菌落圖像進(jìn)行分析計(jì)數(shù)-畢業(yè)設(shè)計(jì)修改版

菌落圖像進(jìn)行分析計(jì)數(shù)_畢業(yè)設(shè)計(jì)修改版摘要對(duì)菌落圖像進(jìn)行分析計(jì)數(shù)是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進(jìn)行質(zhì)量檢測的一項(xiàng)很重要的工作。針對(duì)菌落圖像的特點(diǎn)，本文通過VC++進(jìn)行軟件開發(fā)，利用數(shù)字圖像處理技術(shù)對(duì)菌落圖像進(jìn)行處理與分析。主要完成了以下工作：用最大類間差法對(duì)采集的菌落圖像進(jìn)行二值化；通過霍夫變換的方法實(shí)現(xiàn)了培養(yǎng)皿邊緣的去除，提出了一種改進(jìn)的橢圓霍夫變換，該方法能很好地抑制噪聲和干擾的影響；通過距離變換法和分水嶺算法對(duì)粘連菌落進(jìn)行分割；通過八領(lǐng)域邊緣跟蹤和區(qū)域填充法對(duì)菌落進(jìn)行標(biāo)號(hào)后計(jì)數(shù)。關(guān)鍵詞：菌落分析，距離變換，粘連分割，邊緣跟蹤

ABSTRACTIMAGEPROCESSINGANDANALYSISOFCOLONYisanimportantworkinQualityInspectionforanalysisinthefieldofAgriculture,FoodIndustryandmedicalhealthindustry.Accordingtothefeatureofthecolonyimage,thisarticleuseVC++todevelopsoftware,usedigitalimageprocessingtoanalysisthecolonyimage.Themainresultsareasfollows:1.ItdobinaryColonyimagebyOTSU2.ItrealizedremovingtheedgeofthedishbytheHoughtransformmethod;putforwardanimprovedellipticalHoughtransform,whichcaninhibitnoiseandtheinfluenceofinterference.Studiedthepartitionofoverlappingcolonyusingchaincodedeviationtheoryandawatershedtransformationrespectively.Eight-connectededgetrackingalgorithmandareafillingalgorithmareusedtomarkandcountthecolony.Keywords:colonycounting;distancetransform;overlappingpartition;edgetracking

目錄第1章引言 11.1國內(nèi)外研究現(xiàn)狀 11.1.1圖像處理在計(jì)數(shù)方面的應(yīng)用 11.1.2菌落分析的發(fā)展 11.1.3粘連菌落分割研究 21.2研究的目的和意義 31.3本文主要研究內(nèi)容 4第2章關(guān)于數(shù)字圖像處理的理論基礎(chǔ)及常用處理方法 62.1數(shù)字圖像處理的起源及發(fā)展 62.2數(shù)字圖像處理的研究內(nèi)容 62.3數(shù)字圖像處理和分析模塊的基本構(gòu)成 72.4圖像處理的常用方法 8第3章菌落圖像的預(yù)處理 103.1菌落圖像的灰度化 103.1.1RGB顏色模型 103.1.2彩色圖像 103.1.3灰度圖像 113.1.4圖像灰度化 113.2菌落圖像的增強(qiáng) 123.2.1領(lǐng)域平均法 133.2.2中值濾波法 133.3菌落圖像的閾值分割 153.4培養(yǎng)皿邊緣的去除 183.4.1圓的霍夫變換 18第4章粘連菌落的分割 244.1距離變換 244.2分水嶺變換 254.2.1算法原理 254.2.2等值線跟蹤 254.2.3粘連區(qū)域分割點(diǎn)的確定 264.2.4粘連區(qū)域的切割 26第5章菌落圖像的特征提取與計(jì)數(shù) 295.1菌落圖像的幾何特征描述 295.1.1周長 295.1.2面積 305.1.3偏心率 305.2菌落的計(jì)數(shù) 315.2.1圖像連通區(qū)域的標(biāo)號(hào) 315.2.2菌落計(jì)數(shù) 325.3試驗(yàn)結(jié)果及分析 33第6章結(jié)束語 34參考文獻(xiàn) 35致謝 36附錄 37連通區(qū)域標(biāo)號(hào)源程序 37英文文獻(xiàn) 41文獻(xiàn)譯文 43

第1章90年代以來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)也飛速發(fā)展，使得基于數(shù)字圖像處理來進(jìn)行菌落計(jì)數(shù)成為可能，在國外也相繼有一些關(guān)于全自動(dòng)菌落計(jì)數(shù)儀開發(fā)的研究報(bào)道，但由于其設(shè)備復(fù)雜，對(duì)菌落形態(tài)、大小等有所限制，未能應(yīng)用于實(shí)際工作中。國內(nèi)關(guān)于這方面的研究報(bào)道是從這幾年剛剛起步，但發(fā)展極其迅速。目前，國內(nèi)外已有多家企業(yè)或研究機(jī)構(gòu)提供全自動(dòng)菌落計(jì)數(shù)儀，如杭州迅數(shù)科技的AS系列以及北京先驅(qū)威鋒技術(shù)開發(fā)公司的ZJL-200型菌落計(jì)數(shù)分析儀，另外，美國SpiralBiotech公司、Giles公司，德國Schuett公司等也都有菌落自動(dòng)計(jì)數(shù)儀面世。這些系統(tǒng)大都采用高質(zhì)量、高分辨率和高清晰度的彩色數(shù)碼CCD（大于500萬像素），來獲得高清晰的圖像，再通過先進(jìn)的硬件技術(shù)和軟件編程，來確?？煽康姆治鼋Y(jié)果。系統(tǒng)通過直觀、友好的操作界面，使操作人員不需專業(yè)培訓(xùn)就能操作，并且都能實(shí)現(xiàn)對(duì)計(jì)數(shù)結(jié)果的統(tǒng)計(jì)分析，并能夠?qū)λ媒Y(jié)果進(jìn)行保存、顯式、打印等操作，計(jì)數(shù)速度大都大于300個(gè)菌落/秒。而且，這些儀器大都應(yīng)用面比較廣，適用于傳統(tǒng)傾注式、涂布式或螺旋式接種的玻璃平皿和塑料平皿以及快速檢測濾膜、紙片的微生物檢測。另外，為了提高技術(shù)準(zhǔn)確性及系統(tǒng)整體性能，各公司生產(chǎn)的儀器也都有各自的特點(diǎn)，如為了減小光源不均勻所帶來的誤差，杭州迅數(shù)科技的全自動(dòng)菌落計(jì)數(shù)儀系列，提供了上下雙光源、透射底光源、平板式無影側(cè)光源、懸浮式暗視野拍攝系統(tǒng)四種可選擇光源，美國SpiralBiotech公司的Qcount型全自動(dòng)菌落計(jì)數(shù)儀則提供頂部入射光、底部透射光和帶偏振的暗視野三種可選擇光源，美國Giles公司的BIOMICV3則有頂部底部雙向光源、暗場及可選擇的紫外燈三種光源。為了提高性能，德國Schuett公司ColonyQuant菌落計(jì)數(shù)儀，同時(shí)可在同一個(gè)樣品中區(qū)別8種不同顏色的菌落，而浙江理工大學(xué)視覺檢測技術(shù)研究所開發(fā)研制的Hicc-1型高清晰全自動(dòng)菌落計(jì)數(shù)分析儀，通過顏色識(shí)別和專有的背景校正，精細(xì)分割光照不勻的菌落，最多可同時(shí)計(jì)數(shù)出15類不同的菌落。另外，為了使分割準(zhǔn)確，這些儀器都有手動(dòng)分割的功能。1.1.3粘連菌落分割研究從國內(nèi)外文獻(xiàn)報(bào)道來看，對(duì)粘連菌落圖像分割的主要方法有基于數(shù)學(xué)形態(tài)學(xué)的腐蝕膨脹法、分水嶺變換法等，這些都是目前分割粘連菌落的主流傳統(tǒng)算法，但是它們在應(yīng)用中表現(xiàn)出局限性。如腐蝕膨脹法對(duì)重疊區(qū)域采用先腐蝕分離再膨脹恢復(fù)的策略，獲得具有幾何意義的分界線。但是該法的腐蝕和膨脹的次數(shù)需人工經(jīng)驗(yàn)確定，且腐蝕和膨脹的不可逆性會(huì)造成一定誤差。分水嶺分割算法就是通過確定分水嶺的位置而進(jìn)行圖像分割的。該算法分割精度較高，但缺點(diǎn)是需要確定種子點(diǎn)，且它們的不同位置會(huì)影響邊界的劃定，容易出偽邊界錯(cuò)誤。而且傳統(tǒng)的分水嶺算法有一些缺陷:1.由于噪聲和梯度的局部不規(guī)則性的影響，分割結(jié)果往往形成過分割；2.由于圖像對(duì)比度低，區(qū)域邊界像素的梯度值也較低，目標(biāo)的重要輪廓容易丟失。為改進(jìn)以上缺陷，一些學(xué)者對(duì)傳統(tǒng)的分水嶺算法提出了改進(jìn)【3-5】。提出了能量最小化的Watersnakes算法，提高了邊界定位的準(zhǔn)確度和連續(xù)性，但對(duì)過分割問題的解決貢獻(xiàn)很??；采用基標(biāo)記Marker的分水嶺算法來消除過分割現(xiàn)象；提出了一種基于地貌修正的分水嶺變換方法來減少重復(fù)分割。