(a) 彩色图像 (b) 灰度图像
图1 彩色图像转换为灰度图像
Fig.1 Transformation of color image into gray image
摘要：依据微藻个体及成像的特点，给出了矩形度、能量、熵、惯性矩、相关度和局部平稳度等形状和纹理参数作为识别的特征值，并利用仿生模式识别算法对海洋微藻实现自动识别。利用文中给出的方法，对在海域中随机采集的不同形状、大小、纹理的微藻混合图像进行识别实验，结果显示，该方法能够准确识别出图像中不同种及同种不同状态下的藻体，说明该方法在微藻图像识别中是有效和可行的。
关键词：海洋微藻；图像处理；形状特征；纹理特征；仿生模式识别
海洋微藻一方面可通过光合作用释放出地球上绝大多数的氧气，固定二氧化碳减少温室效应；另一方面又是赤潮及水体富营养化等自然灾害的主要因素。海洋微藻也蕴藏着极大的商业、生产、生活和环境价值，其微藻富含蛋白质、脂肪和碳水化合物,某些种类还富含油料、微量元素和矿物质等原料,不仅是人类未来重要的食品、工业原料，而且也可作为新型的再生能源与环境增值能源开发的重要原料[1-2]，所以对微藻种类的鉴别越来越受到人们的关注。
传统海洋微藻鉴别方法主要有形态分类法、化学分类法和分子生物学方法[3]。形态分类法即通过显微镜观察活体或固定样本的外部形态和结构来确定其归属，但由于微藻形态和结构复杂且不同物种间可能存在相似或同一物种中存在异形，所以鉴定的效率和准确率都不高；化学分类法是以糖类、脂类、蛋白和核酸等化学分子为标志，比较和阐述不同藻类之间的亲缘及进化关系，从而实现微藻的鉴定识别，这种方法要求鉴定者具有过硬的生物化学分析理论水平、化学物质分离提取和仪器使用能力，极大地增加了鉴定的局限性和难度；分子生物学法是采用DNA测定技术进行同源性比对及系统进化树分析确定微藻的种类。以上3种方法多涉及生物和化学方面的知识，不仅增加了识别的难度，同时也不利于实现微藻鉴定和识别的自动化。
利用海洋微藻显微图像进行微藻自动识别与分类的研究近年来发展很快，然而, 大部分研究只局限于少数种类上，并且图像中只有单个藻体的情况或只用来统计微藻个数[4-7]。本研究中，在不针对微藻种类的前提下，通过对在海域中随机采集到的不同微藻混合的样本图像进行预处理，提取微藻的形状和纹理特征，利用仿生模式识别算法实现微藻的自动识别，该方法不仅能够识别不同种类的微藻，而且也能够识别大小不同的相同品种的微藻。
在实际采集样本图像时，往往得到的是海洋微藻的RGB图像，由于RGB图像包含颜色因子，实际提取特征过程较为复杂且信息量大，目标信息不突出，不利于目标与背景的分离，对目标识别造成了困难，因此，必须对彩色图像进行灰度化和二值化处理。首先将彩色图像转化为256级灰度图像，再将灰度图像转化为二值图像。在二值图像中，只有0和255两个灰度值，0表示黑色像素，255表示白色像素。
1.1彩色图像转换为灰度图像
彩色图像转换为灰度图像的方法有很多[8-10]，在多种方法中，考虑到系统的运行速度和转换失真等因素，本研究中选择加权平均方法，实现从海洋微藻彩色图像到灰度图像的转换，其转换公式为
I(x,y)= 0.299R(x,y)+0.587G(x,y)+
0114B(x,y)。
(1)
其中：I(x,y)表示灰度图像的像素灰度值；R(x,y)、G(x,y)、B(x,y)分别表示彩色图像3个颜色(红、绿、蓝)的分量值。转换结果如图1所示。
(a) 彩色图像 (b) 灰度图像
图1 彩色图像转换为灰度图像
Fig.1 Transformation of color image into gray image
1.2灰度图像转化为二值图像
一般根据灰度图像直方图将灰度图像转化为二值图像，有单阈值法和双阈值法。由于微藻灰度图像的直方图[图2-(a)]为标准的单峰图像，所以在实际应用中选用单阈值法将灰度图像二值化。转化算法为
。
(2)
其中：f(x,y)为二值图像的像素值；I(x,y)为公式(1)中得到的像素灰度值；T为根据灰度图像的直方图选定的阈值，即为灰度直方图中灰度分布最大值处所对应的灰度值。图2为将灰度图像转化为二值图像的结果(为显示效果，在这里采用反向显示，即白变黑、黑变白)。
(a) 图1-(b)的直方图 (b) 图1-(b)的二值图像
图2 灰度图像转化为二值图像
Fig.2 Transformation of gray image into binary image
图像中的特征是对图像分析与识别的关键参数，特征的选取及使用决定着图像分析与识别的成败，常用的图像特征有颜色特征、形状特征、纹理特征、空间关系特征等。
由于海洋微藻的半透明性降低了不同藻体细胞之间的颜色差距，而空间关系特征对图像或目标的旋转、反转、尺度的变化具有敏感性，因此，本研究中采用图像的形状特征和纹理特征对海洋微藻进行识别与分类。
2.1微藻形状特征的提取
