CN110287990A - 微型藻类图像分类方法、***、设备及存储介质 - Google Patents

微型藻类图像分类方法、***、设备及存储介质 Download PDF

Info

Publication number
CN110287990A
CN110287990A CN201910425869.3A CN201910425869A CN110287990A CN 110287990 A CN110287990 A CN 110287990A CN 201910425869 A CN201910425869 A CN 201910425869A CN 110287990 A CN110287990 A CN 110287990A
Authority
CN
China
Prior art keywords
image
microalgae
convolutional neural
neural networks
sorted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910425869.3A
Other languages
English (en)
Inventor
贾智平
张余豪
张志勇
申兆岩
刘珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201910425869.3A priority Critical patent/CN110287990A/zh
Publication of CN110287990A publication Critical patent/CN110287990A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了微型藻类图像分类方法、***、设备及存储介质，对待分类的微型藻类图像提取轮廓图像；对待分类的微型藻类图像提取纹理图像；将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。

Description

微型藻类图像分类方法、***、设备及存储介质
技术领域
本公开属于图像数据处理领域，尤其涉及微型藻类图像分类方法、***、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
目前，人工智能技术已经在各个领域(图像处理，目标检测，语音翻译等)取得实质性突破，并且正在以爆发式的速度蓬勃发展。以信息为主导，体系建设的智慧海洋是实现我国海洋强国战略的长远抓手，而人工智能技术则是完成智慧海洋建设的核心支撑技术。从智慧海洋建设的内容上看，保护海洋环境占有极其重要的地位。然而不幸的是，随着海洋的开发，人类的活动在不断的破坏着海洋环境，尤其海洋作为一个多种群生态***，打破平衡会导致严重的生物污染。因此，在智慧海洋的工程定位中，深度感知海洋环境，融合人工智能技术做出适当的反馈对保护海洋环境具有特殊的意义。
在海洋的工程建设中，需要实现海洋环境和海洋设备之间的信息的互联互通，这包括信息的采集、传输、处理和服务过程。在海洋中，百亿计的传感器将采集到的图像、温度等各种各样的信息传到服务器，服务器经过分析处理后可以得到海洋生态***及海洋环境的最新状况，在人的干预下做出反馈调节，保证海洋环境处于无污染的状态。
在海洋生态***中，微型藻类是最常见的物种之一。它们处于食物链的最底层，是水生生态***初级生产的重要贡献者，而且可以作为海洋环境，通常是水质的检测指标。可是，海水的富营养化会使藻类大量繁殖从而引发的赤潮等现象恶化了海洋环境。掌握海洋藻类生物的种类、数量等指标可以了解水质状况，提前采取措施保护海洋环境，因此，对这些生物进行分类具有重要意义。但是，微型藻类体型细小，肉眼看不见，并且种类繁多。传统上，人们将信息采集装置收集到的图像以人工的方式进行分类，然而，人工分类会带来操作繁琐，成本增加和准确率不足的问题。随着人工智能技术的发展，用机器学习算法来解决这些生物分类的问题引起了人们的兴趣，人们开始探索用浅度学习的方法来完成这一项任务繁重的工作。然而，这些方法的前期需要手工标注大量的特征，随着需要分类图像的数量增加，效率和准确率难以保证。
近期，深度学习算法在许多领域都取得了成功，比如图像分类，自然语言处理等。然而，由于许多微型藻类图像外形相似，种类繁多等特性，经典的深度学习算法，如AlexNet、VGGNet、GoogleNet、ResNet等，对微型藻类图形的分类准确率达不到要求。
发明内容
为了解决现有技术的不足，本公开提供了微型藻类图像分类方法、***、设备及存储介质，其采用一种基于双通道卷积神经网络的算法，面向种类繁多、形态相似的微型藻类图像设计了一种分类***，此算法可以自主学习更多的微型藻类图像的主要特征，极大的提高了分类准确率。微型藻类图像轮廓明显，纹理清晰，可以利用这些特点，设计适合它们分类的深度学习算法来提高分类准确率。
