湖泊沉积物硅藻识别技术与装置

摘要

本发明针对传统湖泊沉积物硅藻识别周期长，分类方法工作量大、效率低、成本高的缺点，发明了一种利用数码显微成像，运用小波图像处理和人工神经网络技术探测湖泊沉积物硅藻，进行自动识别和分类，并对分类数据进行存储和处理的技术和装置，具有成本低、识别效率高、适用范围广的特点，对于湖泊环境历史的研究具有非常重要的意义。

主权项

1.一种湖泊沉积物硅藻识别方法，其特征在于：通过预处理装置对沉积物进行前处理，运用数码显微照相机成像，运用灰度变换和小波变换技术对采集的图像进行增强和特征提取，并用量子人工神经网络分类识别，具体步骤如下：1)图像预处理通过灰度变换实现数字图像的增强，设原图像的灰度范围为(x，y)，变换后的灰度范围为(m，n)，其变换模型为：$\left\{\begin{array}{cc}g(x,y)=m& 0\le f(x,y)\le x\\ g(x,y)=\frac{n-m}{y-x}\times f(x,y)+m& x\le f(x,y)\le y\\ g(x,y)=n& y\le f(x,y)\le M_f\end{array}\right.---\left(1\right)$M_f表示f(x，y)的最大值，在线性灰度变换中，灰度按照完全线性变换函数进行变换；2)信号特征提取小波变换是将信号在一个函数族上作分解，该函数族是由一个独特的函数ψ(x)经过平移和伸缩而得到的；${\psi }_{\mathrm{ab}}\left(x\right)={\left|a\right|}^{-\frac{1}{2}}\psi \left(\frac{x-b}{a}\right)---\left(2\right)$式中，a，b分别为伸缩和平移标尺；定义连续信号f(x，y)∈L²(R)的小波变换为：$W_{\psi }(a,b)={\left|a\right|}^{-\frac{1}{2}}\underset{-\infty }{\overset{\infty }{\int }}f\left(x\right)\psi \left(\frac{x-b}{a}\right)\mathrm{dx}---\left(3\right)$对(3)式中的a，b进行采样，取可得离散小波变换：$\left(\mathrm{W\psi f}\right)(m,n)={a_0}^{\frac{-m}{2}}\underset{-\infty }{\overset{\infty }{\int }}f\left(x\right)\psi (a_0^{-m}x-n{b}_0)\mathrm{dx}---\left(4\right)$其中m，n∈z；a₀＞1，b₀＞0；a₀，b₀为常数；相应的小波为：${\psi }_{m,n}\left(x\right)={\left|a_0\right|}^{\frac{-m}{2}}-m/2\psi (a_0^{-m}x-b_{0}n)---\left(5\right)$3)量子人工神经网络识别神经元的激发函数为：$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(6\right)$①对输入样本进行量子态描述，对n维欧氏空间以实值向量描述的训练样本定义如下转换式：$\left\{\begin{array}{c}|X>{\left[\right|x_1>,|x_2>,...,|x_n>]}^T\\ |x_i>=\cos \left(\frac{2\pi }{1+\exp (-{\bar{x}}_i)}\right)|0>+\sin \left(\frac{2\pi }{1+\exp (-{\bar{x}}_i)}\right)|1>\end{array}\right.---\left(7\right)$其中|0＞对应于经典计算中的0，|1＞对应于经典计算中的1；②网络参数初始化：各层单元数，相位参数翻转参数α_j，β_k，学习效率η，限定误差ε，限定迭代步数N，设置当前迭代步数为t＝0；③各层输入输出关系，按(8)式计算各层输出：$\left\{\begin{array}{c}|h_j=U\left({\alpha }_j\right)\left(\underset{i=1}{\overset{n}{\Sigma }}R\left({\theta }_{\mathrm{ij}}^1\right)\right|x_i>)\\ |y_k=U\left({\beta }_k\right)\left(\underset{j=1}{\overset{p}{\Sigma }}R\left({\theta }_{\mathrm{ij}}^2\right)\right|h_i>)\\ U|\phi >=R(\frac{\pi }{2}-{2\theta }_0)|\phi >\end{array}\right.---\left(8\right)$其中i＝1，...，n；j＝1，...，p；k＝1，...，m④修正网络参数$\left\{\begin{array}{cc}{\beta }_k(t+1)={\beta }_k\left(t\right)+\mathrm{\eta \Delta }{\beta }_k\left(t\right)& {\theta }_{\mathrm{jk}}^2(t+1)={\theta }_{\mathrm{jk}}^2\left(t\right)+\mathrm{\eta \Delta }{\theta }_{\mathrm{jk}}^2\left(t\right)\\ {\alpha }_j(t+1)={\alpha }_j\left(t\right)+\eta {\mathrm{\Delta \alpha }}_j\left(t\right)& {\theta }_{\mathrm{ij}}^1(t+1)={\theta }_{\mathrm{ij}}^1\left(t\right)+\eta {\mathrm{\Delta \theta }}_{\mathrm{ij}}^1\left(t\right)\end{array}\right.---\left(9\right)$$\left\{\begin{array}{c}\Delta {\beta }_k=\frac{\pi }{2}({\tilde{y}}_k-y_k)\cos {\tilde{y}}_{k}f\left({\beta }_k\right)(1-f\left({\beta }_k\right))\\ \Delta {\theta }_{\mathrm{jk}}=-({\tilde{y}}_k-y_k)\cos {\theta }_k\frac{S_2}{1+S^2}\\ {\mathrm{\Delta \alpha }}_j=-\frac{\pi }{2}\underset{k=1}{\overset{m}{\Sigma }}({\tilde{y}}_k-y_k)\cos {\theta }_k\frac{S_2}{{1+S}^2}f\left({\alpha }_j\right)(1-f\left({\alpha }_j\right))\\ \Delta {\theta }_{\mathrm{ij}}=\underset{k=1}{\overset{m}{\Sigma }}({\tilde{y}}_k-y_k)\cos {\theta }_k\frac{S_2}{1+S^2}\frac{T_2}{1+T^2}\end{array}\right.---\left(10\right)$$S=\frac{\underset{j=1}{\overset{p}{\Sigma }}\sin ({\phi }_j+{\theta }_{\mathrm{jk}}^2)}{\underset{j=1}{\overset{p}{\Sigma }}\cos ({\phi }_j+{\theta }_{\mathrm{jk}}^2)}$$S_2=\frac{\cos ({\phi }_j+{\theta }_{\mathrm{jk}}^2)\underset{j=1}{\overset{p}{\Sigma }}\sin ({\phi }_j+{\theta }_{\mathrm{jk}}^2)+{\sin }^2({\phi }_j+{\theta }_{\mathrm{jk}}^2)}{{\left(\underset{j=1}{\overset{p}{\Sigma }}\sin ({\phi }_j+{\theta }_{\mathrm{jk}}^2)\right)}^2}---\left(11\right)$⑤归一化后的期望输出和实际输出分别为Y，定义误差函数为：$E=\frac{1}{2}{(\tilde{Y}-Y)}^2---\left(13\right)$若E＜ε或t＞N，停止计算；若E＞ε，则t＝t+1，执行相位门$R\left(\theta \right)|\phi >=\left[\begin{array}{c}\cos \left(\theta +{\theta }_0\right)\\ \sin (\theta +{\theta }_0)\end{array}\right],$按公式(8)-(13)计算误差；⑥重复上述计算步骤直到达到识别精度要求，保存参数α_j，β_k。