這個(gè)算法雖然可以有效地分割粘連目標(biāo)，是分割粘連目標(biāo)的常用方法，但是這個(gè)算法復(fù)雜，計(jì)算量極大，限制了其在實(shí)際中的應(yīng)用。另外，王衛(wèi)星等將小波包分割引入分水嶺變換，可以在一定程度上克服分水嶺變換的缺點(diǎn)，在圖像尺寸較小的情況下，分割精度能夠得到一定提高。1.2研究的目的和意義菌落是指細(xì)菌在固體培養(yǎng)基上生長繁殖而形成的能被肉眼識(shí)別的生長物，由數(shù)以萬計(jì)相同的細(xì)菌集合而成。樣品稀釋后與培養(yǎng)基混合，在一定培養(yǎng)條件下，每個(gè)能夠生長繁殖的細(xì)菌細(xì)胞都可以在培養(yǎng)基上形成一個(gè)可見的菌落。對(duì)菌落進(jìn)行分析，主要是對(duì)菌落的數(shù)量以及大小、形狀等特征進(jìn)行分析，從而了解細(xì)菌繁殖的動(dòng)態(tài)，以便對(duì)被檢樣品進(jìn)行衛(wèi)生學(xué)評(píng)價(jià)時(shí)提供科學(xué)依據(jù)。其中，確定菌落數(shù)量是一項(xiàng)非常重要的工作。菌落總數(shù)是指在一定條件下（如需氧情況、營養(yǎng)條件、pH、培養(yǎng)溫度和時(shí)間等）每克（每毫升）檢樣所生長出來的細(xì)菌菌落總數(shù)。菌落總數(shù)主要是作為判定物品被細(xì)菌污染程度的標(biāo)志，具有重要的衛(wèi)生學(xué)意義，它可用于觀察食品中細(xì)菌的性質(zhì)以及細(xì)菌在食品中繁殖的動(dòng)態(tài)，以便對(duì)被檢樣品進(jìn)行衛(wèi)生學(xué)評(píng)價(jià)時(shí)提供科學(xué)依據(jù)。而各種細(xì)菌在一定條件下形成的菌落特征（如大小、形狀、邊緣、表面、質(zhì)地、顏色等）具有一定的穩(wěn)定性，這是衡量菌種純度、辨認(rèn)和鑒定菌種的重要依據(jù)。菌落分析所涉及的主要行業(yè)有：疾病控制、衛(wèi)生檢驗(yàn)中心；檢驗(yàn)檢疫局、質(zhì)量技術(shù)監(jiān)督局；醫(yī)院、大學(xué)、科學(xué)研究機(jī)構(gòu)：食品科學(xué)與工程，微生物，發(fā)酵，免疫，醫(yī)學(xué)檢驗(yàn)，公共衛(wèi)生；環(huán)境監(jiān)測部門、自來水公司；食品企業(yè)：飲料，飲用水，乳及乳制品，保健食品，糕點(diǎn)糖果，膨化食品，食品添加劑，糧食及其制品，酒類，調(diào)味品，微生態(tài)保健食品；消毒劑、消毒器械：消毒劑，消毒器械，生物指示劑，化學(xué)指示劑，滅菌包裝物；一次性使用醫(yī)療用品：輸注類，導(dǎo)管類，診斷、治療器具類，透析器具類，麻醉器具類，手術(shù)巾、敷料類，護(hù)理器材類；衛(wèi)生用品、化妝品業(yè)：衛(wèi)生巾，尿布，皮膚、粘膜衛(wèi)生用品，隱形眼睛護(hù)理用品，其他的一次性衛(wèi)生用品；制藥企業(yè)：生物制藥，化學(xué)制藥，抗生素企業(yè)等。對(duì)菌落進(jìn)行分析是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進(jìn)行質(zhì)量檢測的一項(xiàng)基本而非常重要的工作。例如，食品中細(xì)菌菌落總數(shù)越多，則表明該食品污染程度越重，腐敗變質(zhì)速率越快，因此，細(xì)菌菌落總數(shù)作為食品衛(wèi)生質(zhì)量的重要標(biāo)準(zhǔn)能夠反映出食品的新鮮程度、是否變質(zhì)以及生產(chǎn)過程的一般衛(wèi)生狀況等。水中細(xì)菌總數(shù)往往同水體受有機(jī)物污染的程度呈正相關(guān)，它是評(píng)價(jià)水質(zhì)污染程度的一個(gè)重要指標(biāo)之一。而在醫(yī)學(xué)領(lǐng)域，對(duì)菌落進(jìn)行分析是醫(yī)生進(jìn)行疾病診斷、細(xì)菌變異研究的重要依據(jù)。由此可以看出，菌落分析對(duì)于人民食品安全、衛(wèi)生健康等都有著非常重要的意義，同時(shí)，它也對(duì)人民生活質(zhì)量的提高有著非常重要的影響。中國水產(chǎn)科學(xué)研究院黃海水產(chǎn)研究所就曾在2007年引進(jìn)一臺(tái)全自動(dòng)菌落分析儀，用于進(jìn)行魚類致病微生物菌落圖譜制作，加強(qiáng)魚類細(xì)菌性疾病的基礎(chǔ)性研究工作。國內(nèi)通常采用國家標(biāo)準(zhǔn)檢驗(yàn)法--普通營養(yǎng)瓊脂傾注平皿法進(jìn)行菌落接種計(jì)數(shù)。傳統(tǒng)的方法是采用人工剝離進(jìn)行計(jì)數(shù)，由于試驗(yàn)樣品量往往很大，使用該法不僅工序繁雜、耗時(shí)長、效率低，而且依靠人工觀察計(jì)數(shù)帶有一定的主觀性,誤差大，重現(xiàn)性不好。后來出現(xiàn)的菌落計(jì)數(shù)器雖然在一定程度上可以減輕人工的勞動(dòng)，但對(duì)菌落進(jìn)行計(jì)數(shù)仍然是一項(xiàng)費(fèi)時(shí)、繁雜的工作。近年來，圖像測量技術(shù)作為測量領(lǐng)域中的新興技術(shù)，已經(jīng)在很多領(lǐng)域得到了廣泛應(yīng)用，它是以現(xiàn)代光學(xué)為基礎(chǔ)，融光電子學(xué)、激光技術(shù)、計(jì)算機(jī)圖像學(xué)、信息處理和計(jì)算機(jī)視覺為一體，實(shí)現(xiàn)對(duì)測量對(duì)象的實(shí)時(shí)、在線、非接觸測量，可以在很大程度上克服人為誤差。利用計(jì)算機(jī)圖像處理技術(shù)[6]進(jìn)行菌落分析也逐漸被人們關(guān)注，它不僅可以消除主觀因素的影響，分析結(jié)果比較準(zhǔn)確可靠，所用設(shè)備也簡單方便，而且易于操作。目前，市場上已經(jīng)出現(xiàn)一些全自動(dòng)菌落分析儀，但是，多為國外進(jìn)口，價(jià)格昂貴，因此只有一些大的企業(yè)和科研單位能夠買得起，大部分企業(yè)仍然采用價(jià)格便宜的菌落計(jì)數(shù)器。而且，即使是目前最先進(jìn)的菌落分析儀，為了使分析結(jié)果準(zhǔn)確，在分析過程中仍然需要進(jìn)行人工干預(yù)。因此，有必要開展這方面的研究，使其分析結(jié)果更加準(zhǔn)確，而且盡量采用軟件技術(shù)來減小系統(tǒng)對(duì)硬件的要求，使其在生產(chǎn)成本上能有很大幅度的降低。這樣，將使全自動(dòng)菌落分析儀可以被很多中小企業(yè)所接受，這對(duì)于提高工廠生產(chǎn)效率、減輕工人勞動(dòng)強(qiáng)度有很重要的意義，更進(jìn)一步，它也會(huì)對(duì)提高國民生產(chǎn)總值，改善人民生活質(zhì)量產(chǎn)生深遠(yuǎn)影響。本文主要研究內(nèi)容本課題是利用數(shù)字圖像處理算法實(shí)現(xiàn)對(duì)菌落圖像的預(yù)處理、去除平皿邊緣、粘連菌落分割、菌落特征提取、菌落計(jì)數(shù)等，得到滿足需要的結(jié)果。針對(duì)菌落圖像特點(diǎn)，提出用最大類間方差法對(duì)采集的菌落圖像進(jìn)行二值化，用變換去除平皿邊緣圖像，用距離變換和分水嶺算法分割粘連菌落，最后用八鄰域邊緣跟蹤和區(qū)域填充算法進(jìn)行標(biāo)號(hào)后計(jì)數(shù)。實(shí)驗(yàn)證明此法不僅計(jì)數(shù)結(jié)果準(zhǔn)確，重現(xiàn)性好，而且速度快，計(jì)數(shù)結(jié)果不受菌落接種方法、菌落種類、形態(tài)、大小的影響，完全可以代替?zhèn)鹘y(tǒng)的人工計(jì)數(shù)，具有一定的推廣和應(yīng)用價(jià)值。

第2章關(guān)于數(shù)字圖像處理的理論基礎(chǔ)及常用處理方法數(shù)字圖像處理是通過計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個(gè)因素的影響:一是計(jì)算機(jī)的發(fā)展;二是數(shù)學(xué)的發(fā)展特別是離散數(shù)學(xué)理論的創(chuàng)立和完善;三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長。DigitalImageProcessing）又稱為計(jì)算機(jī)圖像處理，它是指將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)對(duì)其進(jìn)行處理的過程。數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時(shí)的電子計(jì)算機(jī)已經(jīng)發(fā)展到一定水平，人們開始利用計(jì)算機(jī)來處理圖形和圖像信息。但是50年代的計(jì)算機(jī)主要還是用于數(shù)值計(jì)算，滿足不了處理大量數(shù)據(jù)圖像的要求。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60年代初期。