基于模板匹配和不變矩的浮游動物快速測量方法

徐 帥，楊俊毅，鄭旻輝，謝尚微

(1.國家海洋局 第二海洋研究所，浙江 杭州 310012；2.國家海洋局 海洋生態(tài)系統(tǒng)與生物地球化學(xué)重點實驗室，浙江 杭州 310012)

0 引言

浮游生物在海洋生態(tài)圈中扮演著重要角色，是海洋生態(tài)學(xué)中重要的研究對象。目前海洋生物學(xué)家對浮游生物的研究手段主要以現(xiàn)場采樣、實驗室人工鑒定與計數(shù)的傳統(tǒng)觀測手段為主，人工識別費時費力，遠不能適應(yīng)和滿足現(xiàn)代海洋科學(xué)發(fā)展的需要。

隨著圖像處理技術(shù)的不斷發(fā)展，使得基于圖像處理的浮游生物自動識別成為可能，目前已有研究者取得矚目的成果。例如，CULVERHOUSE et al[1]基于細胞形狀和表面紋理特征開發(fā)了甲藻分類軟件DiCANN；LOKE et al[2]基于浮游動物輪廓特征利用最近鄰分類規(guī)則進行甲藻識別；HU et al[3]以形態(tài)特征為基礎(chǔ)建立神經(jīng)網(wǎng)絡(luò)分類器，然后以表面結(jié)構(gòu)特征為基礎(chǔ)進行浮游生物圖像識別；TANG et al[4]結(jié)合經(jīng)典的幾何外型特征以及不變矩等特征對海洋浮游生物圖像實行自動識別分類；YANG et al[5]提出基于內(nèi)容特征的浮游生物圖像識別算法。

隨著近年來水下觀測技術(shù)快速發(fā)展，浮游生物觀測方法逐漸從傳統(tǒng)方法向原位觀測分析方向發(fā)展，受原位觀測平臺計算資源的限制，上述根據(jù)生物特征的智能識別方法存在一些不足，如神經(jīng)網(wǎng)絡(luò)方法樣本訓(xùn)練量大且效率低下，支持向量機方法雖然識別率較高但需提取大量高維特征，前期數(shù)據(jù)準備計算量大等，這些都制約著其在原位分析中的應(yīng)用。針對這些不足，本文提出將計算機視覺中的模板匹配方法與不變中心矩描述方法相結(jié)合，將模板匹配作為浮游動物識別的初篩環(huán)節(jié)，在模板匹配限定的子空間內(nèi)采用比較不變矩描述方法判定目標動物，然后測量目標動物的尺寸信息，統(tǒng)計動物個數(shù)。這種方法與支持向量機等識別方法相比速度快，計算量小，不僅能夠驗證顯微圖像中是否存在模板表示的目標動物，還能快速找到模板對應(yīng)的動物目標的質(zhì)心位置，即可方便地得出圖像中動物的長度、寬度等尺寸信息，適合應(yīng)用在浮游動物的原位觀測分析中。

1 圖像分析方法

1.1 方法步驟

本文所提出的方法步驟如圖1所示，先對圖像進行預(yù)處理，然后確定感興趣區(qū)域，在此基礎(chǔ)上利用圖像分割構(gòu)建模板，再利用模板匹配進行初篩限定目標范圍，分別求出模板與待識別顯微圖像中的動物的質(zhì)心坐標和中心不變矩，分別比較模板的不變矩與圖像中各動物的不變矩，差值小于設(shè)定的閾值即可初步判定為模板所示的動物。將場景中目標的質(zhì)心與模板質(zhì)心對齊，利用“縮放”和“旋轉(zhuǎn)”等圖像處理方法將模板與圖像中的目標對齊以最終確定目標是否為模板所表示的動物，并計算出匹配到的目標動物的尺寸。

圖1 基于顯微圖像的海洋浮游動物自動測量步驟Fig.1 Marine zooplankton automatic measurement steps based on microscopic images

1.2 圖像預(yù)處理

浮游動物顯微圖像如圖2所示，圖像中存在大量噪聲還夾雜一些碎片以及光源帶來的較大干擾,即背景噪聲，需要對圖像進行預(yù)處理。

圖2 浮游動物顯微圖像Fig.2 Zooplankton microscopic image

預(yù)處理主要是在創(chuàng)建模板之前對原始圖像進行增強，目的是突出圖像整體或者局部的特征，減少噪聲，提高圖像質(zhì)量[6]。圖像增強方法大體可以分為空域和頻域增強兩類。常用的空域增強法有中值濾波和均值濾波，而頻率域圖像增強法則是將經(jīng)過預(yù)處理后的圖像進行傅里葉變換，將其轉(zhuǎn)換到頻率域后再利用低通濾波器進行去噪處理[7]。

