h a n c e st h ei m a g eb yf u z z y - t r a n s f o r m i n gt h eg r a yo f t h ep i x e l s i nt h ei m a g ew i t hs e l e c t i n gat h r e s h o l da n dc o m b i n i n gf u z z ym e m b e r s h i p c o m p a r i n gt h ee n h a n c e m e n tr e s u l to ft h i sa l g o r i t h mw i t ht h ec o m m o n l y m e t h o d s ，a n dt h er e s u l ts h o w st h a tt h i sa l g o r i t h mc a nb e t t e re n h a n c et h e c o n t r a s to ft h ec o l o n yi m a g e 2 c o l o n yi m a g es e g m e n t a t i o n i nt h i sp a p e r ，s p a t i a lf u z z yc 。m e a n sc l u s t e r i n g s e g m e n t a t i o nm e t h o di si m p r o v e d f a s ts p a t i a lf u z z yc - m e a n sc l u s t e r i n g s e g m e n t a t i o nm e t h o di sd i s c u s s e d t h ei m p r o v e ds e g m e n t a t i o na l g o r i t h m n o t0 n l vc a nw e l lr e m o v et h en o i s et h a tm a yi n n u e n c et h es e g m e n tr e s u l t ， b u ta i s or e d u c et h et i m ec o m p l e x i t yw h e nu s i n gc o l o n ys e g m e n t a t i o n a t t h es a m et i m e ，i tc a na l s on l lt h et i n yh o l e si nt h ec o l o n y s e p a r a t et h e c o l o n yf r o mt h eb a c k g r o u n d ，a n dm a i n t a i nt h ei n t e g r i t yo f i t 3 c o l o n yi m a g ea n a l y s i s t h em e t h o dc o m b i n i n gr e g i o n a ll a b e l i n g w i t h c o n t o u rt r a c k i n gi su s e dt oa n a l y z et h es e g m e n t e dc o l o n yi m a g ei nt h i s p a p e r t h ec o n t o u rt r a c k i n gb a s e do nd i r e c t i o nv a r i a b l e sc a n e x c l u d es o m e o ft h en e i g h b o r st h r o u g hju d g i n gt h eo d da n dt h ed u a lo ft h ed i r e c t i o n v a r i a b l e s ， a n di th a se f 托c t i v e l yi m p r o v e dt h ec o n l