污水運動微生物的圖像自動檢測方法

　　申請日2015.07.24

　　公開(公告)日2015.10.21

　　IPC分類號G06T7/20; G06T7/00

　　摘要

　　本發(fā)明公開了一種污水運動微生物的圖像自動檢測方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明的步驟為：一、采集污水運動微生物視頻圖像;二、創(chuàng)建多層自適應碼本模型，并根據(jù)該碼本模型對采集圖像進行運動目標檢測;三、采用改進型五幀差分算法對采集圖像進行目標輪廓提取;四、將步驟二獲得的運動目標檢測結(jié)果，與步驟三獲得的運動目標輪廓進行融合或運算;五、對所得圖像進行形態(tài)學處理和區(qū)域填充，獲得運動目標檢測結(jié)果。本發(fā)明通過設(shè)計自適應的復雜背景建模和背景更新機制，加速背景收斂，同時結(jié)合基于改進型五幀差分算法所提取的完整連續(xù)的目標輪廓邊界，提高了污水微生物的自動檢測精度與效率，且實驗結(jié)果也驗證了該方法的有效性與實時性。

　　權(quán)利要求書

　　1.一種污水運動微生物的圖像自動檢測方法，其步驟為：

　　步驟一、采集污水運動微生物視頻圖像;

　　步驟二、創(chuàng)建多層自適應碼本模型，并根據(jù)該碼本模型對步驟一采集的圖像進行運動目 標檢測;

　　步驟三、采用改進型五幀差分算法對步驟一采集的圖像進行目標輪廓提取;

　　步驟四、將步驟二獲得的運動目標檢測結(jié)果，與步驟三獲得的運動目標輪廓進行融合或 運算;

　　步驟五、對步驟四所得圖像進行形態(tài)學處理和區(qū)域填充，獲得運動目標檢測結(jié)果。

　　2.根據(jù)權(quán)利要求1所述的一種污水運動微生物的圖像自動檢測方法，其特征在于：步驟 二基于YCbCr顏色空間創(chuàng)建多層自適應碼本模型，碼本模型依據(jù)采集圖像中每個像素點在 YCbCr空間上的顏色和亮度變化，為每個像素點生成一個碼本cb，每個碼本cb中包含一個 或者多個碼字cw;所述的碼本與碼字構(gòu)造方式如下：

　　cb={cw1,cw2,cw3,……,cwn，t}

　　cw={learnhigh[m],learnlow[m],max[m],min[m],t_last_update,stale,matchtime}

　　上式中，t為訪問碼本的頻度;n為碼本中包含的碼字個數(shù);m表示Y、Cb、Cr顏色通 道，0≤m≤2;learnhigh[m]和learnlow[m]分別為三個通道的學習上下限閾值;max[m]和min[m] 記錄對應碼字中各通道的最大值和最小值;t_last_update為碼字上次更新時間;stale為碼字 未出現(xiàn)的最大時間間隔;matchtime表示該碼字出現(xiàn)的次數(shù)。

　　3.根據(jù)權(quán)利要求2所述的一種污水運動微生物的圖像自動檢測方法，其特征在于：步驟 二創(chuàng)建多層自適應碼本模型的過程為：

　　(1)初始化，將每個像素的碼本置空，即n=0;

　　(2)對于第t幀視頻：

　�、僭趯�應cb中尋找像素I(x,y)所匹配的cw,即判斷是否滿足以下條件：

　　learnlow[m]

　　式中，I(x,y)[m]為YCbCr空間中，坐標位置在(x,y)處的圖像像素I(x,y)的三通道值;

　�、谌绻�不存在符合條件的cw或者碼本為空，則為該cb創(chuàng)建一個新的cw;

　�、廴绻�匹配成功，那么就更新該cw;

　　(3)更新所有cw的stale值，并將所有超過stale值仍未出現(xiàn)的cw消除;

　　(4)創(chuàng)建主碼本模型Mcodebook和一個緩存碼本模型Hcodebook;

　　(5)對輸入像素I(x,y)，在Mcodebook中尋找匹配的cw，即存在cw滿足以下條件：

　　min[m]-minMod[m]<=I(x,y)[m]<=max[m]+maxMod[m]

　　式中，minMod[m]和maxMod[m]是對圖像前景進行分割時的閾值;

　�、偃羝ヅ涑晒�，則判定該像素I(x,y)為背景，更新對應cw;

