[发明专利]一种藻类细胞图像自动分类方法

说明书

技术领域

本发明涉及图像处理、模式分类、环境监测等领域，尤其涉及一种藻类细胞图像自动分类方法。

背景技术

随着计算机科学的发展以及交叉学科应用的需求，计算技术已经广泛应用于环境监测领域。特别是随着人工智能领域研究的不断深入，通过对特定关注对象数学模型的构建实现计算机对图像、视频等媒体内容自动的理解成为可能。因此，在环境科学和信息科学之间的学科交叉研究可以促进先进的环境检测方法和仪器的研究。目前，水体中藻类细胞的类别和计数是监测水体污染物和判别水体质量的重要参考指标。然而，当前环境监测中仅能通过人力进行分类和计数，该方法费时费力，并且由于经验等多种因素，目前这种高度依赖于主观判别的方法往往不能快速准确的实现藻类细胞类别的准确识别，因此借助图像处理和模式识别的方法实现藻类细胞图像自动分类成为亟待解决的问题。

目前关于藻类图像自动分类的方法较少，根据采用模型的不同，将现有方法分为如下两种：

1)基于静态模型的方法[1-3]：该方法往往提取特定细胞区域的视觉特征(如：颜色、纹理和形状等特征)，然后利用常见静态分类器(如支持向量机，朴素贝叶斯等)进行模型学习，然后再对未知类别的藻类图像进行自动分类。但是，该类方法往往依赖于具有鲁棒分辨能力的视觉特征描述子，否则很难准确分类形变复杂的藻类细胞。

2)基于时序模型的方法[4]：该类方法往往提取表征某类细胞连续时刻形态变化的特征序列，然后通过表征时间序列的图模型(如隐马尔可夫模型，随机场模型等)进行序列动态学习，然后利用训练得到的时序模型进行细胞分类。但是该方法进行时序模型学习时对大量数据具有很强依赖，并且因为模型结构复杂导致学习计算量大，速度慢。

发明内容

本发明提供了一种藻类细胞图像自动分类方法，本发明降低了计算复杂度，提高了藻类细胞的分类率，详见下文描述：

一种藻类细胞图像自动分类方法，所述自动分类方法包括以下步骤：

对藻类图像进行预处理，获取处理后的藻类图像；

根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向量；

将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；

构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测；

其中，目标函数为：

式中，表示M个任务模型参数的集合，W^j为W的第j个列向量，表示第j个模型参数，表示基于最小二乘的多任务联合学习部分，表示基于组稀疏优化思想设计的正则项；||·||₂表示列向量的l₂范数，η为权重参数，表示第j类细胞的第k个样例的特征，Y^j表示第j类类别标签。

所述使用训练得到的模型对测试数据进行预测的步骤具体为：

采用第l类的模型W^l对待测试的样本F^U计算W^l×F^U与所有类别标记的误差的绝对值|W^l×F^U-Y^j|，记录此时最小误差E^l，待依次计算所有类模型对应的最小误差后，选择这些值中最小值对应的右上角标记p，将F^U分类为第p类；如果Y^j＝p，则正确分类，否则为错误分类。

本发明提供的技术方案的有益效果是：本发明将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测从而解决第一类方法对高分辨力视觉特征的依赖，又可以避免第二类方法对大数据的依赖和高计算复杂度。本发明降低了计算复杂度，提高了藻类细胞的分类率。

附图说明

图1为菱形藻的示意图；

图2为桥弯藻的示意图；

图3为双眉藻的示意图；

图4为一种藻类细胞图像自动分类方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本方法将突破背景技术中对每类藻类独立进行建模的现有方法，采用多任务联合学习的模型对多个藻类同时进行模型学习，从而解决第一类方法对高分辨力视觉特征的依赖，又可以避免第二类方法对大数据的依赖和高计算复杂度。