熊應(yīng)平　王阿川

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

松楊柵銹菌擔(dān)孢子顯微圖像識別方法1)

熊應(yīng)平王阿川

(東北林業(yè)大學(xué)，哈爾濱，150040)

摘要針對松楊柵銹菌(Melampsora larici-populina)擔(dān)孢子萌發(fā)數(shù)量計(jì)數(shù)問題，提出了利用圖像處理技術(shù)實(shí)現(xiàn)對松楊柵銹菌擔(dān)孢子顯微圖像的識別及自動計(jì)數(shù)。首先，運(yùn)用形態(tài)學(xué)重建濾波算法去除松楊柵銹菌擔(dān)孢子顯微圖像噪聲；然后利用二維閾值化進(jìn)行圖像分割；再對分割后的松楊柵銹菌擔(dān)孢子顯微圖像作距離變換；最后利用分水嶺算法對松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行有效分割，實(shí)現(xiàn)了對分水嶺算法過分割問題的改進(jìn)。利用孔洞檢測算法，實(shí)現(xiàn)了松楊柵銹菌擔(dān)孢子的自動計(jì)數(shù)。

關(guān)鍵詞松楊柵銹菌；圖像識別；形態(tài)學(xué)濾波；距離變換；分水嶺分割

松楊柵銹菌(Melampsora larici-populina)屬于轉(zhuǎn)主寄生型銹菌，一般要經(jīng)過2種寄主方可完成整個生活史。該銹菌的性孢子器和銹孢子器階段寄生于落葉松屬、松屬、鐵杉屬、冷杉屬等裸子植物的葉片上，夏孢子堆和冬孢子堆階段寄生于楊屬植物上[1]。松楊柵銹菌可使受害嚴(yán)重的葉片失水干枯、卷曲、甚至提前脫落，而且受銹菌侵染而衰弱的植株易受其他弱寄生菌侵染而死亡[2]。因此，采集和觀測楊樹葉片上松楊柵銹菌擔(dān)孢子的實(shí)際數(shù)量，建立松楊柵銹菌擔(dān)孢子萌發(fā)模型，可以為研究該病害的侵染循環(huán)和預(yù)測預(yù)報(bào)奠定理論基礎(chǔ)。目前，對松楊柵銹菌擔(dān)孢子數(shù)量觀察和測定都是人工進(jìn)行，其缺點(diǎn)和不足表現(xiàn)在測量的準(zhǔn)確度差和速度慢。

由于孢子的種類繁多，目前針對孢子的研究報(bào)道也屢見不鮮。龔文強(qiáng)等[3]研究了落葉松-青楊葉銹病菌擔(dān)孢子在不同溫度和不同光照條件下的萌發(fā)規(guī)律，結(jié)果顯示擔(dān)孢子必須經(jīng)過冷凍才能獲得萌發(fā)能力，擔(dān)孢子芽管在黑暗中生長最好。趙官成[4]利用夏孢子捕捉技術(shù)和灰色預(yù)測理論，研究了松楊柵銹菌夏孢子在陜西關(guān)中地區(qū)的流行規(guī)律。王阿川等[5]運(yùn)用人工統(tǒng)計(jì)計(jì)數(shù)方法記錄松楊柵銹菌擔(dān)孢子，根據(jù)線性擬合求出離散點(diǎn)間滿足的相互關(guān)系，得到擔(dān)孢子萌發(fā)模型為該病的流行、預(yù)測預(yù)報(bào)研究提供科學(xué)依據(jù)。林曉燕等[6]經(jīng)顯微圖像采集系統(tǒng)獲得楊樹病害孢子圖像,經(jīng)去噪、閾值分割、膨脹、邊緣提取和細(xì)化，最后實(shí)現(xiàn)了孢子的自動計(jì)數(shù)。徐鵬云等[7]通過灰度直方圖和二次定值法確定最終閾值，實(shí)現(xiàn)了空中浮游孢子的自動計(jì)數(shù)。李小龍等[8]利用K-means聚類算法分割、形態(tài)學(xué)操作修飾和分水嶺分割等實(shí)現(xiàn)了小麥條銹病菌夏孢子的自動計(jì)數(shù)和標(biāo)記。