由圖2可見，顯微圖像中的噪聲主要為椒鹽噪聲，中值濾波對濾除椒鹽類噪聲具有較好的效果，實驗中對比均值濾波、中值濾波和高斯低通濾波發(fā)現(xiàn)(圖3)，中值濾波器在去除噪聲的同時還能盡量保留浮游動物圖像的邊緣細節(jié)，因此本文采用一個9×9的模板的中值濾波器進行圖像增強。最后,采用直方圖均勻化增強動物目標與背景對比度，以利于閾值分割。

圖3 中值濾波(a),高斯低通濾波(b)以及均值濾波(c)去噪效果Fig.3 The denoising result of median filter(a), Gaussian low-pass filter(b) and the average filter(c)

1.3 圖像分割與模板創(chuàng)建

圖像分割在整個過程中居于承前啟后的位置，既可以檢驗圖像預(yù)處理的效果，也是后續(xù)創(chuàng)建模板的前提。針對海洋浮游動物顯微圖像對比度較好的特點，本文綜合采用基于灰度直方圖確定閾值、Canny邊緣檢測算子和基于數(shù)學(xué)形態(tài)學(xué)閉運算等多種圖像分割算法，得到的邊緣可以提供很好的形狀特征，其中的區(qū)域即可用來構(gòu)建模板。

1.3.1 基于閾值的浮游動物目標分割

圖2所示的海洋浮游動物顯微圖像的灰度直方圖如圖4所示，由圖可見灰度值30～120區(qū)間為浮游動物體的像素，灰度值大于120的山峰對應(yīng)背景像素。這里取120灰度值為閾值T，便可以將浮游動物與背景明顯地分開，實現(xiàn)目標分割。

圖4 浮游動物圖像灰度直方圖Fig.4 The gray histogram of zooplankton image

為了提高閾值分割精度，本文采用了OTSU[8]方法在30～120目標動物灰度值區(qū)間上自適應(yīng)地再進行第二次閾值分割，得到比較滿意的自適應(yīng)閾值區(qū)間。OTSU算法根據(jù)灰度直方圖的谷底選擇100為閾值進行分割，第二次灰度值閾值分割后得到的區(qū)域如圖5a所示。

圖5a已經(jīng)大致可以看出動物目標的外形，但是初步分割結(jié)果存在圖像噪聲和大量的雜質(zhì)碎片。為此本文設(shè)計了一套基于特征直方圖的閾值分割方案，利用面積、周長特征將背景噪聲剔除?？紤]到噪聲碎片的面積小于最小的動物體面積，可以通過設(shè)置關(guān)于目標面積特征的閾值，排除所有面積過大或者面積過小的非動物目標，剩余的區(qū)域即為所要處理的目標區(qū)域(圖5b)。

圖5 初步閾值分割結(jié)果(a)和最終閾值分割結(jié)果(b)Fig.5 Preliminary threshold segmentation results(a) and the final threshold segmentation result(b)

1.3.2 基于Canny算子的浮游動物邊緣檢測

為精確定位海洋浮游動物體的輪廓邊緣，需要對其進行邊緣檢測，本文采用了基于Canny算子的邊緣檢測算法，Canny邊緣檢測算子有低誤判率，高定位精度，抗噪聲能力強等優(yōu)點[9]。Canny算子邊緣檢測具體實現(xiàn)步驟如下：

(1)高斯平滑濾波。

(2)非極大值抑制。通過抑制非極大值而保留局部梯度幅值最大的點，可以得到相對更加精確的邊緣圖像。

(3)雙閾值和邊緣連接。非極大值抑制處理后，圖像邊緣像素中可能還混雜著由噪聲而引起的偽邊緣。Canny邊緣檢測算法通過雙閾值區(qū)分邊緣與偽邊緣。針對浮游動物圖像的特點，繪制出梯度幅度圖的梯度幅值直方圖，然后通過設(shè)定非邊緣點像素數(shù)與梯度幅度圖中所有像素數(shù)目的比例來確定高閾值，取高閾值的0.4倍作為低閾值，程序自適應(yīng)地設(shè)定雙閾值，分別得到高閾值與低閾值圖像。當閾值較高時，去噪效果好，但同時也會造成有效邊緣信息的損失；反之則去噪效果不明顯，但會保留邊緣細節(jié)。在高閾值圖像的基礎(chǔ)上，通過低閾值圖像的補充來連接浮游生物圖像的邊緣。圖6為雙閾值和邊緣連接后得到的邊緣效果圖。

