發(fā)布時(shí)間：2018-4-13 10:49:04  中國(guó)污水處理工程網(wǎng)

　　申請(qǐng)日2015.07.24

　　公開(kāi)(公告)日2015.10.21

　　IPC分類(lèi)號(hào)G06T7/20; G06T7/00

　　摘要

　　本發(fā)明公開(kāi)了一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明的步驟為：一、采集污水運(yùn)動(dòng)微生物視頻圖像;二、創(chuàng)建多層自適應(yīng)碼本模型，并根據(jù)該碼本模型對(duì)采集圖像進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè);三、采用改進(jìn)型五幀差分算法對(duì)采集圖像進(jìn)行目標(biāo)輪廓提取;四、將步驟二獲得的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，與步驟三獲得的運(yùn)動(dòng)目標(biāo)輪廓進(jìn)行融合或運(yùn)算;五、對(duì)所得圖像進(jìn)行形態(tài)學(xué)處理和區(qū)域填充，獲得運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。本發(fā)明通過(guò)設(shè)計(jì)自適應(yīng)的復(fù)雜背景建模和背景更新機(jī)制，加速背景收斂，同時(shí)結(jié)合基于改進(jìn)型五幀差分算法所提取的完整連續(xù)的目標(biāo)輪廓邊界，提高了污水微生物的自動(dòng)檢測(cè)精度與效率，且實(shí)驗(yàn)結(jié)果也驗(yàn)證了該方法的有效性與實(shí)時(shí)性。

　　權(quán)利要求書(shū)

　　1.一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其步驟為：

　　步驟一、采集污水運(yùn)動(dòng)微生物視頻圖像;

　　步驟二、創(chuàng)建多層自適應(yīng)碼本模型，并根據(jù)該碼本模型對(duì)步驟一采集的圖像進(jìn)行運(yùn)動(dòng)目 標(biāo)檢測(cè);

　　步驟三、采用改進(jìn)型五幀差分算法對(duì)步驟一采集的圖像進(jìn)行目標(biāo)輪廓提取;

　　步驟四、將步驟二獲得的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，與步驟三獲得的運(yùn)動(dòng)目標(biāo)輪廓進(jìn)行融合或 運(yùn)算;

　　步驟五、對(duì)步驟四所得圖像進(jìn)行形態(tài)學(xué)處理和區(qū)域填充，獲得運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。

　　2.根據(jù)權(quán)利要求1所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于：步驟 二基于YCbCr顏色空間創(chuàng)建多層自適應(yīng)碼本模型，碼本模型依據(jù)采集圖像中每個(gè)像素點(diǎn)在 YCbCr空間上的顏色和亮度變化，為每個(gè)像素點(diǎn)生成一個(gè)碼本cb，每個(gè)碼本cb中包含一個(gè) 或者多個(gè)碼字cw;所述的碼本與碼字構(gòu)造方式如下：

　　cb={cw1,cw2,cw3,……,cwn，t}

　　cw={learnhigh[m],learnlow[m],max[m],min[m],t_last_update,stale,matchtime}

　　上式中，t為訪(fǎng)問(wèn)碼本的頻度;n為碼本中包含的碼字個(gè)數(shù);m表示Y、Cb、Cr顏色通 道，0≤m≤2;learnhigh[m]和learnlow[m]分別為三個(gè)通道的學(xué)習(xí)上下限閾值;max[m]和min[m] 記錄對(duì)應(yīng)碼字中各通道的最大值和最小值;t_last_update為碼字上次更新時(shí)間;stale為碼字 未出現(xiàn)的最大時(shí)間間隔;matchtime表示該碼字出現(xiàn)的次數(shù)。

　　3.根據(jù)權(quán)利要求2所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于：步驟 二創(chuàng)建多層自適應(yīng)碼本模型的過(guò)程為：

　　(1)初始化，將每個(gè)像素的碼本置空，即n=0;

　　(2)對(duì)于第t幀視頻：

　　①在對(duì)應(yīng)cb中尋找像素I(x,y)所匹配的cw,即判斷是否滿(mǎn)足以下條件：

　　learnlow[m]

　　式中，I(x,y)[m]為YCbCr空間中，坐標(biāo)位置在(x,y)處的圖像像素I(x,y)的三通道值;

　�、谌绻�不存在符合條件的cw或者碼本為空，則為該cb創(chuàng)建一個(gè)新的cw;

　�、廴绻�匹配成功，那么就更新該cw;

　　(3)更新所有cw的stale值，并將所有超過(guò)stale值仍未出現(xiàn)的cw消除;

