有害赤潮顯微圖像識別的三級分類器設計＊

郭春鋒，姬光榮，鄭海永

（中國海洋大學信息科學與工程學院，山東 青島266100）

顯微觀察技術對于未知種群的生物識別及常見藻類的現場檢測方面仍具有較強的實用性［1］，目前仍是海洋赤潮生物定性與定量研究的主要技術手段。Andrei C.Jalba等［2－3］運用分水嶺方法，通過連通算子標記，對ADIAC項目［4］硅藻庫進行圖像分割，得到較好的分割效果；在此基礎上，又研究了基于數學形態學的多尺度方法，結合輪廓和紋理特征，進行分類識別，識別率達到90%以上。高亞輝等［5－6］對浮游植物顯微圖像進行了基于數學形態學和模糊算子的邊緣檢測研究；駱巧琦等［7］又提出了雙輪廓疊加法以提取11種硅藻圖像的輪廓，并用BP神經網絡的方法對其進行自動識別。Ivica Dimitrovski［8］等采用預測聚類樹（PCT）作為分類器對ADIAC的硅藻數據庫圖像進行了多層次的分類，獲得了比較好的效果。但這些研究大多針對多類藻種只用一種目標分割方法和一組特征集進行圖像分割和特征提取，由于不同門類的藻種形態差異過大，所以對某些藻種難以進行有效的分割并確切地描述其特征，而且其針對性太強，不易推廣。本文通過對赤潮藻類細胞生物形態學細節特征進行分析，發現角毛藻細胞主鏈上生有形態各異的角毛，跟其它藻種之間的差異較大，因此結合計算機圖像識別的特點，以有無角毛、有無橫縱溝、有無尖頂刺作為分類依據，設計了三級分類器，并建立樹狀判別體系，該研究提高了識別藻類細胞的準確率。

1 設計原理

通過對有害赤潮藻類細胞生物形態學細節特征和形狀特征的分析，建立了赤潮藻顯微圖像自動分類體系。分別對藻類細胞3種細節特征（有無角毛、橫縱溝、尖頂刺）進行有效的自動提取，作為顯微圖像自動分類的重要判據，進而設計三級兩類分類器，建立樹狀判別體系，將大樣本集有效劃分為小樣本集，并針對不同的小樣本集進行相應的自動分類，然后進一步提取全局形狀特征，從而得出識別結果。結合計算機圖像識別的特點，設計有害赤潮顯微圖像自動識別流程（見圖1）。該流程主要包括以下步驟：

分類器Ⅰ 根據細胞有無角毛，對上傳圖像進行第一級分類。對于赤潮藻顯微圖像，首先采用基于灰度方向角模型的細胞目標提取算法；針對角毛藻細胞分叉較多，進行基于形態學細化的骨架提取，

得到藻種細胞骨架的細節特征，將骨架的節點數目和端點數目多少作為是否為角毛藻的判據。對角毛藻類進行分類識別，得到診斷結果；對無角毛類藻使用分類器Ⅱ繼續判別。

分類器Ⅱ 針對無角毛類藻，根據有無橫縱溝進行第二級分類。對于無角毛類藻種，首先采用基于自動化閾值的最大輪廓細胞目標提取算法；針對顯微圖像中橫縱溝區域與細胞主體景深不同，用基于約束標記分水嶺變換進行橫縱溝提取，獲得藻種細胞的橫縱溝細節描述，計算所提取橫縱溝與細胞的面積之比和橫縱溝區域質心到細胞質心距離與細胞最小外接矩形的長之比，將這2個比值的大小作為藻種有無橫縱溝的判據。對無角毛有橫縱溝類藻種進行分類識別，得到診斷結果；對無角毛無橫縱溝類藻種使用分類器Ⅲ繼續判別。分類器Ⅲ 針對無角毛無橫縱溝類藻，根據有無尖頂刺進行第三級分類。針對顯微圖像中尖頂刺較小并與細胞主體邊緣凸出相連，采用基于最佳結構元的尖頂刺提取方法，獲得藻種細胞的尖頂刺細節描述，根據有無尖頂刺分為兩類。然后分別進行分類識別，得到診斷結果。

圖1 有害赤潮顯微圖像識別詳細流程圖Fig.1 Detailed flow chart of the microscopic images recognition of Harmful Algal Blooms

分類識別方面，主要結合不同赤潮藻的生物形態學特征，在細胞目標提取的基礎上進行不變矩和形狀因子特征的提取和描述，形成特征樣本集；采用支持向量機對特征樣本集進行訓練，得到識別模型庫；將待識別樣本特征數據與相應類別識別模型庫進行模式識別，得到最終診斷結果。

2 分類器設計

2.1 分類器Ⅰ（角毛）

由于角毛比較細，與背景差別不大，因此選擇適用于角毛藻目標提取的方法。首先對藻種細胞圖像進行基于灰度方向角模型細胞目標提取［9］，然后利用骨架表征形狀的能力可以簡潔、直觀的描述角毛藻的不規則形狀，可以較好的保留角毛信息。對角毛藻細胞進行基于形態學細化的骨架提取［10］，得到藻種細胞骨架的細節特征。骨架提取方法的具體描述如下：

