用于判定动物饲料中所添加药物的显微图像识别方法

摘要

本发明公开了一种用于判定动物饲料中所添加药物的显微图像识别方法，包括：采集被测样品的显微图像，并对得到的显微图像进行标准化处理；对标准化处理后的显微图像进行预处理；对预处理后的显微图像进行特征提取；使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定。本发明对操作人员要求较低，而且分析成本低，便于进行大规模的现场分析检测，简单、便捷而且快速。本发明作为一种性能优良的用于判定动物饲料中所添加药物的显微图像识别方法可广泛应用于饲料检测中。

说明书

技术领域

本发明涉及图像识别领域，特别是用于判定动物饲料中所添加药 物的显微图像识别方法。

背景技术

传统的药物检测方法一般是先通过样品预处理，然后通过化学或 仪器分析手段进行进一步的分析检测，例如通过化学分析法中的重量 分析、容量分析法；通过光学分析法中的紫外-可见光分光光度法、 红外光分光光度法、近红外光谱法、荧光分光光度法、原子吸收分光 光度法、有机质谱法或旋光与折光分析法；通过色谱分析法中的薄层 色谱法、气象色谱法、高效液相色谱法或电泳法，通过电化学分析法 中的电位分析法或电导分析法等方法来进行药物检验。目前针对动物 饲料中添加违禁药物的情况，也是采用前述的方法进行检验，但是这 些方法一般对操作人员要求比较高，操作方法复杂且操作周期长，或 需要大型贵重仪器来进行分析，成本居高不下，不利于大规模试样的 快速分析。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种简单、便捷、 快速且低成本的用于判定动物饲料中所添加药物的显微图像识别方 法。

本发明解决其技术问题所采用的技术方案是：

用于判定动物饲料中所添加药物的显微图像识别方法，包括：

S11、采集被测样品的显微图像，并对得到的显微图像进行标准 化处理；

S12、对标准化处理后的显微图像进行预处理；

S13、对预处理后的显微图像进行特征提取；

S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定。

进一步，在所述步骤S14中所述训练好的神经网络是通过以下步 骤得到的：

S01、采集不同的药物标准品的显微图像，并对得到的显微图像 进行标准化处理；

S02、对标准化处理后的显微图像进行预处理；

S03、对预处理后的显微图像进行特征提取；

S04、进行神经网络初始化后，将提取得到的显微图像的特征作 为神经网络的训练样本，对神经网络进行识别训练。

进一步，所述步骤S12，其具体为：

对标准化处理后的显微图像，提取得到灰度通道值和色相通道值 后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归 一化；

其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据；

灰度通道值为：

Gray=0.299R+0.587G+0.114B；

色相通道值为：

其中，max=Max(R,G,B),min=Min(R,G,B)。

进一步，所述步骤S13，包括：

A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计 特征；

A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后， 提取二阶统计特征；

A3、提取灰度级行程长度特征；

A4、提取几何不变矩特征；

A5、针对预处理后得到的显微图像的二值化图像，根据预设的 窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征；

A6、针对预处理后得到的显微图像的二值化图像，计算出图像 的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后 的向量距离提取一阶统计特征。

进一步，所述步骤A5，包括：

A51、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗 口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若 二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素 值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为 中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；

A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征。

进一步，所述步骤A6，包括：

A61、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A62、根据下式算出图像的质心坐标

$\left(\begin{array}{c}\stackrel{-}{i}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}i·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\\ \stackrel{-}{j}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}j·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\end{array}\right)$

S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量 距离提取一阶统计特征。

进一步，所述步骤A1中所述一阶统计特征包括1～3阶矩、2～4 阶中心矩、1～3阶绝对矩及熵。

进一步，所述步骤A2中所述二阶统计特征包括角二阶矩、对比 度、相关系数、方差、倒数差分矩、和均值、差均值、和方差、和的 熵、熵、差分方差、差分熵、信息测度I、信息测度II以及最大相关 系数。