p u t i n gs p e e d t h e n 重庆邮电大学硕士论文 a b s 仃a c t s p e c i n cp r o c e s si s a sf 0 1 l o w s ：f i r s t l y ，r e g i o n a ll a b e l i n gi su s e da f t e r g e t t i n gt h es e g m e n t e dc o l o n yi m a g e s e c o n d l y ，t r a c ke a c hr e g i o n a lt og e t t h ec o n t o u ra n du s et h ep r e s e n tl a b e lt o 丘l lt h et i n yh o l ew h i c hm a ya r i s e a f t e rt h ec o l o n yi m a g es e g m e n t a t i o ni nt h e r e g i o n a l f i n a u y ，g a i nt h e c o l o n ym o r p h o l o g yc h a r a c t e r i s t i c sl i k et h en u m b e ro fc o l o n i e s ，p e r i m e t e r ， a r e aa n ds oo n t h ep r a c t i c a lo ft h ed e t e c t i o nm e t h o dh a sb e e np r o v e d p r a c t i c a lb ya n a l y z i n gl o t so fc o l o n yi m a g e k e yw o r d s ：c o l o n y ，i m a g ee n h a n c e m e n t ，i m a g es e g m e n t a t i o n ，f u z z yc - m e a n s c l u s t e r i n g ，c o n t o u r i i i 重庆邮电大学硕士论文 目录 目录 摘要 i a b s t r a c t i i 第一章绪论l 1 1 研究背景l 1 1 1 图像技术用于菌落检测1 1 1 2 菌落图像检测过程2 1 2 国内外研究内容和现状3 1 2 1 图像预处理方法3 1 2 2 图像分割方法5 1 3 本文的研究内容9 1 4 论文结构1 0 第二章菌落图像分割处理相关知识1 2 2 1 图像数字化1 2 2 1 1 像素间关系1 2 2 1 2 图像算术和逻辑运算1 4 2 2 菌落图像常用处理1 4 2 2 1 阈值法提取菌落个体1 4 2 2 2 区域生长和分裂合并分割1 7 2 2 3 数学形态学图像处理1 8 2 3 菌落图像分割用到的模糊数学相关知识2 0 2 4 小结2 2 第三章基于模糊隶属度的菌落图像增强2 3 3 1 算法思想2 3 3 2 算法模型与实现2 4 3 3 实验结果分析2 5 3 4 小结2 9 第四章基于快速空间模糊c 均值聚类的菌落图像分割3 0 4 1 模糊c 均值聚类图像分割3 0 4 2 空间模糊c 均值聚类图像分割3 l 4 3 基于快速空间模糊c 均值聚类的菌落图像分割3 3 重庆邮电大学硕士论文目录 4 4 实验结果分析3 4 4 4 1 传统分割方法与快速模糊c 均值聚类分割算法的比较3 4 4 4 2 不同模糊c 均值聚类算法比较3 5 4 5 本章小结3 7 第五章基于区域标号与轮廓跟踪的菌落图像分析3 8 5 1 处理过程3 8 5 2 模型与实现3 8 5 2 1 连通区域标号3 8 5 2 2 轮廓跟踪及区域填充4 0 5 2 3 菌落图像分析过程4 2 5 3 实验结果4 4 5 4 本章小结4 9 第六章结论及未来的工作5 0 6 1 结论5 0 6 2 未来的工作5 1 致 射 5 3 攻读硕士学位期间从事的主要科研工作及发表的论文一5 4 参考文献5 5 v 重庆邮电大学硕士论文第一章绪论 1 1 研究背景 第一章绪论 1 1 1 图像技术用于菌落检测 菌落是指由一个细菌或真菌繁殖后形成的肉眼可见的集合。