项目教学法在《现代图像处理...以“荧光微球图像计数”为例_黄鸿.pdf

信息化与计算机教育本栏目责任编辑：王力Computer Knowledge and Technology电脑知识与技术第18卷第35期(2022年12月)第18卷第35期(2022年12月)项目教学法在 现代图像处理 课程中的应用以“荧光微球图像计数”为例黄鸿，杨利平（重庆大学 光电工程学院，重庆 400044）摘要：针对 现代图像处理 课程理论性强、实践能力要求高特点，传统教学模式已难以适应新工科人才培养的需求，深入分析 现代图像处理 课程的特点，提出了实施贯穿 现代图像处理 课程知识点的创新实践项目，将复杂抽象的图像处理基础理论与形象直观的工程项目“荧光微球图像计数”结合起来进行学习，由学生分组协作，用问题驱动法引导学生灵活运用图像处理知识，激发学习兴趣，理解图像处理算法，培养学生创新思维和解决实践问题的能力。关键词：现代图像处理；项目教学法；荧光微球计数；教学改革中图分类号：G642文献标识码：A文章编号：1009-3044(2022)35-0115-04开放科学（资源服务）标识码（OSID）：图像是人类获取、表达和传递信息的重要手段。数字图像处理技术已被广泛应用于遥感测绘、生物医学、交通运输、智能制造和国防军事等领域。许多高校均在本科、研究生阶段开设了图像处理类课程，重庆大学仪器科学与技术、光学工程、电子信息等研究生专业都开设了 现代图像处理 课程。研究生 现代图像处理 课程具有理论概念理解难、知识点零散、实践性强和技术发展迅速的特点。传统的理论教学方式使学生难以理解概念和掌握图像处理算法，不能建立起一个完整的认识和实践体系，培养学以致用能力不足。尤其是在“新工科”教育背景下，亟须融理论教学、实验教学和科学研究为一体，培养基础理论扎实、实践能力强、创新思维高等复合型工程技术人才1-2。为解决上述问题，论文立足提升学生的理论基础、实践能力和创新能力，以适应新工科建设的人才培养目标，在 现代图像处理 课程教学内容引入典型图像处理项目，使学生不仅能了解图像处理基本原理，而且能从项目实践中找到基本理论的落脚点，构建知识体系，增强分析解决问题能力。1现代图像处理 课程现状分析随着人工智能技术的快速发展，图像处理以及机器视觉技术也受到了广泛关注3。然而，该课程在教学过程中上存在以下问题4-5：(1)期望高、落差大现代图像处理 课程与人工智能、机器视觉技术紧密关联，被各行各业认同，学生对该门课程抱有较高期待。但是，该课程对数学基础要求高、公式繁多且复杂、知识点零散，导致较多学生学习兴趣下降，影响教学效果。(2)重理论、轻实践在该课程教学模式中，许多教学设计仍然以理论讲授为主，缺乏具体实践项目将图像处理算法中的概念和公式进行关联。实验以经典方法的验证性实验为主，内容相对独立，没有做到“贯通式”案例教学，缺乏综合性和创新性，导致学生对所学知识难以做到融会贯通，难以运用理论知识解决项目中的实际问题。(3)重考核、忽协作考核是检验教学成果的有效手段。但是，传统的现代图像处理 课程考核较多采取期末考试、上课考核和作业进行综合评价的方法。此类方式主要考核理论知识掌握程度，缺乏对实践能力考查，且忽视了学生团队协作能力的培养。2 项目教学法及 现代图像处理 课程内容优化2.1 项目教学法项目教学法是指师生通过完成一个完整“项目”的形式进行教学6。项目教学法主张学生以自主学习和动手实践为主，教师以讲授知识和实践指导为辅，以实践项目为框架，理论知识贯穿始终。通过应用项目教学法，实现理论知识与实践操作相结合的课堂教收稿日期：2022-05-05基金项目：重庆大学全英文授课研究生精品课程；重庆大学研究生重点建设课程（201704059）作者简介：黄鸿（1980），男，湖南新宁人，教授，博士生导师，主要从事流形学习、模式识别、遥感影像智能化处理等方面的研究；杨利平（1981），男，工学博士，院副教授，硕士生导师，主要从事声音信号处理以及图像分类等方面的研究。