基于粒子群优化算法的水源微生物自动识别_闵新港.pdf
《基于粒子群优化算法的水源微生物自动识别_闵新港.pdf》由会员分享,可在线阅读,更多相关《基于粒子群优化算法的水源微生物自动识别_闵新港.pdf(10页珍藏版)》请在咨信网上搜索。
1、文章编号:1005-5630(2023)02-0008-10DOI:10.3969/j.issn.1005-5630.2023.002.002 基于粒子群优化算法的水源微生物自动识别基于粒子群优化算法的水源微生物自动识别闵新港,黄邵祺,游少杰,戴 博(上海理工大学 光电信息与计算机工程学院,上海 200093)摘要:水源微生物检测在水源生物安全监测等方面具有非常重要的意义,而传统的显微镜观测等方法存在效率低、需要专业人员操作等不足,为此提出了一种水源微生物自动识别方法。采集水样,并制作水源微生物图像集,编写全自动与半自动两种图像分割算法用于提取目标微生物区域,并提取 6 种图像特征。基于以上特
2、征数据,研究水源微生物识别模型的优化问题:首先,优化部分特征参数;接着,融合所有特征,建立粒子群优化算法的支持向量机(support vector machine optimized by particle swarm optimization,PSO-SVM)微生物识别模型,并与其他识别算法进行比较。结果表明,相比于其他 3 种算法,PSO-SVM 能更有效地识别各种微生物,其平均识别率达到 97.08%。关键词:微生物识别;图像分割;粒子群算法;支持向量机中图分类号:X 835 文献标志码:A Automatic recognition of water source microorgan
3、isms basedon particle swarm optimization algorithmMIN Xingang,HUANG Shaoqi,YOU Shaojie,DAI Bo(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science andTechnology,Shanghai 200093,China)Abstract:The detection of water source microorganisms is of great significance to
4、 the biosafety ofwater source and so on.However,the traditional methods such as microscopic observation areinefficient and need professional personnel.Therefore,an automatic recognition method of micro-organisms in water source is proposed.Water samples were collected and a microorganisms imageset w
5、as made.Automatic and semi-automatic image segmentation algorithms were proposed toextract the target microorganisms area,and 6 features were extracted.The model optimizationproblem of water microorganisms classification process was studied.First,the parameters of a fewfeatures were optimized.Then,a
6、ll the features were fused,and a microorganisms recognition modelof support vector machine optimized by particle swarm optimization(PSO-SVM)was establishedand compared with other recognition algorithms.The results show that,compared with the other 3recognition algorithms,PSO-SVM can recognize differ
