计算机图像处理技术在家蚕微粒子病识别中的应用
|
摘要
家蚕微粒子病是一种古老的、分布很广、毁灭性强的蚕病。曾对蚕丝业造成很大的损失。而且该病是传染性蚕病中唯一受检疫的病种，属于国际蚕种检疫对象，被我国列入进境动物二类传染病。但自从巴斯德发明母蛾镜选法检查微粒子以来，100多年来，蚕种微粒子病检验一直沿用这种镜选技术。目前我国口岸系统主要采用镜选法检测。
母蛾镜选的检测方法，劳动强度很大、工作效率低，而且受人为影响大，客观性不强，也不符合当前社会法制化、标准化的要求。在这种情况下，本研究根据蚕业生产的特点和要求，运用图像处理技来实现机器的自动检测。
针对微粒子显微图像噪声大、对比度不高而且是小目标检测的情况，本研究首先增强图像的亮度和对比度；然后采用小波阈值去噪技术对图像进行滤波处理；结合微粒子形状特点采用灰度形态学方法实现了对微粒子与背景的分割，并运用二值形态滤波筛选出微粒子；根据微粒子的形态特点，提取出了周长、宽度、高度、面积、伸长度、形状复杂度和矩形度等7个形态特征参数。为了区分与微粒子形态类似的其他孢子，对微粒子图像提取了一个颜色特征；采用基于遗传算法的神经网络分类器对于微粒子进行了识别。
本研究对150个样本进行了试验，识别率达到89％，由于一个样本下需要拍摄多幅图像，所以对一个样本可以作出多次识别，这样可以提高识别的准确率，漏判率降低，整体识别率提高。
研究结果表明：计算机图像处理方法能够解决微粒子病的复现问题，以及提高了检验工作效率、降低了成本、减轻了劳动强度，对于家蚕微粒子检测具有很大的实用价值。
Pebrine is a kind of ancient, wildly distributed and strong destructive silkworm disease. It has done great damage to the silk industry in history. Now, it has been the main disease of silkworm in our country. And Pebrine is the disease of silkworm uniquely quarantined in international market. Since Louis Pasteur developed the method to dectect the pebrine by microscopic a hundred years ago, it has been used exclusively, so do in the custom today. In this paper image recognition technique is attempted to detect pebrine disease to replace the behindhand microscopic method.
Dectection by microscopic has many defects, for example, it results in physically or mentally fatigued of human inspectors, so it can not guarantee the objectivity. And the dectection can not always implemented with great efficiency and high speed ,and so it can not meet the requirement of social legal system and standardization.
In this research, according to the character of the micrograph, the original image is enhanced in brightness and contrast .Based on the threshold ,a new filtering algorithm with multiwavelet was proposed. And the mathematical morphology is considered as a effective way being applied for segmenting the pebrine and background according to the local gray feature. A mass of noises and small impurities are filtered by morphology filtering method and the preparatory separation of pebrine with impurities is realized. Eight parameters, such as perimeter, area, width, height, roundness, elongation-rate, complexity and color feature are extracted to remove the remainder impurities . Then pebrine was recognized and classified by neural network based on genetic algorithm.
150 pebrine images have been tested in the experiment. The complete recognition exactness is 89%.
This work is benefit to detecting the pebrine and achieve a good result.
母蛾镜选的检测方法，劳动强度很大、工作效率低，而且受人为影响大，客观性不强，也不符合当前社会法制化、标准化的要求。在这种情况下，本研究根据蚕业生产的特点和要求，运用图像处理技来实现机器的自动检测。
针对微粒子显微图像噪声大、对比度不高而且是小目标检测的情况，本研究首先增强图像的亮度和对比度；然后采用小波阈值去噪技术对图像进行滤波处理；结合微粒子形状特点采用灰度形态学方法实现了对微粒子与背景的分割，并运用二值形态滤波筛选出微粒子；根据微粒子的形态特点，提取出了周长、宽度、高度、面积、伸长度、形状复杂度和矩形度等7个形态特征参数。为了区分与微粒子形态类似的其他孢子，对微粒子图像提取了一个颜色特征；采用基于遗传算法的神经网络分类器对于微粒子进行了识别。
本研究对150个样本进行了试验，识别率达到89％，由于一个样本下需要拍摄多幅图像，所以对一个样本可以作出多次识别，这样可以提高识别的准确率，漏判率降低，整体识别率提高。
研究结果表明：计算机图像处理方法能够解决微粒子病的复现问题，以及提高了检验工作效率、降低了成本、减轻了劳动强度，对于家蚕微粒子检测具有很大的实用价值。
Pebrine is a kind of ancient, wildly distributed and strong destructive silkworm disease. It has done great damage to the silk industry in history. Now, it has been the main disease of silkworm in our country. And Pebrine is the disease of silkworm uniquely quarantined in international market. Since Louis Pasteur developed the method to dectect the pebrine by microscopic a hundred years ago, it has been used exclusively, so do in the custom today. In this paper image recognition technique is attempted to detect pebrine disease to replace the behindhand microscopic method.
