閔新港　黃邵祺　游少杰　戴博

關(guān)鍵詞：微生物識(shí)別；圖像分割；粒子群算法；支持向量機(jī)

中圖分類號(hào)：X 835 文獻(xiàn)標(biāo)志碼：A

引言

水源微生物廣泛分布于自然與人工水體環(huán)境中，它們無法用肉眼直接觀察，例如水中的原生動(dòng)物和真菌的大小通常介于0.1～100 μm，只能在顯微鏡下進(jìn)行觀察。作為水質(zhì)的關(guān)鍵評(píng)價(jià)指標(biāo)之一，水源微生物的繁殖情況可以很好地反映水體的污染程度。因此，推進(jìn)水源微生物分類識(shí)別的相關(guān)研究對(duì)于水源的生物安全性監(jiān)測、水環(huán)境治理等具有非常重要的意義。

考慮到傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)圖形處理單元的要求較低，能夠以較低成本部署在設(shè)備中，且所需的樣本量小，訓(xùn)練時(shí)間短，許多學(xué)者仍在利用機(jī)器學(xué)習(xí)方法來提高微生物檢測的準(zhǔn)確性。Rahmayuna 等[1] 提出了一種利用支持向量機(jī)實(shí)現(xiàn)細(xì)菌種類的屬級(jí)分類技術(shù)，對(duì)4 種細(xì)菌的預(yù)測準(zhǔn)確率達(dá)到了90.33%。Dhindsa 等[2] 利用像素聚類和Kirsch 濾波分割圖像中的微生物，對(duì)不同分類器提取相應(yīng)的特征，再比較分類回歸樹等多種分類算法，結(jié)果表明，分類回歸樹算法最優(yōu)，對(duì)10 種微生物的識(shí)別準(zhǔn)確率達(dá)到了98%。本研究通過邊緣檢測來提取圖像中的微生物，并提取多種圖像特征并優(yōu)化了部分特征參數(shù)，基于多特征融合的方法制作微生物數(shù)據(jù)集，采用粒子群優(yōu)化算法的支持向量機(jī)（ support vector machineoptimized by particle swarm optimization， PSOSVM）來訓(xùn)練識(shí)別模型，并將其與網(wǎng)格搜尋支持向量機(jī)（ grid search support vector machine， GSSVM）[3]、誤差反向傳播算法（back propagationneural network， BP）和集成支持向量機(jī)（ensembleSVM）[4] 比較，建立了一種高效的微生物識(shí)別方法。

1 水樣采集與微生物圖像集制作

微生物采集于浦東威立雅自來水公司，由于夏季是微生物繁殖的高峰期，所以選擇該時(shí)期進(jìn)行采樣工作，采樣類型包括過濾水和出廠水。首先將濾袋放置在出水管道上，持續(xù)富集3 d，之后將采樣帶回實(shí)驗(yàn)室并轉(zhuǎn)移到培養(yǎng)皿中，在Axio Vert.A1 型倒置顯微鏡（德國卡爾·蔡司公司）下觀察，照明光源為顯微鏡自帶的明場光源，顯微物鏡放大倍率為5×。使用Canon EOS80D 相機(jī)（日本佳能株式會(huì)社）對(duì)微生物進(jìn)行拍照，ISO 速度為800，曝光時(shí)間為1/200 s，圖像分辨率為4 000×6 000。最終得到8 種微生物，共640 張圖像（每種80 張），圖1 展示了這8 種微生物的實(shí)例。采用每種微生物的50 張圖像用作訓(xùn)練集，30 張圖像用作測試集，為減小計(jì)算量，提高后續(xù)的處理速率，圖像尺寸統(tǒng)一調(diào)整為600×900。用Sefexa 軟件來繪制評(píng)價(jià)標(biāo)準(zhǔn)圖像。

2 水源微生物識(shí)別系統(tǒng)整體流程

提出了一種水源微生物自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)的整體流程如圖2 所示。首先，輸入制作完成的微生物圖像集，通過自編寫的圖像分割算法對(duì)微生物圖像執(zhí)行圖像增強(qiáng)、平滑濾波、邊緣檢測、形態(tài)學(xué)處理等操作，獲得目標(biāo)微生物的二值掩膜，并提取目標(biāo)微生物所在區(qū)域，得到分割后的微生物圖像。隨后，對(duì)分割后的圖像提取6 種特征描述子，包括幾何特征、內(nèi)部結(jié)構(gòu)直方圖、傅里葉描述子、胡不變矩、灰度共生矩陣和旋轉(zhuǎn)不變局部二值模式。由于6 種特征的總維數(shù)不高，通過連接的方式進(jìn)行特征融合。接下來，導(dǎo)入融合后的特征數(shù)據(jù)，通過粒子群算法優(yōu)化SVM 訓(xùn)練參數(shù)，建立優(yōu)化后的微生物識(shí)別模型，最終由該模型輸出微生物的識(shí)別結(jié)果。