綜上所述，目前利用計(jì)算機(jī)圖像處理技術(shù)對松楊柵銹菌擔(dān)孢子自動識別和計(jì)數(shù)的研究較少。針對上述問題，提出利用改進(jìn)的分水嶺算法對松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行分割，然后利用孔洞檢測算法，以期實(shí)現(xiàn)對松楊柵銹菌擔(dān)孢子的自動計(jì)數(shù)，彌補(bǔ)顯微鏡下人工計(jì)數(shù)松楊柵銹菌擔(dān)孢子的不足。

1圖像預(yù)處理

松楊柵銹菌擔(dān)孢子彩色顯微圖像攜帶的信息量大，運(yùn)算復(fù)雜。因此，首先將松楊柵銹菌擔(dān)孢子彩色顯微圖像進(jìn)行灰度化處理。灰度化處理的目的是使色彩的3種顏色分量R、G、B的值相同，減少了松楊柵銹菌擔(dān)孢子彩色顯微圖像攜帶的信息量，達(dá)到降維，為后面的松楊柵銹菌擔(dān)孢子顯微圖像分割和識別做好鋪墊，可極大地提高從松楊柵銹菌擔(dān)孢子顯微圖像中檢測和識別擔(dān)孢子的效率。選擇加權(quán)平均法處理松楊柵銹菌擔(dān)孢子顯微圖像。

加權(quán)平均法：R=G=B=wRR+wGG+wBB。式中：wR、wG、wB分別為R、G、B的權(quán)值。

通常wR=30%、wG=59%、wB=11%，圖像的灰度最合理。

2改進(jìn)的分水嶺算法

松楊柵銹菌擔(dān)孢子顯微圖像中擔(dān)孢子和背景具有不同的灰度值，一般情況下所有的極小值點(diǎn)應(yīng)該出現(xiàn)在目標(biāo)擔(dān)孢子所在區(qū)域，這樣經(jīng)過分水嶺分割后目標(biāo)擔(dān)孢子和背景可以運(yùn)用不同的像素值區(qū)分，但是由于松楊柵銹菌擔(dān)孢子顯微圖像具有復(fù)雜性，擔(dān)孢子區(qū)域和背景區(qū)域的像素值差異不明顯，很多極小值出現(xiàn)在背景區(qū)域，這樣就會產(chǎn)生過分割現(xiàn)象，把背景的部分區(qū)域錯誤地劃分成目標(biāo)擔(dān)孢子，影響后續(xù)檢測和識別擔(dān)孢子的準(zhǔn)確率，為此需要消除這些過多的極小值。

2.1形態(tài)學(xué)重建濾波

由于在松楊柵銹菌擔(dān)孢子顯微圖像的生成與傳輸?shù)倪^程中出現(xiàn)噪聲的干擾，使擔(dān)孢子顯微圖像的質(zhì)量變差，不利于進(jìn)行分割與識別。因此，選擇形態(tài)學(xué)重建濾波對獲取的松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行去除噪聲。形態(tài)學(xué)重建濾波算法如下：

①將松楊柵銹菌擔(dān)孢子顯微圖像轉(zhuǎn)換為灰度圖像；

②依據(jù)一定的準(zhǔn)則選擇一個結(jié)構(gòu)元素，用該結(jié)構(gòu)元素對灰度圖像做腐蝕運(yùn)算，將得到的腐蝕圖像作為標(biāo)記圖像，原始灰度圖像作為掩模圖像；

③經(jīng)過腐蝕運(yùn)算可以去除松楊柵銹菌擔(dān)孢子顯微圖像中的噪聲，然后運(yùn)用膨脹運(yùn)算處理該顯微圖像。

2.2二維閾值化

二維閾值化就是二維直方圖閾值分割算法，它是根據(jù)圖像像素灰度和像素點(diǎn)鄰域平均灰度做出的。

(1)

式中：0

用像素點(diǎn)灰度值和鄰域平均灰度值組成的二元數(shù)據(jù)(f(x,y),g(x,y))來表示松楊柵銹菌擔(dān)孢子顯微圖像，并以二維矢量(S,T)來分割圖像(0≤S,T≤L-1)。二維閾值化分割算法步驟如下：

①f(x,y)為松楊柵銹菌擔(dān)孢子顯微圖像在(x,y)點(diǎn)的灰度值，g(x,y)為以(x,y)為中心的k×k鄰域內(nèi)的平均灰度值；

②利用像素點(diǎn)的灰度值f(x,y)和其鄰域平均灰度值g(x,y)組成一個二元組表示松楊柵銹菌擔(dān)孢子顯微圖像；

③二維直方圖存在明顯的峰和谷的分布，選取谷的最低點(diǎn)二維矢量(S,T)作為閾值，將松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行分割。