圖6 Canny邊緣檢測結(jié)果Fig.6 Result of Canny edge detection operation

1.3.3 基于數(shù)學(xué)形態(tài)學(xué)的浮游動物圖像處理

經(jīng)過前面的處理后獲得區(qū)域內(nèi)仍存在孤立的小噪聲點和目標區(qū)域內(nèi)的細小空洞，在其周邊存在凹坑和毛刺。主要采用腐蝕、膨脹及其組合方法即開運算與閉運算等數(shù)學(xué)形態(tài)學(xué)算子去除干擾。數(shù)學(xué)形態(tài)學(xué)是一種常用的數(shù)字圖像處理和模式識別的理論和方法，主要內(nèi)容是一套運算、概念和算法，用來描述圖像的基本特征，它不同于常用的頻域或時域的方法，而是建立在積分幾何和隨機理論的基礎(chǔ)之上[10]。

本文首先對浮游動物圖像輪廓進行膨脹操作，有效地填補圖像中的空洞，并起到連接邊緣檢測后不連續(xù)區(qū)域的作用，再腐蝕圖像邊沿，消除一些邊界點，使邊界向內(nèi)收縮。將膨脹操作得到的輪廓減去腐蝕操作得到的輪廓，在有效地平滑邊界、消除目標間的粘連的同時保持其面積等特征信息。通過一系列的圖像處理算法，最終得到圖7a，在此基礎(chǔ)上將區(qū)域裁剪出來，最終構(gòu)成一個18×20的生物模板(圖7b)。

圖7 數(shù)學(xué)形態(tài)學(xué)處理后消除空洞的圖像(a)和基于圖像分割創(chuàng)建的模板(b)Fig.7 The image after mathematical morphology processing(a) and a template based on image segmentation(b)

1.4 不變矩與模板匹配

1.4.1 求不變矩特征

浮游動物的形態(tài)特征千姿百態(tài)，前面的方法能從生物圖像中提取區(qū)域和輪廓構(gòu)建模板，為了使模板能夠匹配位姿不同的目標，本文針對海洋浮游動物形態(tài)特點，采用了一些對于平移、旋轉(zhuǎn)和尺度變換的不變量作為特征，這樣模板可以適應(yīng)浮游動物目標的方位旋轉(zhuǎn)或尺度變化，減少誤差。

不變矩特征是形狀識別中常用的特征，(m+n)階的中心距具有平移變換不變性，定義為：

μmn=∑x∑y(x-x0)m(y-y0)nf(x,y)

(1)

(2)

因為數(shù)字圖像中像元的離散性，這些中心距函數(shù)近似具有旋轉(zhuǎn)、平移和縮放不變性。

1.4.2 模板匹配過程

將上述對于物體不變矩的描述方法與計算機視覺中的模板匹配算法相結(jié)合，提出一種適應(yīng)旋轉(zhuǎn)、平移和縮放的模板匹配方法，利用該方法匹配識別浮游動物顯微圖像，具體步驟如下：

(1)首先用創(chuàng)建好的模板來進行粗篩選，為了減少匹配復(fù)雜度，提高模板搜索速度，本文采用基于圖形金字塔方法進行匹配。使用歸一化相關(guān)系數(shù)作為匹配準則，對于每個濾波窗口，經(jīng)過灰度分布標準化預(yù)處理后，使用動物模板進行匹配，若相關(guān)系數(shù)超過給定閾值(本文取0.25)，則認為通過了匹配初篩選，但是圖中動物存在旋轉(zhuǎn)或縮放等情況，這一階段得到的匹配結(jié)果會包含其他非模板目標動物，誤差較大，需要應(yīng)用中心不變矩約束進一步提高匹配精度。

(2)分別計算圖像中各匹配到的目標與模板的中心矩，比較并取相差值，差值小于某一閾值的即初步認為是模板表示的動物。對模板縮放操作，使其尺寸與圖像中與之不變矩基本相同的動物一致，利用坐標的旋轉(zhuǎn)變換來確定圖像中動物對應(yīng)的旋轉(zhuǎn)角度，采用的算法分別為：

(3)

(4)

式中：(x2,y2)為像素新坐標，(x1,y1)為原坐標，(x0,y0)為形心坐標，N為縮放系數(shù)，θ為旋轉(zhuǎn)角度。將兩幅已經(jīng)對準的圖像進行“異或”操作，以剩余像素的多少來證實該物體是否為模板所示動物，若是，則給出匹配物體在圖像中的坐標和個數(shù)。