3 微生物圖像分割與特征提取

3.1 微生物圖像分割

設(shè)計(jì)了兩種微生物圖像分割方法，分別是全自動(dòng)圖像分割方法與半自動(dòng)圖像分割方法。半自動(dòng)分割方法是在全自動(dòng)分割方法基礎(chǔ)上，新增了可以手動(dòng)畫出感興趣的分割區(qū)域的功能，并只在該區(qū)域內(nèi)進(jìn)行后續(xù)的圖像分割，這樣可以在復(fù)雜環(huán)境中更加準(zhǔn)確地分割出目標(biāo)微生物。針對(duì)不同的環(huán)境復(fù)雜程度可采用不同的分割方法，例如：在流動(dòng)的水體中，微生物和雜質(zhì)密度較低，適合全自動(dòng)分割方法；在富集的水樣中，目標(biāo)微生物會(huì)被大量雜質(zhì)覆蓋，適合半自動(dòng)分割方法。

對(duì)于全自動(dòng)分割方法，首先輸入原始微生物圖像，再將原始圖像轉(zhuǎn)化為灰度圖，之后通過點(diǎn)運(yùn)算增強(qiáng)對(duì)比度， 高斯濾波去噪， 隨后用Canny 邊緣檢測算子[5] 來檢測微生物邊界，通過形態(tài)學(xué)處理閉合邊緣圖像并獲得最終的分割結(jié)果。對(duì)于半自動(dòng)分割方法，其流程如圖3 所示：第1 步，讀取原始圖像；第2 步，用戶通過光標(biāo)指針手動(dòng)畫出感興趣的區(qū)域；第3 步，將原始圖像轉(zhuǎn)化為灰度圖，高斯平滑處理，點(diǎn)運(yùn)算增強(qiáng)對(duì)比度；第4 步，裁剪出所畫的感興趣區(qū)域，并求出其他區(qū)域的灰度均值，用來填充黑色背景區(qū)域；第5 步，用Canny 雙閾值邊緣檢測提取微生物邊緣輪廓，并使用形態(tài)學(xué)處理方法閉合邊界；最后，填充微生物區(qū)域內(nèi)部以獲得分割后的微生物圖像。

Canny 邊緣檢測是最常用的邊緣檢測方法之一，它有著良好的抗噪聲干擾性，對(duì)圖像的弱邊緣檢測能力較好?；谔荻壤碚揫6]，假定f（x， y）代表微生物圖像中坐標(biāo)（x， y）處的灰度值。則該坐標(biāo)處的梯度被定義為

該坐標(biāo)處的梯度方向?yàn)?/p>

式中，Gx 和Gy 分別為橫軸x 方向和縱軸y 方向的梯度分量。根據(jù)式（2）和（3），可以得到整幅圖像所有像素點(diǎn)的梯度幅值和方向。隨后Canny 算子在0°、45°、90°和135° 4 個(gè)梯度方向上對(duì)數(shù)據(jù)執(zhí)行非極大值抑制，對(duì)于中心像素點(diǎn)（x， y），選定其周圍的8 鄰域像素范圍，得到該點(diǎn)的梯度方向所在直線與鄰域相交的兩個(gè)端點(diǎn)。由于實(shí)際圖像是離散二維矩陣，端點(diǎn)不一定真實(shí)存在，需要進(jìn)行插值。將點(diǎn)（x， y）與兩個(gè)端點(diǎn)比較，若中心點(diǎn)梯度幅值是3 個(gè)點(diǎn)中的最大值則保留，反之置0。隨后設(shè)定適當(dāng)?shù)牡烷撝蹬c和高閾值，若像素點(diǎn)梯度幅值小于低閾值則舍棄；若梯度幅值大于高閾值則保留；若梯度幅值介于兩者之間，則求出該點(diǎn)的8 鄰域像素的梯度幅值，如果梯度幅值高于高閾值，則保留該點(diǎn)，否則舍棄。

3.2 圖像分割評(píng)價(jià)