菌落图像 的处理与分析在工农业生产、医疗卫生等领域均有广泛的应用。将这些菌 落个体从图像中分割出来，统计其数目并提取各个体的特征参数，可以对 其品质进行分析。菌落总数就是指在一定条件下( 如需氧情况、营养条件、 p h 、培养温度和时间等) 每克( 每毫升) 检验样品所生长出来的细菌菌落 总数。菌落总数测定是是农业、食品、医药卫生分析中进行质量检测的一 项基本而重要的工作。比如用来判定食品被细菌污染的程度及卫生质量， 食品在生产过程中是否符合卫生要求等等。早先，这些工作主要由人工观 测来完成，工序繁杂、耗时长、效率低，而且带有一定的主观性，误差大， 重现性不好。采用图像处理与分析的方法能够将操作人员从这一繁重的工 作中解脱出来，并大大提高计数与分析的精度，从而得到广泛的应用，成 为近年来国内外的一大研究热点。 微生物学中对菌落记数的方法有总菌数测定法、比浊法、稀释平板记 数法等【ij ，他们都有一个共同点就是对菌落数量进行统计时都是通过人眼 进行观察得到的，这样得到的结果不但效率低下，而且由于受到主观因素 的影响经常会产生较大的误差，特别对于一些活动性较强的菌落进行人工 记数时效果更是不理想。近年来，随着计算机图形图像技术的不断发展， 采用图像分割对菌落进行记数和分析的方式开始用于代替人眼来完成对 菌落图像的分析，这能在很大程度上弥补人眼的缺陷。目前，国内外都已 研发出可以自动计数的菌落仪器，软件算法已经被固化到硬件设备中得以 实现。这类菌落计数器，具有区分菌落和培养基不同光学特性的能力，如 培养基颜色、厚度：菌落大小、颜色、隆起状况、密集性和蔓延性等；能 对抗生素的抑菌圈做精确的描述和记录。由此可见，菌落图像分割的研究 已经从理论走向了实践。但由于受到图像处理技术的发展限制，人工参与 观察和分析仍然是进行菌落研究时不可或缺的一部份。我们有理由相信， 图1 1 菌落图像检测过程 菌落预处理过程常用的有图像滤波去噪和图像增强。图像噪声通常是 由于图像传感器、信道传输等引起的干扰造成的。噪声会降低图像质量， 给进行准确的图像分析、识别和分类带来不可忽视的影响。滤除图像噪声 是图像预处理的一项重要内容，是保证检测准确性的必要步骤；图像增强 是通过对图像进行变换，使之更能够体现目标的特点，同时也能够增强我 们的视觉效果，通常通过图像增强，可以使后续的处理变得更加精确。 图像分割就是从复杂图像场景中分离出感兴趣目标物的方法，是菌落 图像中信息提取、分析与定量研究的关键。一方面，它是目标表达的基础， 对特征测量有重要影响；另一方面，因为图像分割及其基于分割的目标表 达，特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得 更高层的图像分析和理解成为可能。正因为图像分割过程的重要性，从上 世纪7 0 年代以来，图像分割的研究就是一直是图像技术研究中的热点和 焦点，而且人们对其的关注和投入不断提高。图像分割得到了广泛重视和 研究，国际上许多图像技术学会会议都有图像分割的主题和分会，有关图 像分割研究的文章也不断涌现，在各种图像的专业书籍中也纷纷开辟独立 的章节论述。尽管研究人员提出了许多分割方法，但是到目前为止还不存 在一种通用的方法，也不存在一个判断分割是否成功的客观标准，因此被 认为是计算机视觉中的一个瓶颈。 菌落图像分割完成后要对分割的结果进行分析，通常分析过程是贯穿 在菌落图像分割过程中的。最常用到的分析是菌落图像的个数统计，这也 是微生物学和医学上菌落分析时最常用到的参数之一。其次，还有用到的 用于菌落形态分析的面积和周长统计等。 2 重庆邮电大学硕士论文 第一章绪论 1 2 国内外研究内容和现状 1 2 1 图像预处理方法 图像滤波去噪 由于传输过程传感器、信道等的影响，菌落图像不可避免地存在噪声。 因此图像滤波是菌落图像处理中极其重要的一步，噪声滤除效果的好坏直 接关系到图像的后续处理效果，如图像分割、目标识别、边缘提取等。