　　(4)創(chuàng)建主碼本模型Mcodebook和一個(gè)緩存碼本模型Hcodebook;

　　(5)對(duì)輸入像素I(x,y)，在Mcodebook中尋找匹配的cw，即存在cw滿(mǎn)足以下條件：

　　min[m]-minMod[m]<=I(x,y)[m]<=max[m]+maxMod[m]

　　式中，minMod[m]和maxMod[m]是對(duì)圖像前景進(jìn)行分割時(shí)的閾值;

　　①若匹配成功，則判定該像素I(x,y)為背景，更新對(duì)應(yīng)cw;

　�、谌缙ヅ洳怀晒�，那么就判定該像素I(x,y)為前景，在Hcodebook中尋找匹配的cw， 如果在Hcodebook中找到匹配的碼字，則更新該cw;否則就在Hcodebook中創(chuàng)建一個(gè)新的 cw;

　　(6)將Hcodebook中所有stale>TH的cw刪除，TH為Hcodebook的除舊閾值;

　　(7)將Hcodebook中所有matchtime>Tadd的cw添加到Mcodebook中去，Tadd為 Hcodebook中碼字轉(zhuǎn)移閾值;

　　(8)將Mcodebook中的所有stale>Tdelete的cw刪去，Tdelete為Mcodebook中除舊 閾值;

　　(9)返回到步驟(5)，直至視頻圖像像素全部檢測(cè)完畢。

　　4.根據(jù)權(quán)利要求1或3所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于： 步驟三對(duì)采集圖像進(jìn)行目標(biāo)輪廓提取的過(guò)程為：

　　1)使用Otsu法自動(dòng)計(jì)算出每一幀圖像的最佳分割閾值T，運(yùn)用該最佳分割閾值T設(shè)計(jì) Canny目標(biāo)邊緣檢測(cè)算子，獲得運(yùn)動(dòng)目標(biāo)初步輪廓;

　　2)對(duì)步驟1)獲得的邊緣提取圖像進(jìn)行五幀差分運(yùn)算，獲得初步幀差結(jié)果;

　　3)采用形態(tài)學(xué)腐蝕運(yùn)算剔除幀差后二值圖像中孤立噪聲，并用形態(tài)學(xué)膨脹運(yùn)算填充運(yùn)動(dòng) 目標(biāo)邊緣空洞，得到清晰的運(yùn)動(dòng)目標(biāo)輪廓檢測(cè)結(jié)果。

　　5.根據(jù)權(quán)利要求4所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于：步驟 1)中Canny算子的上限閾值Th=T，下限閾值Tl=0.5T。

　　6.根據(jù)權(quán)利要求5所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于：步驟 2)按照下式進(jìn)行五幀差分運(yùn)算：

　　Dij=|Fi-Fj| (1≤i，j≤5)

　　式中，F(xiàn)i為經(jīng)過(guò)Canny算子處理過(guò)后的第i幀圖像，Dij為第i幀和第j幀的幀差結(jié)果。

　　7.根據(jù)權(quán)利要求5或6所述的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其特征在于： 步驟2)按照下式對(duì)所得幀差結(jié)果進(jìn)行完善：

　　$D(x,y)=[D_{31}(x,y)\otimes D_{35}(x,y)]\oplus [D_{32}(x,y)\otimes D_{34}(x,y)].$

　　說(shuō)明書(shū)

　　一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法

　　技術(shù)領(lǐng)域

　　本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體的說(shuō)，涉及一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè) 方法。

　　背景技術(shù)

　　長(zhǎng)期以來(lái)，污水生物處理系統(tǒng)的運(yùn)行管理主要依賴(lài)于運(yùn)行參數(shù)和水質(zhì)指標(biāo)的測(cè)定來(lái)判斷 和控制，存在明顯的滯后效應(yīng)。有研究表明，污水生物處理系統(tǒng)中的微生物種類(lèi)、數(shù)量、活 性變化等種群結(jié)構(gòu)特征，能在一定程度上預(yù)判工藝狀況和水質(zhì)處理效果。因此，近幾年來(lái)， 伴隨著顯微鏡技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，利用圖像分析手段對(duì)污水系統(tǒng)的生物相結(jié)構(gòu)進(jìn)行自 動(dòng)識(shí)別和定性分析受到了廣泛關(guān)注。而運(yùn)動(dòng)微生物的目標(biāo)檢測(cè)則成為實(shí)現(xiàn)自動(dòng)識(shí)別與定性分 析的前提條件。