對(duì)于以上兩種圖像分割方法，采用相似度（ similarity） 、靈敏度（ sensitivity） 以及特異度（specificity）3 個(gè)指標(biāo)進(jìn)行評(píng)價(jià)，評(píng)價(jià)時(shí)的分割圖像與評(píng)價(jià)標(biāo)準(zhǔn)圖像均為二值圖像，1 代表感興趣像素，0 代表背景像素。其相似度式定義分別為

式中：Vsim 表示分割圖像與評(píng)價(jià)標(biāo)準(zhǔn)圖像的相似度； Tp 表示被正確標(biāo)記的像素總數(shù)； Fp 表示被錯(cuò)誤標(biāo)記為感興趣像素的背景像素總數(shù)； Fn 表示被錯(cuò)誤標(biāo)記為背景像素的感興趣像素總數(shù)。

3.3 微生物特征提取

從分割后的微生物圖像中提取幾何特征、內(nèi)部結(jié)構(gòu)直方圖特征、傅里葉描述子、胡不變矩、灰度共生矩陣和旋轉(zhuǎn)不變局部二值模式，共6 種圖像特征。

幾何特征（ geometrical feature， GF） 包括：（1）微生物的面積A；（2）微生物邊界輪廓的周長P； （ 3） 微生物的圓度（ circularity） 4πA/P2；（4）與微生物區(qū)域具有相同歸一化二階中心矩的橢圓長軸長度l1 和短軸長度l2。

內(nèi)部結(jié)構(gòu)直方圖（internal structure histogram，ISH）特征：如圖4 所示，在微生物邊界輪廓上標(biāo)記K 個(gè)等距分布的采樣點(diǎn)，將任意3 個(gè)點(diǎn)組合，計(jì)算它們的內(nèi)部結(jié)構(gòu)角（例如圖4 所示的角θ），并將所有能得到的內(nèi)切角按照一定的角度范圍進(jìn)行計(jì)數(shù)，由此可以得到ISH 特征。

4.3 粒子群優(yōu)化算法的支持向量機(jī)（PSO-SVM）

在此項(xiàng)研究中，使用PSO 算法優(yōu)化支持向量機(jī)的核參數(shù)γ 以及懲罰因子C，建立PSOSVM識(shí)別模型。其流程如圖5 所示，具體步驟為：（1）輸入微生物的特征數(shù)據(jù)集；（2）PSO 算法參數(shù)設(shè)定，包括粒子群的粒子總數(shù)、最大迭代次數(shù)、慣性權(quán)重、局部和全局學(xué)習(xí)因子、待優(yōu)化參數(shù)C 和γ 的限制范圍；（3）初始化粒子群，隨機(jī)初始化粒子的速度和位置，迭代次數(shù)置零；（4）循環(huán)執(zhí)行步驟6 到步驟9，每循環(huán)一次則迭代次數(shù)加1； （ 5） 利用PSO 優(yōu)化的SVM 參數(shù)C 和γ 建立微生物圖像特征的SVM 分類模型，并評(píng)估測試集的識(shí)別準(zhǔn)確率；（6）計(jì)算每個(gè)粒子的適應(yīng)度；（7）計(jì)算粒子的個(gè)體和全局優(yōu)化適應(yīng)度，并根據(jù)式（13）和式（14）更新每個(gè)粒子的速度和位置；（8）判斷循環(huán)是否終止，如果達(dá)到兩代之間的最小誤差或者最大迭代次數(shù)，則終止循環(huán)，反之則返回步驟5；（9）輸出最優(yōu)的參數(shù)C 和γ；（10）建立優(yōu)化的SVM 模型；（11）輸出微生物分類識(shí)別結(jié)果。

5 結(jié)果與討論

5.1 特征參數(shù)優(yōu)化

為了獲得客觀的評(píng)估結(jié)果，使用評(píng)價(jià)標(biāo)準(zhǔn)圖像進(jìn)行特征參數(shù)的優(yōu)化。表1 展示了在不同采樣點(diǎn)數(shù)量以及不同角度統(tǒng)計(jì)范圍下提取的ISH 特征的識(shí)別準(zhǔn)確率，結(jié)果表明，采樣點(diǎn)為100 個(gè)，角度分區(qū)范圍為{0～15°， ···， 165°～180°}時(shí)的準(zhǔn)確率最高，達(dá)到了79.41%，此時(shí)的特征維數(shù)為12 維。表2 展示了在不同采樣點(diǎn)數(shù)量下提取的FD 特征的識(shí)別準(zhǔn)確率，結(jié)果表明，當(dāng)采樣點(diǎn)數(shù)量為150 個(gè)時(shí)，準(zhǔn)確率最高，達(dá)到88.50%，此時(shí)的特征維數(shù)為75 維。表3 展示了不同鄰域半徑和采樣點(diǎn)個(gè)數(shù)條件下RI-LBP 特征的識(shí)別準(zhǔn)確率，當(dāng)鄰域半徑為1，采樣點(diǎn)為8 個(gè)時(shí)，準(zhǔn)確率最高，達(dá)到72.16%，此時(shí)特征維數(shù)為256 維。