（1）對目標圖像采用基于擊中－擊不中變換的形態學細化法進行骨架提取；

（2）根據測度是否小于門限進行修剪變換；

（3）提取節點集合junction＿point和端點集合end＿point，獲取節點和端點的數量，利用節點數大于5和端點數大于5作為區分是否為角毛藻的判據。

根據細胞有無角毛，分為角毛藻（類別①）和無角毛類藻。對角毛藻可以進行分類識別，得到診斷結果；對無角毛類藻使用分類器Ⅱ繼續判別。

2.2 分類器Ⅱ（橫縱溝）

橫縱溝是單細胞赤潮藻的重要生物學細節特征，橫溝多位于細胞中央位置或中部略偏，將細胞分為上、下兩半，縱溝與橫溝相交并向上下延伸，有的可達細胞底部。針對無角毛類藻，采用基于自動化閾值的最大輪廓細胞目標提取，然后進行基于約束標記的分水嶺變換橫縱溝提取，橫縱溝提取具體步驟如下：

2.2.1 灰度特征圖像構建 使用灰度相容球體的方法，各特征灰度彼此間距大于R，即｛d（ym，yn）＞R，ym≠yn∈Y｝，依照主成分原則和灰度相容原則確定特征灰度值集合。對給定相容球體半徑R，將相容球體內的灰度歸并，反復迭代結束得到原始圖像I的灰度特征集合，然后對原圖像進行重構，得到灰度特征圖像Irep。

2.2.2 形態學梯度圖像求取 記形態學梯度g（x，y）為g（x，y）＝f（x，y）S（x，y）－f（x，y）ΘS（x，y），其中S（x，y）為圖像f（x，y）的結構元素。根據公式，得到圖像Irep的形態學梯度圖像g（Irep）。

2.2.3 標記提取 用閾值法對梯度圖像g（Irep）進行標記提取，將大于閾值t的點標記出來，得到一幅二值

2.2.4 標記約束 利用特征灰度集合雖然消除了大部分的區域極值和噪聲，但是仍然存在一些無關的極小值點，導致目標被分割成許多細小區域。在進行分水嶺變換之前對這些點進行約束，就可以有效地避免過分割現象。本文定義了以下3個約束控制準則：

（2）質心位置約束：

2.2.5 極小值標定 將執行步驟2.2.4后得到的局部極小值點作為標記點來修改梯度圖像，得到g′（Irep）。2.2.6分水嶺變換 最后進行快速分水嶺變換，得到提取結果，示例為條紋環溝藻橫溝提取結果（見圖2）。

圖2 條紋環溝藻橫溝提取結果對比Fig.2 Gyrodinium instriatum sulcus extraction results contrast

根據細胞圖像有無橫縱溝分為2類。對（類別②）無角毛有橫縱溝的圖像可以進行分類識別；對于無橫縱溝的使用分類器III繼續判別。

2.3 分類器Ⅲ（尖頂刺）

2.3.1 圖像位置歸一化 由于藻種圖像的主軸與x軸正向會存在一定夾角，通過計算目標區域慣性主軸的方向與x軸正向的夾角，然后經逆向旋轉變換擺正［11］。如圖3（a）所示，像素（x，y）對直線y＝xtanθ的慣性矩為r2，r＝xsinθ－ycosθ，若圖形上所有點到直線y＝xtanθ的慣性矩最小，則圖形的慣性主軸為直線y＝xtanθ。

圖3 位置歸一化Fig.3 Location normalization

如圖3（b）所示，若直線y＝xtanθ′為細胞的慣性主軸。則慣性矩為為像素點個數，由慣性矩最小求得

2.3.2 選取最佳結構元 要使頂刺部位與細胞體完整的分離，結構元素的大小必須等于頂刺著生位置橫截面寬度。將目標位置歸一化后，在x軸方向上進行等距采樣，計算并統計采樣點上的像素寬度［12］。設二為二值化后前景像素的灰度值。圖像第j列中目標像素數目的度量值。

圖4 像素寬度直方圖及面積分布示意圖Fig.4 The histogram of pixel width and Area distribution diagram

如圖4所示，（a）為目標圖像；（b）為像素寬度直方圖，L（ω）橫坐標值為所有的像素寬度，縱坐標值為采樣點數目，尖刺部位平均寬度為第一個紅圈標明的脈沖處對應的橫坐標（ω＝10），細胞體平均寬度為第二個紅圈標明的脈沖處對應的橫坐標（ω＝78）；（c）為面積分布圖，縱坐標表示為S（ω）＝L（ω）×ω，目標中具有最大面積的像素寬度即為紅圈標明的脈沖處對應的橫坐標（ω＝78）。

設像素寬度閾值ω′將S（ω）劃分為2個部分，若滿足

即面積積分比值在［T1，T2］時，可認為頂刺區域存在，T1＝0.000 5，T2＝0.005為實驗中確定的閾值，并將滿足條件的閾值集合｛ω′1，ω′2，…ω′k｝作為結構元素的估計尺寸集合，從中選擇滿足L（ω＊）＝max｛L（ω′1），L（ω′2），…，L（ω′k）｝的ω＊作為最佳結構元尺寸。