第一方面，本公开提供了微型藻类图像分类方法；
微型藻类图像分类方法，包括：
对待分类的微型藻类图像提取轮廓图像；
对待分类的微型藻类图像提取纹理图像；
将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
第二方面，本公开还提供了微型藻类图像分类***；
微型藻类图像分类***，包括：
轮廓图像提取模块，其被配置为对待分类的微型藻类图像提取轮廓图像；
纹理图像提取模块，其被配置为对待分类的微型藻类图像提取纹理图像；
分类模块，其被配置为将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
(1)利用Sobel边缘检测算法和膨胀运算来提取微型藻类图像的轮廓特征，得到轮廓明显的微型藻类图像，称为轮廓图像。由于微型藻类不同的轮廓是对其进行分类的重要依据之一，以此方法处理后得到的轮廓图像作为卷积神经网络算法输入的一部分，有助于提取其轮廓特征。
(2)利用灰度直方图均衡化的方法处理微型藻类图像得到纹理特征清晰的图像，称为纹理图像。由于微型藻类不同的纹理也是对其进行分类的重要依据之一，以此方法处理后得到的纹理图像作为卷积神经网络算法输入的另一部分，有助于提取其纹理特征。
(3)设计双通道卷积神经网络算法，分别为轮廓卷积神经网络和纹理卷积神经网络，其中轮廓卷积神经网络以微型藻类的轮廓图像作为输入，主要用来学习轮廓特征，纹理卷积神经网络以纹理图像作为输入，主要用来学习纹理特征。然后两种卷积神经网络在聚合单元进行聚合，得出最终的分类结果。通过对微型藻类图像最重要特征的深度学习，提高其分类的准确率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1展示了以双通道卷积神经网络算法为核心的微型藻类分类***的整体架构；
图2展示了双通道卷积神经网络算法的结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了微型藻类图像分类方法；
微型藻类图像分类方法，包括：
对待分类的微型藻类图像提取轮廓图像；
对待分类的微型藻类图像提取纹理图像；
将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
作为一个或多个实施例，所述对待分类的微型藻类图像提取轮廓图像的具体步骤，包括：采用Sobel边缘检测算法对待分类的微型藻类图像进行边缘提取；然后对边缘提取后的图像进行膨胀操作，得到待分类的微型藻类图像的轮廓图像。
作为一个或多个实施例，所述采用Sobel边缘检测算法对待分类的微型藻类图像进行边缘提取，具体步骤包括：
采用离散微分Sobel算子来计算图像像素点的灰度值；
所述离散微分Sobel算子，包括：横向矩阵和纵向矩阵；
将横向矩阵和纵向矩阵分别与原始图像像素矩阵做卷积操作，得到横向亮度差分近似值和纵向亮度差分近似值；
对横向亮度差分近似值和纵向亮度差分近似值的平方和进行开平方运算，获取每个像素点的灰度值；
根据图像像素点的灰度值，得到微型藻类的边缘提取图像。
作为一个或多个实施例，所述膨胀操作首先选择由结构元素确定的图像邻域块中像素值的最大值，将这个最大值作为当前结构元素原点所对应图像位置的像素值，直到图像所有位置像素值被重新确定才结束操作。
应理解的，所述结构元素，是指待处理图像上的小于待处理图像的二维矩阵，矩阵元素的值为0或者1，可以选取矩阵中任意一个位置作为原点。假设结构元素为k*k的二维矩阵，待处理图像像素值为n*n的二维矩阵，通常k<n。
应理解的，所述图像邻域块，是指用结构元素去覆盖待处理的图像时，覆盖区域除原点之外的位置都属于图像邻域块。
作为一个或多个实施例，在预处理过程中，利用Sobel边缘检测算法来对微型藻类图像进行边缘提取，其采用离散微分Sobel算子来计算图像亮度变换函数的灰度近似值。
Sobel算子包含两组3*3的矩阵，分别为横向矩阵和纵向矩阵原始图像的像素以矩阵I来表示，具体算法过程如下：
(1)将横向矩阵Gx和纵向矩阵Gy分别与图像像素矩阵I做卷积，得出横向和纵向的亮度差分的近似值，即Gx′＝Gx*I，Gy′＝Gy*I；
(2)通过公式得到该点的灰度值。
通过以上操作，将得到带有“噪声”的微型藻类轮廓图像。然后将“噪声”轮廓图像进行膨胀操作，膨胀操作是由结构元素确定的邻域块中选取图像值与结构元素值的和的最大值，若用d(x,y)表示膨胀后的藻类图像，f(x,y)为原图像，B为结构元素，则膨胀运算如公式(1)所示：
d(x，y)＝dilate[f(x，y)]＝max{f(x-x′，y-y′)+B(x′，y′)|(x′，y′)∈Db} (1)
经过膨胀运算，输出完整的轮廓图像。
采用Sobel边缘检测算法和膨胀运算得到轮廓藻类图像：
本发明提出采用Sobel边缘检测算法来提取微型藻类图像的轮廓特征，然后利用膨胀运算的操作来消除前面得到的输出图像的“噪声”，得到经过优化的轮廓藻类图像。