7、ent kinds of microorganisms more收稿日期:2022-11-18基金项目:国家重点研发计划专项(2020YFF01014503)第一作者:闵新港(1997),男,硕士研究生,研究方向为微生物检测。E-mail:通信作者:戴博(1986),男,教授,研究方向为光学成像、超精密光学制造技术。E-mail:第 45 卷 第 2 期光 学 仪 器Vol.45,No.22023 年 4 月OPTICAL INSTRUMENTSApril,2023effectively,with an average recognition rate of 97.08%.Keywords:m
8、icroorganisms recognition;image segmentation;particle swarm algorithm;support vector machine引言水源微生物广泛分布于自然与人工水体环境中,它们无法用肉眼直接观察,例如水中的原生动物和真菌的大小通常介于 0.1100 m,只能在显微镜下进行观察。作为水质的关键评价指标之一,水源微生物的繁殖情况可以很好地反映水体的污染程度。因此,推进水源微生物分类识别的相关研究对于水源的生物安全性监测、水环境治理等具有非常重要的意义。考虑到传统机器学习方法对图形处理单元的要求较低,能够以较低成本部署在设备中,且所需的样本量
9、小,训练时间短,许多学者仍在利用机器学习方法来提高微生物检测的准确性。Rahmayuna 等1提出了一种利用支持向量机实现细菌种类的属级分类技术,对 4 种细菌的预测准确率达到了 90.33%。Dhindsa 等2利用像素聚类和 Kirsch 滤波分割图像中的微生物,对不同分类器提取相应的特征,再比较分类回归树等多种分类算法,结果表明,分类回归树算法最优,对 10 种微生物的识别准确率达到了 98%。本研究通过边缘检测来提取图像中的微生物,并提取多种图像特征并优化了部分特征参数,基于多特征融合的方法制作微生物数据集,采用粒子群优化算法的支持向量机(support vector machineo
10、ptimized by particle swarm optimization,PSO-SVM)来训练识别模型,并将其与网格搜寻支持向量机(grid search support vector machine,GS-SVM)3、误差反向传播算法(back propagationneural network,BP)和集成支持向量机(ensembleSVM)4比较,建立了一种高效的微生物识别方法。1水样采集与微生物图像集制作微生物采集于浦东威立雅自来水公司,由于夏季是微生物繁殖的高峰期,所以选择该时期进行采样工作,采样类型包括过滤水和出厂水。首先将滤袋放置在出水管道上,持续富集 3 d,之后将采样
11、带回实验室并转移到培养皿中,在Axio Vert.A1 型倒置显微镜(德国卡尔蔡司公司)下观察,照明光源为显微镜自带的明场光源,显微物镜放大倍率为 5。使用 Canon EOS80D 相机(日本佳能株式会社)对微生物进行拍照,ISO 速度为 800,曝光时间为 1/200 s,图像分辨率为 4 0006 000。最终得到 8 种微生物,共 640 张图像(每种 80 张),图 1 展示了这 8 种微生物的实例。采用每种微生物的 50 张图像用作训练集,30 张图像用作测试集,为减小计算 月形腔轮虫溞猛水蚤红虫钩状狭甲轮虫颤藻未知微生物 1未知微生物 2200 m 图18 种微生物实例Fig.1
12、Examplesof8speciesofmicroorganisms 第 2 期闵新港,等:基于粒子群优化算法的水源微生物自动识别 9 量,提高后续的处理速率,图像尺寸统一调整为 600900。用 Sefexa 软件来绘制评价标准图像。2水源微生物识别系统整体流程提出了一种水源微生物自动识别系统,该系统的整体流程如图 2 所示。首先,输入制作完成的微生物图像集,通过自编写的图像分割算法对微生物图像执行图像增强、平滑滤波、边缘检测、形态学处理等操作,获得目标微生物的二值掩膜,并提取目标微生物所在区域,得到分割后的微生物图像。随后,对分割后的图像提取 6 种特征描述子,包括几何特征、内部结构直方图
13、、傅里叶描述子、胡不变矩、灰度共生矩阵和旋转不变局部二值模式。由于 6 种特征的总维数不高,通过连接的方式进行特征融合。接下来,导入融合后的特征数据,通过粒子群算法优化SVM 训练参数,建立优化后的微生物识别模型,最终由该模型输出微生物的识别结果。采样、制作微生物图像处理(全自动/半自动图像分割)提取目标微生物区域特征提取(几何特征、内部结构角直方图、傅里叶描述子、胡不变矩、灰度共生矩阵、旋转不变局部二值模式)模型PSO 优化算法图像集建立 SVM 识别识别结果 图2水源微生物识别系统整体流程Fig.2Flowchartofthewatersourcemicroorganismsrecogni