　�、谌缙ヅ洳怀晒Γ�那么就判定該像素I(x,y)為前景，在Hcodebook中尋找匹配的cw， 如果在Hcodebook中找到匹配的碼字，則更新該cw;否則就在Hcodebook中創(chuàng)建一個新的 cw;

　　(6)將Hcodebook中所有stale>TH的cw刪除，TH為Hcodebook的除舊閾值;

　　(7)將Hcodebook中所有matchtime>Tadd的cw添加到Mcodebook中去，Tadd為 Hcodebook中碼字轉(zhuǎn)移閾值;

　　(8)將Mcodebook中的所有stale>Tdelete的cw刪去，Tdelete為Mcodebook中除舊 閾值;

　　(9)返回到步驟(5)，直至視頻圖像像素全部檢測完畢。

　　4.根據(jù)權(quán)利要求1或3所述的一種污水運動微生物的圖像自動檢測方法，其特征在于： 步驟三對采集圖像進行目標輪廓提取的過程為：

　　1)使用Otsu法自動計算出每一幀圖像的最佳分割閾值T，運用該最佳分割閾值T設(shè)計 Canny目標邊緣檢測算子，獲得運動目標初步輪廓;

　　2)對步驟1)獲得的邊緣提取圖像進行五幀差分運算，獲得初步幀差結(jié)果;

　　3)采用形態(tài)學腐蝕運算剔除幀差后二值圖像中孤立噪聲，并用形態(tài)學膨脹運算填充運動 目標邊緣空洞，得到清晰的運動目標輪廓檢測結(jié)果。

　　5.根據(jù)權(quán)利要求4所述的一種污水運動微生物的圖像自動檢測方法，其特征在于：步驟 1)中Canny算子的上限閾值Th=T，下限閾值Tl=0.5T。

　　6.根據(jù)權(quán)利要求5所述的一種污水運動微生物的圖像自動檢測方法，其特征在于：步驟 2)按照下式進行五幀差分運算：

　　Dij=|Fi-Fj| (1≤i，j≤5)

　　式中，F(xiàn)i為經(jīng)過Canny算子處理過后的第i幀圖像，Dij為第i幀和第j幀的幀差結(jié)果。

　　7.根據(jù)權(quán)利要求5或6所述的一種污水運動微生物的圖像自動檢測方法，其特征在于： 步驟2)按照下式對所得幀差結(jié)果進行完善：

　　$D(x,y)=[D_{31}(x,y)\otimes D_{35}(x,y)]\oplus [D_{32}(x,y)\otimes D_{34}(x,y)].$

　　說明書

　　一種污水運動微生物的圖像自動檢測方法

　　技術(shù)領(lǐng)域

　　本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體的說，涉及一種污水運動微生物的圖像自動檢測 方法。

　　背景技術(shù)

　　長期以來，污水生物處理系統(tǒng)的運行管理主要依賴于運行參數(shù)和水質(zhì)指標的測定來判斷 和控制，存在明顯的滯后效應。有研究表明，污水生物處理系統(tǒng)中的微生物種類、數(shù)量、活 性變化等種群結(jié)構(gòu)特征，能在一定程度上預判工藝狀況和水質(zhì)處理效果。因此，近幾年來， 伴隨著顯微鏡技術(shù)和計算機技術(shù)的發(fā)展，利用圖像分析手段對污水系統(tǒng)的生物相結(jié)構(gòu)進行自 動識別和定性分析受到了廣泛關(guān)注。而運動微生物的目標檢測則成為實現(xiàn)自動識別與定性分 析的前提條件。

　　目前，常用的圖像運動目標檢測方法主要有幀差法、光流法以及背景減除法。其中，幀 差法是最簡單快速的運動目標檢測方法，通常可采用兩幀、三幀或者五幀圖像的差分運算來 獲取運動目標。幀差法運算簡單、實時性特別好，但所提取的運動目標往往不完整，目標檢 測效果受目標運動速度影響很大，雖然可通過采用多幀差分來克服目標重疊現(xiàn)象，但是空洞 現(xiàn)象難以解決。光流法是利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像 素位置的“運動”，但是由于其計算量大，對硬件的要求高，因此很難滿足檢測實時性要求。 背景減除法是用當前幀與所建立的背景模型進行差分運算，以獲取所要檢測的目標。