进一步，所述步骤A3中所述灰度级行程长度特征包括短行程加 重、长行程加重、灰度级非均匀性、行程长度非均匀性以及行程百分 比。

进一步，所述步骤A4中所述几何不变矩采用Hu的7种矩。

本发明的有益效果是：本发明的用于判定动物饲料中所添加药物 的显微图像识别方法，通过采集被测样品的显微图像，然后依次进行 标准化处理、预处理以及特征提取后，可使用训练好的神经网络对提 取得到的显微图像的特征进行识别和判定，从而判定被测样品所添加 的药物，本方法对操作人员要求较低，而且分析成本低，便于进行大 规模的现场分析检测，简单、便捷而且快速。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的用于判定动物饲料中所添加药物的显微图像识 别方法的流程图；

图2是一个二值化图像矩阵；

图3是根据图2的二值化图像矩阵所生成的目标相关矩阵。

具体实施方式

参照图1，本发明提供了一种用于判定动物饲料中所添加药物的 显微图像识别方法，包括：

S11、采集被测样品的显微图像，并对得到的显微图像进行标准 化处理；

S12、对标准化处理后的显微图像进行预处理；

S13、对预处理后的显微图像进行特征提取；

S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定。

进一步作为优选的实施方式，在所述步骤S14中所述训练好的神 经网络是通过以下步骤得到的：

S01、采集不同的药物标准品的显微图像，并对得到的显微图像 进行标准化处理；

S02、对标准化处理后的显微图像进行预处理；

S03、对预处理后的显微图像进行特征提取；

S04、进行神经网络初始化后，将提取得到的显微图像的特征作 为神经网络的训练样本，对神经网络进行识别训练。

进一步作为优选的实施方式，所述步骤S12，其具体为：

对标准化处理后的显微图像，提取得到灰度通道值和色相通道值 后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归 一化；

其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据；

灰度通道值为：

Gray=0.299R+0.587G+0.114B；

色相通道值为：

其中，max=Max(R,G,B),min=Min(R,G,B)。

进一步作为优选的实施方式，所述步骤S13，包括：

A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计 特征；

A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后， 提取二阶统计特征；

A3、提取灰度级行程长度特征；

A4、提取几何不变矩特征；

A5、针对预处理后得到的显微图像的二值化图像，根据预设的 窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征；

A6、针对预处理后得到的显微图像的二值化图像，计算出图像 的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后 的向量距离提取一阶统计特征。

进一步作为优选的实施方式，所述步骤A5，包括：

A51、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗 口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若 二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素 值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为 中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；

A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征。

进一步作为优选的实施方式，所述步骤A6，包括：

A61、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A62、根据下式算出图像的质心坐标

$\left(\begin{array}{c}\stackrel{-}{i}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}i·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\\ \stackrel{-}{j}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}j·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\end{array}\right)$

S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量 距离提取一阶统计特征。

进一步作为优选的实施方式，所述步骤A1中所述一阶统计特征 包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵。

进一步作为优选的实施方式，所述步骤A2中所述二阶统计特征 包括角二阶矩、对比度、相关系数、方差、倒数差分矩、和均值、差 均值、和方差、和的熵、熵、差分方差、差分熵、信息测度I、信息 测度II以及最大相关系数。

进一步作为优选的实施方式，所述步骤A3中所述灰度级行程长 度特征包括短行程加重、长行程加重、灰度级非均匀性、行程长度非 均匀性以及行程百分比。

进一步作为优选的实施方式，所述步骤A4中所述几何不变矩采 用Hu的7种矩。

本发明的一具体实施例如下：

首先，根据以下步骤得到训练好的神经网络：

S01、采集不同的药物标准品的显微图像，并对得到的显微图像 进行统一图像格式或分辨率等标准化处理；

S02、对标准化处理后的显微图像进行预处理，具体为：

对标准化处理后的显微图像，提取得到灰度通道值和色相通道值 后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归 一化；

其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据，N的取值范围为4～256，这里得到两个灰度级数据，即实际上 得到了显微图像的二值化图像以及N阶灰度图像；