2.3距離變換

在運(yùn)用分水嶺分割之前使用距離變換能夠抑制過分割，消除更多的極小值。距離變換的定義及公式如下所示：

一個M×N的二值圖像可以用一個二維數(shù)組AM×N=[aij]來表示，其中aij=1的像素對應(yīng)物體目標(biāo)點(diǎn)，aij=0的像素就對應(yīng)背景點(diǎn)，設(shè)B={(x,y)|aij=0}為背景像素集合，F(xiàn)={(x,y)|aij=1}為目標(biāo)像素集合，則距離變換就是對A中的所有像素點(diǎn)(i,j)求：

dij=min{DE[(i,j),(x,y)],(x,y)∈B}。

(2)

(3)

2.4改進(jìn)的分水嶺變換算法

利用CCD攝像機(jī)獲取顯微鏡下松楊柵銹菌擔(dān)孢子顯微圖像，該圖像攜帶的信息量大、運(yùn)算復(fù)雜，且圖像在生成和傳輸?shù)倪^程中伴隨有噪聲的出現(xiàn)。首先將松楊柵銹菌擔(dān)孢子顯微圖像灰度化處理，減少圖像攜帶的信息，然后運(yùn)用形態(tài)學(xué)重建濾波平滑該圖像的噪聲及內(nèi)部細(xì)節(jié)，為了識別松楊柵銹菌擔(dān)孢子顯微圖像中擔(dān)孢子的數(shù)量需要進(jìn)一步對該圖像進(jìn)行分割，分水嶺分割容易產(chǎn)生過多的極小值點(diǎn)引起過分割現(xiàn)象，在這里采用二維閾值化和距離變換消除更多的極小值，最后再使用分水嶺分割。詳細(xì)算法步驟如下：

①擔(dān)孢子顯微圖像灰度化處理；

②經(jīng)灰度化處理后的擔(dān)孢子顯微圖像進(jìn)行形態(tài)學(xué)重建濾波；

③形態(tài)學(xué)重建濾波后的擔(dān)孢子顯微圖像進(jìn)行二維閾值化處理；

④對分割后的擔(dān)孢子二值顯微圖像進(jìn)行距離變換；

⑤距離變換后的擔(dān)孢子顯微圖像運(yùn)用分水嶺變換方法進(jìn)行分割。

2.5擔(dān)孢子識別計(jì)數(shù)

圖像分割處理后的松楊柵銹菌擔(dān)孢子顯微圖像為二值圖像，二值圖像只有2個狀態(tài)：黑(0)和白(255)。黑和白分別代表不同的含義，白色區(qū)域表示目標(biāo)松楊柵銹菌擔(dān)孢子，黑色區(qū)域表示背景。二值圖像分析最重要的方法就是連通區(qū)域標(biāo)記，通過對二值松楊柵銹菌擔(dān)孢子顯微圖像中白色連通區(qū)域的標(biāo)記，讓每個單獨(dú)的連通區(qū)域形成一個被標(biāo)識的塊，進(jìn)一步就可以獲取這些塊的幾何參數(shù)。在這里，為了識別松楊柵銹菌擔(dān)孢子的個數(shù)，僅需要統(tǒng)計(jì)被標(biāo)記的塊的個數(shù)就行。運(yùn)用呂新民等[9]提出的孔洞檢測算法計(jì)數(shù)擔(dān)孢子的個數(shù)，算法步驟如下：

①對松楊柵銹菌擔(dān)孢子顯微圖像按照由左至右、由上至下逐行順序掃描。得到順序掃描排列的數(shù)組Q1，數(shù)組中元素值發(fā)生變化的點(diǎn)標(biāo)記為孢子的切點(diǎn)，記為Ai,1。

②按照由上至下、由左至右逐列順序掃描。同理可得數(shù)組Q2，切點(diǎn)Ai,2。

③按照由右至左、由下至上逐列順序掃描。同理可得數(shù)組Q3，切點(diǎn)Ai,3。

④按照由右至左、由下至上逐列順序掃描。同理可得數(shù)組Q4，切點(diǎn)Ai,4。

擔(dān)孢子圖像如圖1所示。

X、Y位置坐標(biāo)為：

X=(xi,2+xi,4)/2。

(4)