伴隨著第三代計(jì)算機(jī)的研制成功，以及快速傅里葉變換算法的的發(fā)現(xiàn)和應(yīng)用使得對(duì)圖像的某些計(jì)算得以實(shí)際實(shí)踐。早期的圖像處理的目的是改善圖像的質(zhì)量，它以人為對(duì)象，以改善人的視覺效果為目的。在70年代圖像技術(shù)有了長足進(jìn)展，80年代，硬件的發(fā)展使得人們不僅能處理2-D圖像而且能處理3-D圖像，許多能獲取3-D圖像的設(shè)備和處理分析3-D圖像的系統(tǒng)研制成功，圖像技術(shù)得到廣泛應(yīng)用。2.2數(shù)字圖像處理的研究內(nèi)容數(shù)字圖象處理，就是采用計(jì)算機(jī)對(duì)圖像進(jìn)行信息加工。圖象處理的主要內(nèi)容有：圖像的采集、增強(qiáng)、復(fù)原、變換、編碼、重建、分割、配準(zhǔn)、嵌拼、融合、特征提取、模式識(shí)別和圖像理解。對(duì)圖像進(jìn)行處理或加工、分析的主要目的有三個(gè)方面：（1提高圖像的視感質(zhì)量,如進(jìn)行圖像的亮度、彩色變換,增強(qiáng)、抑制某些成分,對(duì)圖像進(jìn)行幾何變換等,以改善圖像的質(zhì)量。（2提取圖像中所包含的某些特征或特殊信息,這些被提取的特征或信息往往為計(jì)算機(jī)分析圖像提供便利。提取特征或信息的過程是模式識(shí)別或計(jì)算機(jī)視覺的預(yù)處理。提取的特征可以包括很多方面,如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。（3圖像數(shù)據(jù)的變換、編碼和壓縮,以便于圖像的存儲(chǔ)和傳輸。不管是何種目的的圖像處理,都需要由計(jì)算機(jī)和圖像專用設(shè)備組成的圖像處理系統(tǒng)對(duì)圖像數(shù)據(jù)進(jìn)行輸入、加工和輸出。2.3數(shù)字圖像處理和分析模塊的基本構(gòu)成一個(gè)基本的圖像（處理和分析）可由五部分（如圖2.1）表示：圖2.1圖像處理和分析模型這五部分分別是：采集、顯示、存儲(chǔ)、通信、處理和分析。（1）圖像采集模塊為采集數(shù)字圖像，需要兩種裝置。一種是對(duì)某個(gè)電磁能量譜段（如X射線、可見光、紅外線等）敏感的物理器件，它能產(chǎn)生與所接受到的電磁能量成正比的（模擬）電信號(hào)。另一種稱為數(shù)字化器，他能將上述電信號(hào)轉(zhuǎn)化為數(shù)字形式，所有采集數(shù)字圖像的設(shè)備都需要這兩種裝置。（2）圖像顯示模塊對(duì)于圖像處理來說，最終的目的是要顯示給人看的。對(duì)于圖像分析來說，分析的結(jié)果也可以借助計(jì)算機(jī)圖形學(xué)技術(shù)轉(zhuǎn)換為圖像形式直觀的顯示。所以圖像的顯示對(duì)其處理和分析系統(tǒng)是非常重要的。常用的圖像處理和分析系統(tǒng)主要顯示設(shè)備是顯示器，輸入顯示圖像也可拷貝到照片或透明膠片上，除了顯示器，還有投影儀和各種打印設(shè)備可以用于圖像輸出顯示。（3）圖像存儲(chǔ)模塊圖像包含有大量的信息因而存儲(chǔ)圖像也需要大量空間。用于數(shù)字處理和圖像分析的數(shù)字存儲(chǔ)器可分為三類：a，處理和分析過程中使用的快速存儲(chǔ)器。計(jì)算機(jī)內(nèi)存就是一種提供快速存儲(chǔ)功能的存儲(chǔ)器，在圖像處理中大量的運(yùn)算所產(chǎn)生的緩存數(shù)據(jù)可以存儲(chǔ)在里面，方便隨時(shí)調(diào)用數(shù)據(jù)進(jìn)行圖像處理運(yùn)算。b，用于比較快速的重新調(diào)用的在線或聯(lián)機(jī)存儲(chǔ)器。c，不經(jīng)常使用的數(shù)據(jù)庫存儲(chǔ)器。這種存儲(chǔ)器的特點(diǎn)是要求非常大的容量，但對(duì)數(shù)據(jù)讀取不太頻繁，常用于對(duì)數(shù)字圖像的保存。（4）圖像通信模塊隨著網(wǎng)絡(luò)發(fā)展的進(jìn)步，圖像的通信傳輸也得到極大關(guān)注。圖像傳輸可使不同的系統(tǒng)共享圖像數(shù)據(jù)資源，極大地推動(dòng)了圖像在各個(gè)領(lǐng)域的應(yīng)用。（5）圖像處理和分析模塊對(duì)圖像的處理和分析一般可用算法來描述，而大多數(shù)算法可通過軟件來實(shí)現(xiàn)，在為了提高速度和克服通用計(jì)算機(jī)的缺陷時(shí)才應(yīng)用專用的硬件實(shí)現(xiàn)。90年代后，各種工業(yè)標(biāo)準(zhǔn)的訂立也促進(jìn)了圖像處理分析軟件的發(fā)展，使圖像處理變得更加方便快捷。2.4圖像處理的常用方法（1）圖像變換由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計(jì)算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理）。目前新興研究的小波變換在時(shí)域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應(yīng)用。（2）圖像的增強(qiáng)圖像的增強(qiáng)用于調(diào)整圖像的對(duì)比度，突出圖像中的重要細(xì)節(jié)，改善視覺質(zhì)量。通常采用灰度直方圖修改技術(shù)進(jìn)行圖像增強(qiáng)。圖像的灰度直方圖是表示一幅圖像灰度分布情況的統(tǒng)計(jì)特性圖表，與對(duì)比度緊密相連。如果獲得一幅圖像的直方圖效果不理想，可以通過直方圖均衡化處理技術(shù)作適當(dāng)修改，即把一幅已知灰度概率分布圖像中的像素灰度作某種映射變換，使它變成具有均勻灰度概率分布的新圖像，使圖像清晰。（3）圖像的平滑圖像的平滑處理即圖像的去噪聲處理，主要是為了去除實(shí)際成像過程中，因成像設(shè)備和環(huán)境所造成的圖像失真，提取有用信息。實(shí)際獲得的圖像在形成、傳輸、接收和處理過程中，不可避免地存在外部干擾和內(nèi)部干擾，如光電轉(zhuǎn)換過程中敏感元件靈敏度的不均勻性、數(shù)字化過程的量化噪聲、傳輸過程中的誤差以及人為因素等，均會(huì)使圖像變質(zhì)。因此，去除噪聲恢復(fù)原始圖像是圖像處理中的一個(gè)重要內(nèi)容。（4）邊緣銳化圖像邊緣銳化處理主要是加強(qiáng)圖像中的輪廓邊緣和細(xì)節(jié)，形成完整的物體邊界，達(dá)到將物體從圖像中分離出來或?qū)⒈硎就晃矬w表面的區(qū)域檢測出來的目的。銳化的作用是要使灰度反差增強(qiáng)，因?yàn)檫吘壓洼喞嘉挥诨叶韧蛔兊牡胤?。所以銳化算法的實(shí)現(xiàn)是基于微分作用。它是早期視覺理論和算法中的基本問題。（5）圖像的分割圖像分割是將圖像分成若干部分，每一部分對(duì)應(yīng)于某一物體表面，在進(jìn)行分割時(shí)，每一部分的灰度或紋理符合某一種均勻測度度量。其本質(zhì)是將像素進(jìn)行分類。分類依據(jù)是像素的灰度值、顏色、頻譜特性、空間特性或紋理特性等。圖像分割是圖像處理技術(shù)的基本方法之一，應(yīng)用于諸如染色體分類、景物理解系統(tǒng)、機(jī)器視覺等方面。

第3章菌落圖像的R、G、BR、G、BRGB顏色模型為了科學(xué)的定量描述和使用顏色，人們提出了各種顏色的模型，例如RGB顏色模型、HIS顏色模型等。計(jì)算機(jī)中的數(shù)字圖像，用的最多的是RGB彩色空間，因?yàn)橛?jì)算機(jī)彩色監(jiān)視器的輸入需要RGB三個(gè)彩色分量，通過三個(gè)分量的不同比例，在顯示屏幕上合成所需要的任意顏色，即不管用什么形式的彩色空間，最后的輸出一定要轉(zhuǎn)換成RGB彩色空間。自然界常見的各種顏色光，都可由紅、綠、藍(lán)三種顏色的光按照不同比例相配而成，這就是色度學(xué)中最基本原理――三基色原理【6】。由于人眼對(duì)紅、綠、藍(lán)三種色光最敏感，因此由這三種顏色相配所得的彩色范圍最廣，選紅、綠、藍(lán)三種顏色作為基色，構(gòu)成RGB彩色空間，也稱為RGB彩色模型。在RGB彩色空間中，任意彩色光L，其配色方程可以表示為【7】：（3.1）式中，r、g、bR、G、B[R]、[G]、[B]r[R]、g[G]、b[B]L的三色分量，且有。3.1.2彩色圖像任何顏色都可以由紅、綠、藍(lán)三種基本顏色按照不同的比例混合得到，每種基本顏色可以分成0～255共256個(gè)等級(jí)，那么由紅、綠、藍(lán)（簡稱RGB三原色）組成顏色的種類可以達(dá)到（約1600萬）種。當(dāng)一副圖像的每個(gè)像素被賦予不同的RGB值時(shí)，就形成了彩色圖像。常見的彩色圖像有帶調(diào)色板的彩色圖像和不帶調(diào)色板的真彩色圖像兩種。兩者的區(qū)別在于圖像所包含的顏色數(shù)量、顏色的表示方式。帶調(diào)色板的彩色圖像的每個(gè)像素值與調(diào)色板查找表中的索引號(hào)相對(duì)應(yīng)，通過索引號(hào)可以在調(diào)色板中找到像素點(diǎn)的彩色值；真彩色圖像沒有采用調(diào)色板技術(shù)，每個(gè)像素值直接用R、G、BGrayscale）是指只含亮度信息，不含色彩信息的圖像，就像平時(shí)看到的亮度由暗到明的黑白照片，亮度變化是連續(xù)的。