灰度通道值为：

Gray=0.299R+0.587G+0.114B；

色相通道值来源于HSV颜色系统，其计算公式为：

其中，Gray为灰度通道值，Hue为色相通道值，R、G、B分别为 红、绿、蓝颜色值，max=Max(R,G,B),min=Min(R,G,B)，即max为 红、绿、蓝颜色值中的最大值，min为红、绿、蓝颜色值中的最小值；

将色相通道值进行归一化实际上为将0～360表示的色相通道值 归一化为用0～1表示。

这里的图像预处理相当于进行阈值分割预处理，实际上在图像处 理中，还需要用到常用的图像滤波、锐化、边缘检测等预处理，这里 不做详细描述。

S03、对预处理后的显微图像进行特征提取，包括：

A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计 特征，包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵；

一阶直方图P(I)的定义为：相应的，其 k阶矩m_k的定义为：其中Ng表示灰度级总 数；其k阶中心矩μ_k的定义为：${\mu }_k=E\left[{(I-E(I\left)\right)}^k\right]=\underset{I=0}{\overset{N_g-1}{\Sigma }}{(I-m_1)}^{k}P\left(I\right);$其k阶绝对矩的定义为：${\hat{\mu }}_k=E\left[{|I-E\left(I\right)|}^k\right]=\underset{I=0}{\overset{N_g-1}{\Sigma }}{|I-m_1|}^{k}P\left(I\right).$

A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后， 提取二阶统计特征，包括角二阶矩（ASM）、对比度（Contrast）、相 关系数（Correlation）、方差（Variance）、倒数差分矩（Inverse Difference  Moment）、和均值（Sum Average）、差均值（Diffenerce Average）、和 方差（Sum Variance）、和的熵（Sum Entropy）、熵（Entropy）、差分 方差（Difference Variance）、差分熵（Difference Entropy）、信息测度 I（Information Measures of Correlation I）、信息测度II（Information  Measures of Correlation II）和最大相关系数（Maximal Correlation  Coefficient），前述各个参数值为二阶共生矩阵的四个方向的参数值的 平均值；

二阶共生矩阵P(i,j)的定义为：

其中，d为像素对的距离。

基于二阶共生矩阵，角二阶矩ASM的定义为： $\mathrm{ASM}=\underset{i=0}{\overset{N_g-1}{\Sigma }}\underset{j=0}{\overset{N_g-1}{\Sigma }}{\left(P(i,j)\right)}^2;$

倒数差分矩IDF的定义为：

信息测度I用f₁₂表示，其定义如下：

$f_{12}=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max \{\mathrm{HX},\mathrm{HY}\}}$

上式中各项的定义为：

$\left(\begin{array}{c}\mathrm{HXY}=-\underset{i}{\Sigma }\underset{j}{\Sigma }P(i,j)\log P(i,j)\\ \mathrm{HXY}1=\underset{i}{-\Sigma }\underset{j}{\Sigma }P(i,j)\log \left(P_x\right(i\left)P_y\right(j\left)\right)\\ P_x\left(i\right)=\underset{j}{\Sigma }P(i,j),P_y\left(j\right)=\underset{i}{\Sigma }P(i,j)\\ \mathrm{HX}=-\underset{i}{\Sigma }{P}_x\left(i\right)\log P_x\left(i\right),\mathrm{HY}=-\underset{j}{\Sigma }{P}_y\left(j\right)\log P_y\left(j\right)\end{array}\right)$

信息测度I用f₁₃表示，其定义如下：

$f_{13}=\sqrt{(1-\exp (-2(H_{\mathrm{xy}}^2-H_{\mathrm{xy}}))}$

其中，$H_{\mathrm{xy}}^2=-\underset{j}{\Sigma }\underset{i}{\Sigma }{P}_x\left(i\right)P_y\left(j\right)\log \left(P_x\right(i\left)P_y\right(j\left)\right).$

A3、提取灰度级行程长度特征，包括短行程加重（Short Run  Emphasis，SRE）、长行程加重（Long Run Emphasis，LRE）、灰度级 非均匀性（Gray Level Nonuniformity，GLNU）、行程长度非均匀性 （Run Length Nonuniformity，RLN）以及行程百分比（Run Percentage， RP）；