但 在滤除噪声时同时要求注意尽可能的保护边缘和细节，传统的图像去噪方 法有中值滤波法和均值滤波法等。以均值滤波法为代表的线性滤波器对滤 除高斯噪声非常有效，平滑作用更强；以中值滤波法为代表的非线性滤波 器简单方便，对滤除椒盐噪声非常有效。但是，它们在滤除噪声的同时， 有各自存在着不足或局限性，即均值滤波易于破坏图像的边缘及细节信 息，且无法滤除颗粒噪声；中值滤波器对于随机分布强度的噪声其滤波效 果明显变坏。 近年来，随着数学和其他学科研究与应用的不断发展，使得诸如形态 学、模糊数学、粗集理论、神经网络及小波变换等在图像处理中获得广泛 应用，出现了许多新的去噪算法。 1 ) 基于形态学的滤波算法 数学形态学是一种非线性滤波方法，形态和差( 膨胀与腐蚀) 是数学形 态学的基础，它对信号的处理具有直观上的简明性和数学上的严谨性，最 早应用于处理二值图像，将二值图像当作集合，然后用一个称为结构元的 小集合对图像进行膨胀、腐蚀等集合运算。随后形态学应用到灰度图像的 处理中，二值化形态学中用到的膨胀、腐蚀运算分别用最大、最小极值运 算代替【2 】。此后随着形态学和其他学科的交叉结合，又出现了许多新的算 法：s i n h a 和d o n 曲e r t y 将模糊数学应用到数学形态学领域，形成模糊数 学形态学【3 】；k o s k i n e n 用排序加权统计方法代替最小、最大法而形成了具 有更强抗噪声干扰能力的软数学形态学方法【4 1 ；为了克服单一结构元形态 学滤波使图像的边缘和细节受到破坏的缺点，引入了多重尺度的概念，采 用多结构元数学形态学滤波【5 】。 2 ) 基于小波变换的滤波器 小波变换作为一种有效的时空尺度分析方法近年来获得了广泛地关 注，它为图像处理提供了一种多分辨率的方法，同时给出了图像的空域和 重庆邮电大学硕士论文第一章绪论 频域信息。这样在小波变换域中进行噪声平滑具有空间和频率的双重选择 性，此外白噪声小波变换的性态与信号的奇异性态相比具有显著的不同 点，充分利用这些特点，在小波变换域中能十分有效的进行图像边缘的检 测和定位，把信号和噪声区别开来【6 j 。 3 ) 基于粗集理论的噪声滤波 粗集理论是九十年代提出的一种智能信息处理理论，它为研究不完整 数据、不精确知识的表达、学习、归纳等提供了一种新的方法。利用粗集 理论中不可分辨关系和近似空间概念，可定义一个处理图像，为一个近似 空间，并存在一个等价关系只，待处理图像，中的一个粗近似集为x ，根 据粗集理论中不可分辨关系和近似空间概念，在结合一些传统的滤波方法 可对含噪图像进行有效的处理【7j 。 4 ) 基于神经网络的噪声滤波器 由于神经网络滤波器的自组织和自学习能力，使其在图像处理领域的 应用越来越广泛，但是，实验证明单一的神经网络系统难以有效的滤除噪 声。因此结合模糊理论、自适应理论、小波、形态学等其它理论方法，充 分利用神经网络的学习能力和自组织能力，学者们提出了一系列具有良好 除噪效果的滤波器，如：文献【8 】提出了模糊神经网络滤波器，文献【9 】提出 了结合小波和自适应阈值选择的神经网络去噪方法，文献【lo 】提出的基于形 态学开、闭运算的前馈b p 神经网络模型等。 图像增强 影响菌落图像清晰程度的因素很多，例如室外光照度不够均匀就会造 成图像灰度过于集中；由摄像头获得的图像经过a d 转换、线路传送都会 产生噪声污染等等。因此图像质量不可避免的降低了，轻者表现为图像不 干净，难于看清细节；重者表现为图像模糊不清，连概貌也看不出来。因 此，在对图像进行分析之前，必须要对图像质量进行改善，这可以使用图 像增强来实现。图像增强不考虑图像质量下降的原因，只将图像中感兴趣 的特征有选择的突出，而衰减不需要的特征，它的目的主要是提高图像的 可懂度。图像增强的方法分为空域法和频域法两类，空域法主要是对图像 中的各个像素点进行操作；而频域法是在图像的某个变换域内，对图像进 行操作，修改变换后的系数，例如傅立叶变换、d c t 变换等的系数，然后 再进行反变换得到处理后的图像。 4 慧群璧紫i 黪攀誉8 。雾鬟妻! 霆碧鬻黧黪簧誊警j ：。”纂磐”孥。磐“。