因此，要表示灰度圖，就需要把亮度值進(jìn)行量化，通常劃分為0～255共256個(gè)級(jí)別，0表示最暗（全黑），255最亮（全白），數(shù)值越接近0，對(duì)應(yīng)的像素點(diǎn)越黑；相反，則對(duì)應(yīng)的像素點(diǎn)越白?；叶葓D像使用比較方便，首先圖像每個(gè)像素點(diǎn)的R、G、BR、G、B256色的調(diào)色板，所以圖像數(shù)據(jù)中的一個(gè)字節(jié)代表一個(gè)像素。如果是彩色的256色的調(diào)色板，圖像處理后可能會(huì)產(chǎn)生不屬于這256種顏色的新顏色，所以，圖像處理一般采用灰度圖像。3.1.4圖像灰度化在RGB顏色模型中，如果RGB，則顏色（R、G、BRGB的值叫做灰度值。彩色和灰度之間可以相互轉(zhuǎn)化，由彩色轉(zhuǎn)化為灰度的過程叫做灰度化處理；由灰度轉(zhuǎn)化為彩色的過程叫作偽彩色處理。彩色圖像灰度化就是使彩色的R、G、BR、G、B0～255，所以灰度的級(jí)別只有256級(jí)，即灰度圖像僅能表現(xiàn)256種顏色。彩色圖像灰度化沒有統(tǒng)一的標(biāo)準(zhǔn)。一般來說，都是根據(jù)原來圖像的RGB的3個(gè)分量以及它們的權(quán)重來求取的。本文采用加權(quán)平均值法進(jìn)行圖形的灰度化處理。即根據(jù)重要性或其他指標(biāo)給R、G、BR、G、B（3.2）其中U、V、WR、G、BU、V、WUVW時(shí)將得到較合理的灰度圖像。試驗(yàn)和理論推導(dǎo)證明，當(dāng)U0.299，V0.587，W0.114時(shí)，即當(dāng)（3.3）時(shí)，能夠得到最合理的灰度圖像，本研究采用此種方法。這個(gè)公式也是電視工業(yè)標(biāo)準(zhǔn)灰度化的方法，用這種方法可以從彩色電視信號(hào)得到自然的黑白亮度信號(hào)，該方法除用于電視亮度信號(hào)外，也廣泛用于其它彩色圖像的灰度化處理中。圖3.2就是利用加權(quán)平均值法對(duì)圖3.1灰度化處理的結(jié)果，菌落圖像已經(jīng)沒有了彩色成分，在內(nèi)存中表示圖像的矩陣也由原來的三個(gè)矩陣減少為一個(gè)矩陣，圖像的數(shù)據(jù)量大大減少了。圖3.1原始菌落圖像圖3.2灰度化處理后的菌落圖像3.2菌落圖像的增強(qiáng)在菌落圖像處理的過程中，實(shí)際獲得的圖像一般都因灰塵、雜質(zhì)、光照等某種干擾而含有噪聲，這些噪聲使圖像質(zhì)量退化，并淹沒了菌落的特征，給圖像的處理和識(shí)別帶來了困難。在圖像處理系統(tǒng)中加入圖像增強(qiáng)處理，可以達(dá)到減少或消除噪聲影響，增強(qiáng)菌落特征的作用。圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一，它是指按特定的需要突出一幅圖像中的某些信息，同時(shí)削弱或去除某些不需要的信息，它是一種將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，抑制不感興趣的特征，使之改善圖像質(zhì)量，豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果的圖像處理方法。同時(shí)，它也是對(duì)圖像視覺效果改善行之有效、相對(duì)簡單的方法。圖像增強(qiáng)可分為兩大類：頻域處理法與空域處理法。論文中主要采用的是空域處理中的圖像平滑方法，通過修改像素灰度值的方法來減少和消除圖像中高頻噪聲，改善圖像的對(duì)比度，達(dá)到提高目標(biāo)圖像視覺效果的目的。常用的平滑處理的方法有鄰域平均法和中值濾波法【8】。3.2.1領(lǐng)域平均法鄰域平均法是一種局部處理算法，它是一種線性濾波，領(lǐng)域平均法的過程是使一個(gè)窗口在圖像上滑動(dòng)，窗口中心位置的值用窗口內(nèi)各點(diǎn)的像素值的平均值來代替，即這種方法的基本思想是用幾個(gè)像素點(diǎn)的灰度值的平均值來代替一個(gè)像素的灰度值。對(duì)于位置處的像素，其灰度值為，平滑后的灰度值為，則由包圍鄰域的若干個(gè)像素的灰度平均值所決定，即用下式可得到平滑的像素灰度值3.4式中，A表示以為中心的鄰域點(diǎn)的集合，M是A中像素點(diǎn)的總數(shù)。圖3.3表示了常用的4鄰域點(diǎn)和8鄰域點(diǎn)的集合。（a）4鄰域點(diǎn)的集合（b）8鄰域點(diǎn)的集合圖3.3鄰域平均法示意圖3.2.2中值濾波法中值濾波也是一種局部平均平滑技術(shù)，是非線性濾波去噪方法，由于它在實(shí)際的運(yùn)算過程中不需要統(tǒng)計(jì)特性，所以使用比較方便。中值濾波是采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動(dòng)窗口，用窗口中各點(diǎn)的灰度值的中值來代替窗口中心點(diǎn)像素的灰度值。對(duì)于一個(gè)一維序列，取窗口長度為m，m為奇數(shù)。對(duì)此序列進(jìn)行中中值濾波，就是從輸入序列中順序取出m個(gè)元素，，其中i為窗口的中心位置，vm-1/2，將這m個(gè)元素按照數(shù)值大小排列，位于正中間的那個(gè)數(shù)值作為濾波輸出。即3.5式中Med…表示取序列中值。對(duì)于二維序列進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，將窗口內(nèi)像素排序，生成單調(diào)數(shù)據(jù)序列，二維中值濾波的結(jié)果為3.6圖3.4就是常用的二維中值濾波的窗口。利用鄰域平均方法（8鄰域點(diǎn)平均）和中值濾波方法（3×3二維濾波窗口）分別對(duì)含有噪聲的菌落圖像（圖3.2）進(jìn)行處理，由結(jié)果（圖3.5）可以看出，鄰域平均法處理后的圖像變得模糊，相比之下，中值濾波方法可以克服線性濾波所帶來的圖像細(xì)節(jié)模糊現(xiàn)象，能夠比較好的保護(hù)圖像的邊緣，而且對(duì)濾除脈沖干擾及顆粒噪聲最為有效，所以論文采用中值濾波方法對(duì)菌落圖像進(jìn)行圖像增強(qiáng)處理。圖3.4二維中值濾波窗口（a）鄰域平均法（b）中值濾波法圖3.5圖像平滑對(duì)比圖3.3菌落圖像的閾值分割圖像的二值化一般通過閾值分割的方法來實(shí)現(xiàn)。閾值分割是一種簡單、有效的圖像分割方法,它的基本思想是利用圖像中要提取的目標(biāo)與背景的灰度值間、或者目標(biāo)與目標(biāo)的灰度值之間的差異，取一個(gè)或幾個(gè)合適的灰度值作為門限值（閾值），然后把圖像中的每一個(gè)像素和閾值進(jìn)行比較，由此可將圖像以閾值為界分為兩類或多類，從而把目標(biāo)與背景或目標(biāo)與目標(biāo)分割開來【9】。設(shè)輸入圖像為，輸出圖像為，以代表任一點(diǎn)像素，代表輸入圖像該點(diǎn)的灰度值，代表輸出圖像該點(diǎn)的灰度值，閾值分割可用公式表示如下。若圖像分為目標(biāo)與背景，所選閾值為T，則有（3.7）T可將圖像分為背景和目標(biāo)，所得的圖像稱為二值圖像。根據(jù)閾值分割的定義可以看出，閾值分割的結(jié)果很大程度上依賴于分割閾值的選擇，閾值的設(shè)定對(duì)二值化處理產(chǎn)生的結(jié)果影響非常大，圖3.6為不同閾值下的處理結(jié)果?？梢园l(fā)現(xiàn)，過小的閾值會(huì)把不需要的內(nèi)容也一起提取出來，而過大的閾值會(huì)去掉部分目標(biāo)物體，所以合理的確定閾值非常重要。閾值的確定方法有很多，本文采用最大類間方差法，即由Otsu【10】（即大津展之）于1978年提出的最大類間方差法，又稱為大津閾值分割法，它是在判決分析和最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的，算法較為簡單，是一種引起較多關(guān)注的閾值選取方法。本文研究的識(shí)別系統(tǒng)圖像分割算法主要就是基于大津閾值分割算法的多種擴(kuò)展應(yīng)用。設(shè)原始灰度圖像灰度級(jí)為L，灰度級(jí)為的像素點(diǎn)數(shù)為，則圖像的全部像素的點(diǎn)數(shù)為：。歸一化直方圖，則（3.8）按灰度級(jí)用閾值t劃分為兩類：和。因此，和類的類出現(xiàn)概率及均值層分別由下列各式給出（3.9）（3.10）（a）原始圖像（b）閾值為165（c）閾值為200（d）閾值為220圖3.6不同閾值分割菌落圖像（3.11）（3.12）式中（3.13）可以推出，對(duì)任何t值，下式都能成立（3.14）和類的方差可由下式求得（3.15）（3.16）定義類內(nèi)方差為（3.17）類間方差為3.18總體方差為3.19引入下列關(guān)于t的等價(jià)的判決準(zhǔn)則3.20這三個(gè)準(zhǔn)則是彼此等效的，將使和兩類得到最佳分離的值作為最佳閾值，因此將定義為最大判決準(zhǔn)則。由于是基于二階統(tǒng)計(jì)特性，而是基于一階統(tǒng)計(jì)特性，和是閾值t的函數(shù)，而與t值無關(guān)，因此三個(gè)準(zhǔn)則中最為簡便，所以選用其作為準(zhǔn)則可得最佳閾值（3.21）通過使用最大類間方差算法得到分割閾值進(jìn)行分割時(shí)，雖然可以極大限度地分割目標(biāo)像素和背景像素，但是會(huì)有過分割（將少量目標(biāo)像素分割成背景）和欠分割（將少量的背景像素分割為目標(biāo)）的情況出現(xiàn)。