形状特征一般包括圆度(也称丰满度)和矩形度等。圆度为目标图像区域面积与其最小外接圆面积之比，矩形度为目标区域面积与其最小外接矩形面积之比，在这里定义区域面积为某区域占有的黑像素个数。可以看出，圆度与矩形度在定义和表示意义上是相似的，所以，本研究中仅提取了矩形度这一形状特征值用于海洋微藻的识别。
形状特征的矩形度定义如下：
D=S1/S2。
(3)
其中：S1为目标区域面积，即目标占有的像素个数；S2为目标最小外接矩形所占的面积。
本研究中以曲周藻Pleurosigmapelagicum为例，计算矩形度的算法如下：
(1) 遍历图像像素计算出目标区域的面积S1，如图3所示。
(2) 从上、下、左、右4个方向分别扫描图3所示的二值图像，分别得到各个方向第一次遇到黑像素的坐标：y_top、y_bottom、x_left、x_right，如图4所示。
(3) 计算外接矩形面积，即
S2=(x_right-x_left)×(y_bottom-y_top)。
(4)
(4) 由公式(3)计算该藻的矩形度D。
图3 曲周藻的二值图像
Fig.3 Binary image of alga Pleurosigma pelagicum
图4 曲周藻最小外接矩形的扫描结果
Fig.4 Minimal outer rectangle of alga Pleurosigma pelagicum
2.2微藻纹理特征的提取
纹理是对图像各像元灰度空间分布的一种描述，是图像局部性质(灰度分布函数)的统计[11]。纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。经常使用的特征值有能量、熵、惯性矩、平稳度、相关度等。 所以，本研究中在提取纹理特征时首先利用二值图像得到目标区域的重心，再在灰度图像中以重心为中心作矩形，计算矩形内像素的纹理特征，以此作为待识别目标的纹理特征，如图5所示。
2.2.1 微藻图像重心的计算 利用二值图像计算目标区域的重心，其计算公式[9]如下：
Grayx(x,y)=∑gxy×y,
(5)
Grayy(x,y)=∑gxy×x,
(6)
Gray(x,y)=x×y。
(7)
其中:Grayx(x,y)为所有像素点映射到x轴的像素值矩；Grayy(x,y)为所有像素点映射到y轴的像素值矩；Gray(x,y)为所有像素点映射到原点的像素值矩；(x,y)为像素在图像中的坐标；gxy为y行x列像素点的像素值，在二值图像中黑像素为0，白像素为1。
则目标图像的重心坐标(Mx，My)为
Mx=Grayx(x，y)/Gray(x，y),
My=Grayy(x，y)/Gray(x，y)。
2.2.2 微藻图像纹理特征的提取 目前获取图像纹理特征的普遍方法为空间灰度层共现矩阵法[12]。灰度共现矩阵是一个描述灰度图像纹理分布统计规律的矩阵，其元素定义为：灰度图像中θ方向上相隔d像元距离的一对像元，分别具有灰度层i和j的概率，记为p(i,j|d,θ)。本研究中，设θ=0,d=5，得到共现矩阵，由共现矩阵得到以下纹理特征参数：
(1) 能量
；
(8)
(2) 熵
logp(i,j|d,θ)]；
(9)
(3) 惯性矩
；
(10)
(4) 相关度
p(i,j|d,θ)]/(σxσy),
(11)
式中,
，
，
，
；
(5) 局部平稳
。
(12)
传统的模式识别过程大多是利用统计决策理论对有限类样本进行最优分类，是以不同样本在特征空间中的最佳划分为目标。而海洋微藻的模式识别是对混合图片中的微藻进行一个一个的“认识”过程，不要求最佳划分只要求正确识别，所以本研究中，利用王守觉[13]提出的仿生模式识别(拓扑模式识别)理论进行识别。
仿生模式识别理论基于同源连续性原理，它认为两个同类事物之间存在一个渐变过程，在这个渐变过程中各事物都属于同一类。所以仿生模式识别理论的实现过程就是计算待识别样本到学习样本所组成的特征空间距离的过程，距离最小的类即为待识别样本所属的类。
定义待识别类为X，特征空间中的已知类集合为P={p1，p2，…，pn}，待识别X类到P中各类别的距离为D1，D2，…，Dn，并生成距离集合DH={D1,D2,…,Dn}，其中最小距离定义为dHmin，那么问题就转换为求DH中最小距离dHmin及其对应的类别号i，即(dHmin,i)=min(DH)[14]。
定义X到pi的距离Di的算法如下：
Di= ‖X-pi‖=[(Dx-Dpi)2+
(Ex-Epi)2+(Hx-Hpi)2+
(Ix-Ipi)2+(Cx-Cpi)2+
(Lx-Lpi)2]。
(13)
其中:D、E、H、I、C、L分别为矩形度、能量、熵、惯性矩、相关度和局部平稳度特征值。
图5 纹理特征值提取区域
Fig.5 Extracting region of texture eigenvalue
4.1微藻来源
为验证本算法，对在海域中随机采集的不同形状、大小、纹理的微藻混合图像进行自动识别实验。实验用海洋微藻图像样本随机采集于大连市黑石礁海域，使用Nikon Eclipse 5i型显微镜在10×100倍下拍摄图像，如图6所示，假设藻体未知，并以数字代码表示每个藻体。
