基于图像处理方法的空间站舱室材料表面真菌滋(2)
【作者】网站采编
【关键词】
【摘要】培养2 天后,将平板放在菌落计数仪中进行计数。 然后算出同一个稀释梯度下的3 个平板上的菌落平均数(N)和各板上真菌数量密度(ρnum,CFU/cm2),计算公式
培养2 天后,将平板放在菌落计数仪中进行计数。 然后算出同一个稀释梯度下的3 个平板上的菌落平均数(N)和各板上真菌数量密度(ρnum,CFU/cm2),计算公式如式(1)。
式中,N 为平板平均数,μ 为稀释倍数,S 为材料面积。
对剩下的铝合金板材料用真菌孢子悬浮液再次进行喷洒并培养,模拟空间站等空间密闭舱室环境中微生物多次污染情况。 之后每隔3 天将接种真菌的铝合金板从培养箱中拿出进行上述操作,获得不同时期的真菌图像与生物量数据。
2.3 真菌生物量等级分类
经过实验与图像采集工作,最后得到了4 种真菌分别在铝合金板材料上生长的图像,数量达到480 张。 首先按照真菌种类对这480 张图像进行标注,划分为4 类,然后根据上述得到的每个铝合金板材料上真菌生长的微生物量,对每类真菌再进行更加细致的生物量的划分。 根据4 种真菌在铝合金板腐蚀能力、生长速率,依据生物量范围[16-18],将铝合金板上每种真菌分为大量、少量、微量3 个等级,如表1 所示。
表1 4 种典型真菌滋生生物量等级分类Table 1 Grades of four typical fungal-breeding biomass真菌种类 生物量等级 生物量范围/(CFU/cm2)大量 >106黑曲霉 少量 103 ~106微量 <103芽枝状枝孢霉大量 >104少量 102 ~104微量 <102杂色曲霉大量 >107少量 103 ~107微量 <103金灰青霉大量 >105少量 102 ~105微量 <102
2.4 真菌图像数据的增强
采用 Retinex 算 法(Single Scale Retinex,SSR)[19-20]对图像进行光照补偿处理,目的是补偿图像中的局部亮度,使局部明暗区域之间的间隙变平,真菌图像更加清晰,微生物生长状态更加明显。
为增加原始图像的数量和多样性、提高模型的泛化能力、提升模型的鲁棒性,采取镜像翻转、随机裁剪、缩放3 种方法对图像数据集进行扩增[21]。 采用最近邻插值法[22]实现图像缩放,其原理是提取原图像中与其邻域最近像素值作为目标图像相对应的像素值。 浮点坐标的像素值等于距离该点最近的输入图像的像素值。 通过以上方法,最终将真菌图像数据集原有的480 张图像扩增到了2229 张。
3 模型结构
3.1 模型的框架结构
采用的模型流程如图1 所示。 首先输入的是图像数据,经过特征提取算法得到25 个特征值组成25 维特征向量,采用主成分分析(Principal Component Analysis,PCA)算法进行降维得到9 维特征向量。 然后进入分类器得到分类结果,本文训练了2 种分类器:支持向量机(Support Vector Machine, SVM)和随机森林,分别对真菌种类及真菌生物量等级进行识别,最终得到结果,并对其性能进行对比。
图1 模型整体框架Fig.1 Overall framework of the model
3.2 图像数据预处理
3.2.1 真菌滋生图像的特征提取
对铝合金板材料表面4 种典型真菌进行了颜色特征和纹理特征的提取,分别采用颜色矩[23]、基于统计分析的灰度共生矩阵[24]特征和局部二值模式(Local binary patterns,LBP)[25]方法对其进行表征。
颜色矩的数学基础在于图像中任何的颜色分布均可用它的矩来表示,并且颜色分布信息主要集中在低阶矩中。 提取了铝合金板材料表面4 种典型真菌滋生图像的R、G、B 3 个通道的一阶颜色矩、二阶颜色矩、三阶颜色矩共9 个颜色特征。一阶颜色矩、二阶颜色矩、三阶颜色矩分别对应图像的颜色均值、颜色标准方差和颜色分量的偏斜度即颜色非对称性。
灰度共生矩阵是一种常用的统计方法,可以反映图像灰度关于方向、相邻间隔、变化幅度等特征的综合信息。 本文计算了对比度、熵、角二阶矩、能量、自相关性和逆差矩6 种统计量特征参数。
局部二值模式特征是一种视觉描述符,用于计算机视觉的分类。 计算公式如式(2)所示。
式中,p 表示3×3 窗口中除中心像素点外的第p 个像素点,I(c)表示中心像素点的灰度值,I(p)表示领域内第p 个像素点的灰度值,s(x)公式如式(3)所示。
3.2.2 真菌滋生图像特征降维
对铝合金板表面4 种典型真菌滋生图像提取颜色特征和纹理特征后,最终得到了25 维特征。这些特征之间可能存在相关性,会增加后续建模的复杂性,而且高维度的特征需要的样本数量呈指数级增加。 所以采用PCA 算法[26]对提取到的特征进行降维,用较少的综合指标代表原始特征中的信息,加快计算速度。
原始的样本数据经过PCA 降维后会有一定的信息丢失,通过方差和表示样本数据的特征信息。 当降维后的特征数为9 维时,方差和占比接近100%,基本保留了原始数据的信息,最终将得到的25 维特征向量通过PCA 降维到了9 维。
文章来源:《中国体视学与图像分析》 网址: http://www.zgtsxytxfx.cn/qikandaodu/2021/0610/656.html
上一篇:动画电影中情感表征的图像转喻和隐喻以哪吒之
下一篇:基于生成对抗网络的虚拟试穿方法