作为一个或多个实施例，所述对待分类的微型藻类图像提取纹理图像的具体步骤，包括：采用灰度直方图均衡化方式对待分类的微型藻类图像进行处理，得到纹理图像。
作为一个或多个实施例，采用灰度直方图均衡化方式对待分类的微型藻类图像进行处理，得到纹理图像，具体步骤包括：
统计原始微型藻类图像的灰度直方图；
计算灰度直方图的累计分布曲线；
依据累计分布曲线，计算图像变换后的灰度级；得到纹理图像。
作为一个或多个实施例，利用灰度直方图均衡化的对原始的微型藻类图像进行处理，若用pr(r)表示原始图像灰度值的概率密度函数，n表示像素点的个数，k表示灰度级，则灰度直方图均衡化的具体计算步骤如下：
(1)统计原始微型藻类图像的灰度直方图，即
(2)计算直方图的累计分布曲线
(3)计算图像变换后的灰度级S(k)＝int[(max(rk)-min(rk))×sk+0.5]扩展取整。
将所有原始的微型藻类图像进行上面的操作，得到纹理图像。
采用灰度直方图均衡化的方法得到纹理图像：
本发明提出采用灰度直方图均衡化的方式来对原始微型藻类图像进行处理，得到纹理特征非常明显的纹理图像，有助于对不同种类的微型藻类图像的重要特征进行辨识和推理。
作为一个或多个实施例，双通道卷积神经网络模型，包括：
第一卷积神经网络、第二卷积神经网络和聚合单元；聚合单元中包括全连接层和分类器；
第一卷积神经网络的输入值为轮廓图像，第一卷积神经网络的输出值为轮廓特征；
第二卷积神经网络的输入值为纹理图像，第二卷积神经网络的输出值为纹理特征；
第一卷积神经网络的输出值和第二卷积神经网络的输出值，同时输入到一个全连接层中进行融合，然后经过softmax层进行分类。
作为一个或多个实施例，双通道卷积神经网络模型的训练过程，包括：
将已知微型藻类分类标签的微型藻类图像分别提取训练轮廓图像和训练纹理图像；
将已知微型藻类分类标签的训练轮廓图像输入到第一卷积神经网络中，输出训练轮廓特征；
将已知微型藻类分类标签的训练纹理图像输入到第二卷积神经网络中，输出训练纹理特征；
将训练轮廓特征和训练纹理特征输入到聚合单元的全连接层中，得到融合后的训练特征；
在聚合单元中，将已知微型藻类分类标签的图像的融合后的训练特征输入到softmax层中，输出分类结果；根据实际分类结果和已知分类标签，计算损失函数；
当损失函数小于设定阈值，停止训练；当损失函数大于等于设定阈值，则用梯度下降法调整第一和第二卷积神经网络的参数，继续训练，直至分类准确度大于设定阈值，结束。
如图1所示，微型藻类分类***以提出的双通道卷积神经网络算法为核心，包括训练和推断两个过程。训练过程的作用是对大量的微型藻类图像的特征进行学习并以参数化的形式将所学到的知识保存下来，它包括前向传播过程和反向传播过程，前向传播用来提取图像特征，得出初步分类结果，将此结果与带标签的实际藻类类别进行对比作差得到损失函数，反向传播过程用梯度下降法对网络中的参数进行调整，重复这两个过程使得损失函数达到收敛的状态，最终得到满意的训练分类结果。在对新的微型藻类图像进行推断的时候，以前面训练好的网络模型为基础进行特征提取，得出现实场景微型藻类图像的分类结果。
将得到的轮廓图像和纹理图像分别作为双通道卷机神经网路中轮廓卷积神经网络和纹理卷积神经网络的输入，如图1所示。双通道卷积神经网络都需要经过卷积层，池化层和全连接层。其中卷积层是整个卷积神经网络算法的核心组成部分，该层的参数由一组可深入学习的过滤器组成，用来提取微型藻类图像最重要的轮廓和纹理特征；池化层利用采样的方法来降低像素数据的维度，防止训练过程中过拟合现象的产生；全连接层将前一层的所有神经元都连接到它所拥有的每个神经元上，完成神经网络的高级推理过程。轮廓卷积神经网络和纹理卷积神经网络所提取的特征在聚合单元中进行整合，推理得出最终高准确率的分类结果。
本发明采用的双通道卷积神经网络算法是整个微型藻类分类***的核心，以前面得到的轮廓图像像素值P和纹理图像像素值T为输入，首先分别经过结构相似的轮廓卷积通道和纹理卷积通道，轮廓卷积通道用来提取不同微型藻类图像的轮廓特征，纹理卷积通道用来提取纹理特征。然后经过全连接层在聚合单元汇聚，聚合单元用来对前面学习到的特征进行逻辑推理，得到最终的分类结果。如图2所示，双通道卷积神经网络的具体结构参数如下表所示：
下面给出在双通道卷积神经网络中的卷积层、池化层、和全连接层的具体计算方法：
卷积层：如果用N表示输入特征图的数量，S表示步长大小,Kx×Ky为卷积核的大小，,O表示输出神经元，I表示输入神经元，则在神经网络中卷积运算的公式如下：
在卷积层中，每一层的神经元都会经过乘加运算，加上一个偏差值。为了增加运算过程中的非线性，一层运算结束后会经过线性整流函数f(x)＝max(0,x),得到的运算结果输入到下一层的神经元。
池化层：发明人选择最大池化来降低卷积神经网络的数据维度，池化层运算的过程可以用如下公式表示：
O＝max(x1,x2,x3…xn) (3)
其中O表示输出神经元的值，x1,x2,x3…xn表示输入神经元的值。经过多层的卷积和最大池化交替运算，得到的输出神经元输入到全连接层。