要提取灰度级行程长度特征，须先建立灰度级行程长度矩阵 Q_RL：

对于灰度级总数为N_g的灰度图，对其4个方向0度、45度、90 度和135度中的每一个方向，建立相应的灰度级行程长度矩阵Q_RL， 元素Q_RL(i,j)表示灰度级（i-1）（i=1,...,N_g）在指定方向上连续出现j （j=1,2,...,N_r）次（即行程长度为j）的总次数，各个灰度级行程长度 特征的定义如下：

短行程加重SRE的定义为：

$\mathrm{SRE}=\frac{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}\left(Q_{\mathrm{RL}}\right(i,j)/j^2)}{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)}$

长行程加重LRE的定义为：

$\mathrm{LRE}=\frac{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}\left(Q_{\mathrm{RL}}\right(i,j\left)j^2\right)}{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)}$

灰度级非均匀性GLNU的定义为：

$\mathrm{GLNU}=\frac{\underset{i=1}{\overset{N_g}{\Sigma }}{\left[\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)\right]}^2}{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)}$

行程长度非均匀性RLN的定义为：

$\mathrm{RLN}=\frac{\underset{j=1}{\overset{N_r}{\Sigma }}{\left[\underset{i=1}{\overset{N_g}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)\right]}^2}{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)}$

行程百分比RP的定义为：

$\mathrm{RP}=\frac{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_r}{\Sigma }}{Q}_{\mathrm{RL}}(i,j)}{L}$

以上各式中，N_r是图像指定方向上的最大可能行程长度，L是图 像中行程的全部可能数量。

A4、提取几何不变矩特征，几何不变矩采用Hu的7种矩（φ1～φ7）；

A5、针对预处理后得到的显微图像的二值化图像，根据预设的 窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征，包括：

A51、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗 口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若 二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素 值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为 中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；

A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征；一阶统计特征、二阶统计特征及提取灰度级行 程长度特征的具体内容参照步骤A1～A3的描述。

A6、针对预处理后得到的显微图像的二值化图像，计算出图像 的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后 的向量距离提取一阶统计特征，包括：

A61、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A62、根据下式算出图像的质心坐标

$\left(\begin{array}{c}\stackrel{-}{i}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}i·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\\ \stackrel{-}{j}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}j·I(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}I(i,j)\end{array}\right)$

上式中，I(i,j)中表示灰度值，其中，i表示横坐标，j表示纵坐 标；

S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量 距离提取一阶统计特征；一阶统计特征的具体内容参照步骤A1的描 述。向量距离指用向量形式表示的距离，包括方向以及距离值。

S04、进行神经网络初始化后，将提取得到的显微图像的特征作 为神经网络的训练样本，对神经网络进行识别训练。

然后，采用以下步骤对被测样品进行识别判定：

S11、采集被测样品的显微图像，并对得到的显微图像进行统一 图像格式或分辨率等标准化处理；

S12、对标准化处理后的显微图像进行预处理，具体为：

对标准化处理后的显微图像，提取得到灰度通道值和色相通道值 后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归 一化；

其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级 数据，N的取值范围为4～256；

灰度通道值为：

Gray=0.299R+0.587G+0.114B；

色相通道值来源于HSV颜色系统，其计算公式为：

其中，Gray为灰度通道值，Hue为色相通道值，R、G、B分别为 红、绿、蓝颜色值，max=Max(R,G,B),min=Min(R,G,B)，即max为 红、绿、蓝颜色值中的最大值，min为红、绿、蓝颜色值中的最小值；

将色相通道值进行归一化实际上为将0～360表示的色相通道值 归一化为用0～1表示。

这里的图像预处理相当于进行阈值分割预处理，实际上在图像处 理中，还需要用到常用的图像滤波、锐化、边缘检测等预处理，这里 不做详细描述。

S13、对预处理后的显微图像进行特征提取，包括：

A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计 特征，包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵；