图6 实验用微藻图像样本
Fig.6 Samples of microalgae in the experiment
4.2微藻的特征空间
在图6中，4张微藻的混合图片中共存在7种微藻，其中1和2为1种，3和7为1种，4、5、6、8、9分别为5种。将这7种藻类分别用Ⅰ(1、2号藻)、Ⅱ(3、7号藻)、Ⅲ(4号藻)、Ⅳ(5号藻)、Ⅴ(6号藻)Ⅵ(8号藻)、Ⅶ(9号藻)代码来表示，则7种藻类的特征空间值如表1所示。
表1学习样本获得的特征值
Tab.1MicroalgaeeigenvaluesfromFig.6
代码code矩形度rectangularity能量energy熵entropy惯性矩inertia-moment相关度correlation平稳度smoothnessⅠ0 8180 9720 0902 3600 2040 989II0 2020 4790 8035 3800 0160 976Ⅲ0 2150 8190 41810 9220 0420 951Ⅳ0 5120 9120 2327 2490 0670 967Ⅴ0 3000 8800 2773 0900 0730 986Ⅵ0 2580 4891 6050 9150 8570 505Ⅶ0 1580 5381 3580 3330 8921 322
4.3实验结果
使用本研究中给出的仿生模式自动识别方法求得图6中9个微藻个体与表1中7种微藻类别的特征空间距离，如表2所示。
在表2中，横向数值为图6中每个藻体与7种不同藻类的特征空间距离，每个藻体与某藻种距离最近的数据已用黑体标出。由图6可知：藻体1、2为同种藻类，而表2中显示第1行的藻体1和第2行的藻体2与Ⅰ的距离最近；同理，藻体3和藻体7同属一类，而表2中显示第3行的藻体3和第7行的藻体7与Ⅱ的距离最近。从表2中依次可看出，藻体4与Ⅲ的距离最近，藻体5与Ⅳ的距离最近，藻体6与Ⅴ的距离最近，藻体8与Ⅵ的距离最近，藻体9与Ⅶ的距离最近。由表2可以看出：藻体1、2属于Ⅰ类，藻体3、7属于Ⅱ类，藻体4属于Ⅲ类，藻体5属于Ⅳ类，藻体6属于Ⅴ类，藻体8属于Ⅵ类，藻体9属于Ⅶ类，结果完全正确。
表2待识别微藻与样本微藻特征空间距离
Tab.2Featurespacedistancesbetweenidentifyingmicroalgaeandmicroalgasimples
样本微藻microalgasimples待识别微藻identifyingmicroalgaeⅠⅡⅢⅣⅤⅥⅦ10 0283500 0567650 5750053 2687320 0402946 1379354 75496220 0004860 0856020 6038423 2975690 0114576 5189314 99874530 0641490 0209660 5392063 2329330 0760930 8935460 74915340 6064460 5213300 0030902 6906360 61839010 3128310 18990154 0365953 9514793 4332390 7395124 0485392 1549283 64001260 0158310 1009470 6191873 3129140 0038870 0229451 34714070 3083480 2232230 2950072 9887340 3202920 9143150 74218680 7486050 2357750 2063730 5043910 2059370 0202480 31557990 8122800 2092820 2383250 5948100 3765620 3159100 014177
本研究中，利用图像技术研究了海洋微藻的自动识别与分类方法，针对藻类个体间颜色差距不明显、半透明等特点，给出了以形状及纹理方面的6个特征作为不同藻类识别的特征值，提出了利用仿生模式识别方法对海洋微藻图像样本进行识别的技术路线，并对在形状、大小、纹理等方面存在差距的微藻混合图像进行了识别实验。实验结果表明，该方法可以正确地识别出混合图像中的多个微藻，说明此方法在微藻图像识别中是可行且有效的。但也存在一定的缺陷，即无法对存在部分重叠的藻体进行识别与分类。今后作者将通过其他图像处理技术，如小波处理等频域图像处理方式，实现图像的预处理及分割或增加新的特征项，从而实现任意特殊情况下藻体的识别与分类，进而扩大本方法的适用范围。
参考文献：
[1] Adamzak M,Bornscheuer U T,Bednarski W.The application of biotechnological methods for the synthesis of biodiese[J].European Journal of Lipid Science and Technology,2009,111(8):800-813.