　　目前，常用的圖像運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有幀差法、光流法以及背景減除法。其中，幀 差法是最簡(jiǎn)單快速的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，通�？刹捎脙蓭�、三幀或者五幀圖像的差分運(yùn)算來(lái) 獲取運(yùn)動(dòng)目標(biāo)。幀差法運(yùn)算簡(jiǎn)單、實(shí)時(shí)性特別好，但所提取的運(yùn)動(dòng)目標(biāo)往往不完整，目標(biāo)檢 測(cè)效果受目標(biāo)運(yùn)動(dòng)速度影響很大，雖然可通過(guò)采用多幀差分來(lái)克服目標(biāo)重疊現(xiàn)象，但是空洞 現(xiàn)象難以解決。光流法是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來(lái)確定各自像 素位置的“運(yùn)動(dòng)”，但是由于其計(jì)算量大，對(duì)硬件的要求高，因此很難滿(mǎn)足檢測(cè)實(shí)時(shí)性要求。 背景減除法是用當(dāng)前幀與所建立的背景模型進(jìn)行差分運(yùn)算，以獲取所要檢測(cè)的目標(biāo)。

　　背景減除法的檢測(cè)精度依賴(lài)于背景模型的精度，并且對(duì)于復(fù)雜變化的背景還需要及時(shí)對(duì) 背景模型進(jìn)行更新。常見(jiàn)的背景建模方法主要有平均背景法、碼本模型法、混合高斯模型法 等。平均背景法的基本思路是計(jì)算每個(gè)像素的平均值和標(biāo)準(zhǔn)差或者平均差值，作為它的背景 模型，算法簡(jiǎn)單，但目標(biāo)檢測(cè)效果不是很理想�；旌细咚鼓Ｐ筒捎枚鄠�(gè)高斯模型來(lái)表征圖像 中各個(gè)像素點(diǎn)特征，并用每個(gè)當(dāng)前幀來(lái)更新模型，通過(guò)當(dāng)前幀中每一個(gè)像素與背景模型的比 較，判斷該像素是否為背景。由此可見(jiàn)，混合高斯模型是一種實(shí)時(shí)更新的模型，對(duì)于光照的 變化、運(yùn)動(dòng)物體的長(zhǎng)時(shí)間停留等現(xiàn)象有很好的抗干擾能力，但是當(dāng)背景變化過(guò)快或運(yùn)動(dòng)目標(biāo) 運(yùn)動(dòng)緩慢時(shí)，混合高斯模型易將運(yùn)動(dòng)目標(biāo)當(dāng)作背景融到模型中去，從而造成運(yùn)動(dòng)目標(biāo)的漏檢。 針對(duì)背景場(chǎng)景中包含復(fù)雜運(yùn)動(dòng)目標(biāo)以及光線(xiàn)急劇變化等情況，Kim等人提出了碼本模型。碼 本模型可獲得每個(gè)像素的時(shí)間序列，因此可以很好的處理時(shí)間起伏問(wèn)題。該模型不僅可以克 服像素劇烈變化，也能將運(yùn)動(dòng)目標(biāo)從復(fù)雜背景中很好的分離出來(lái)，但是，分離出來(lái)的目標(biāo)輪 廓往往不夠精確。

　　綜上所述，目前常見(jiàn)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法均有其自身的優(yōu)勢(shì)和缺陷。而污水運(yùn)動(dòng)微生物 的檢測(cè)難點(diǎn)主要表現(xiàn)在以下幾個(gè)方面：

　　(1)污水微生物顯微成像顏色對(duì)比度明顯不足，視頻拍攝視角受限，運(yùn)動(dòng)目標(biāo)特征不清 晰，污水中的懸浮物、膠體物等各種有機(jī)物和無(wú)機(jī)物的干擾嚴(yán)重;

　　(2)運(yùn)動(dòng)微生物的目標(biāo)背景相當(dāng)復(fù)雜，時(shí)常伴隨遮擋、重疊、粘連、運(yùn)動(dòng)模糊、運(yùn)動(dòng)陰 影等現(xiàn)象，此外，還會(huì)受到水體波動(dòng)的影響;

　　(3)污水微生物種類(lèi)繁多，生活習(xí)性各異，出現(xiàn)頻度、豐度以及運(yùn)動(dòng)速度等跟工況條件 和自身活性度緊密相關(guān)，難以準(zhǔn)確估計(jì);

　　(4)活性微生物具有特定的進(jìn)食習(xí)慣、蠕動(dòng)方式以及彈跳扭曲御敵等習(xí)性，極易造成外 部形態(tài)發(fā)生明顯的形變特征。