A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后， 提取二阶统计特征，包括角二阶矩（ASM）、对比度（Contrast）、相 关系数（Correlation）、方差（Variance）、倒数差分矩（Inverse Difference  Moment）、和均值（Sum Average）、差均值（Diffenerce Average）、和 方差（Sum Variance）、和的熵（Sum Entropy）、熵（Entropy）、差分 方差（Difference Variance）、差分熵（Difference Entropy）、信息测度 I（Information Measures of Correlation I）、信息测度II（Information  Measures of Correlation II）和最大相关系数（Maximal Correlation  Coefficient），前述各个参数值为二阶共生矩阵的四个方向的参数值的 平均值；

A3、提取灰度级行程长度特征，包括短行程加重（Short Run  Emphasis，SRE）、长行程加重（Long Run Emphasis，LRE）、灰度级 非均匀性（Gray Level Nonuniformity，GLNU）、行程长度非均匀性 （Run Length Nonuniformity，RLN）以及行程百分比（Run Percentage， RP）；

A4、提取几何不变矩特征，几何不变矩采用Hu的7种矩（φ1～φ7）；

A5、针对预处理后得到的显微图像的二值化图像，根据预设的 窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、 二阶统计特征及提取灰度级行程长度特征，包括：

A51、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗 口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若 二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素 值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为 中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰 度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；这里， 预设的窗口是边长为奇数的正方形窗口；如图2所示，图中是采用矩 阵表示的5×5的二值化图像，假设预设的窗口为3×3的正方形窗口， 在二值化图像中，第一行第一列的像素点的值为背景灰度值0，则令 该像素点在目标相关矩阵中对应的矩阵元素值为0，而第三行第三列 的像素点的值为目标灰度值1，则以该像素点为中心，计算出图2中 所示3×3的正方形窗口所覆盖范围内的像素点中像素值为1的总数 量为6，进而令该像素点对应的矩阵元素值为6。根据本步骤结合图 2所示的二值化图像所生成的目标相关矩阵如图3所示。

A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取 灰度级行程长度特征；一阶统计特征、二阶统计特征及提取灰度级行 程长度特征的具体内容参照步骤A1～A3的描述。

A6、针对预处理后得到的显微图像的二值化图像，计算出图像 的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质 心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后 的向量距离提取一阶统计特征，包括：

A61、针对预处理后得到的显微图像的二值化图像，设定图像背 景灰度值为0，目标灰度值为1；

A62、根据下式算出图像的质心坐标

$\left(\begin{array}{c}\stackrel{-}{i}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}i·f(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}f(i,j)\\ \stackrel{-}{j}=\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}j·f(i,j)/\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}f(i,j)\end{array}\right)$

S63、计算得到二值化图像中所有目标像素点的坐标与质心坐标 的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量 距离提取一阶统计特征；一阶统计特征的具体内容参照步骤A1的描 述。

S14、使用训练好的神经网络对提取得到的显微图像的特征进行 识别和判定，从而可获得被测样品中所添加药物的信息。

实际上，步骤S02与步骤S12、步骤S03与步骤S13执行的是相 应的操作，区别只是处理对象的来源不同，步骤S02及步骤03针对 的处理对象是来源于采集标准样品所得到的显微图像，而步骤S12 及S13针对的处理对象是来源于采集被测样品所得到的显微图像。

对于本实施例，还可以有进一步的改进，例如，对步骤S02及 S12中的灰色通道值，可对其进行二维快速傅里叶变换后，对生成的 二维复数能量谱，计算出各复数值的模并建立矩阵，进而基于此矩阵 进行步骤A1～A6的特征提取。而考虑到某些参数可能因图像旋转而 发生较大的变化，因此进行处理时，可先对显微图像均匀旋转n次， 每次旋转角度为360/n度，然后将每个参数值修正为根据旋转所得到 每个参数值对应的n个参数值的平均值后进行分析处理。或者，还可 以对步骤S04中的神经网络，采用反向传播学习算法为基础，加入动 量项以避免训练后期出现震荡。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不 限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提 下还可作出种种的等同变形或替换，这些等同的变型或替换均包含在 本申请权利要求所限定的范围内。