爹翟謦；黪篓黪缪鬻鬻紫紫篓筵燮黧鬟i 篓篓篓篓篓篓鬻翌笺；黧冀鬟篓笺篓! 燮鬻麓霉篓鬻甏 i i i i i i i 凶_ _ 盔盗瞄篮凿远蛐越江瞄誓邕盆蕾盆誓盆盆盆翟盆誓兰誓譬= 酱盆= 盗盏二：= 二盆出盆盆翟盆= = 盏型兰= = ：= ：二_ = 盖警盘誊篓竺芝羔麓誊竺笔茗翳鬻j ：冀譬舞? 矍：麓蔗黪：糍篓翟鬟糍i 鬻；：黑鬻冀：警：嚣鐾；嚣嚣 重庆邮电大学硕士论文第一章绪论 1 2 2 图像分割方法 菌落图像分割是菌落图像检测中最关键的内容，它贯穿于菌落图像的 目标提取和菌落图像分析中，分割的效果直接影响着检测的结果。在对图 像的研究和应用中，人们通常只对图像中的某些部分感兴趣。这些部分常 称为目标或前景( 它部分称作背景) 它们一般是对应图像中特定的，具有独 特性质的区域。为了辨识和分辨图像中的目标，需要将它们从图像中分离 提取出来，在此基础上才有可能进一步对目标进行测量和对图像进行利 用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣的目标的 技术和过程。 图像分割的定义如下： 令集合r 代表整个图像区域，对r 的分割可以看作将r 分作n 个满足以 下五个条件的非空子集足，足r 。 r 1 ) u r = 尺； 扣i 2 ) 对所有的f 和，f ，有rnr ，= o ； 3 ) 对f - 1 ，2 ，有尸( 置) = 豫晒； 4 ) 对f ，有尸( ru r ，) = 尉伽； 5 ) 对f - 1 ，2 ，冠是连通的区域。 其中：条件1 ) 是指所有分割后的子区域组成整幅图像； 条件2 ) 指出分割后的任意两个子区域互不重叠； 条件3 ) 指出相同区域必具备某一相同特性； 条件4 ) 指出不同区域合并后，必不具备与相同区域同一特性； 条件5 ) 指分割得到的是一个连通组元，区域内任两个像素在该子区 域内互相连通。 目前图像分割的方法众多，传统的分割方法有基于灰度特征的闽值分 割法、基于轮廓提取的分割法、基于边缘检测和边缘连接的分割法和基于 区域的分割方法。近些年来，数学各分支在理论和应用上的逐步深入，使 得小波变换、分形理论、数学形态学、模糊数学、遗传学算法等在图像分 割技术应用中取得很大进展，产生了不少新的分割算法。主要有： 基于小波变换的分割算法 对原始图像进行多分辨率小波变换，一般用二进制小波变换在低频段 采用长时间窗，在高频段采用短时间窗，将原始信号分解为一系列具有不 j j 童二j 曼。鼍一= 崩j 譬翟嚣墨j j 。j t _ 。一。毫雹蔓豢_ = j 譬曩一。，嚣i ”曩：7 ，_ “- o i ，一一尊，搿j 嘉，一o j ，譬_ 聪i ，f ： 二“_ 一， _ 豳出瞄凿盔础盆盆盔盆越盆曲盆盆盆叠盗盆篮盆鲨0 盐誓雀鲨鲞鲨盆出出盆譬三警譬盆= 誓t ：= 誊盆o = 之鲨五= = = z = 羞= = 盆誓= = = = 2 兰譬盘- = ：筮签兰拦2 ：= = 艺筌耋型芝翌= 援慧嚣竺嚣! 芝鬻“掣警登黧美? 锻曼善嚣嚣! 翟嬲警 重庆邮电大学硕士论文第一章绪论 同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号具有 良好的时域、频域等局部特征，这些特征可用来表示原始信号的局部特征， 用以克服傅里叶分析在处理非平稳复杂图像时所存在的局限性。进而在不 同的分辨率层次上对图像进行分割。在低分辨率上分解的变化结果会反映 原图中一些较明显和较大尺寸的结构特征，因而在低分辨率上对图像进行 粗分割，由于计算量小，适于寻找目标的大致轮廓；而在高分辨率上分解 的变化结果反映原图的较细致细节特征，因而在高分辨率上对图像上进行 细分割，且粗分割的结果对精细分割具有一定的指导作用，故可大大减少 计算量和提高目标的定位精度。 虽然小波变换有很多优良属性，但如果直接用于轮廓提取可能出现孤 立像素点和不连续，还会检测到多余的伪边缘点。而且由于在小波变换离 散化过程中，只能以一定精度纪录和处理各分辨率上的分析结果，不可避 免地引入了频率分量的截断误差，造成部分边缘信息的丢失，另外若图像 中存在噪声也会对准确识别边缘位置产生很大影响。