　　因此，針對(duì)上述污水運(yùn)動(dòng)微生物的檢測(cè)難點(diǎn)，需要提供一種更加優(yōu)化的污水中運(yùn)動(dòng)微生 物的圖像自動(dòng)檢測(cè)方法。

　　發(fā)明內(nèi)容

　　1.發(fā)明要解決的技術(shù)問(wèn)題

　　本發(fā)明針對(duì)上述現(xiàn)有運(yùn)動(dòng)目標(biāo)圖像檢測(cè)方法存在的不足，以及檢測(cè)污水運(yùn)動(dòng)微生物存在 的難點(diǎn)，提出了一種將多層自適應(yīng)碼本模型和目標(biāo)輪廓提取相融合的污水運(yùn)動(dòng)微生物圖像自 動(dòng)檢測(cè)方法;本發(fā)明通過(guò)設(shè)計(jì)自適應(yīng)的復(fù)雜背景建模和背景更新機(jī)制，加速背景收斂，同時(shí) 結(jié)合基于改進(jìn)型五幀差分算法所提取的完整連續(xù)的目標(biāo)輪廓邊界，提高了污水微生物的自動(dòng) 檢測(cè)精度與效率，且實(shí)驗(yàn)結(jié)果也驗(yàn)證了該方法的有效性與實(shí)時(shí)性。

　　2.技術(shù)方案

　　為達(dá)到上述目的，本發(fā)明提供的技術(shù)方案為：

　　本發(fā)明的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，其步驟為：

　　步驟一、采集污水運(yùn)動(dòng)微生物視頻圖像;

　　步驟二、創(chuàng)建多層自適應(yīng)碼本模型，并根據(jù)該碼本模型對(duì)步驟一采集的圖像進(jìn)行運(yùn)動(dòng)目 標(biāo)檢測(cè);

　　步驟三、采用改進(jìn)型五幀差分算法對(duì)步驟一采集的圖像進(jìn)行目標(biāo)輪廓提取;

　　步驟四、將步驟二獲得的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，與步驟三獲得的運(yùn)動(dòng)目標(biāo)輪廓進(jìn)行融合或 運(yùn)算;

　　步驟五、對(duì)步驟四所得圖像進(jìn)行形態(tài)學(xué)處理和區(qū)域填充，獲得運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。

　　更進(jìn)一步地，步驟二基于YCbCr顏色空間創(chuàng)建多層自適應(yīng)碼本模型，碼本模型依據(jù)采集 圖像中每個(gè)像素點(diǎn)在YCbCr空間上的顏色和亮度變化，為每個(gè)像素點(diǎn)生成一個(gè)碼本cb，每 個(gè)碼本cb中包含一個(gè)或者多個(gè)碼字cw;所述的碼本與碼字構(gòu)造方式如下：

　　cb={cw1,cw2,cw3,……,cwn，t}

　　cw={learnhigh[m],learnlow[m],max[m],min[m],t_last_update,stale,matchtime}

　　上式中，t為訪(fǎng)問(wèn)碼本的頻度;n為碼本中包含的碼字個(gè)數(shù);m表示Y、Cb、Cr顏色通 道，0≤m≤2;learnhigh[m]和learnlow[m]分別為三個(gè)通道的學(xué)習(xí)上下限閾值;max[m]和min[m] 記錄對(duì)應(yīng)碼字中各通道的最大值和最小值;t_last_update為碼字上次更新時(shí)間;stale為碼字 未出現(xiàn)的最大時(shí)間間隔;matchtime表示該碼字出現(xiàn)的次數(shù)。

　　更進(jìn)一步地，步驟二創(chuàng)建多層自適應(yīng)碼本模型的過(guò)程為：

　　(1)初始化，將每個(gè)像素的碼本置空，即n=0;

　　(2)對(duì)于第t幀視頻：

　　①在對(duì)應(yīng)cb中尋找像素I(x,y)所匹配的cw,即判斷是否滿(mǎn)足以下條件：

　　learnlow[m]

　　式中，I(x,y)[m]為YCbCr空間中，坐標(biāo)位置在(x,y)處的圖像像素I(x,y)的三通道值;

　�、谌绻�不存在符合條件的cw或者碼本為空，則為該cb創(chuàng)建一個(gè)新的cw;

　�、廴绻�匹配成功，那么就更新該cw;

　　(3)更新所有cw的stale值，并將所有超過(guò)stale值仍未出現(xiàn)的cw消除;

　　(4)創(chuàng)建主碼本模型Mcodebook和一個(gè)緩存碼本模型Hcodebook;