Y=(yi,1+yi,3)/2。

(5)

擔(dān)孢子長和寬分別為：

L=xi,4-xi,2。

(6)

W=yi,1-yi,3。

(7)

圖1　松楊柵銹菌擔(dān)孢子輪廓

3結(jié)果與分析

為了驗(yàn)證本文算法的最終效果，在試驗(yàn)?zāi)繕?biāo)選擇上，分別選取了比較清晰且不存在粘連，存在粘連及粘連比較嚴(yán)重和背景比較模糊的4幅松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行圖像分割，并將其與迭代閾值分割[10]、Otsu分割[11]進(jìn)行對比試驗(yàn)。第1組樣本：擔(dān)孢子顯微圖像比較清晰且不存在粘連，分別用迭代閾值分割、Otsu分割、改進(jìn)的分水嶺算法分割(本文方法分割)，結(jié)果如圖2A所示。第2組樣本：擔(dān)孢子顯微圖像中存在部分粘連現(xiàn)象和粘連比較嚴(yán)重現(xiàn)象，分別用上述提到的3種分割方法進(jìn)行處理，結(jié)果如圖2B和圖2C所示。第3組樣本：選擇模糊的擔(dān)孢子顯微圖像，用3種分割方法進(jìn)行處理，結(jié)果如圖2D所示。

A．清晰，不粘連擔(dān)孢子；B．粘連擔(dān)孢子；C.粘連比較嚴(yán)重?fù)?dān)孢子；D.模糊擔(dān)孢子；a.原始圖像；b.迭代閾值分割；c.Otsu分割；d.本文方法分割。

通過3種不同的算法對松楊柵銹菌擔(dān)孢子顯微圖像進(jìn)行圖像分割和識別，由于松楊柵銹菌擔(dān)孢子圖像情況復(fù)雜，對于圖像清晰，不存在粘連的擔(dān)孢子圖像運(yùn)用迭代閾值分割，Otsu分割和本文方法分割，結(jié)果顯示得到的擔(dān)孢子輪廓圖像連續(xù)，不間斷，形狀沒有發(fā)生較大改變，都比較清晰且差別不是很明顯；然而對于存在粘連和粘連比較嚴(yán)重的擔(dān)孢子圖像同樣運(yùn)用3種分割方法進(jìn)行處理，結(jié)果表明得到的擔(dān)孢子圖像存在明顯差別，迭代閾值分割和Otsu分割不能很好地分割開粘連在一起的擔(dān)孢子，且擔(dān)孢子圖像中出現(xiàn)數(shù)據(jù)點(diǎn)缺失形成細(xì)小孔洞，擔(dān)孢子輪廓邊緣不連續(xù)，擔(dān)孢子輪廓形狀發(fā)生改變；但是經(jīng)過本文算法處理卻能夠分離粘連的擔(dān)孢子圖像，使得分離后的擔(dān)孢子圖像邊緣輪廓連續(xù)不間斷，形狀發(fā)生微小的改變。由于背景模糊的松楊柵銹菌擔(dān)孢子顯微圖像本身存在的嚴(yán)重缺陷，致使運(yùn)用時，迭代閾值分割和Otsu分割得到的擔(dān)孢子圖像邊緣輪廓出現(xiàn)嚴(yán)重的間斷，而且擔(dān)孢子圖像內(nèi)部存在孔洞，而本文算法比這2種算法分割得到的結(jié)果都好。從上述試驗(yàn)結(jié)果可以看出，本文提出的分割方法，針對于迭代閾值分割和Otsu分割方法在處理擔(dān)孢子顯微圖像存在粘連和背景比較模糊情況，具有較好的分割效果。對3種識別結(jié)果分別利用本文計(jì)數(shù)算法進(jìn)行自動計(jì)數(shù)，結(jié)果如表1所示。通過比較，結(jié)果顯示本文方法對松楊柵銹菌擔(dān)孢子的識別率高，效果更好(表1)。