全连接层：全连接层的每个神经元都连接前一层的所有神经元，进行如下的运算：
O＝WX+b (4)
其中W表示权重向量，X表示前一层每个输入神经元的输入向量，b为偏差向量。
微型藻类分类***经过Sobel边缘检测算法和膨胀运算、灰度直方图均衡化方法的预处理过程，及核心双通道卷积神经网络算法可以自动的对现实场景中的微型藻类图像进行分类且取得了令人十分满意的分类准确率。
实施例二，本实施例提供了微型藻类图像分类***；
微型藻类图像分类***，包括：
轮廓图像提取模块，其被配置为对待分类的微型藻类图像提取轮廓图像；
纹理图像提取模块，其被配置为对待分类的微型藻类图像提取纹理图像；
分类模块，其被配置为将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.微型藻类图像分类方法，其特征是，包括：
对待分类的微型藻类图像提取轮廓图像；
对待分类的微型藻类图像提取纹理图像；
将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
2.如权利要求1所述的方法，其特征是，所述对待分类的微型藻类图像提取轮廓图像的具体步骤，包括：采用Sobel边缘检测算法对待分类的微型藻类图像进行边缘提取；然后对边缘提取后的图像进行膨胀操作，得到待分类的微型藻类图像的轮廓图像。
3.如权利要求2所述的方法，其特征是，所述采用Sobel边缘检测算法对待分类的微型藻类图像进行边缘提取，具体步骤包括：
采用离散微分Sobel算子来计算图像像素点的灰度值；
所述离散微分Sobel算子，包括：横向矩阵和纵向矩阵；
将横向矩阵和纵向矩阵分别与原始图像像素矩阵做卷积操作，得到横向亮度差分近似值和纵向亮度差分近似值；
对横向亮度差分近似值和纵向亮度差分近似值的平方和进行开平方运算，获取每个像素点的灰度值；
根据图像像素点的灰度值，得到微型藻类的边缘提取图像。
4.如权利要求2所述的方法，其特征是，所述膨胀操作首先选择由结构元素确定的图像邻域块中像素值的最大值，将这个最大值作为当前结构元素原点所对应图像位置的像素值，直到图像所有位置像素值被重新确定才结束操作。
5.如权利要求1所述的方法，其特征是，所述对待分类的微型藻类图像提取纹理图像的具体步骤，包括：采用灰度直方图均衡化方式对待分类的微型藻类图像进行处理，得到纹理图像。
6.如权利要求5所述的方法，其特征是，采用灰度直方图均衡化方式对待分类的微型藻类图像进行处理，得到纹理图像，具体步骤包括：
统计原始微型藻类图像的灰度直方图；
计算灰度直方图的累计分布曲线；
依据累计分布曲线，计算图像变换后的灰度级；得到纹理图像。
7.如权利要求1所述的方法，其特征是，双通道卷积神经网络模型，包括：
第一卷积神经网络、第二卷积神经网络和聚合单元；聚合单元中包括全连接层和分类器；
第一卷积神经网络的输入值为轮廓图像，第一卷积神经网络的输出值为轮廓特征；
第二卷积神经网络的输入值为纹理图像，第二卷积神经网络的输出值为纹理特征；
第一卷积神经网络的输出值和第二卷积神经网络的输出值，同时输入到一个全连接层中进行融合，然后经过softmax层进行分类；
或者，
双通道卷积神经网络模型的训练过程，包括：
将已知微型藻类分类标签的微型藻类图像分别提取训练轮廓图像和训练纹理图像；
将已知微型藻类分类标签的训练轮廓图像输入到第一卷积神经网络中，输出训练轮廓特征；
将已知微型藻类分类标签的训练纹理图像输入到第二卷积神经网络中，输出训练纹理特征；
将训练轮廓特征和训练纹理特征输入到聚合单元的全连接层中，得到融合后的训练特征；
在聚合单元中，将已知微型藻类分类标签的图像的融合后的训练特征输入到softmax层中，输出分类结果；根据实际分类结果和已知分类标签，计算损失函数；
当损失函数小于设定阈值，停止训练；当损失函数大于等于设定阈值，则用梯度下降法调整第一和第二卷积神经网络的参数，继续训练，直至分类准确度大于设定阈值，结束。
8.微型藻类图像分类***，其特征是，包括：
轮廓图像提取模块，其被配置为对待分类的微型藻类图像提取轮廓图像；
纹理图像提取模块，其被配置为对待分类的微型藻类图像提取纹理图像；
分类模块，其被配置为将待分类的微型藻类图像的轮廓图像和纹理图像，分别输入到预先训练好的双通道卷积神经网络模型的两个输入端中，输出微型藻类图像的分类结果。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
CN201910425869.3A 2019-05-21 2019-05-21 微型藻类图像分类方法、***、设备及存储介质 Pending CN110287990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910425869.3A CN110287990A (zh) 2019-05-21 2019-05-21 微型藻类图像分类方法、***、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910425869.3A CN110287990A (zh) 2019-05-21 2019-05-21 微型藻类图像分类方法、***、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110287990A true CN110287990A (zh) 2019-09-27