　　(5)對(duì)輸入像素I(x,y)，在Mcodebook中尋找匹配的cw，即存在cw滿(mǎn)足以下條件：

　　min[m]-minMod[m]<=I(x,y)[m]<=max[m]+maxMod[m]

　　式中，minMod[m]和maxMod[m]是對(duì)圖像前景進(jìn)行分割時(shí)的閾值;

　�、偃羝ヅ涑晒�，則判定該像素I(x,y)為背景，更新對(duì)應(yīng)cw;

　�、谌缙ヅ洳怀晒�，那么就判定該像素I(x,y)為前景，在Hcodebook中尋找匹配的cw， 如果在Hcodebook中找到匹配的碼字，則更新該cw;否則就在Hcodebook中創(chuàng)建一個(gè)新的 cw;

　　(6)將Hcodebook中所有stale>TH的cw刪除，TH為Hcodebook的除舊閾值;

　　(7)將Hcodebook中所有matchtime>Tadd的cw添加到Mcodebook中去，Tadd為 Hcodebook中碼字轉(zhuǎn)移閾值;

　　(8)將Mcodebook中的所有stale>Tdelete的cw刪去，Tdelete為Mcodebook中除舊 閾值;

　　(9)返回到步驟(5)，直至視頻圖像像素全部檢測(cè)完畢。

　　更進(jìn)一步地，步驟三對(duì)采集圖像進(jìn)行目標(biāo)輪廓提取的過(guò)程為：

　　1)使用Otsu法自動(dòng)計(jì)算出每一幀圖像的最佳分割閾值T，運(yùn)用該最佳分割閾值T設(shè)計(jì) Canny目標(biāo)邊緣檢測(cè)算子，獲得運(yùn)動(dòng)目標(biāo)初步輪廓;

　　2)對(duì)步驟1)獲得的邊緣提取圖像進(jìn)行五幀差分運(yùn)算，獲得初步幀差結(jié)果;

　　3)采用形態(tài)學(xué)腐蝕運(yùn)算剔除幀差后二值圖像中孤立噪聲，并用形態(tài)學(xué)膨脹運(yùn)算填充運(yùn)動(dòng) 目標(biāo)邊緣空洞，得到清晰的運(yùn)動(dòng)目標(biāo)輪廓檢測(cè)結(jié)果。

　　更進(jìn)一步地，步驟1)中Canny算子的上限閾值Th=T，下限閾值Tl=0.5T。

　　更進(jìn)一步地，步驟2)按照下式進(jìn)行五幀差分運(yùn)算：

　　Dij=|Fi-Fj|(1≤i，j≤5)

　　式中，F(xiàn)i為經(jīng)過(guò)Canny算子處理過(guò)后的第i幀圖像，Dij為第i幀和第j幀的幀差結(jié)果。

　　更進(jìn)一步地，步驟2)按照下式對(duì)所得幀差結(jié)果進(jìn)行完善：

　　3.有益效果

　　采用本發(fā)明提供的技術(shù)方案，與已有的公知技術(shù)相比，具有如下顯著效果：

　　(1)本發(fā)明的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，鑒于污水微生物種類(lèi)繁多，形 態(tài)習(xí)性各異，顯微視頻圖像顏色對(duì)比度差，且微生物的運(yùn)動(dòng)背景相當(dāng)復(fù)雜，設(shè)計(jì)了自適應(yīng)的 復(fù)雜背景建模和背景更新機(jī)制，有效對(duì)復(fù)雜運(yùn)動(dòng)背景進(jìn)行建模和更新，利用背景減除方法， 獲取了理想的運(yùn)動(dòng)目標(biāo);

　　(2)本發(fā)明的一種污水運(yùn)動(dòng)微生物的圖像自動(dòng)檢測(cè)方法，通過(guò)對(duì)傳統(tǒng)五幀差分算法的改 進(jìn)，有效提取出運(yùn)動(dòng)微生物的邊界輪廓，再經(jīng)進(jìn)一步地形態(tài)學(xué)和區(qū)域填充處理，提取出了完 整連續(xù)的目標(biāo)輪廓邊界，提高了污水微生物的自動(dòng)檢測(cè)精度與效率;實(shí)驗(yàn)結(jié)果表明，本發(fā)明 提取的運(yùn)動(dòng)目標(biāo)數(shù)目準(zhǔn)確，沒(méi)有空洞，邊緣完整，實(shí)時(shí)性好，為后續(xù)的微生物自動(dòng)識(shí)別奠定 了良好基礎(chǔ)。