表1　松楊柵銹菌擔(dān)孢子識別結(jié)果

4結(jié)論

針對存在粘連及背景模糊的松楊柵銹菌擔(dān)孢子顯微圖像中擔(dān)孢子識別和自動計(jì)數(shù)的問題，提出了一種改進(jìn)的分水嶺分割算法，實(shí)現(xiàn)了對擔(dān)孢子顯微圖像的有效識別。首先，在原始分水嶺分割算法的基礎(chǔ)上，結(jié)合二維閾值化方法，解決了原算法的過分割問題；其次，利用距離變換，消除了松楊柵銹菌擔(dān)孢子圖像中的極小值點(diǎn)問題，抑制了錯誤的分割目標(biāo)的出現(xiàn)；最后利用孔洞檢測算法對分割后的擔(dān)孢子顯微圖像實(shí)現(xiàn)了自動計(jì)數(shù)。結(jié)果表明，本文分割方法對出現(xiàn)粘連和背景模糊的擔(dān)孢子顯微圖像具有較好的識別效果，彌補(bǔ)了顯微鏡下人工計(jì)數(shù)松楊柵銹菌擔(dān)孢子的不足，對建立擔(dān)孢子萌發(fā)模型，研究該病害的侵染循環(huán)和預(yù)測預(yù)報(bào)提供了一定的理論與應(yīng)用指導(dǎo)。

參考文獻(xiàn)

[1]劉莉麗.楊樹對落葉松-楊柵銹菌的抗性研究[D].楊凌:西北農(nóng)林科技大學(xué),2009.

[2]周仲銘,袁毅.楊樹葉銹病的研究概況[J].北京林業(yè)大學(xué)學(xué)報(bào),1985(4):84-102.

[3]龔文強(qiáng),甕岳太,王淑君,等.落葉松-青楊葉銹病菌擔(dān)孢子萌發(fā)規(guī)律[J].東北林業(yè)大學(xué)學(xué)報(bào),2015,43(3):121-123.

[4]趙官成.陜西關(guān)中落葉松楊柵銹菌夏孢子流行規(guī)律分析[J].西南林業(yè)大學(xué)學(xué)報(bào),2012,32(1):56-60.

[5]王阿川,龔文強(qiáng),王淑君,等.松楊柵銹菌擔(dān)孢子萌發(fā)的數(shù)學(xué)模型研究[J].中國森林病蟲,2014，33(6):28-29，48.

[6]林曉燕,劉文耀,陳曉冬,等.楊樹病害孢子的圖像識別技術(shù)研究[J].儀器儀表學(xué)報(bào),2003,24(4):364-366.

[7]徐鵬云,孫維連,夏玲,等.基于數(shù)字圖像處理的孢子特征提取[J].農(nóng)機(jī)化研究,2008(5):48-50.

[8]李小龍,馬占鴻,孫振宇,等.基于圖像處理的小麥條銹病菌夏孢子模擬捕捉的自動計(jì)數(shù)[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(2):199-206.

[9]呂新民,羅志勇,劉棟玉,等.用面陣CCD實(shí)時檢測運(yùn)動帶鋼表面孔洞[J].光電工程,1997,24(1):42-45.

[10]許艷.顯微圖像閾值分割算法的研究[J].應(yīng)用光學(xué),2010,31(5):745-747.

[11]陳崢,石勇鵬,吉書鵬.一種改進(jìn)的Otsu圖像閾值分割算法[J].激光與紅外,2012,42(5):584-588.

第一作者簡介：熊應(yīng)平，男，1990年11月生，東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，碩士研究生。E-mail:793178385@qq.com。 通信作者：王阿川，東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，教授。E-mail:wangca1964@126.com。

收稿日期：2015年11月28日。

分類號S763.11；TP391.41

Microscopic Image Recognition Method of Melampsora larici-populina Basidiospore//

Xiong Yingping Wang A’chuan(Northeast Forestry University, Harbin 150040, P.R.China)//

Journal of Northeast Forestry University，2016,44(7)：116-119.

For counting the number of Melampsora larici-populina basidiospore germination, we presented a method to achieve the recognition and automatic count of M.larici-populina basidiospore microscopic image using image processing technology.First, morphological reconstruction filter was used to remove noise of microscopic image, and then two-dimensional thresholding was used for image segmentation, and distance transform on segmented microscopic image, finally watershed algorithm was used to segment the image.The above steps improved the segmentation of watershed algorithm.The automatic counting of M.larici-populina basidiospore was realized by the hole detection algorithm.

KeywordsMelampsora larici-populina; Image recognition; Morphological filtering; Distance transformation; Watershed segmentation

1)黑龍江省自然科學(xué)基金項(xiàng)目(C201414)；哈爾濱市優(yōu)秀學(xué)科帶頭人基金項(xiàng)目(2014RFXXJ040)。

責(zé)任編輯：程紅。