Dectection by microscopic has many defects, for example, it results in physically or mentally fatigued of human inspectors, so it can not guarantee the objectivity. And the dectection can not always implemented with great efficiency and high speed ,and so it can not meet the requirement of social legal system and standardization.
In this research, according to the character of the micrograph, the original image is enhanced in brightness and contrast .Based on the threshold ,a new filtering algorithm with multiwavelet was proposed. And the mathematical morphology is considered as a effective way being applied for segmenting the pebrine and background according to the local gray feature. A mass of noises and small impurities are filtered by morphology filtering method and the preparatory separation of pebrine with impurities is realized. Eight parameters, such as perimeter, area, width, height, roundness, elongation-rate, complexity and color feature are extracted to remove the remainder impurities . Then pebrine was recognized and classified by neural network based on genetic algorithm.
150 pebrine images have been tested in the experiment. The complete recognition exactness is 89%.
This work is benefit to detecting the pebrine and achieve a good result.
引文
1 杨大帧，夏如山．实用蚕病学．四川科技出版社，1992，4．
2 段道怀等译．昆虫病原物鉴定诊断手册．农业出版社，1984，1
3 刘吉平，徐新耀．家蚕微粒子病流行发生的历史和现状，中国蚕业[J]，2000(1)，P9～11
4 沈正伦，马菊仙，诗翠仙．从传染特点谈家蚕微粒子病的综合防止，云南农业科技[J]，1997(6)，P35～37
5 万嘉群．家蚕的微粒子病，中国进出境动植检[J]，1998(1)，P44～45
6 荆人杰，叶秀清，徐胜荣，陈存椿．计算机图像处理．浙江大学出版社[M]，1990，6．
7 张香琴．家蚕微粒子病的图像识别技术．江苏大学硕士学位论文，1998
8 徐道娟．薯条外观质量识别中图象处理技术研究．江苏大学硕士论文，2002，3
9 方如明，蔡建荣，许俐．计算机图像处理技术及其在农业工程中的应用[M]，1999，7
10 朱志刚，石定闫等．数字图像处理．电子工业出版社，1998，9．
11 许刚，潘丽芬．数码显微技术在微粒子病检验中的应用与研究．江苏蚕业[J]，2002(1)，
12 陈联诚，徐勇春等．用人工神经网络对家蚕微粒子病进行初步分析与预测．系统工程理论方法应用[J]，19卷(2)，2000，P159～163
13 刘吉平，徐新耀等．灰色系统理论预测家蚕微粒子病流行研究，农业系统科学与综合研究[J]，16(3)，2000，P176～179
14 Pal N,Pal S K, A review on image segmentation techniques[J]. Pattern Recognition, 26卷(9) 1993:P1277～1294
15 Rebert Gretgory. Digital Cameras: They Still Need Digital Camerals[J]. Advanced Image, 1996;(8)222-224.
16 Chen C H, Wang Y, Mitra S K ,Gray J W. Automated detection of chromosome aberration using color information. SPINE, 1989,1192,339～343.
17 Min C.Shin. Comparison Of Edge Deeteetor Performance through Use in an
Object Recognition Task.Computer Vision and Image Understanding 84,2001.
18 Ingram M, Preston K.Automatic analysis of blood cells. Science America,1970,223:72-82
19 A.S.Abutale,Automatic thresholding of gray-level pictures suing two-dimensional entroy,Comput.Visiion Graphics Image Process,1989-47:22-32.
