[发明专利]一种小环藻识别方法及装置

权利要求书

1.一种小环藻识别方法，其特征在于，包括：

获取包含待测藻类的原始水体样本的高倍数显微图像，并对所述显微图像进行切片处理，以获取以小环藻外形为内切圆的正方形识别图像；

对所述识别图像进行极坐标变换，并提取经过极坐标变化图像的多个识别特征，所述识别特征包括PCA综合信息分布特征、局部二值模式特征、Hu矩、灰度共生矩阵的熵、基于马尔科夫的互信息及SSIM；

将提取的多个识别特征输入预先构建的决策树模型中，根据所述决策树模型输出结果确定所述待测藻类的类别；所述决策树模型为根据模板小环藻图像的特征和训练样本图像集中各个训练样本特征的信息增益率，利用C4.5决策树算法进行分类，根据分类结果对待测藻类进行识别；

其中，所述模板小环藻图像为多幅不同生长周期的小环藻显微图像矩阵平均值对应的图像，所述训练样本图像集包括多幅小环藻显微图像及多幅非小环藻的显微图像；所述提取经过极坐标变化图像的多个识别特征包括：

分别计算极坐标变化图像的PCA综合信息分布特征值、局部二值模式特征值、7个Hu矩特征值、4个灰度共生矩阵的熵、基于马尔科夫的互信息值及SSIM值；将15个特征值作为所述识别图像的识别特征；所述计算极坐标变化图像的PCA综合信息分布特征值包括：

所述识别图像的大小为M×N，对应的图像矩阵为X＝[x₁，x₂，...，x_M]^T，x_i为图像矩阵的行向量，利用下述公式计算所述识别图像每行的均值向量：

利用下述公式计算各行向量与所述均值向量的差值：

利用下述公式计算各行向量的协方差矩阵：

计算各协方差矩阵的特征值和特征向量，并选取预设个数的最大特征值对应的特征向量，按照从大到小的顺序构造特征矩阵：

w＝(u₁，u₂，...，u_n)，n为预设个数，u_i为特征向量；

将所述差值映射到所述特征矩阵中，得到所述识别图像的PCA特征矢量；

计算所述识别图像与所述模板小环藻图像的PCA特征矢量的欧式距离，以获得所述识别图像的PCA综合信息分布特征值。

2.根据权利要求1所述的小环藻识别方法，其特征在于，所述决策树模型为根据模板小环藻图像的特征和训练样本图像集中各个训练样本特征的信息增益率，利用C4.5决策树算法进行分类包括：

分别对所述模板小环藻图像、各个训练样本图像进行切片处理，以获取各自相应的以小环藻外形为内切圆的正方形图像；

对各个正方形图像进行极坐标变化，并分别提取每个经过极坐标变化图像的多个训练特征，以构成训练特征集，所述训练特征的类型与所述识别特征的类型相同；

分别计算各所述训练特征的信息增益率，并将各信息增益率中最大值对应的训练特征作为划分特征；

根据所述划分特征对所述训练特征集进行划分，以得到多个子特征集，每个所述子特征集为所述决策树模型的一个类别。

3.根据权利要求1所述的小环藻识别方法，其特征在于，所述对所述识别图像进行极坐标变换包括：

对所述识别图像进行直方图均衡化处理；

对经过直方图均衡化后的图像进行极坐标变化。

4.根据权利要求1所述的小环藻识别方法，其特征在于，所述根据分类结果对待测藻类进行识别包括：

利用欧式距离对待测藻类的各个识别特征，依次与所述决策树模型的每个类别包含的特征，进行相似性比较；

选取相似度满足预设条件对应的类别，作为所述待测藻类的类别。

5.根据权利要求1所述的小环藻识别方法，其特征在于，所述根据所述模板小环藻图像为多幅不同生长周期的小环藻显微图像矩阵平均值对应的图像包括：

获取20幅处于不同生成周期的标准小环藻显微图像；

对各标准小环藻显微图像进行切片处理，以获取以小环藻外形为内切圆的正方形标准图像；

将各标准图像对应的图像矩阵点对点进行累加后，取平均值，以获取所述模板小环藻图像。