5.2 圖像分割評(píng)價(jià)

圖6 展示了兩種分割方法的實(shí)際分割效果以及評(píng)價(jià)標(biāo)準(zhǔn)圖，第1 行是原始圖像，第2 行是評(píng)價(jià)標(biāo)準(zhǔn)圖像，第3 行是全自動(dòng)分割圖像，第4 行是半自動(dòng)分割圖像。原始圖像中目標(biāo)微生物的周圍有不同程度的雜質(zhì)干擾，通過半自動(dòng)分割方法可以將目標(biāo)微生物非常精準(zhǔn)地分割出來，分割后的圖像形態(tài)與評(píng)價(jià)標(biāo)準(zhǔn)圖像非常接近，而全自動(dòng)分割方法無法去除與目標(biāo)微生物緊挨著的大體積雜質(zhì)，分割效果較差。

由式（4）—（6）可計(jì)算得到全自動(dòng)分割圖像與半自動(dòng)分割圖像相較于評(píng)價(jià)標(biāo)準(zhǔn)圖像的相似度、靈敏度和特異度。評(píng)價(jià)結(jié)果如表4 所示：半自動(dòng)分割圖像與評(píng)價(jià)標(biāo)準(zhǔn)圖的相似度為90.94%，比全自動(dòng)分割方法提升了4.96%；半自動(dòng)分割圖像的靈敏度為97.24%，比全自動(dòng)分割方法提升了0.70%；半自動(dòng)分割圖像的特異度為99.89%，比全自動(dòng)分割方法提升了0.27%。因此，半自動(dòng)分割方法可以更好地分割微生物圖像。

為了進(jìn)一步評(píng)估分割性能，將以上兩種不同分割方法分割后的微生物圖像制成特征數(shù)據(jù)集，利用SVM 訓(xùn)練和測試，求出單類別特征的識(shí)別準(zhǔn)確率，訓(xùn)練過程采用5 折交叉驗(yàn)證[17]，實(shí)驗(yàn)重復(fù)10 次，取平均值。結(jié)果如圖7 所示，除RI-LBP 特征以外，半自動(dòng)分割方法的其他所有特征的識(shí)別準(zhǔn)確率均高于全自動(dòng)方法，其中GF 的識(shí)別結(jié)果最優(yōu)，其準(zhǔn)確率為90.84%。與評(píng)價(jià)標(biāo)準(zhǔn)圖相比，半自動(dòng)分割圖像的GF、Hu、GLCM 3 種特征的識(shí)別準(zhǔn)確率差異均在1% 以內(nèi)，ISH 的準(zhǔn)確率差異約3%，RI-LBP 的準(zhǔn)確率差異約4%。此外，對(duì)于半自動(dòng)分割圖像，其所有6 種特征的平均準(zhǔn)確率為77.35%，與評(píng)價(jià)標(biāo)準(zhǔn)圖的相應(yīng)值相比僅低了2.62%；全自動(dòng)分割方法的所有特征平均準(zhǔn)確率與評(píng)價(jià)標(biāo)準(zhǔn)圖的相應(yīng)值比較，低了7.35%。因此，對(duì)拍攝于富集后的水體微生物圖像，適用于半自動(dòng)分割方法。因?yàn)榇罅康奈⑸锱c雜質(zhì)堆積在一起，分割難度非常大，而通過手動(dòng)選擇感興趣區(qū)域，可以有效降低圖像噪聲的影響，實(shí)現(xiàn)對(duì)目標(biāo)微生物的精準(zhǔn)分割。對(duì)于拍攝于流動(dòng)水體的微生物圖像，則適合全自動(dòng)圖像分割方法，因?yàn)樵摲椒o需人工干預(yù)，能實(shí)時(shí)處理圖像，且微生物和雜質(zhì)的密度較低，大多數(shù)微生物能被正確地分割。