E-mail：http：/Tel：+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.18,No.35,December2022115DOI:10.14004/ki.ckt.2022.2137本栏目责任编辑：王力信息化与计算机教育Computer Knowledge and Technology电脑知识与技术第18卷第35期(2022年12月)第18卷第35期(2022年12月)学，通过分组让学生参与项目实践中，将理论知识转化为直观的实际结果，加深学生对图像处理知识点的理解，提高学生应用课程理论知识来解决实际问题的综合能力7。2.2现代图像处理 课程内容优化根据 现代图像处理 课程教学大纲要求和项目教学法，论文对课程教学内容进行了优化设计，将 现代图像处理 课程的内容与荧光微球图像计数项目的过程结合起来，具体如图1所示。图1现代图像处理 课程与“荧光微球图像计数”项目关系图从图1中可得知，该课程的主要内容都贯穿于荧光微球图像计数项目中，由实际科研项目的需求牵引出相关图像处理知识和算法模型，激发学生的学习兴趣。如此一来，让学生在实际问题的求解中更好地理解图像处理理论知识的实际运用，避免灌输式教学，提高学生解决实际工程问题的能力。3现代图像处理 课程创新项目实践本论文以“基于图像处理的荧光微球计数软件系统设计”创新项目为例，在讲述项目的实施过程、内容及处理结果的过程中，贯穿式地引导学生学习和实践现代图像处理 的课程内容。3.1 图像预处理本课程项目所采用图像是通过高倍物镜采集分辨率达到6576*4384的二维BMP图片。在实际应用环境中采集的图像会受到噪声、光照等原因的影响，因此图像的预处理是荧光微球计数的一个至关重要的环节。将采集到的荧光微球颗粒图片进行灰度变换、图像锐化、二值化、距离变换、腐蚀、膨胀、形态学开、闭运算等预处理，以便后期对荧光微球进行计数。3.1.1 灰度变换灰度变换是指彩色图像到灰度图像的转化过程，由于在灰度化的过程中，一些属性信息的丢失在所难免。因此，灰度化的主要目的是尽量使灰度化后的图像信息和原始彩色信息一致，即设计合理的算法保留较多原始图像信息。3.1.2 图像锐化实际条件下，收集到的荧光微球显微图像会受到传输和处理过程中许多因素的影响。这些因素会降低图像的质量。为了强化这些信息。项目利用拉普拉斯算子来锐化图像。对于二维图像，拉普拉斯算子的具体定义如下：(1)作为一个微分算子，拉普拉斯算子主要处理图像中灰度突变的部分，而不是缓慢变化的部分。通常，使用拉普拉斯算子对图像进行锐化可用下式进行表示：(2)式中f(x,y)为原图像，g(x,y)为锐化后的图像，常数k主要与选取的拉普拉斯滤波器相关。3.1.3 图像二值化为了在荧光微球图像中提取涉及后续步骤中需要的信息，消除影响后续操作的无用信息。文中所采用为8位灰度图像，其像素值由0-255这256个灰度级表示。进行二值化处理后可使微球图像目标更突出。在这一步中选取阈值K是二值化中的最重要的一步，选择不同的K值会直接影响后续二值化后图像的特性。图像像素的灰度级在0-255，可选取k(0k255)作为K的值。选好K值后，对灰度图像中的像素点进行逐点判断，当某个像素点的值大于K时，将其值设为255；当该点值小于K时，将其设为0，即可得到二值图像。3.1.4 距离变换距离运算也是对图形进行分析操作的一种常用手段。距离变换的主要方法就是对目标图像以及无用的背景图像通过一定的规则进行距离运算，得到的距离值后对原图像的像素值进行替换。这样就得到了距离变换后的梯度灰度图像。若m、n分别为待求取欧式距离的两个向量，则数学中欧式距离的定义如式(3)。如果将(x1,y1)，()x2,y2设置为目标图像中待求取欧式距离的两个像素点的坐标值，则其值可用式(4)计算。