20 A.D.brink,Thresholding of digital images using two-dimensional entropics.Pattern Recognization,1992-25:8033-808.
21 J.Kittler and J.illingworth,Mnimurn error thrsholding.Pattern Recognization 1989-19:41-47
22 J.S.Lee and M.C.K.Yang,Thresholding selection using estimates from truncated normal distribution.IEEE tRANS.Systems Man and Cybemet,1989-19:422-429.
23 N.Otsu,A threhold Selection method from gray-level histogram,IEEE Tralls.Systems Man and Cybernet,1979-8:62-66.
24 荣椿，迟耀斌，朱重光．图像分割技术进展．中国体视学与图像分析[J]，3卷(2)1998，P121～128
25 唐常青，吕宏伯，黄铮，张方．数学形态学方法与应用[M]．北京：科学出版社，1990
26 章毓晋．图象工程-图象理解与计算机视觉[M]．北京：清华大学出版社，2000
27 王莹．细胞检测的一种数学形态学方法．航天医学与医学工程[J]，2卷(1)1989，P42～45
28 赵立初，施鹏飞．基于动态阈值选择和细化算法的角膜细胞轮廓抽取．上海交通大学学报[J]，32卷(9)1998·P67～69
29 刘建庄，粟文青．灰度图象的二维Otsu自动阈值分割法．自动化学报[J]，19卷(1)1993，P101～105
30 刘慧敏，舒宁，林卉．图像边缘信息分析中数学形态学的应用方法．武汉大学学报[J]，26卷(4)2001，P325～330
31 刘新泉，李宁，陈世福．形态、颜色特征及神经网络在肺癌细胞识别中的应用研究．计算机辅助设计与图形学报[J]，2001，13(1)：87-92
32 徐建华．图像处理与分析[M]．北京：科学出版社，1992，1
33 王新成．高级图像处理技术[M]．北京：中国科学技术出版社，2001，5
34 林克正，李殿璞等．图像小波去噪的算子描述．哈尔滨理工大学学报[J]，5卷(3)200，P8～12
35 陈武凡．小波分析及其在图像处理中的应用 [M] 北京科学出版社，2002，4
36 何斌，马天予，王运坚．Visual C++数字图像处理[M]．北京：人民邮电出版社，2001
37 蔡健荣，方如明．烟叶质量分级自适应系统研究农业机械学报[J]，1998，03
38 黄星奕．基于计算机视觉的稻米外观质量检测系统研究．江苏大学博士研究生论文，1999，3
39 涂丹，沈建军，沈振康．小波阈值技术在图像降噪中的应用研究．国防科技大学学报[J]，21卷(2)，1999
40 王小平，曹立明．遗传算法—理论、应用与软件实现[M]．西安：西安交通大学出版社，2002
41 杨秀坤，陈晓光，马成林，方进，于立彪．用遗传神经网络进行苹果颜色自动检测的研究．农业工程学报[J]，13卷(2)，1997，6，P173～176
42 舒云星，张永胜，郁可．基于遗传算法的BP网络优化研究．山东建材学院学报[J]，14卷(1)，2000，3，P22～27
43 崔屹．图像处理与分析—数学形态学及应用[M]．北京：科学出版社，2000
44 汤忠鎏，王浙东．遗传算法在医学判别分析中的应用．苏州医学院学报[J]，20卷(7)P683～684
45 董立岩，李永丽，时景荣，姚建辉．基于遗传算法和神经网络的因素分析．吉林工业大学自然科学学报[J]，31卷(3)，2001，7，P70～73
46 景广军，粱昌梅，范训礼．遗传神经网络技术在专家系统中的应用．计算机工程[J]，27卷(7)，P10～13
47 陈国良等．遗传算法及其应用[M]．北京：人民邮电出版社，1996
48 苏统华．图像的边缘跟踪及在VC环境的实现．电脑编程与维护[J]，2002，6
49 相阿荣，王一鸣．利用色度法识别杂草和土壤背景物．中国农业大学学报[J]，2000，5，P98～100
50 王世庆，金亚秋．SAR图像船行尾迹检测的Radon变换和形态学图像处理
51 李林，高政．一种新颖的灰度形态学算子，计算机辅助设计与图形学学报[J]，13卷(9)，2001，9
52 唐慧明，叶红．二值图像分割的数学形态学方法，浙江大学学报[J]，27卷(5)，1993，9，P689～693
53 王浩军，郑崇勋，闫相国．基于自适应多尺度的血液细胞图像闭值分割方法研究，西安交通大学学报[J]，35卷(4)，2001，4，P390～397