5.3 PSO-SVM 微生物識(shí)別模型

評(píng)價(jià)標(biāo)準(zhǔn)圖提取的微生物的6 種特征數(shù)據(jù)，經(jīng)過特征融合后作為特征數(shù)據(jù)集。利用PSO 算法優(yōu)化SVM 的核參數(shù)γ 以及懲罰因子C，得到PSO-SVM 微生物識(shí)別模型。 PSO 算法的參數(shù)設(shè)置如下：粒子的種群大小為24；加速常數(shù)C1 與C2 均為1.5；慣性權(quán)重為0.6；最大迭代次數(shù)為100。在PSO 優(yōu)化過程中，使用SVM 模型的識(shí)別準(zhǔn)確率作為粒子適應(yīng)度。

利用PSO 優(yōu)化SVM 參數(shù)過程中的適應(yīng)度曲線如圖8 所示，適應(yīng)度隨著粒子的迭代次數(shù)增加而逐漸收斂，在第72 代時(shí)達(dá)到最大值，由此獲得最優(yōu)的SVM 參數(shù)C = 21.165 2，γ = 0.025 504。隨后利用訓(xùn)練完成的PSO-SVM 模型對(duì)8 種微生物的測試集進(jìn)行分類識(shí)別，采用5 折交叉驗(yàn)證，測試10 次，取平均值作為最終測試結(jié)果，并將其與GS-SVM、BP、Ensemble SVM 3 種識(shí)別方法的測試結(jié)果比較。

結(jié)果如圖9 所示，PSO-SVM 識(shí)別方法對(duì)于此8 種微生物具有最好的分類性能，平均識(shí)別率為98.60%，其中：月形腔輪蟲的識(shí)別率為99.19%；溞的識(shí)別率為98.13%；猛水蚤的識(shí)別率為98.77%；鉤狀狹甲輪蟲的識(shí)別率為97.17%；未知微生物1 的識(shí)別率為97.92%；未知微生物2 的識(shí)別率為97.60%；紅蟲和顫藻的識(shí)別率最高，均為100%。GS-SVM 模型的平均識(shí)別率為96.28%，比PSO-SVM 低了2.32%；Ensemble SVM 的識(shí)別率為91.57%，比PSO-SVM 低了7.03%；BP神經(jīng)網(wǎng)絡(luò)的平均識(shí)別率為81.33%，在4 種算法中最低，這是因?yàn)槲⑸飿颖緮?shù)量較少所致。

實(shí)驗(yàn)結(jié)果表明，PSO-SVM 識(shí)別方法的識(shí)別性能優(yōu)于其他3 種分類算法，更適用于水源微生物識(shí)別。利用全自動(dòng)分割圖像提取的特征數(shù)據(jù)建立的PSO-SVM 模型平均識(shí)別率為92.25%，相較于評(píng)價(jià)標(biāo)準(zhǔn)圖低了6.35%，這是由于本文中的原始微生物圖像均采集于富集后的水樣，其微生物與雜質(zhì)比較密集，微生物圖像的全自動(dòng)分割效果較差所致。利用半自動(dòng)分割圖像提取的特征數(shù)據(jù)建立的PSO-SVM 模型，其平均識(shí)別率為97.08%，僅比評(píng)價(jià)標(biāo)準(zhǔn)圖的識(shí)別率低1.52%。

6 結(jié)論

提出了一種基于多特征融合和PSO-SVM 的水源微生物自動(dòng)識(shí)別方法?？紤]到水源環(huán)境的不同復(fù)雜程度，設(shè)計(jì)了全自動(dòng)和半自動(dòng)分割兩種微生物圖像分割方法，分別適用于流動(dòng)水體中拍攝的微生物圖像以及水體富集后拍攝的微生物圖像。針對(duì)8 種微生物優(yōu)化了ISH、FD、RI-LBP的特征參數(shù)，通過連接的方式將所有特征融合起來，最后利用該特征數(shù)據(jù)建立了PSO 算法優(yōu)化的SVM 模型，實(shí)現(xiàn)對(duì)8 種水源微生物的分類和識(shí)別。實(shí)驗(yàn)結(jié)果表明，該模型能夠準(zhǔn)確地識(shí)別其中的每一種微生物， 平均識(shí)別準(zhǔn)確率達(dá)到97.08%。因此，該技術(shù)有望用于水源微生物的高效自動(dòng)檢測，以提高居民用水的安全保障和水源環(huán)境監(jiān)測效率。