2.3.3 頂刺提取 尖頂刺著生連接部位寬度與細胞主體部分寬度是有很大差別的，用所選取的最佳結構元大小進行開運算，然后用原圖像減去開運算結果，就可獲得圖像中的凸出部位。

2.3.4 區域標記 以小結構元素做形態開運算，去除孤立點及虛假區域；找到圖像中所有連通部分，標記同一連通成分中所有像素點，將面積最大的區域提取出來，即為頂刺區域。

根據有無角毛無尖頂刺分為2類（類別①、類別②）。然后進行分類識別。

3 分類識別

根據判別結果（①或②或③或④，最后只能有一種結果）結合不同赤潮藻的生物形態學特征，在細胞目標提取的基礎上進行12個不變矩和7個形狀因子特征的提取和描述，形成特征樣本集。采用一對一方法構建多類別分類模型，選擇C－SVC 2類分類器和徑向基內積核函數RBF構成單元分類器。根據不同處理方法設置訓練樣本集，標志出已知樣本，將提取樣本特征作為訓練樣本由支持向量機SVM進行學習，構造出識別模型庫。將待識別樣本特征數據與相應識別模型庫進行分類，得到最終識別結果。

4 實驗結果

采用上述分類器思想對41種赤潮藻種、共3 600幅顯微圖像（其中訓練樣本2 600幅，測試樣本1 000幅）進行識別測試，根據以上分類方法分為4類，設置4類訓練樣本分別對支持向量機進行訓練，然后對測試樣本1 000幅分類進行測試，識別結果（見表1～4）。

表1 第①類藻識別結果Table 1 The recognition results of the first class Algae

表2 第②類藻識別結果Table 2 The recognition results of the second class Algae

表3 第③類藻識別結果Table 3 The recognition results of the third class Algae

表4 第④類藻識別結果Table 4 The recognition results of the fourth class Algae

對以上數據進行統計分析，可以得知平均識別率為83.27%，去掉三級分類器的識別誤差（r1，r2，r3），實際識別率平均值為82.05%，達到了較好的識別效果。特別是對于反曲原甲藻、叉狀角藻和梭角藻的識別率達到88%以上，因為這些藻種形狀特征與其他藻種具有明顯差異。通過三級分類器將大樣本集合劃分為小樣本，減少了訓練的時間，提高了識別準確率。

5 結語

通過對有害赤潮藻類細胞細節特征有無角毛、橫縱溝、尖頂刺的分析和提取，并利用這些細節特征作為分類的重要判據，建立樹狀判別機制，設計了三級分類器，分別用于區分藻類細胞有無角毛、橫縱溝、尖頂刺；通過分類器分級判別出待識別藻種屬于哪類藻，然后再提取全局形狀特征進一步細分，從而提高識別準確率。

［1］ 陳澤浦，劉堃.淺析赤潮災害形成原因、危害與減災工作 ［J］.中國漁業經濟，2010，28（1）：60－65.

［2］ Andrei C.Jalba，Michael H，et al.Roerdink，Morphological hattransform scale spaces and their use in pattern classification ［J］.Pattern Recognition，2004，37（5）：901－915.

［3］ Andrei C，Jalba A C，Wilkinson M H F，et al.Shape representation and recognition through morphological curvature scale spaces［J］.Image Processing，2006，15（2）：331－341.

［4］ Buf H，Bayer M M.Automatic diatom identification［M］.Singapore：World Scientific，2002.

［5］ 陳成，楊晨暉，聶文，等.基于浮游植物圖像的模糊算子邊緣檢測算法 ［J］.計算機技術與發展，2009（3）：22－24.

［6］ 聶文，楊晨暉，陳成.基于數學形態學的海洋浮游植物邊緣檢測研究 ［J］.南京師范大學學報：工程技術版，2008（4）：167－171.

［7］ 駱巧琦，李雪松，梁君榮，等.基于形狀特征的硅藻顯微圖像自動識別 ［J］.廈門大學學報：自然科學版，2011，50（4）：690－696.

［8］ Ivica Dimitrovski，Dragi Kocev，Suzana Loskovska，et al.Hierarchical classification of diatom images using ensembles of predictive clustering trees［J］.Ecological Informatics，2012，7：19－29.

［9］ 姬光榮，鄭海永，王國宇，等.一種無角毛類赤潮藻顯微圖像目標細胞提取方法［P］.青島：中國海洋大學，2010101155923，2010－03－02.

［10］ 喬小燕.基于生物形態學的赤潮藻顯微圖像分割與特征提取研究 ［D］.青島：中國海洋大學，2010

［11］ Xu L，Jiang T，Xie J，et al.Red tide algae classification using SVM－SNP and semi－supervised FCM［C］.［s.l.］：2nd International Conference on Education Technology and Computer（ICETC），2010，5（1）：389－392.

［12］ Tang X，Lin F，Andrew Remsen.Binary plankton image classification［J］.IEEE Journal of Oceanic Engineering，2006，31（3）：728－735.