Family

ID=68002430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910425869.3A Pending CN110287990A (zh) 2019-05-21 2019-05-21 微型藻类图像分类方法、***、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110287990A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626326A (zh) * 2020-04-13 2020-09-04 广州博进信息技术有限公司 一种复杂背景下大区域多目标硅藻提取与识别方法
CN112070100A (zh) * 2020-09-11 2020-12-11 深圳力维智联技术有限公司 基于深度学习模型的图像特征识别方法、装置及存储介质
CN113128385A (zh) * 2021-04-08 2021-07-16 北京工业大学 一种有毒藻类监测预警方法及***
CN113128385B (zh) * 2021-04-08 2024-07-12 北京工业大学 一种有毒藻类监测预警方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573707A (zh) * 2014-12-17 2015-04-29 安徽清新互联信息科技有限公司 一种基于多特征融合的车牌汉字识别方法
CN104700417A (zh) * 2015-01-19 2015-06-10 湖南大学 木材节子瑕疵的计算机图像自动识别方法
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法
CN106682641A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 基于fhog‑lbph特征的图像行人识别方法
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106846313A (zh) * 2017-01-23 2017-06-13 广东工业大学 工件表面缺陷检测方法和装置
CN107341506A (zh) * 2017-06-12 2017-11-10 华南理工大学 一种基于多方面深度学习表达的图像情感分类方法
CN107491726A (zh) * 2017-07-04 2017-12-19 重庆邮电大学 一种基于多通道并行卷积神经网络的实时表情识别方法
CN107578007A (zh) * 2017-09-01 2018-01-12 杭州电子科技大学 一种基于多特征融合的深度学习人脸识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573707A (zh) * 2014-12-17 2015-04-29 安徽清新互联信息科技有限公司 一种基于多特征融合的车牌汉字识别方法
CN104700417A (zh) * 2015-01-19 2015-06-10 湖南大学 木材节子瑕疵的计算机图像自动识别方法
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106682641A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 基于fhog‑lbph特征的图像行人识别方法
CN106846313A (zh) * 2017-01-23 2017-06-13 广东工业大学 工件表面缺陷检测方法和装置
CN107341506A (zh) * 2017-06-12 2017-11-10 华南理工大学 一种基于多方面深度学习表达的图像情感分类方法
CN107491726A (zh) * 2017-07-04 2017-12-19 重庆邮电大学 一种基于多通道并行卷积神经网络的实时表情识别方法
CN107578007A (zh) * 2017-09-01 2018-01-12 杭州电子科技大学 一种基于多特征融合的深度学习人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
于慧伶等: "基于双路卷积神经网络的植物叶片识别模型", 《北京林业大学学报》 *
娄联堂著: "《目标轮廓的提取方法及应用》", 30 November 2006 *