因而常常将小波变换 、 方法和其他方法结合起来应用，戴青云等【l i 】提出小波变换与数学形态学结 合算法，先用多分辨率小波变换对图像进行分解，提取原图在不同尺度、 不同方向上的模糊分量和细节分量，接着用数学形态学的特点对小波分解 7 后的细节图像进行一系列的膨胀、腐蚀等形态学运算。其中膨胀运算可填 补小波分解后目标区内部空洞，增强目标的连通性；腐蚀运算则可消除噪 声和其他无用细节信号。此算法分割、定位效果较好，但数学形态结构元 j 素的尺寸和形态对分割结果影响很大。王浩军等【1 2 】把小波变换与快速o t s u 阈值法结合提出了一种改进的快速o t s u 阈值法，此法在速度和精度上都有 优势，只适合于对细小目标的分割，但对大目标效果不明显。耿伯英等【l 3 】 提出基于小波变换与超图模型结合的算法，此算法利用高斯一马尔可夫随 机场理论，把对原始图像的分割转化为对超图的分割，其实质是在分割过 程中不仅考虑图像灰度特征，还依据图像的局部结构特征。这种处理方法 比单纯小波变换更能准确地揭示原始图中各点的特征信息。另外近年来有 人把多进制小波变化引入图像分割的应用中，由于二进制小波变换及其正 交小波变换可以得到缩小2 倍的图像，但对于非2 倍边缘无法检测。利用 多进制小波变换，可以得到任意非整数倍的边缘图。 基于数学形态学的分割算法 基于数学形态学的分割算法基本思想是对图像用一定的结构元素进 行基本操作之后，再与原图相减，它利用图像的拓扑特性进行操作，利用 集合论对图像进行非线性变换。它最基本的操作是腐蚀和膨胀，通过它们 6 ；，r 一，一w ，一】一” 一“”i j 一j 十 o q 一p 一“一“j v 一一”一，”口“”e p 一帅邯一怖m 岫一酬“p 目8 ”啦十w 8 ”* 7 晰 豁o ， “、i h ，q 蜘t 一* o ：a 州j v ，删* o 私 扎。h ，替? # ；册；，加一一妫 ；幽吼# v 蝴j 一* 舟“舶- 一4 f 一”；，新y # 瞎j 她鞘；嘴i 蚌 掣“r 耐瓣 0 ；砧端釉d 瞄4 目k 耐一黼；f 搿，一”* 妒，嚆# 茹“* 磷目f 齑埽# 峨船n * “掷0 0 如w * 茚鞘噼褥1 触畦# 蝴# 毛l 一。 。t ? 。一j 。，j - ， 一一4 ， ，。： 7i：1 i ? 一1 一：f 一 ? 一 ：一：一七。，i j 1 ：，i ：- 。7 ! ，。 幽盥曲盆盔汹五盆誓盆鲨盆鲨瞄雀吐盥蕾酱雀盆监盆山岱盗二警= 盐二二盏监盆= = 盏盏= 鲨= 譬盐盆蕾五盆盘盖盆2 = = = 2 譬上= 工二兰= 二三二2 二土二= 竺= 誊= 兰：= = = ：= 羔芷鬟懋管j j 鼍一黑：。竺鸟尊譬婶：二释! 芝? 浮鼍警 重庆邮电大学硕士论文第一章绪论 的不同组合形成形态开、形态闭，对灰度数字图像按照一定的结构元素取 最大值和最小值，进而实现图像的分割。w uh s 【1 4 】等提出了数学形态学膨 胀、腐蚀运算在建议代价函数最小前提下的迭代自动分割算法，实现了小 牛胸腺细胞纹理图像分割，此类算法几何意义明确、结构简单，可根据处 理要求构造不同的算子，特别在有噪声图像分割中效果明显优于传统算 子。另外形态学潜在的并行性，还可用于实时处理。特别提到的是柔性形 态变换【l ，它是在经典形态算子基础上提出的一类非线性算子，它利用柔 性形态变化的性质，通过图像之间的差运算得到原始图像的边缘信息。它 不但保留了经典形态学算子的优良特性，还获得了一定程度的鲁棒性，而 且运算简单，又可以通过对结构元素的简单控制及参数选取来控制所要提 取轮廓的某些特征。此算子能够精确定位边缘，抑制噪声效果较好，但得 到边缘图有时可能出现孤立点，以至不能得到闭合连通的轮廓。 基于模糊数学的分割算法 主要有广义模糊算子与模糊阈值法两种分割算法。 1 ) 广义模糊算子认为灰度的变化是光照不均造成的，边缘是高频成分， 但图像边缘包括了图像其它部分的灰度信息，由于量化影响，灰度值在边缘 处产生突变。此算子在广义模糊集合的范围内对图像处理，使真正的边缘 处于较低灰度级，但还有一些不是边缘的像素点的灰度也在较低灰度级 中，虽然算法的计算简明，且边缘细腻，但得到的边缘图会出现断线问题。 