DE()m,n=i=1k()mi-ni2(3)DE=()x1-x22-()y1-y22(4)3.1.5 腐蚀膨胀图像腐蚀的目的是用来对图像边界点进行消除的操作，经过该操作后可以得到一幅完全属于源图像且更细化的图像。图像膨胀2其实与腐蚀过程相反。其目的是将图像接触的外部背景点合并到正面图像中，并向外扩展图像的边界。膨胀后的图像比原始图像更长或更宽。116信息化与计算机教育本栏目责任编辑：王力Computer Knowledge and Technology电脑知识与技术第18卷第35期(2022年12月)第18卷第35期(2022年12月)除了腐蚀、膨胀两种形态学操作，开操作与闭操作同样也是形态学中两种十分重要的操作。结构元M为待操作图像，N为结构元素，其定义式由式(5)、式(6)表示。M N=()MN N(5)MN=()MN N(6)3.2 荧光微球图像分割完成对荧光微球显微图像的预处理后，在此选用分水岭分割算法对显微图像进行分割。分水岭是属于地形学的概念，对图像进行处理时，需要将其转化为三维模型。在这种“地形学”考虑下，主要用分析模型中的三点：(1)在某个区域最小值中的点；(2)假如我们把最小值点比作一个盆地的最低处，其他任意点为盆地里的水，并且开始蓄水，那么任何位置上的水肯定都先流向最低处的那个区域；(3)周围若有其他这样的最低处，水流向他们的可能性都是相等的。对于(2)中点集聚区域为该值的汇水盆地，对于(3)中描述的这些点，将其连接起来，就是分水线。分水岭算法的任务就是找出这些线。使用分水岭算法分割所得结果如图2所示。(a)荧光微球图像原始图像(b)分割效果图2 基于分水岭算法的荧光微球图像分割结果3.3 荧光微球图像特征提取及分类3.3.1 荧光微球颜色特征的量化根据成像原理，荧光微球中单个像素的散射测量值会产生变化，如果直接提取HSV颜色特征，在分类时会引起误差。因此，以分割后的独立微球的区域为基本对象，提取每个基本对象的颜色特征。并对其进行非均匀性量化有效提取特征。图3是对具有7种荧光微球类型的多幅 HSV颜色图像的微球个数分布统计。不难看出，荧光微球的色调空间呈现出比较明显的7个峰值并分布在0。,140。之间，荧光微球的饱和度的4个峰值分段主要分布在 0.6,0.95，而荧光微球图像明度主要分布在0,1区间内，并且无明显的峰值对比。因而本文采用非均匀量化方法进行特征提取，以减少特征向量的冗余，提高分类效率。（a）色调(b)饱和度(c)亮度图3荧光微球图像 HSV 颜色空间分布统计结果前文所得到的对H、S、V非均匀量化的量化级，并由统计学考虑这三个分量在图像中所占据的权重比不同，可得归一化G为如式(7)。G=HLSLV+SLV+V(7)式中LS为S的级数，LV表示V的级数。通过上述操作就获得了能体现微球颜色特征的一维向量。3.3.2 基于半监督最小误差重构的荧光微球分类由于人工标记荧光微球工作量很大，所以通过半监督学习5理论，设计一种半监督的kNNS分类（Semi-supervised kNNS，SSkNNS)算法对荧光微球进行分类。kNNS6算法主要是在传统的NN算法上提出的一种新算法，若待分类数据具有不均匀分布，分类精度就会下降。因此，使用SSkNNS算法对微球进行分类，主要是对无标记数据和被标记数据的特征信息做欧氏距离计算进而获得大量带标签的样本。最终选用kNNS分类器对荧光微球进行判别决类别。利用所设计的分类器，即可对7种类型的荧光微球样图进行分类，其样例图像和分类结果如图4和图117本栏目责任编辑：王力信息化与计算机教育Computer Knowledge and Technology电脑知识与技术第18卷第35期(2022年12月)第18卷第35期(2022年12月)5所示。图4 7种不同类型荧光微球图像示例图5 荧光微球分类结果图用所提出的算法对荧光微球图像进行分类的结果如表1、表2 所示。表1 每类不同标记样本数量下的总体分类精度、方差(%)及运行时间标记样本数分类精度运行时间2 labels84.30.0306.9194 labels85.70.