54 袁华，滕奇志等．边缘检测及其在医学图像中的应用，生物医学工工程杂志[J]，2001，8，P149～153
55 李林，高政，黄卫平．一种新颖的基于截集分解的形态学算子，光学技术[J]，27卷(1)，2001，1，P74～81
56 赵忠旭，王爱民，沈兰芬．基于数学形态学和HIS模型的彩色舌图像分割，北京工业大学学报[J]，25卷(2)，1999，6，P67～71
57 黄凤岗，宋克欧．模式识别[M]．哈尔滨工程大学出版社，1998，3
58 边肇祺，张学工等．模式识别[M]．北京：清华大学出版社，2001，1
59 孙即祥等．现代模式识别[M]．长沙：国防科技大学出版社，2002，1
60 李金宗．模式识别导论[M]．北京：高等教育出版社，1994
2 段道怀等译．昆虫病原物鉴定诊断手册．农业出版社，1984，1
3 刘吉平，徐新耀．家蚕微粒子病流行发生的历史和现状，中国蚕业[J]，2000(1)，P9～11
4 沈正伦，马菊仙，诗翠仙．从传染特点谈家蚕微粒子病的综合防止，云南农业科技[J]，1997(6)，P35～37
5 万嘉群．家蚕的微粒子病，中国进出境动植检[J]，1998(1)，P44～45
6 荆人杰，叶秀清，徐胜荣，陈存椿．计算机图像处理．浙江大学出版社[M]，1990，6．
7 张香琴．家蚕微粒子病的图像识别技术．江苏大学硕士学位论文，1998
8 徐道娟．薯条外观质量识别中图象处理技术研究．江苏大学硕士论文，2002，3
9 方如明，蔡建荣，许俐．计算机图像处理技术及其在农业工程中的应用[M]，1999，7
10 朱志刚，石定闫等．数字图像处理．电子工业出版社，1998，9．
11 许刚，潘丽芬．数码显微技术在微粒子病检验中的应用与研究．江苏蚕业[J]，2002(1)，
12 陈联诚，徐勇春等．用人工神经网络对家蚕微粒子病进行初步分析与预测．系统工程理论方法应用[J]，19卷(2)，2000，P159～163
13 刘吉平，徐新耀等．灰色系统理论预测家蚕微粒子病流行研究，农业系统科学与综合研究[J]，16(3)，2000，P176～179
14 Pal N,Pal S K, A review on image segmentation techniques[J]. Pattern Recognition, 26卷(9) 1993:P1277～1294
15 Rebert Gretgory. Digital Cameras: They Still Need Digital Camerals[J]. Advanced Image, 1996;(8)222-224.
16 Chen C H, Wang Y, Mitra S K ,Gray J W. Automated detection of chromosome aberration using color information. SPINE, 1989,1192,339～343.
17 Min C.Shin. Comparison Of Edge Deeteetor Performance through Use in an
Object Recognition Task.Computer Vision and Image Understanding 84,2001.
18 Ingram M, Preston K.Automatic analysis of blood cells. Science America,1970,223:72-82
19 A.S.Abutale,Automatic thresholding of gray-level pictures suing two-dimensional entroy,Comput.Visiion Graphics Image Process,1989-47:22-32.
20 A.D.brink,Thresholding of digital images using two-dimensional entropics.Pattern Recognization,1992-25:8033-808.
21 J.Kittler and J.illingworth,Mnimurn error thrsholding.Pattern Recognization 1989-19:41-47
22 J.S.Lee and M.C.K.Yang,Thresholding selection using estimates from truncated normal distribution.IEEE tRANS.Systems Man and Cybemet,1989-19:422-429.