为此洪文松等【l6 】提出了一种基于广义模糊集合的邻域加权预处理算法，改 进广义模糊算子，基本上克服了广义模糊算子在边缘检测时出现的断线问 题。 2 ) 模糊阈值法引入灰度图像的模糊数学描述【l7 1 ，通过计算图像的模糊 率或模糊熵来选取图像的分割阈值，最后用阈值法处理图像得到轮廓。此 算法中窗宽的设置对分割好坏起决定作用，窗宽取值小，可能在直方图的 谷点出现震荡，造成假阈值的出现；反之，窗宽取值过大，则可能会平滑 直方图的谷点，造成阈值丢失。另外所用的隶属函数满足轮廓条件和对称 性时，模糊阈值法才能使用。此法对大场景的图像处理效果很好，对小场景 图像效果不明显，而且它受隶属函数窗口大小的影响很大，使它的应用范 围受限。金立左等【l8 】提出了一种利用目标、背景之间对比度自动选取隶属 函数窗宽的算法，对模糊阈值法进行改进，解决了当图像改变从而使直方 图分布改变时，预选窗宽可能失效的问题。但此法根据目标与摄像机的相 对距离估计目标、背景之间的对比度，显然其局限性比较大。 基于遗传算法的分割方法 熏黧黧黧鬻慧篓嚣蓊鬻震臻缳罴鬻蘸蓊嚣瓣瑟霖露器鬻至蒙臻蕊纛蠹襟瓣甓纛琴蔫滋髫蠢霉瓣焉糍黼筹溉蠹攀戮黟 - - _ _ _ 池- 二_ - - _ - - 山。凶_ 江山山二五出五山也直瑾盖- 生蓝三三型型芝叠越越曼遗拦! 曼董一曼曼j 量量一! ! 曼兰二：膏磊帅叠一二曲奄，i 毋哥。可：颤乎争哆茹睁；。葶、 重庆邮电大学硕士论文第一章绪论 此算法是j h o l l a n d 受生物进化论思想提出的一种优化问题的解决方 法，它使用参数编码集而不是参数本身，通过模拟进化，以适者生存的策 略搜索函数的解空间，它是在点群中而不是在单点进行寻优。遗传算法在 求解过程中使用随机转换规则而不是确定性规则来工作，它唯一需要的信 息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过程。 此算法主要用在某些阈值法、基于参数模型匹配算法及区域生长法中，以 改进它们的性能。由于此法能进行能量函数全局最小优化搜索，且可以降 低搜索空间维数，降低算法对模板初始位置的敏感，减少了上述算法中需 花费的大量计算时间。因为标准遗传算法需用固定的交叉概率和变异概 率，本身容易收敛于局部最优。而自适应遗传算法根据解群中所有个体的 最大适应度和平均适应度，以及交叉和变异个体的适应度来确定交叉概率 和变异概率，效果比标准遗传算法好，但是把它用在寻找二值化图像分割 阈值时，往往会收敛于局部最优，导致在算法中产生不良后果，使算法无法 达到预定的效果。为此魏志成【i9 】等提出了对自适应遗传算法的改进方法， 引入窗口法增强指导性，以便容易选择阈值，且用单点变异算子和双点变 异算子结合的自适应遗传算法来增强遗传算法的随机性，有效防止了遗传 算法收敛于局部最优的缺点。此算法对处理复杂背景或有重叠目标的图像 时有明显的优势，而且比穷举算法速度有明显优势。但是同一图像可能有 两组最大的熵值，选取时无法判断哪一组更优。 基于神经网络分割算法 人工神经网络本身具有的分类属性是实现边缘检测、区域分割的基 础，基于神经网络图像分割算法是目前研究较多、文献报道较热的分割算 法，例如：s p r e e u w e r s 提出了的两层前向神经网络轮廓检测法【2 0 1 、 d h a w a n x u e 提出自组织神经网络轮廓检测法【2 1 1 、x u e 提出了h o p n e l d 神 经网络边缘检测法【2 2 1 ，值得一提的是p c n n 脉冲耦合神经网络模型算法 1 23 1 ，它是直接在哺乳动物一猫的视觉皮层的视觉特性上建立的神经网络模 型，非常适合于图像分割、降噪、平滑和图像融合等应用，a 1 e x e x 将p c n n 算法应用于复杂纹理的图像分割，并比较了加入抑制项前后两种分割效 果，t h o m a s 比较了小波变换和p c n n 网络各自的特点，p c n n 与以往经 典神经网络模型相比，不需要训练过程即可实现图像分割，但p c n n 需要 设置门限参数、衰减时间常数，同时较好分割效果获得需实验多次选择这 些参数，也即目前很难解释参数与分割效果之间关系，最佳p c n n 参数模 型研究、适合生物视觉特征p c n n 模型探讨等是p c n n 正在进行的研究 内容。