由于大部分的圖像都具有上述的灰度分布特點(diǎn)，這樣的誤分割是很難避免的。3.4培養(yǎng)皿邊緣的去除在對(duì)二值菌落圖像進(jìn)行反色處理后可以看出，除了檢測出菌落圖像外,還可見明顯的培養(yǎng)皿邊緣圖像,如圖3.7所示。這影響了后續(xù)計(jì)數(shù)步驟的進(jìn)行,故需去除培養(yǎng)皿邊緣圖像。傳統(tǒng)的方法是通過邊緣檢測的方法來進(jìn)行處理，但是由于二值化后的圖像邊緣并不完整，因此不適用于這種方法。由于培養(yǎng)皿邊緣是個(gè)規(guī)則的圓形,在畸變之后可能變?yōu)闄E圓，因此本文采用Hough變換檢測圓的方法來去除培養(yǎng)皿邊緣圖像。Hough變換是由PaulHough在1962年提出的，它在圖像處理和計(jì)算機(jī)中經(jīng)常被用來在邊緣增強(qiáng)后的圖像中提取目標(biāo)的邊緣信息。Hough變換實(shí)現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系，它將圖像空間中復(fù)雜的邊緣特征信息轉(zhuǎn)化為參數(shù)空間中的聚類檢測問題。這使Hough變換具有明了的幾何解析性、一定的抗干擾能力和易于實(shí)現(xiàn)并行處理等優(yōu)點(diǎn)；另一方面，它也存在著計(jì)算量大每個(gè)邊緣點(diǎn)映射成參數(shù)空間的一個(gè)曲面有時(shí)可簡化成一條曲線，是一到多的映射、占用內(nèi)存大、提取的參數(shù)受參數(shù)空間的量化間隔制約等缺陷。Hough變換長期以來一直是直線檢測的一種有效算法，直線上各點(diǎn)經(jīng)過變換轉(zhuǎn)換至參數(shù)空間中某一定點(diǎn)并在該點(diǎn)累積，形成參數(shù)空間中的局部最大值，從而檢測到直線。但應(yīng)用在圓或橢圓的檢測中，參數(shù)空間的維數(shù)將擴(kuò)大到三維和五維，這將耗費(fèi)大量的存儲(chǔ)空間和處理器時(shí)間。針對(duì)如何降低參數(shù)空間的維數(shù)、減少計(jì)算量，許多人提出了自己的看法，但很多算法對(duì)圖像中的噪聲干擾、計(jì)算的量化誤差仍考慮不足。在菌落圖像中，經(jīng)過預(yù)處理后培養(yǎng)皿的邊緣是圓形，當(dāng)菌落圖像傾斜時(shí)就是橢圓形。對(duì)菌落的識(shí)別，就需要去除培養(yǎng)皿邊緣的圖像，從而準(zhǔn)確地實(shí)現(xiàn)菌落的自動(dòng)計(jì)數(shù)。Hough變換【11】及其改進(jìn)算法是解決以上問題的一種有效途徑。本文提出了一種改進(jìn)的橢圓的霍夫變換，利用圓和橢圓的對(duì)稱性對(duì)圖像過濾，形成子圖并獲得可能的形心位置，進(jìn)而在各子圖上采用霍夫變換的投票機(jī)制獲得其余的參數(shù)，識(shí)別出橢圓，從而實(shí)現(xiàn)對(duì)菌落的識(shí)別和計(jì)數(shù)。該方法能很好地抑制噪聲和誤差的干擾。3.4.1圓的霍夫變換圓的一般方程是（3.22）它表示的物理意義是，圖像空間中的圓對(duì)應(yīng)著參數(shù)空間中的一個(gè)點(diǎn)，而圖像空間的一個(gè)點(diǎn)x,y對(duì)應(yīng)著參基于圖像處理的菌落分析系統(tǒng)開發(fā)研究數(shù)空間中的一個(gè)三維直立圓錐，該點(diǎn)約束了通過該點(diǎn)一族圓的參數(shù)。圖3.7二值化圖像反色處理顯然，圖像空間中圓上的點(diǎn)映射到參數(shù)空間中的一族圓錐的交點(diǎn)正好對(duì)應(yīng)于圓的圓心坐標(biāo)和圓的半徑。對(duì)參數(shù)空間適當(dāng)量化，構(gòu)造一個(gè)三維的累加數(shù)組，對(duì)圖像空間所存在的圓邊界形狀檢測時(shí)，先計(jì)算圖像每點(diǎn)強(qiáng)度的梯度信息，然后根據(jù)適當(dāng)閾值求出邊緣，再計(jì)算與邊緣上的每一點(diǎn)像素距離為r的所有點(diǎn)，同時(shí)A累加：+1。改變r(jià)值可以根據(jù)先驗(yàn)知識(shí)確定其變化范圍，減少計(jì)算量再重復(fù)上述過程，當(dāng)對(duì)全部邊緣點(diǎn)變換完成后，所有累加數(shù)組的值進(jìn)行檢驗(yàn)，其峰值的坐標(biāo)就對(duì)應(yīng)著圖像空間中圓的圓心和半徑。2.利用梯度方向的圓的霍夫變換對(duì)灰度圖像獲取邊緣的同時(shí)，得到圖像每點(diǎn)的強(qiáng)度信息可以顯著減少Hough變換的計(jì)算量。這種改進(jìn)方法是使r沿著邊緣點(diǎn)的法線方向變化，而不是所有方向。圓心的計(jì)算公式為（3.23）其中，,、分別是兩個(gè)方向的梯度。實(shí)際計(jì)算中，可以直接計(jì)算出（3.24）其中，，這種方法已成為圓檢測的標(biāo)準(zhǔn)Hough變換。對(duì)于大多數(shù)灰度圖像來說，抽取后的景物邊緣仍有一定的寬度，以及噪聲的存在，參與變換的像素點(diǎn)仍然較多，從而計(jì)算量仍然很大。3.4.2一種改進(jìn)的橢圓的霍夫變換1.橢圓和圓的幾何特性及引理引理1：設(shè)E為一橢圓或圓，現(xiàn)對(duì)E自左向右，自上而下掃描。假設(shè)每一水平掃描線與E相交于點(diǎn)和，為和的中點(diǎn)，則所有均處于同一直線上，稱其為縱軸，則稱為對(duì)于的對(duì)稱點(diǎn)（見圖3.8（a））。引理2：設(shè)E為一橢圓或圓，現(xiàn)對(duì)E自上向下，自左而右掃描。假設(shè)每一垂直掃描線與E相交于點(diǎn)和，為和的中點(diǎn)，則所有均處于同一直線上，稱其為橫軸，則稱為對(duì)于的對(duì)稱點(diǎn)（見圖3.8（b））。引理3：設(shè)E為一橢圓或圓，和為E的兩條對(duì)稱軸，則和的交點(diǎn)即為橢圓E的中心見圖3.9。2.形心的提取在開始提取橢圓形心前，首先提取圖像的邊緣信息，并將其存儲(chǔ)于圖像F中。形心坐標(biāo)的提取步驟為:1初始化一空白圖像G，自左向右，自上而下掃描圖像F，對(duì)于每個(gè)邊界特征點(diǎn)，應(yīng)用引理1，求取所有的，并將其存儲(chǔ)于G中。2對(duì)圖像G作霍夫變換檢測直線，檢測到的結(jié)果即是可能的。根據(jù)檢測到的各在F中提取和相關(guān)的對(duì)稱點(diǎn)，形成子圖。（3）G，自上向下，自左而右掃描圖像，對(duì)于每個(gè)邊界特征點(diǎn)，應(yīng)用引理2，求取所有的，并將其存儲(chǔ)于G中。（4）對(duì)圖像G作霍夫變換檢測直線，檢測到的結(jié)果即是可能的。根據(jù)檢測到的各，在中提取和相關(guān)的對(duì)稱點(diǎn)，形成子圖。（a）對(duì)稱產(chǎn)生縱軸（b）對(duì)稱產(chǎn)生橫軸圖3.8橢圓對(duì)稱軸的獲取圖3.9獲取橢圓的圓心（5）求取和的交點(diǎn)，根據(jù)引理3，該交點(diǎn)即是供候選的形心。經(jīng)過以上步驟，不僅提取出了可能的形心坐標(biāo)，降低了哈夫變換參數(shù)空間的維數(shù)，而且還濾除了許多不包含對(duì)稱性的特征點(diǎn)如噪聲，達(dá)到了去噪的濾波作用。3.橢圓旋轉(zhuǎn)角的獲取設(shè)為橢圓E上的某一點(diǎn)，為P點(diǎn)梯度向量的角度，a和b分別為橢圓的半長軸與半短軸。對(duì)于圓心在、轉(zhuǎn)角度為零的橢圓，滿足以下關(guān)系：（3.25）當(dāng)橢圓以為圓心，旋轉(zhuǎn)角為U時(shí)，滿足以下關(guān)系：（3.26）由式（2.26）可知，目前的未知參數(shù)為長短軸比和轉(zhuǎn)角，令利用霍夫變換在空間上投票，并在空間上尋找局部最大值，從而確定和的值。以上投票過程并非針對(duì)圖像F中的所有邊界點(diǎn)進(jìn)行，而是在步驟2所獲得的子圖中進(jìn)行。因?yàn)镕中存在很多不必要的干擾點(diǎn)，影響檢測的精度，而濾除了噪聲和其他圖形邊界的干擾，提高了檢測的精度。4.橢圓長短軸的確定在已知的條件下，橢圓上點(diǎn)滿足下式：，（3.27）如果在步驟3中成功地獲得了的值，則橢圓的長短軸值可由式（3.27）求得。同理，在子圖中對(duì)每個(gè)邊界點(diǎn)在參數(shù)空間上投票，通過尋求參數(shù)空間上局部最大值來確定該橢圓的長短軸。將不同子圖的結(jié)果加以組合，即可獲得整個(gè)圖像F中所有橢圓信息。上面討論了利用幾何對(duì)稱性提取圖像中圓和橢圓的方法，并根據(jù)對(duì)稱性特點(diǎn)快速確定形心，濾除原圖中不必要的干擾信息，降低霍夫變換參數(shù)空間的維數(shù)，達(dá)到了準(zhǔn)確、快速提取橢圓的效果。在實(shí)際應(yīng)用時(shí)，參數(shù)空間中累加器的疊加及尋找局部最大值時(shí)的閾值選取尤為重要，必要時(shí)還必須用相應(yīng)的函數(shù)對(duì)其進(jìn)行平滑處理。在本文的實(shí)現(xiàn)過程中，參數(shù)空間閾值的選取仍依靠經(jīng)驗(yàn)來選取某一固定值，這是實(shí)現(xiàn)中的不足之處。由于在步驟3和步驟4中采用霍夫變換的投票機(jī)制確定參數(shù)，使得圖像中橢圓邊界即使不連續(xù)或者少部分殘缺小于30%的情況下，仍能夠達(dá)到較為滿意的結(jié)果。用這種方法對(duì)菌落圖像的培養(yǎng)皿邊緣的識(shí)別準(zhǔn)確率在98%以上。同時(shí)當(dāng)培養(yǎng)皿邊緣畸變?yōu)闄E圓時(shí)，這種方法也適合，因?yàn)閳A是橢圓的一種特例。用橢圓的Hough變換來識(shí)別一幅圖像中有圓和橢圓的情況，提高了識(shí)別的可靠性。圖3.10為去除培養(yǎng)皿邊緣后的菌落圖像。圖3.10去除培養(yǎng)皿邊緣圖像

