针对蓝藻图像的分割方法、识别方法、介质和设备与流程

本发明涉及图像处理识别领域，特别是涉及一种针对蓝藻图像的分割方法、识别方法、介质和设备。

背景技术：

1、随着环保意识增强，蓝藻治理颇受关注。传统技术中，主要使用显微镜，延续传统“人工镜检”的方法对藻类进行识别、记录与计数，这种方法不仅效率低，而且准确率因个人经验而波动较大。

2、近年来，出现了一些藻属自动计数产品，但是分割效率不高，识别准确率有待提升，如何对其进行优化和改善，是该领域亟待解决的技术问题。

技术实现思路

1、基于此，本技术目的在于提供一种针对蓝藻图像的分割方法、识别方法、介质及设备，来解决上述背景技术中提及的至少一个技术问题。

2、第一方面，本技术提供了一种针对蓝藻图像的分割方法，包括：

3、s1：获取若干水体样本的原始图像以及原始图像的预处理图像；

4、s2：根据原始图像以及原始图像的预处理图像，获取原始图像灰度图和预处理图像灰度图，并对预处理图像灰度图进行二值分割，得到预处理图像对应的二值图像；

5、s3：获取二值图像中的轮廓边缘，并设定几何阈值以分割不同形状的轮廓，得到初步分割轮廓图；

6、s4：融合原始图像灰度图和预处理图像灰度图以及初步分割轮廓图，得到三通道彩色图；

7、s5：构建以三通道彩色图为输入，蓝藻轮廓图像为输出的分割网络模型，并根据步骤s1-s4，构建训练数据集，输入分割网络模型，以训练得到训练后的分割网络模型；

8、s6：获取当前水体样本的原始图像，并根据步骤s2-s4，获取当前水体样本的原始图像所对应的当前三通道彩色图；

9、s7：将当前三通道彩色图输入训练后的分割网络模型，得到当前三通道彩色图中各蓝藻轮廓图像；

10、s8：将当前三通道彩色图中各蓝藻轮廓图像作为掩膜，根据每个掩膜的目标框与原始图像的映射关系，提取原始图像中的所有蓝藻目标小图，为最终的蓝藻图像分割结果。

11、进一步的，获取原始图像的预处理图像的步骤，包括：

12、对原始图像进行去噪，得到去噪图像；

13、将去噪图像转换至ycrcb颜色空间，得到初始亮度通道图像和颜色通道图像，并获取初始亮度通道图像的全局均值；

14、获取初始亮度通道图像的局部均值图和局部方差图；

15、根据初始亮度通道图像、初始亮度通道图像的全局均值、初始亮度通道图像的局部均值图和局部方差图，计算每个像素点的亮度值，得到最终的亮度通道图像：

16、融合颜色通道图像和最终的亮度通道图像，得到原始图像的预处理图像。

17、进一步的，计算每个像素点的亮度值，得到最终的亮度通道图像的具体步骤，包括：

18、    1-1

19、其中，yimgen为最终的亮度通道图像，lmimg为初始亮度通道图像的局部均值图，α为权重系数，gmean为初始亮度通道图像的全局均值，yimg为初始亮度通道图像，lvimg为初始亮度通道图像的局部方差图。

20、进一步的，获取预处理图像对应的二值图像的具体步骤，包括：

21、获取预处理图像灰度图；

22、设定第一阈值，将预处理图像灰度图中高于阈值的像素修改为第一像素值，低于阈值的像素修改为第二像素值，得到对应预处理图像灰度图的第一二值化图像；

23、设定第二阈值，将预处理图像灰度图中低于阈值的像素修改为第一像素值，高于阈值的像素修改为第二像素值，得到对应预处理图像灰度图的第二二值化图像；

24、将第一二值化图像和第二二值化图像进行与操作，得到掩膜区域图像；

25、获取掩膜区域的灰度均值并设定背景误差值，以得到背景像素值区间，将灰度图中灰度值处于区间的像素修改为第二像素值，将灰度图中灰度值不处于区间的像素修改为第一像素值，得到最终确定的二值图像。