张春雷: "基于并行卷积神经网络的军事目标图像分类技术", 《电子设计工程》 *
李可心: "基于灰度共生矩阵与 som神经网络的树皮纹理特征识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
袁宁: "基于图像处理的棒状交叉颗粒分离方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626326A (zh) * 2020-04-13 2020-09-04 广州博进信息技术有限公司 一种复杂背景下大区域多目标硅藻提取与识别方法
CN111626326B (zh) * 2020-04-13 2024-02-02 广州博进信息技术有限公司 一种复杂背景下大区域多目标硅藻提取与识别方法
CN112070100A (zh) * 2020-09-11 2020-12-11 深圳力维智联技术有限公司 基于深度学习模型的图像特征识别方法、装置及存储介质
CN113128385A (zh) * 2021-04-08 2021-07-16 北京工业大学 一种有毒藻类监测预警方法及***
CN113128385B (zh) * 2021-04-08 2024-07-12 北京工业大学 一种有毒藻类监测预警方法及***

Similar Documents

Publication Publication Date Title
Mascarenhas et al. A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for Image Classification
CN107316307B (zh) 一种基于深度卷积神经网络的中医舌图像自动分割方法
Kumar et al. Resnet-based approach for detection and classification of plant leaf diseases
WO2022252272A1 (zh) 一种基于迁移学习的改进vgg16网络猪的身份识别方法
CN112801212B (zh) 一种基于小样本半监督学习的白细胞分类计数方法
CN104850890B (zh) 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN107016405A (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN108427920A (zh) 一种基于深度学习的边海防目标检测方法
CN107977932A (zh) 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法
CN108304826A (zh) 基于卷积神经网络的人脸表情识别方法
CN110163187A (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN107506740A (zh) 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法
CN106203331A (zh) 一种基于卷积神经网络的人群密度估算方法
CN109858466A (zh) 一种基于卷积神经网络的人脸关键点检测方法及装置
CN107563389A (zh) 一种基于深度学习的农作物病害识别方法
CN106803069A (zh) 基于深度学习的人群高兴程度识别方法
Surya et al. Cassava leaf disease detection using convolutional neural networks
CN107516103A (zh) 一种影像分类方法和***
CN108596256B (zh) 一种基于rgb-d物体识别分类器构造方法
CN110837570B (zh) 对图像数据进行无偏见分类的方法
Vallet et al. A multi-label convolutional neural network for automatic image annotation
Su et al. LodgeNet: Improved rice lodging recognition using semantic segmentation of UAV high-resolution remote sensing images
CN112580662A (zh) 一种基于图像特征识别鱼体方向的方法及***
CN111127360A (zh) 一种基于自动编码器的灰度图像迁移学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927

RJ01 Rejection of invention patent application after publication