因为p c n n 是9 0 年代中期提出的神经网络算法，其理论及应用探 重庆邮电大学硕士论文 第一章绪论 讨正在逐步深入。 综观近几年来图像分割领域的文献。可以看到以下几个比较明显的趋 势： 1 ) 人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一 般图像取得令人满意的分割结果，因而人们在继续致力于将新的概念、新 的方法引入图像分割领域的同时，更加重视多种分割算法的有效结合。近 几年来提出的方法大多数是结合了多种算法的。如我们在前面介绍的结合 区域与轮廓信息的方法，采取什么样的结合方式才能体现各种方法的优 点，取得好的效果，成为人们关注的问题。这可以说是近年来人工智能领 域中综合集成的方法论在图像分割领域的体现。 2 ) 很多研究人员认识到了对图像分割问题给出一个一般的解决方案 至少在目前看来还是一个无法实现的难题。因而将注意力转向图像分割方 法在某些特定领域特别是医学图像等领域中的应用。针对这些领域中的特 殊问题，利用这些领域中特有的领域知识来辅助解决图像分割问题。 3 ) 在目前完全由计算机来完成图像分割任务显得很不现实的情况下， 让计算机在人的帮助下实现分割任务，即人机交互式的分割方法引起了广 泛的注意，如何才能充分利用计算机的运算能力，使人仅在必要的时候进 行必不可少的干预，从而得到满意的分割结果是交互式分割方法的核心问 题。 1 3 本文的研究内容 图1 2 ( a ) 、图1 2 ( b ) 、图1 2 ( c ) 、图1 2 ( d ) 是四幅比较具有代表性的 菌落图像。 图1 2 中的菌落图像可以看出，菌落图像具有如下特点： 1 ) 部分菌落个体的灰度与背景相差不大。 2 ) 单个菌落形状差异很大。而且无规则性，凹性、凸性轮廓的菌落图 像都有可能出现。 3 ) 菌落面积差异很大。单个菌落大小差异很大，而且较大的菌落个体 的灰度分布通常也不均匀。 4 ) 部分菌落个体粘连在一起，甚至较大的菌落个体完全覆盖部分小的 菌落个体。 5 ) 菌落表面凹凸情况各异。无论菌落图像大小，表面成凸、凹状的可 9 重庆邮电大学硕士论文第一章绪论 能性都有。 ( a )( b ) 图1 2 各种菌落图像 ( d ) 综合图像处理技术现状，现有的算法都不能直接适用于菌落图像的分 割及分析。因为个体形状的复杂性、不规则性，还有在个体分裂时产生的 个体之间的重叠，很难实现满意的菌落个体自动分割。因此，本文的主要 目的在于针对菌落图像本身的特点，设计一个菌落图像的预处理、菌落图 像分割、菌落图像分析及参数输出的一系列处理方案。当然，本文算法同 样不可能对所有菌落图像都适用，对待科学需要严谨的态度，因此不可能 得出一个普遍性算法，但讨论一个对部分菌落图像行之有效的图像检测方 法同样是有意义，符合研究现状的。 1 4 论文结构 论文共分六章，各章的内容安排如下： l o 重庆邮电大学硕士论文 第章绪论 第一章首先介绍了菌落图像检测的研究背景和研究意义，然后讲述了 当前的图像处理技术状况，最后提出本文主要研究内容。 第二章为过渡章，介绍了菌落图像处理时用到的一些图像分割技术基 础及本文中用到模糊数学的相关基础知识。 第三章主要讲述了菌落图像的预处理操作，讨论了一种基于模糊隶属 度的菌落图像增强方法，该方法较常用的图像增强方法更能使菌落图像获 得理想的增强效果。 第四章对空间模糊c 均值聚类图像分割算法进行了改进，并对改进算 法进行了分析。该算法可以很大程度上消除噪声的影响，极大地减少了空 间模糊c 均值聚类的运算时间，还可以通过调整目标函数中当前像素和邻 域集元素的权值来适应图像不同的噪声情况，能够很好地提取出菌落目 标，有利于进一步的分析。 第五章主要对分割后菌落图像结果进行参数统计分析，首先对分割的 菌落图像进行连通区域标号，然后对每个连通区域进行轮廓跟踪，最