第4章粘連菌落的分割從去除平皿邊緣后的菌落圖像（圖）看出，有些菌落之間存在明顯的粘連，為使后續(xù)的計(jì)數(shù)準(zhǔn)確，需把粘連菌落分割開來。針對(duì)圖的特點(diǎn)，本文采用了一種將距離變換和分水嶺算法結(jié)合使用的分割方法。,它將一幅二值圖像轉(zhuǎn)化為一幅灰度圖像,在這幅灰度圖像中,每個(gè)像素的灰度級(jí)是該像素與距其最近的背景間的距離。從理論上講,要計(jì)算一個(gè)像素點(diǎn)到背景像素點(diǎn)的最短距離,需要對(duì)圖像進(jìn)行全局操作運(yùn)算,即計(jì)算此像素點(diǎn)與所有背景像素點(diǎn)的距離,再取最小值。除非這幅數(shù)字圖像的尺寸非常小,否則這種全局操作的計(jì)算量是非常大的。實(shí)際運(yùn)用中的距離變換實(shí)現(xiàn)算法是從鄰近像素點(diǎn)入手,每次只計(jì)算其與局部相鄰的幾個(gè)像素點(diǎn)距離的最小值,根據(jù)全局距離是局部距離按比例疊加而成的原理,對(duì)圖像進(jìn)行前后兩次掃描,最終得到近似的距離圖像?；谏鲜鲈?實(shí)踐中用倒角Chamfer算法來進(jìn)行距離變換,簡單快速,其計(jì)算出的距離合理逼近于真實(shí)的歐氏幾何距離Euclidean?！?模板,以一種類似于卷積的操作在整幅圖像中移動(dòng)。其具體算法是先把二值圖像中背景灰度設(shè)為0,目標(biāo)菌落灰度設(shè)為1;然后對(duì)圖像做兩次掃描,前向掃描從左到右,自頂向下進(jìn)行,后向掃描從右到左,自底向上進(jìn)行;一旦模板中心移動(dòng)到某一目標(biāo)位置時(shí),模板中的每個(gè)元素就與其對(duì)應(yīng)位置處的圖像像素值相加,從而得到一個(gè)兩項(xiàng)和的集合,位于模板中心的圖像像素值就用這些和中的最小值代替。a5×5前向模板b5×5后向模板圖3.1距離變換模板用5×5模板計(jì)算的距離與真實(shí)幾何距離的差距一般為1.96%～2.02%。當(dāng)然可以采用更高階的模板,每次考慮更多鄰域的像素點(diǎn),如7××5模板,計(jì)算出來的距離為歐氏距離的5倍。4.2分水嶺變換4.2.1算法原理距離變換的結(jié)果得到一幅灰階圖像，圖中每個(gè)像素的灰度值是該像素到最近的背景像素的距離。距離變換在分割相互粘連的區(qū)域時(shí)十分有效，分水嶺算法就是建立在這個(gè)基礎(chǔ)之上的。如果把距離變換圖中像素的灰度看作高度就可得到一幅立體的地形圖。其中區(qū)域核心部分的高度最高，經(jīng)常需要找出圖中這些“制高點(diǎn)”，顆粒分析中可用它們來統(tǒng)計(jì)顆粒的數(shù)目。分水嶺算法（或稱水線算法）則是將距離變換圖倒轉(zhuǎn)過來翻看。這樣，高峰就變成了凹坑，如果坑中有水，水就會(huì)積在坑底。分水嶺算法就是利用水平面逐漸提高時(shí)發(fā)生的現(xiàn)象來進(jìn)行類比的。開始時(shí)由于坑中的水比較少，各個(gè)水坑是彼此分離的。等到水面升高到一定程度，有些水坑中的水就會(huì)連成一片。本算法的關(guān)鍵在于尋找兩個(gè)“水坑”將連未連的點(diǎn)。粘連區(qū)域的分割點(diǎn)就在第一次連接時(shí)的那條邊界線上，由找出的分割點(diǎn)再來確定將粘連區(qū)域分割開的線段。4.2.2等值線跟蹤通常，分水嶺算法采用數(shù)學(xué)形態(tài)學(xué)運(yùn)算來實(shí)現(xiàn)，即先用最終腐蝕標(biāo)記所有粒子，所謂最終腐蝕是指腐蝕處理時(shí)不能使粒子消失，處理結(jié)果每個(gè)粒子收縮成一個(gè)點(diǎn)。然后用條件膨脹標(biāo)記生長出粒子，所謂條件膨脹是指將膨脹限制在原始集合內(nèi)，同時(shí)當(dāng)兩個(gè)粒子靠得很近時(shí)不能有連接部分。這種算法比較費(fèi)時(shí)，而且實(shí)現(xiàn)起來比較困難，因此本文采用一種較為簡單的處理方法――等值線跟蹤法。從結(jié)構(gòu)上看，距離變換圖是一系列層層嵌套的封閉等值線。上面介紹的分水嶺算法中的水面提高，在實(shí)際操作中等價(jià)于距離值逐次降低。水面上升區(qū)域擴(kuò)大的過程可以用逐次跟蹤距離圖中的等值線來實(shí)現(xiàn)。這樣便可將算法中區(qū)域的擴(kuò)大與區(qū)域的搜索結(jié)合在一起進(jìn)行。為了有利于減少粘連，采用四連通跟蹤。跟蹤時(shí)，后一層邊界的跟蹤起點(diǎn)與前一層邊界的起點(diǎn)選擇在同一行上，前者處于后者的左邊。它是外面一層邊界在這一行線段上的最左點(diǎn)。4.2.3粘連區(qū)域分割點(diǎn)的確定要找到兩個(gè)相鄰區(qū)域真正的分割點(diǎn)，首先要找到鄰界跟蹤內(nèi)、外邊界的分離點(diǎn)。為了提高處理速度，外圈的跟蹤不用等到外部邊界全部跟蹤完畢，邊界閉合才結(jié)束。而是只要跟蹤點(diǎn)數(shù)超過上次內(nèi)圈邊界24點(diǎn)時(shí)即終止。同時(shí)，為了便于找到這兩條邊界線的分離點(diǎn)，需同時(shí)保留這兩條邊界線上所有的像素值或坐標(biāo)值，或是相應(yīng)的鏈碼表。由于這兩條邊界線的起始段是緊貼在一起的，可從起始點(diǎn)出發(fā)搜索外層邊界與內(nèi)層封閉邊界的分離點(diǎn)。在臨界跟蹤外邊界上，粘連區(qū)域連接部分的點(diǎn)可分為雙連點(diǎn)、單連點(diǎn)與中連點(diǎn)3種類型，如圖4.2所示。雙連點(diǎn)連接兩個(gè)區(qū)域，單連點(diǎn)連接一個(gè)區(qū)域，中連點(diǎn)處于連接線上但并不與區(qū)域直接相連。按粘連部分連接點(diǎn)的個(gè)數(shù)來說，可將粘連區(qū)域的連接情況分為3類，即：單點(diǎn)連接、雙點(diǎn)連接和多點(diǎn)連接。如圖3.3所示。圖中分別用*、#與$表示雙連點(diǎn)、單連點(diǎn)與中連點(diǎn)，由于是連接點(diǎn)，都在臨界跟蹤的外邊界上，故它們的值都為1。單點(diǎn)連接的連接點(diǎn)是雙連點(diǎn)，它即為分割點(diǎn)。雙點(diǎn)連接的連接點(diǎn)是兩個(gè)單連點(diǎn)，可（（a）雙連點(diǎn)（b）單連點(diǎn)（c）.2三種類型的連接點(diǎn)用它們之一作為分割點(diǎn)。而多點(diǎn)連接的連接段則是由兩個(gè)單連點(diǎn)作端點(diǎn)，中間有數(shù)量不等的中連點(diǎn)組成，可用它們的中點(diǎn)作分割點(diǎn)。4.2.4粘連區(qū)域的切割得到分割點(diǎn)以后還需要由此確定真正切割兩個(gè)粘連區(qū)域的線段。最簡單的方法是由分割點(diǎn)出發(fā)，作臨界跟蹤外邊界的垂直線，找出此垂直線與粘連區(qū)域外輪a單點(diǎn)連接（b）雙點(diǎn)連接（c）多點(diǎn)連接一（d）多點(diǎn)連接二圖4.3連接的三種類型廓（距離值為1的點(diǎn)）的交點(diǎn)，連接這兩個(gè)交點(diǎn)將區(qū)域分開。一般來說，切割粘連區(qū)域的步驟如下：（1）由邊界上分割點(diǎn)前后各3個(gè)鏈碼總共6個(gè)鏈碼計(jì)算它們的平均鏈碼，由它表示邊界的切線方向。（2）平均鏈碼加2，使直線逆時(shí)針旋轉(zhuǎn)90°指向區(qū)域的外部。沿此方向?qū)ふ仪懈罹€的一個(gè)端點(diǎn)。（3）平均鏈碼減2，使直線順時(shí)針旋轉(zhuǎn)90°指向區(qū)域?qū)γ孢吔绲耐獠?，沿此方向?qū)ふ仪懈罹€的另一個(gè)端點(diǎn)。（4）連接兩個(gè)端點(diǎn)，即得切割線，它將兩個(gè)區(qū)域分割開來。如此就能將粘連菌落分割開來,分割后的菌落圖像如圖2.14所示。由圖4.4可見,除了極個(gè)別重疊特別嚴(yán)重的菌落外,粘連菌落都被合理地分割開了。另外,本文所采用的這種粘連菌落圖像分割算法,對(duì)其他各種粘連顆粒圖像的分割同樣適用。本算法在距離變換圖像上使用分水嶺算法,能夠合理快速地分割粘連顆粒,與其他相關(guān)方法相比,分割效果良好穩(wěn)定、速度快且對(duì)圖像有極強(qiáng)的兼容性。圖4.4分割后的菌落圖像