26、进一步的，获取二值图像中的轮廓边缘，并设定几何阈值以分割不同形状的轮廓，得到初步分割轮廓图的步骤，包括：

27、获取二值图中所有轮廓，得到优化二值图；

28、设定面积阈值，以在优化二值图中分割藻类轮廓，得到初步分割轮廓图。

29、进一步的，得到初步分割轮廓图的步骤，还包括：

30、设定椭圆度阈值，得到藻类轮廓中的圆形轮廓；或/和，设定长宽比、曲率以及矩形饱和度阈值，得到藻类轮廓中的方形轮廓；或/和，设定直线长度、横切线长度阈值，得到藻类轮廓中的长方形轮廓。

31、进一步的，分割模型的具体结构，包括：

32、输入层：用于输入获取的三通道彩色图；

33、初始层：与输入层连接，用于提取三通道彩色图的图像特征，得到初始特征图；

34、多层感知机卷积层，与初始层连接，用于提取初始特征图的特征，得到第二特征图；

35、最大池化层，与多层感知机卷积层连接，用于对第二特征图进行下采样，得到优化特征图；

36、中间层：与最大池化层连接，用于提取优化特征图中的抽象特征，得到最终特征图；

37、解码器：与中间层连接，用于对最终特征图进行上采样操作，得到分割后的图像；

38、输出层：与解码器连接，用于输出分割后的图像。

39、第二方面，本技术还提供了一种针对蓝藻图像的识别方法，包括：

40、建立并训练以蓝藻图像分割结果为输入，对应蓝藻名称为输出的识别网络模型；

41、获取当前水体样本的原始图像，并根据第一方面任意一项所述的分割方法，得到当前蓝藻图像分割结果；

42、将当前蓝藻图像分割结果输入训练后的识别网络模型，得到对应蓝藻名称；

43、根据获取的蓝藻名称统计各种类蓝藻的生态数据，完成蓝藻图像的识别。

44、第三方面，本技术还提供了一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的针对蓝藻图像的分割方法或上述任意的针对蓝藻图像的识别方法。

45、第四方面，本技术还提供了一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行上述任意的针对蓝藻图像的分割方法或上述任意的针对蓝藻图像的识别方法。

46、本发明提供的一种针对蓝藻图像的分割方法，通过获取若干水体样本的原始图像及其预处理图像，从而减少图像中的随机噪声，使图像更加清晰，细节更加突出，有助于提升后续处理如分割、分类和识别等任务的准确性和效率，然后根据原始图像，获取原始图像灰度图和预处理图像灰度图，并对预处理图像灰度图进行二值分割，得到预处理图像对应的二值图像，减少图像灰度等级，突出图像关键信息，减少计算量，提高处理速度，以便于后续分割操作，再获取二值图像中的轮廓边缘，并设定几何阈值以分割不同形状的轮廓，得到初步分割轮廓图，将不同类型的轮廓分类，减少后续步骤处理量，融合原始图像灰度图和预处理图像灰度图以及初步分割轮廓图，得到三通道彩色图，再后续分割时保留原始图像的细节信息，增强轮廓信息提高分割精度，同时通过融合不同来源的信息,可以降低单一信息源可能存在的噪声,提高分割结果的可靠性，从而构建并训练以三通道彩色图为输入，蓝藻轮廓图像为输出的分割网络模型，最后获取当前水体样本的原始图像以及对应的当前三通道彩色图，将当前三通道彩色图输入训练后的分割网络模型，得到当前三通道彩色图中各蓝藻轮廓图像，以及蓝藻轮廓图在原始图像中对应的蓝藻目标小图。解决了现有技术中蓝藻图像分割效率不高，识别准确率有待提升等问题。