[2] 程奇，吕蓓，沈桂芳.能源微藻生产生物柴油的意义及其开发价值[C]//经济发展方式转变与自主创新——第12届中国科学技术协会年会，2010.
[3] 李雪梅,宫春光,安鑫龙.赤潮微藻的分类鉴定方法[J].河北渔业,2011,63(12):58-59.
[4] 骆巧琦,李雪松,梁君荣.基于形状特征的硅藻显微图像自动识别[J].厦门大学学报:自然科学版,2011,50(4):690-696.
[5] 汪振兴,佘焱,姜建国.赤潮藻类图像自动识别的研究[J].海洋环境科学,2007,26(1):42-44.
[6] Culverhouse P,Williams R,Reguera B,et al.Expert and machine discrimination of marine flora:a comparison of recognition accuracy of field collected phytoplankton[C]//IEEE International Conference on Visual Information Engineering,2003,7:177-181.
[7] 郑少平,谢杰镇,王博亮,等.基于形状特征描述子的赤潮优势种识别研究[J].厦门大学学报，2009,48(5):676-679.
[8] 郭彦伶,彭进业,王大凯.改进复原模型的彩色-灰度图像变换方法[J].计算机工程与应用,2009,45(7):192-194.
[9] 章卫祥,周秉锋.一种基于梯度域的彩色图像转灰度图像的方法[J].影像技术,2007(3):20-22.
[10] 李贞培,李平,郭新宇,等．三种基于GDI+的图像灰度化实现方法[J].计算机技术与发展,2009,19(7):73-75.
[11] 汪毅.基于数字图像的藻类特征值提取[D].大连：大连海洋大学,2007.
[12] 付信际,杨汝良,岳海霞.一种新的灰度共现矩阵特征提取算法[J].测试技术学报,2005(3):310-314.
[13] 王守觉.仿生模式识别(拓扑模式识别)——一种模式识别新模型的理论与应用[J].电子学报,2002,30(10):1417-1420.
[14] 翟懿奎,曾军英.一种基于小波奇异值分解的仿生模式虹膜识别算法[J].电路与系统学报,2012,17(2):43-48.
Abstract：The automatic recognition of marine microalgae was achieved by the bionic pattern recognition algorithm via six shape and texture parameters including rectangular degree, energy, entropy, inertia moment, correlation and local stationary degree as the characteristic values of marine microalga recognition characteristics. The microalga specimens collected randomly in marine water were experimentally recognized by the above bionic pattern recognition algorithm according to the microalgae mixed images with the differences in the shape, size or texture of the algae. The results showed that this method accurately identified the microalgae between different kinds or same kind in different states, indicating that the method is effective and feasible in microalgae image recognition.
Key words：marine microalga; image processing; shape feature; texture feature; bionic pattern recognition
DOI：10.3969/J.ISSN.2095-1388.2014.05.019
文章编号：2095-1388(2014)05-0525-05
收稿日期：2014-01-19
基金项目：辽宁省海洋与渔业厅计划项目(2011027);辽宁省农业科技攻关项目(2012216012)
中图分类号：TP391.4
文献标志码：：A