23 N.Otsu,A threhold Selection method from gray-level histogram,IEEE Tralls.Systems Man and Cybernet,1979-8:62-66.
24 荣椿，迟耀斌，朱重光．图像分割技术进展．中国体视学与图像分析[J]，3卷(2)1998，P121～128
25 唐常青，吕宏伯，黄铮，张方．数学形态学方法与应用[M]．北京：科学出版社，1990
26 章毓晋．图象工程-图象理解与计算机视觉[M]．北京：清华大学出版社，2000
27 王莹．细胞检测的一种数学形态学方法．航天医学与医学工程[J]，2卷(1)1989，P42～45
28 赵立初，施鹏飞．基于动态阈值选择和细化算法的角膜细胞轮廓抽取．上海交通大学学报[J]，32卷(9)1998·P67～69
29 刘建庄，粟文青．灰度图象的二维Otsu自动阈值分割法．自动化学报[J]，19卷(1)1993，P101～105
30 刘慧敏，舒宁，林卉．图像边缘信息分析中数学形态学的应用方法．武汉大学学报[J]，26卷(4)2001，P325～330
31 刘新泉，李宁，陈世福．形态、颜色特征及神经网络在肺癌细胞识别中的应用研究．计算机辅助设计与图形学报[J]，2001，13(1)：87-92
32 徐建华．图像处理与分析[M]．北京：科学出版社，1992，1
33 王新成．高级图像处理技术[M]．北京：中国科学技术出版社，2001，5
34 林克正，李殿璞等．图像小波去噪的算子描述．哈尔滨理工大学学报[J]，5卷(3)200，P8～12
35 陈武凡．小波分析及其在图像处理中的应用 [M] 北京科学出版社，2002，4
36 何斌，马天予，王运坚．Visual C++数字图像处理[M]．北京：人民邮电出版社，2001
37 蔡健荣，方如明．烟叶质量分级自适应系统研究农业机械学报[J]，1998，03
38 黄星奕．基于计算机视觉的稻米外观质量检测系统研究．江苏大学博士研究生论文，1999，3
39 涂丹，沈建军，沈振康．小波阈值技术在图像降噪中的应用研究．国防科技大学学报[J]，21卷(2)，1999
40 王小平，曹立明．遗传算法—理论、应用与软件实现[M]．西安：西安交通大学出版社，2002
41 杨秀坤，陈晓光，马成林，方进，于立彪．用遗传神经网络进行苹果颜色自动检测的研究．农业工程学报[J]，13卷(2)，1997，6，P173～176
42 舒云星，张永胜，郁可．基于遗传算法的BP网络优化研究．山东建材学院学报[J]，14卷(1)，2000，3，P22～27
43 崔屹．图像处理与分析—数学形态学及应用[M]．北京：科学出版社，2000
44 汤忠鎏，王浙东．遗传算法在医学判别分析中的应用．苏州医学院学报[J]，20卷(7)P683～684
45 董立岩，李永丽，时景荣，姚建辉．基于遗传算法和神经网络的因素分析．吉林工业大学自然科学学报[J]，31卷(3)，2001，7，P70～73
46 景广军，粱昌梅，范训礼．遗传神经网络技术在专家系统中的应用．计算机工程[J]，27卷(7)，P10～13
47 陈国良等．遗传算法及其应用[M]．北京：人民邮电出版社，1996
48 苏统华．图像的边缘跟踪及在VC环境的实现．电脑编程与维护[J]，2002，6
49 相阿荣，王一鸣．利用色度法识别杂草和土壤背景物．中国农业大学学报[J]，2000，5，P98～100
50 王世庆，金亚秋．SAR图像船行尾迹检测的Radon变换和形态学图像处理
51 李林，高政．一种新颖的灰度形态学算子，计算机辅助设计与图形学学报[J]，13卷(9)，2001，9
52 唐慧明，叶红．二值图像分割的数学形态学方法，浙江大学学报[J]，27卷(5)，1993，9，P689～693
53 王浩军，郑崇勋，闫相国．基于自适应多尺度的血液细胞图像闭值分割方法研究，西安交通大学学报[J]，35卷(4)，2001，4，P390～397
54 袁华，滕奇志等．边缘检测及其在医学图像中的应用，生物医学工工程杂志[J]，2001，8，P149～153
55 李林，高政，黄卫平．一种新颖的基于截集分解的形态学算子，光学技术[J]，27卷(1)，2001，1，P74～81
56 赵忠旭，王爱民，沈兰芬．基于数学形态学和HIS模型的彩色舌图像分割，北京工业大学学报[J]，25卷(2)，1999，6，P67～71
57 黄凤岗，宋克欧．模式识别[M]．哈尔滨工程大学出版社，1998，3
58 边肇祺，张学工等．模式识别[M]．北京：清华大学出版社，2001，1
59 孙即祥等．现代模式识别[M]．长沙：国防科技大学出版社，2002，1
60 李金宗．模式识别导论[M]．北京：高等教育出版社，1994