第5章菌落圖像的特征提取與計(jì)數(shù)5.1菌落圖像的幾何特征描述在一個(gè)實(shí)際的圖像識(shí)別系統(tǒng)中，圖像分割的最終目的是為了進(jìn)一步對(duì)圖像的特征進(jìn)行提取和分析，即先找出能夠區(qū)分不同目標(biāo)的合適的特征參數(shù)，這些特征參數(shù)對(duì)于不同目標(biāo)能夠得到不同的特征值，根據(jù)特征值，可以區(qū)分開不同的目標(biāo)。為了得到目標(biāo)的特征值，必須依靠合適的目標(biāo)表達(dá)和描述方法。目標(biāo)描述是對(duì)目標(biāo)表達(dá)的進(jìn)一步抽象，它描述出最能夠代表目標(biāo)的一些特征參數(shù)，包括目標(biāo)的形狀、顏色和紋理等。在本文的研究中，在參考大量資料與實(shí)驗(yàn)分析基礎(chǔ)上，提取了菌落以下特征參數(shù)：周長、面積、偏心率、形狀因子和圓形度。其中有的是基于目標(biāo)內(nèi)部區(qū)域的特征，有的是基于目標(biāo)邊界的特征。.1周長區(qū)域的周長即區(qū)域的邊界長度。一個(gè)形狀簡單的物體用相對(duì)較短的周長來包圍它所占有面積內(nèi)的元素，周長就是圍繞所有這些像素的外邊界的長度。通常，測量這個(gè)長度時(shí)包含了許多90度的轉(zhuǎn)角，從而夸大了周長值。區(qū)域的周長在區(qū)別具有簡單或復(fù)雜形狀物體時(shí)顯得尤其重要。由于周長的表示方法不同，因而計(jì)算方法也不同，常用的簡便方法如下：（1）當(dāng)把圖像中的像素看作單位面積小方塊時(shí)，則圖像中的區(qū)域和背景均由小方塊組成。區(qū)域的周長即為區(qū)域和背景縫隙的長度和，此時(shí)邊界用隙碼表示。因此，計(jì)算出隙碼的長度即為所求周長。（2）當(dāng)把像素看作一個(gè)個(gè)獨(dú)立的點(diǎn)時(shí)，則周長可用鏈碼表示，求周長也即計(jì)算鏈碼長度。在3×3鄰域中，中心點(diǎn)與其上、下、左、右4點(diǎn)的距離為1，而與斜角4點(diǎn)的距離為，因此利用邊界的鏈碼表可以計(jì)算區(qū)域的周長。即對(duì)偶數(shù)號(hào)鏈碼及奇數(shù)號(hào)鏈碼分別計(jì)數(shù)，然后將偶數(shù)號(hào)鏈碼數(shù)和奇數(shù)號(hào)鏈碼數(shù)與的乘積相加即得區(qū)域的周長。即周長L表示為（5.1）式中和分別是邊界鏈碼（8方向）中偶數(shù)號(hào)鏈碼與奇數(shù)號(hào)鏈碼的數(shù)目。（3）周長用邊界所占面積表示，也即邊界點(diǎn)數(shù)之和，每個(gè)點(diǎn)占面積為1的一個(gè)小方塊。5.1.2面積面積是物體總尺寸的一個(gè)方便的度量。面積只與該物體的邊界有關(guān)，而與其內(nèi)部灰度級(jí)的變化無關(guān)。一個(gè)形狀簡單的物體可用相對(duì)較短的周長來包圍它所占的面積。常用的計(jì)算面積的方法如下：像素計(jì)數(shù)面積：最簡單的（未校準(zhǔn)的）面積計(jì)算方法是統(tǒng)計(jì)邊界內(nèi)部（也包括邊界上）像素?cái)?shù)目。在此定義下，面積的計(jì)算非常簡單，求出區(qū)域邊界內(nèi)像素點(diǎn)的總和即可，計(jì)算公式如下：（5.2）對(duì)二值圖像而言，若用1表示物體，用0表示背景，其面積就是統(tǒng)計(jì)的個(gè)數(shù)。5.1.3偏心率偏心率也可叫伸長度，它在一定程度上描述了區(qū)域的緊湊性，即目標(biāo)外形關(guān)于區(qū)域中心的對(duì)稱程度。偏心率E有多種計(jì)算公式，一種常用的簡單方法是區(qū)域主軸長軸長度與輔軸短軸長度的比值，即（5.3）當(dāng)物體的邊界已知時(shí)，用其外接矩形的尺寸來刻畫它的基本形狀是最簡單的方法。求物體在坐標(biāo)系方向上的外接矩形，只需計(jì)算物體邊界點(diǎn)的最大和最小坐標(biāo)值，就可得到物體的水平和垂直跨度。但是，對(duì)于任意朝向的物體，水平方向和垂直方向并非是本文研究的重點(diǎn)。因此，必須先確定物體的主軸，然后計(jì)算反映物體形狀特征的主軸方向上的長度和與之垂直方向上的寬度，這樣的外接矩形是物體的最小外接矩形。也就是說物體的最小外接矩形滿足以下三個(gè)條件：（1）被測物體被限制在該矩形區(qū)域之內(nèi)；（2）矩形的4條邊都與被測物體輪廓相切；（3）在所有滿足（1）、（2）條件的矩形中該矩形的長度最大。則該矩形的長為被測物體的長軸長度，該矩形的寬為被測物體的短軸長度，如圖3.1所示。根據(jù)定義長軸長度是目標(biāo)邊界上任意兩點(diǎn)之間距離的最大值，計(jì)算長軸需要對(duì)目標(biāo)邊界進(jìn)行多次遍歷，任取目標(biāo)邊界上兩點(diǎn)p、qp、qz，z的最大長度就是長軸的長度。從圖5.1可見，確定了長軸端點(diǎn)B、CBC垂直于矩形的短邊，短軸長度等于目標(biāo)邊界與矩形兩側(cè)邊的交點(diǎn)D、E到線段BC距離之和。點(diǎn)D、E分別是在長軸兩側(cè)的目標(biāo)邊界中離長軸距離最大的點(diǎn)。圖5.1長軸和短軸目標(biāo)的偏心率不受平移、旋轉(zhuǎn)和尺度變換的影響，它只能粗略描述目標(biāo)的基本形狀和中心的情況，并不能精確的區(qū)分目標(biāo)的形狀，比如正方形和圓形的偏心率都為1，但它們的形狀顯然不同。表3.1為某菌落的特征參數(shù)值。表5.1某菌落的特征參數(shù) 周長 面積 偏心率 123 506 1.1 5.2菌落的計(jì)數(shù)5.2.1圖像連通區(qū)域的標(biāo)號(hào)對(duì)分割后的菌落二值圖像（圖）進(jìn)行計(jì)數(shù)，即數(shù)出圖像中連通黑區(qū)域的數(shù)目。若直接采用傳統(tǒng)連通區(qū)域標(biāo)號(hào)的方法，雖然算法較簡單，但由于其原理是在圖像中每找到一個(gè)黑點(diǎn)，就進(jìn)行從左至右，從下到上和從右至左，從上到下兩次圖像掃描來搜索其連通區(qū)域并標(biāo)號(hào)，所以此算法的時(shí)間復(fù)雜度是O（n2（n為圖像大?。?，當(dāng)圖像尺寸n較大時(shí)，速度很慢。本文提出了一種先對(duì)菌落連通區(qū)域進(jìn)行八鄰域邊緣跟蹤，再對(duì)連通區(qū)域內(nèi)部進(jìn)行像素填充的標(biāo)號(hào)計(jì)數(shù)方法，其時(shí)間復(fù)雜度僅為O（n）（n為圖像大?。?，從而在準(zhǔn)確的基礎(chǔ)上大大提高了速度。其具體算法為：初始化標(biāo)號(hào)M為1，標(biāo)號(hào)狀態(tài)N為0；將圖像按照從左至右，從下至上的順序搜索，找到的第一個(gè)黑點(diǎn)一定是最左下方的邊界點(diǎn)，記為A，A點(diǎn)的右、右上、上、左上四個(gè)鄰點(diǎn)中至少有一個(gè)邊界點(diǎn)，記為B從B開始找起，按右、右上、上、左上、左、左下、下、右下的順序找下一個(gè)邊界點(diǎn)C；如果C就是A點(diǎn)，則跟蹤結(jié)束，將此區(qū)域的灰度值填充為標(biāo)號(hào)值M，否則從C點(diǎn)繼續(xù)找，直到找到A點(diǎn)為止；一個(gè)連通區(qū)域跟蹤完畢后，將標(biāo)號(hào)值加1（若標(biāo)號(hào)值M大于254，則M＝M－254，標(biāo)號(hào)狀態(tài)N＝N＋1），并以這一區(qū)域的搜索結(jié)束點(diǎn)作為起始點(diǎn)再進(jìn)行逐行掃描，邊緣跟蹤，區(qū)域填充。如此反復(fù)，直到對(duì)整幅圖像掃描完畢，而每個(gè)連通區(qū)域的實(shí)際標(biāo)號(hào)K＝N×254＋M。256個(gè)灰度級(jí)，故圖中每個(gè)連通區(qū)域的灰度級(jí)為其標(biāo)號(hào)值MM在1-254之間，而不是K。如果分割后的菌落圖像不含雜質(zhì)等偽目標(biāo)，則圖像中的菌落計(jì)數(shù)即為最大實(shí)際標(biāo)號(hào)數(shù)。5.2.2菌落計(jì)數(shù)如果分割后的菌落圖像不含雜質(zhì)等偽目標(biāo),則圖像中的菌落計(jì)數(shù)即為最大實(shí)際標(biāo)號(hào)數(shù)。但實(shí)際上,由于前期的菌落接種操作過程中存在或多或少的污染,所以分割后的菌落圖像中除了菌落外,還有一些微小的雜質(zhì)或大面積的污染。對(duì)于微小雜質(zhì)的去除,可根據(jù)先驗(yàn)知識(shí),人機(jī)交互設(shè)定一個(gè)閾值,統(tǒng)計(jì)標(biāo)號(hào)圖像中各標(biāo)號(hào)下像素的個(gè)數(shù),即為相應(yīng)連通區(qū)域的面積,若面積小于設(shè)定的閾值,則認(rèn)為是微小雜質(zhì),不予計(jì)數(shù)。對(duì)于大面積的污染,如圖2.14左下部分的污染,由于菌落的形狀近似圓形,可以定義形狀因子（S,C分別為連通區(qū)域的面積和周長,K的上限為1,因?yàn)榉指詈蟮木鋱D像不是正規(guī)的圓形,所以K的上限可以適當(dāng)增大一點(diǎn),本文中取為115。當(dāng)然針對(duì)不同形態(tài)的菌落,其形狀因子可適當(dāng)調(diào)整。一旦求得某一連通區(qū)域的形狀因子大于上限,則認(rèn)為是污染物,不予計(jì)數(shù)。5.3試驗(yàn)結(jié)果及分析通過對(duì)菌落圖像的特點(diǎn)及本實(shí)驗(yàn)所選用的算法進(jìn)行分析，不難看出，影響計(jì)數(shù)精度的因素主要為圖像閾值分割中閾值的選定。閾值的選擇對(duì)于圖像處理的影響已經(jīng)在前文中（3.3）介紹過。圖5.2所示為分別選取不同閾值時(shí)的分割效果。因此需要通過多次實(shí)驗(yàn)來確定最佳閾值。不同閾值下的分割結(jié)果如表5.2所示。其中實(shí)際數(shù)目經(jīng)人工數(shù)為159個(gè)。（a）閾值為195（b）閾值為250圖5.2不同閾值下分水嶺分割效果表5.2不同閾值下分割結(jié)果閾值 195 196 197 198 199 200 201 205 計(jì)數(shù)結(jié)果 139 142 144 148 153 156 152 142 相對(duì)誤差（%） 12.58 10.69 9.43 6.92 3.77 1.89 4.40 10.69