　　背景減除法的檢測精度依賴于背景模型的精度，并且對于復雜變化的背景還需要及時對 背景模型進行更新。常見的背景建模方法主要有平均背景法、碼本模型法、混合高斯模型法 等。平均背景法的基本思路是計算每個像素的平均值和標準差或者平均差值，作為它的背景 模型，算法簡單，但目標檢測效果不是很理想�；旌细咚鼓Ｐ筒捎枚鄠�高斯模型來表征圖像 中各個像素點特征，并用每個當前幀來更新模型，通過當前幀中每一個像素與背景模型的比 較，判斷該像素是否為背景。由此可見，混合高斯模型是一種實時更新的模型，對于光照的 變化、運動物體的長時間停留等現(xiàn)象有很好的抗干擾能力，但是當背景變化過快或運動目標 運動緩慢時，混合高斯模型易將運動目標當作背景融到模型中去，從而造成運動目標的漏檢。 針對背景場景中包含復雜運動目標以及光線急劇變化等情況，Kim等人提出了碼本模型。碼 本模型可獲得每個像素的時間序列，因此可以很好的處理時間起伏問題。該模型不僅可以克 服像素劇烈變化，也能將運動目標從復雜背景中很好的分離出來，但是，分離出來的目標輪 廓往往不夠精確。

　　綜上所述，目前常見的運動目標檢測方法均有其自身的優(yōu)勢和缺陷。而污水運動微生物 的檢測難點主要表現(xiàn)在以下幾個方面：

　　(1)污水微生物顯微成像顏色對比度明顯不足，視頻拍攝視角受限，運動目標特征不清 晰，污水中的懸浮物、膠體物等各種有機物和無機物的干擾嚴重;

　　(2)運動微生物的目標背景相當復雜，時常伴隨遮擋、重疊、粘連、運動模糊、運動陰 影等現(xiàn)象，此外，還會受到水體波動的影響;

　　(3)污水微生物種類繁多，生活習性各異，出現(xiàn)頻度、豐度以及運動速度等跟工況條件 和自身活性度緊密相關(guān)，難以準確估計;

　　(4)活性微生物具有特定的進食習慣、蠕動方式以及彈跳扭曲御敵等習性，極易造成外 部形態(tài)發(fā)生明顯的形變特征。

　　因此，針對上述污水運動微生物的檢測難點，需要提供一種更加優(yōu)化的污水中運動微生 物的圖像自動檢測方法。

　　發(fā)明內(nèi)容

　　1.發(fā)明要解決的技術(shù)問題

　　本發(fā)明針對上述現(xiàn)有運動目標圖像檢測方法存在的不足，以及檢測污水運動微生物存在 的難點，提出了一種將多層自適應碼本模型和目標輪廓提取相融合的污水運動微生物圖像自 動檢測方法;本發(fā)明通過設(shè)計自適應的復雜背景建模和背景更新機制，加速背景收斂，同時 結(jié)合基于改進型五幀差分算法所提取的完整連續(xù)的目標輪廓邊界，提高了污水微生物的自動 檢測精度與效率，且實驗結(jié)果也驗證了該方法的有效性與實時性。

　　2.技術(shù)方案

　　為達到上述目的，本發(fā)明提供的技術(shù)方案為：

　　本發(fā)明的一種污水運動微生物的圖像自動檢測方法，其步驟為：

　　步驟一、采集污水運動微生物視頻圖像;

　　步驟二、創(chuàng)建多層自適應碼本模型，并根據(jù)該碼本模型對步驟一采集的圖像進行運動目 標檢測;

　　步驟三、采用改進型五幀差分算法對步驟一采集的圖像進行目標輪廓提取;

　　步驟四、將步驟二獲得的運動目標檢測結(jié)果，與步驟三獲得的運動目標輪廓進行融合或 運算;

　　步驟五、對步驟四所得圖像進行形態(tài)學處理和區(qū)域填充，獲得運動目標檢測結(jié)果。

　　更進一步地，步驟二基于YCbCr顏色空間創(chuàng)建多層自適應碼本模型，碼本模型依據(jù)采集 圖像中每個像素點在YCbCr空間上的顏色和亮度變化，為每個像素點生成一個碼本cb，每 個碼本cb中包含一個或者多個碼字cw;所述的碼本與碼字構(gòu)造方式如下：

　　cb={cw1,cw2,cw3,……,cwn，t}

　　cw={learnhigh[m],learnlow[m],max[m],min[m],t_last_update,stale,matchtime}

　　上式中，t為訪問碼本的頻度;n為碼本中包含的碼字個數(shù);m表示Y、Cb、Cr顏色通 道，0≤m≤2;learnhigh[m]和learnlow[m]分別為三個通道的學習上下限閾值;max[m]和min[m] 記錄對應碼字中各通道的最大值和最小值;t_last_update為碼字上次更新時間;stale為碼字 未出現(xiàn)的最大時間間隔;matchtime表示該碼字出現(xiàn)的次數(shù)。