2 實驗驗證

本文采用Leica M205A立體顯微鏡對在南海海域采集到的浮游動物樣本進行顯微成像，采用Halcon圖像處理庫實現(xiàn)上述所有的圖像處理算法，并將匹配結(jié)果可視化顯示在界面上。Halcon是一套完善的機器視覺算法包，擁有成熟配套的集成開發(fā)環(huán)境和專業(yè)的圖像處理算子，能夠勝任本文的研究。

為了驗證方法的有效性，本實驗選取了100幅浮游動物顯微圖像(主要包括水蚤類和橈足類)作為測試圖像，其中20幅為無目標動物的圖像，80幅同時含有非目標動物和目標動物的圖像。圖8為本文用到的部分顯微圖像示例，可以看到動物的尺寸、方位角度各不相同，按照上文方法創(chuàng)建動物模板。

利用本文提出的匹配方法對測試圖像進行檢測，共成功檢測出71幅顯微圖像中存在模板對應(yīng)的動物，準確率為88.75%，并統(tǒng)計出動物的數(shù)量和尺寸數(shù)據(jù)，部分實驗結(jié)果如圖9所示。

圖8 部分浮游動物測試圖像示例Fig.8 Examples of partial zooplankton test image

圖9 匹配和計數(shù)結(jié)果Fig.9 Results of template matching and counting

將圖9中檢測出的與模板對應(yīng)動物的尺寸數(shù)據(jù)與實驗室顯微鏡測量軟件測量數(shù)據(jù)進行對比驗證。獲得的浮游動物尺寸數(shù)據(jù)均是以像素為單位，需要將其轉(zhuǎn)化為實際長度單位。根據(jù)顯微鏡CCD的參數(shù)，計算出像素長度轉(zhuǎn)為實際尺寸(mm)的比例如下式：

1像素=0.003 5 mm

(5)

根據(jù)上式計算出浮游動物形態(tài)特征數(shù)據(jù)如表1所示。

表1 浮游動物形態(tài)特征測量數(shù)據(jù)Tab.1 Morphological characteristics data of zooplankton

由表1結(jié)果可知，實驗測得動物尺寸與實測數(shù)據(jù)相比誤差為0.032～0.106 mm。利用本文的方法能夠快速地在大量顯微圖像中匹配到特定的浮游動物，這樣可以大大提高海洋動物研究者的鑒定效率，還可以快速統(tǒng)計顯微圖像中的浮游動物個數(shù)和尺寸信息。

3 小結(jié)

本文根據(jù)處理浮游動物顯微圖像的需求，提出了將模板匹配方法與不變中心矩描述法相結(jié)合的方法對浮游動物的顯微圖像進行識別。與基于特征的識別方法相比，本文算法比較穩(wěn)定，計算量小，識別耗時短，識別效率高。在實用性方面，還需要進一步提高模板的質(zhì)量，同時應(yīng)考慮動物體重疊和缺損等情況，使方法更具有實用價值。

[1]CULVERHOUSEPF,REGUERAB,GONZALEZGS,etal.Doexpertsmakemistakes[J].MarineEcologyProgress,2003,247(247):17-25.

[2]LOKERE,BUFJMHD,BAYERMM,etal.Diatomclassificationinecologicalapplications[J].PatternRecognition,2004,37(6):1 283-1 285.

[3]HUQ,DAVISC.Accurateautomaticquantificationoftaxa-specificplanktonabundanceusingdualclassificationwithcorrection[J].MarineEcologyProgress,2006,306(8):51-61.

[4]TANGX,STEWARTWK,HUANGH,etal.Automaticplanktonimagerecognition[J].ArtificialIntelligenceReview,1998,12(1):177-199.

[5]YANGR,ZHANGR,SUNS.Automatedclassificationofzooplanktonbasedondigitalimageprocessing[J].ComputerSimulation,2006,23(5):167-170.

[6]RAFAELCG,RICHARDEW.Digitalimageprocessing[M].Thirdedition.Beijing:PublishingHouseofElectronicsIndustry,2011.

[7]KENNETHRC.Digitalimageprocessing[M].Beijing:PublishingHouseofElectronicsIndustry,2002.

[8]OTSUNA.Athresholdselectionmethodfromgray-levelhistograms[J].IEEETransactionsSystemManandCybemectics,1979,9(1):62-66.

[9]CANNYJ.Acomputationalapproachtoedgedetection[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,1986,8(6):679-98.

[10]CARSTENS,MARKUSU,CHRISTIANW.Machinevisionalgorithmsandapplication[M].Beijing:TsinghuaUniversityPress,2008.