14、tionsystem3微生物图像分割与特征提取3.1微生物图像分割设计了两种微生物图像分割方法,分别是全自动图像分割方法与半自动图像分割方法。半自动分割方法是在全自动分割方法基础上,新增了可以手动画出感兴趣的分割区域的功能,并只在该区域内进行后续的图像分割,这样可以在复杂环境中更加准确地分割出目标微生物。针对不同的环境复杂程度可采用不同的分割方法,例如:在流动的水体中,微生物和杂质密度较低,适合全自动分割方法;在富集的水样中,目标微生物会被大量杂质覆盖,适合半自动分割方法。对于全自动分割方法,首先输入原始微生物图像,再将原始图像转化为灰度图,之后通过点运算增强对比度,高斯滤波去噪,随后用Can
15、ny 边缘检测算子5来检测微生物边界,通过形态学处理闭合边缘图像并获得最终的分割结果。对于半自动分割方法,其流程如图 3 所示:第 1 步,读取原始图像;第 2 步,用户通过光标指针手动画出感兴趣的区域;第 3 步,将原始图像转化为灰度图,高斯平滑处理,点运算增强对比度;第 4 步,裁剪出所画的感兴趣区域,并求出其他区域的灰度均值,用来填充黑色背景区域;第 5 步,用 Canny 双阈值边缘检测提取微生物边缘轮廓,并使用形态学处理方法闭合边界;最后,填充微生物区域内部以获得分割后的微生物图像。Canny 边缘检测是最常用的边缘检测方法之一,它有着良好的抗噪声干扰性,对图像的弱边缘检测能力较好。
16、基于梯度理论6,假定 f(x,y)代表微生物图像中坐标(x,y)处的灰度值。则该坐标处的梯度被定义为f=(Gx,Gy)=(fx,fy)(1)相应的,梯度的幅值大小为M(f)=G2x+G2y=(fx)2+(fy)2(2)10 光 学 仪 器第 45 卷该坐标处的梯度方向为(x,y)=arctan(GyGx)(3)式中,Gx和 Gy分别为横轴 x 方向和纵轴 y 方向的梯度分量。根据式(2)和(3),可以得到整幅图像所有像素点的梯度幅值和方向。随后Canny 算子在 0、45、90和 135 4 个梯度方向上对数据执行非极大值抑制,对于中心像素点(x,y),选定其周围的 8 邻域像素范围,得到该点
17、的梯度方向所在直线与邻域相交的两个端点。由于实际图像是离散二维矩阵,端点不一定真实存在,需要进行插值。将点(x,y)与两个端点比较,若中心点梯度幅值是 3 个点中的最大值则保留,反之置 0。随后设定适当的低阈值与和高阈值,若像素点梯度幅值小于低阈值则舍弃;若梯度幅值大于高阈值则保留;若梯度幅值介于两者之间,则求出该点的 8 邻域像素的梯度幅值,如果梯度幅值高于高阈值,则保留该点,否则舍弃。3.2图像分割评价对于以上两种图像分割方法,采用相似度(similarity)、灵敏度(sensitivity)以及特异度(specificity)3 个指标进行评价,评价时的分割图像与评价标准图像均为二值图
18、像,1 代表感兴趣像素,0 代表背景像素。其相似度式定义分别为Vsim=TpTp+Fp+Fn(4)式中:Vsim表示分割图像与评价标准图像的相似度;Tp 表示被正确标记的像素总数;Fp 表示被错误标记为感兴趣像素的背景像素总数;Fn 表示被错误标记为背景像素的感兴趣像素总数。Vsen=TpTp+Fn(5)式中:Vsen表示灵敏度,即分割图像被正确标记的感兴趣像素总数与评价标准图像中的实际感兴趣像素总数之比。Vspe=TnTn+Fp(6)式中:Vspe表示特异度,即分割图像被正确标记的背景像素总数与实际背景像素总数之比;Tn表示被正确标记的背景像素总数。3.3微生物特征提取从分割后的微生物图像中
19、提取几何特征、内部结构直方图特征、傅里叶描述子、胡不变矩、灰度共生矩阵和旋转不变局部二值模式,共 6 种图像特征。几何特征(geometrical feature,GF)包括:(1)微生物的面积 A;(2)微生物边界轮廓的周长 P;(3)微生物的圆度(circularity)4A/P2;(4)与微生物区域具有相同归一化二阶中心矩的椭圆长轴长度 l1和短轴长度 l2。内部结构直方图(internal structure histogram,ISH)特征:如图 4 所示,在微生物边界轮廓上 图3微生物图像半自动分割流程Fig.3Flowchartofsemi-automaticmicroorgan