　　更進一步地，步驟二創(chuàng)建多層自適應碼本模型的過程為：

　　(1)初始化，將每個像素的碼本置空，即n=0;

　　(2)對于第t幀視頻：

　　①在對應cb中尋找像素I(x,y)所匹配的cw,即判斷是否滿足以下條件：

　　learnlow[m]

　　式中，I(x,y)[m]為YCbCr空間中，坐標位置在(x,y)處的圖像像素I(x,y)的三通道值;

　�、谌绻�不存在符合條件的cw或者碼本為空，則為該cb創(chuàng)建一個新的cw;

　�、廴绻�匹配成功，那么就更新該cw;

　　(3)更新所有cw的stale值，并將所有超過stale值仍未出現(xiàn)的cw消除;

　　(4)創(chuàng)建主碼本模型Mcodebook和一個緩存碼本模型Hcodebook;

　　(5)對輸入像素I(x,y)，在Mcodebook中尋找匹配的cw，即存在cw滿足以下條件：

　　min[m]-minMod[m]<=I(x,y)[m]<=max[m]+maxMod[m]

　　式中，minMod[m]和maxMod[m]是對圖像前景進行分割時的閾值;

　�、偃羝ヅ涑晒�，則判定該像素I(x,y)為背景，更新對應cw;

　�、谌缙ヅ洳怀晒�，那么就判定該像素I(x,y)為前景，在Hcodebook中尋找匹配的cw， 如果在Hcodebook中找到匹配的碼字，則更新該cw;否則就在Hcodebook中創(chuàng)建一個新的 cw;

　　(6)將Hcodebook中所有stale>TH的cw刪除，TH為Hcodebook的除舊閾值;

　　(7)將Hcodebook中所有matchtime>Tadd的cw添加到Mcodebook中去，Tadd為 Hcodebook中碼字轉(zhuǎn)移閾值;

　　(8)將Mcodebook中的所有stale>Tdelete的cw刪去，Tdelete為Mcodebook中除舊 閾值;

　　(9)返回到步驟(5)，直至視頻圖像像素全部檢測完畢。

　　更進一步地，步驟三對采集圖像進行目標輪廓提取的過程為：

　　1)使用Otsu法自動計算出每一幀圖像的最佳分割閾值T，運用該最佳分割閾值T設(shè)計 Canny目標邊緣檢測算子，獲得運動目標初步輪廓;

　　2)對步驟1)獲得的邊緣提取圖像進行五幀差分運算，獲得初步幀差結(jié)果;

　　3)采用形態(tài)學腐蝕運算剔除幀差后二值圖像中孤立噪聲，并用形態(tài)學膨脹運算填充運動 目標邊緣空洞，得到清晰的運動目標輪廓檢測結(jié)果。

　　更進一步地，步驟1)中Canny算子的上限閾值Th=T，下限閾值Tl=0.5T。

　　更進一步地，步驟2)按照下式進行五幀差分運算：

　　Dij=|Fi-Fj|(1≤i，j≤5)

　　式中，F(xiàn)i為經(jīng)過Canny算子處理過后的第i幀圖像，Dij為第i幀和第j幀的幀差結(jié)果。

　　更進一步地，步驟2)按照下式對所得幀差結(jié)果進行完善：

　　3.有益效果

　　采用本發(fā)明提供的技術(shù)方案，與已有的公知技術(shù)相比，具有如下顯著效果：

　　(1)本發(fā)明的一種污水運動微生物的圖像自動檢測方法，鑒于污水微生物種類繁多，形 態(tài)習性各異，顯微視頻圖像顏色對比度差，且微生物的運動背景相當復雜，設(shè)計了自適應的 復雜背景建模和背景更新機制，有效對復雜運動背景進行建模和更新，利用背景減除方法， 獲取了理想的運動目標;

　　(2)本發(fā)明的一種污水運動微生物的圖像自動檢測方法，通過對傳統(tǒng)五幀差分算法的改 進，有效提取出運動微生物的邊界輪廓，再經(jīng)進一步地形態(tài)學和區(qū)域填充處理，提取出了完 整連續(xù)的目標輪廓邊界，提高了污水微生物的自動檢測精度與效率;實驗結(jié)果表明，本發(fā)明 提取的運動目標數(shù)目準確，沒有空洞，邊緣完整，實時性好，為后續(xù)的微生物自動識別奠定 了良好基礎(chǔ)。