第6章結(jié)束語確定菌落數(shù)量是農(nóng)業(yè)、食品、醫(yī)藥衛(wèi)生分析中進(jìn)行質(zhì)量檢測的一項(xiàng)基本而重要的工作。通過圖像處理方法實(shí)現(xiàn)分析也是代替人工分析的必然趨勢。它是醫(yī)學(xué)知識(shí)、數(shù)據(jù)結(jié)構(gòu)、圖像處理、模式識(shí)別等不同領(lǐng)域相關(guān)知識(shí)的綜合。本研究在閱讀大量的相關(guān)資料，并進(jìn)行了總結(jié)、篩選和歸類后，對(duì)菌落預(yù)處理、粘連菌落的分割等方面進(jìn)行了研究。本文主要研究內(nèi)容如下：（1）對(duì)圖像的預(yù)處理算法進(jìn)行了研究，主要包括：彩色圖像灰度化、圖像閾值分割、圖像增強(qiáng)等。（2）通過Hough變換的方法實(shí)現(xiàn)了培養(yǎng)皿邊緣的去除，提出了一種改進(jìn)的橢圓Hough變換，該方法能很好地抑制噪聲和干擾的影響。（3）采用分水嶺變換的方式對(duì)粘連菌落的分割進(jìn)行了研究。（4）在分割后的圖像中，通過圖像連通區(qū)域的標(biāo)號(hào)Hough變換可以很好地檢測出直線、圓以及橢圓等形狀，但是其占用內(nèi)存較大、處理速度較慢，因此需要研究新的方法來去除培養(yǎng)皿的邊緣。（2）在對(duì)粘連菌落的分割方面，文中提出的方法對(duì)鏈?zhǔn)秸尺B有很好的分割效果，對(duì)于非鏈?zhǔn)秸尺B分割效果不是很好。通過面積直方圖與線長直方圖的方法可以實(shí)現(xiàn)對(duì)非鏈?zhǔn)秸尺B的分割，但這要對(duì)所分割圖像的面積、形狀等有較高要求，因此需對(duì)其進(jìn)行改進(jìn)。（3）本文所研究內(nèi)容比較適合形狀近似圓形的菌落，對(duì)于其他形狀菌落，應(yīng)進(jìn)行研究使系統(tǒng)通用性能得到提高。

參考文獻(xiàn)[1]張思祥，范世福，李昀，等.數(shù)字化顯微圖像分析檢測系統(tǒng)的設(shè)計(jì)研究[J].現(xiàn)代科學(xué)儀器.2001，No.3：30-34[2]WuDY,WeiP.MeasuringTheConditionofParkingLotbyImageProcessing[J].JournalofBeijingInstituteofTechnology,1999,No.83:232-237[3]HieuT，MarcelM，ReinV.Watersnakes:Energydrivenwatershedsegmentation[J]，IEEETransactiononPatternAnalysisandMachineIntelligence2003，No.253:330一342[4]SalembierP,PardasM.Hierarchicalmorphologicalsegmentationforimagesequencecoding[J].IEEETransonImageProcessing，1994，No.35:639一651[5]Meyerf，VachierC.Imagesegmentationbasedonviscousfloodingsimulation[C].ProceedingofISMM，CSIRD.Sydney,ACM，2002，69-77[6]周瑩莉.基于圖像處理的菌落自動(dòng)計(jì)數(shù)方法及其實(shí)現(xiàn).數(shù)據(jù)采集與處理，2003，18（4）：460-464[7]荊其誠.色度學(xué)[M].北京.科學(xué)出版社.1979：48-51[8]李朝暉.數(shù)字圖像處理及應(yīng)用[M].北京:機(jī)械工業(yè)出版社.2004:30[9]李弼程,彭天強(qiáng),彭波等.智能圖像處理技術(shù)[M].北京:電子工業(yè)出版社.2004:72[10]鄧?yán)^忠，張秦嶺.數(shù)字圖像處理技術(shù)[M].廣東:廣東科技出版社.2005:154[11]OtsuN.AThresholdSelectionMethodFromGraylevelHistograms[J].IEEETransOnSystem,man,andCybernetics,1979,No.91:62-66[12]LeaversVF.Suvreywhichhoughtransform？CVGIP:ImageUnderstanding，1993，582:250一264[13]李蘭友.VisualBasic6圖像處理開發(fā)與實(shí)例[M].北京:電子工業(yè)出版社，2000

致謝時(shí)光荏苒，四年光景轉(zhuǎn)瞬即逝。在論文完成、即將答辯之際，向那些曾經(jīng)給予我關(guān)懷和幫助的所有老師和同學(xué)表示深深的謝意!本論文是在悉心指導(dǎo)下完成的。論文字里行間無不的悉心指導(dǎo)和諄諄教誨。勤勉的敬業(yè)精神、一絲不茍的工作態(tài)度，使我深深感動(dòng)，也使我終身受益。在此謹(jǐn)向表示衷心的感謝和崇高的敬意!感謝學(xué)院領(lǐng)導(dǎo)和老師們在期間給予的關(guān)愛和幫助!感謝參加論文評(píng)閱和答辯委員會(huì)的們，在百忙之中抽出寶貴時(shí)間閱讀論文并提提出寶貴的意見和建議!

附錄連通區(qū)域標(biāo)號(hào)源程序：Graphics::TBitmap*Bitmap17;Bitmap17newGraphics::TBitmap;Bitmap17-AssignImage2-Picture-Graphic;Bitmap17-WidthImage2-Picture-Width;Bitmap17-HeightImage2-Picture-Height;Bitmap17-PixelFormatpf8bit;Bitmap17-PaletteImage1-Picture-Bitmap-Palette;intx_sign0;intm_temp0;intx_temp0;inty_temp0;longflag[500]0;Byte*ptr17newByte;int**Data_temp;Datanewint*[Bitmap17-Height];Data_tempnewint*[Bitmap17-Height];forinti0;iBitmap17-Height;i++Data[i]newint[Bitmap17-Width];Data_temp[i]newint[Bitmap17-Width];forinti0;iBitmap17-Height;i++ptr17Byte*Bitmap17-ScanLine[i];forintj0;jBitmap17-Width;j++Data[i][j]int*ptr17+j;forinti0;iBitmap17-Height;i++Data[i][Bitmap17-Width-1]255;Data[i][0]255;forj0;jBitmap17-Width;j++Data[0][j]255;Data[Bitmap17-Height-1][j]255;forinti1;iBitmap17-Height-1;i++forintj1;jBitmap17-Width-1;j++ifData[i][j]0//若當(dāng)前點(diǎn)為黑點(diǎn)ifData[i-1][j+1]0//右上Data_temp[i][j]Data_temp[i-1][j+1];x_tempData_temp[i-1][j+1];flag[x_temp]+1;ifData[i][j-1]0&&Data_temp[i][j-1]!x_temp//左前y_tempData_temp[i][j-1];forintm1;mBitmap17-Height-1;m++forintn1;nBitmap17-Width-1;n++ifData_temp[m][n]y_tempflag[y_temp]0;Data_temp[m][n]x_temp;flag[x_temp]+1;//end左前ifData[i-1][j-1]0&&Data_temp[i-1][j-1]!x_tempy_tempData_temp[i-1][j-1];forintm1;mBitmap17-Height-1;m++forintn1;nBitmap17-Width-1;n++ifData_temp[m][n]y_tempflag[y_temp]0;Data_temp[m][n]x_temp;flag[x_temp]+1;//end左上elseifData[i-1][j]0//正上Data_temp[i][j]