20、ismsimagesegmentation 第 2 期闵新港,等:基于粒子群优化算法的水源微生物自动识别 11 标记 K 个等距分布的采样点,将任意 3 个点组合,计算它们的内部结构角(例如图 4 所示的角),并将所有能得到的内切角按照一定的角度范围进行计数,由此可以得到 ISH 特征。图4内部结构角示意图Fig.4Internalstructureangle 傅里叶描述子(Fourier descriptor,FD):在微生物边界轮廓上标记 M 个等距分布的采样点,计算所有采样点对应的中心点坐标,并求出每个采样点到中心点的欧几里德距离,按顺序排列为d0,d1,dm,并通过离散傅里叶变换提取它
21、们的频域分量作为傅里叶描述子as=1MM1t=0dsexp(j2stM)(7)式中:as表示第 s 个复系数,s=0,1,M1;j 表示单位虚部;t 表示第 t 个采样点到中心点的欧几里德距离。为了降低噪声、平移和旋转对系数 as的影响,对其采取内部标准化bs=asa0(8)bM21由于微生物边界轮廓可表示为实函数,所以 bs有共轭对称性,最终得到一组 M/2 维特征向量(b0,b1,)。胡不变矩(Hu moments,Hu):Hu 是一种具有平移、旋转、尺度不变性的特征描述子7。在离散条件下,Chen8对其进行了改进,得到8 个不变矩特征,使得提取的图像形状特征更加全面。前 7 个参数在以往
22、的文献中已提及,不再赘述,第 8 个不变矩计算式为8=211(30+12)2(03+21)22(2002)(30+12)(21+03)(9)pq式中,表示图像的 p+q 阶归一化中心矩。灰度共生矩阵(gray level co-occurrence matrix,GLCM):GLCM 是一种纹理特征,它能反映图像中任意两像素点的灰度值的空间相关性9。为了减小计算量,把原始图像的灰度级压缩并量化为 16 级。在 0、45、90和 135 4 个方向上计算共生矩阵,对它们分别归一化处理,再对每个方向的共生矩阵计算 6 个统计量,即能量、熵、对比度、惯性矩、相关度以及逆差分矩,最终得到一组 24 维
23、的特征向量。旋转不变局部二值模式(rotation invariantlocal binary pattern,RI-LBP):RI-LBP 特征是原始 LBP 特征的一种改进型,具有计算简单、可适应不同尺度、灰度和旋转不变性的优点10。通过将灰度图像分块,然后在每个块内的每一个像素点的圆形邻域内进行编码采样,之后对采样得到的 LBP 值进行循环移位操作,得到若干个不同的值,取其中最小的一个作为最终的 LBP值,最后对每个块的 LBP 值进行直方图统计得到旋转不变 LBP 特征。假设以灰度图的某一点(xc,yc)为中心,在其半径为 R 的圆形邻域内,采样点个数为 Q,则 RI-LBP 的计算方
24、法如下LBPQ,R(xc,yc)=Qq=1s(I(q)I(c)2q(10)RILBProtQ,R=minROR(LBPQ,R,i)i=0,P1(11)式中:ROR 表示沿顺时针方向旋转 LBP 算子i 次;I(q)和 I(c)分别表示第 q 个采样点和中心点(xc,yc)的灰度值;s()为门限函数。由于采样区域是圆形,采样点可能并非实际存在的点,要通过线性插值来完成采样点的估计。3.4特征参数优化与特征融合调整 3 种特征的参数,分别是 ISH 的采样点个数和角度统计范围、FD 的采样点个数、RI-LBP 的邻域半径与采样点个数。随后用 SVM 训练不同参数条件下提取的所有微生物特征数据并测试
25、,为了降低结果的偶然性,每组实验重复10 次,每次实验的训练集和测试集均为随机取样,以 10 次实验的平均准确率作为评价标准,选择准确率最优的特征参数用于后续实验。准确 12 光 学 仪 器第 45 卷率的定义为11Vacc=Tp+TnTp+Fp+Fn+Tn(12)式中:Tp表示把实际为正样本的微生物分类为正;Tn表示把实际为负样本的微生物分类为负;Fp表示把实际为负样本的微生物分类为正;Fn表示把实际为正样本的微生物分类为负。之后,提取参数优化后的特征,将所有 6 种特征通过连接的方式融合起来。4PSO-SVM 水源微生物识别方法4.1粒子群优化算法粒子群优化算法(PSO)是通过模拟鸟类和鱼
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 粒子 优化 算法 水源 微生物 自动识别 新港
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。