多色菌落，是微生物檢測中常常遇到的現象。不同顏色的菌落往往代表不同的細菌，對多色菌落的分類檢測也就成為一項重要的工作。目前，對多色菌落的自動分類一般采用彩色立方體的方法來進行。這種方法操作簡單，但效果往往不好。這是因為：
（1）屬于同一種顏色的各個菌落，其表面顏色并非完全一樣，有時還往往存在相當大的差異。比如下圖1-a、1-b中，紅色菌落有深紅色和淺紅色，但顯然它們屬于同一類；下圖1-c中，二個紅色菌落顏色深淺不一樣，而且表面還有反光引起的色斑。
（2）對單個菌落來說，其表面顏色也不是一成不變，往往中間部分顏色較深，而其他部位顏色略淺，周圍甚至還有因擴散而引起的更淺的一圈顏色，如下圖1-a中的藍色菌落。
由于以上原因，傳統的彩色立方體等方法往往將一個完整的菌落分割成許多碎片，圖2顯示了采用這種方法對圖1分割的局部放大，藍色菌落的色素擴散導致一個菌落被過分割成內圈和外圈兩部分。
而另一方面，基于水平集活動輪廓模型的圖像分割方法，具有抗噪性強、數值求解穩定性好、分割邊界光滑連續等優點，不會造成過分割、或分割出許多碎片的現象。如何將顏色作為約束條件引入水平集活動輪廓模型，來解決上述多色菌落的自動分類，是迅數科技研發團隊近年來攻關的目標之一，目前已取得成功，能良好解決多色菌落的自動分類問題。
1、基于RGB約束的水平集活動輪廓模型多色聚類
水平集活動輪廓模型的基本原理，是把曲線或曲面嵌入高一維水平集函數中，用一個高維函數來表達低維曲線或曲面的演化過程。建立具有閉合曲線長度和面積平滑約束項的二維能量泛函（即CV模型）：
上式中，I(x,y)是圖像中各象素點的灰度、co和cb分別是菌落輪廓線內部和外部的平均灰度值。上式的前兩項用于控制菌落輪廓曲線的光滑性，后兩項驅動該輪廓線向實際菌落輪廓收縮，極小化該能量泛函即完成對菌落圖像的分隔。
傳統的CV模型只利用灰度信息，對色彩信息豐富的多色菌落分割效率低。為了將彩色信息融入其中，把傳統的基于灰度信息的梯度指示函數改為基于彩色信息的梯度指示函數。設I(x,y)表示彩色圖像在點(x,y)處的三個R、G、B向量。定義E、F、G和fcolor如下：
Ecv(Ф) 的能量函數表達式為：
其梯度下降流如下：
其中I、c1、c2分別是圖像灰度值、輪廓線內外的平均灰度值。為將彩色信息加入，把傳統的灰度差值改為R、G、B三通道的差值加權平均。表達式如下：
其中c1i和c2i是輪廓線內外三個通道的平均值，Ii對應三個通道強度值。綜合基于梯度和基于CV模型的彩色活動輪廓模型的曲線演化方程如下：
上述基于彩色梯度與多通道CV模型的綜合活動輪廓模型，可以較好的解決多色菌落圖像的顏色自動分類問題。
2、多色菌落的自動分類試驗
圖3、4分別顯示了對多色菌落采用迅數多色分類技術所分割的效果。
圖3顯示了對3種顏色菌落的自動分類檢測。首先，從菌落圖像（圖3-a）獲取紅、藍、黃三種菌落的先驗知識，通過RGB模型將其加入CV水平集活動輪廓模型的約束條件中。這樣，CV模型的演化過程中，僅對規定的顏色輪廓進行收縮，分類結果如圖3-b所示。
圖3多色菌落的自動分類效果
圖4顯示了對包含2種顏色菌落、但具有明顯色素擴散的多色菌落的自動分類。其方法同上，先從菌落圖像（圖4-a）獲取紅、綠二種菌落的先驗知識，通過RGB模型將其加入CV水平集活動輪廓模型的約束條件中。這樣，CV模型的演化過程中，僅對規定的顏色輪廓進行收縮，分類結果如圖4-b所示。
圖4多色菌落的自動分類效果
3、總結
基于水平集活動輪廓模型的圖像分割方法，具有抗噪性強、數值求解穩定性好、分割邊界光滑連續、可以處理拓撲結構復雜的情況等優點，能夠解決許多復雜的問題。
迅數科技研發團隊，歷經兩年多的攻關，不僅掌握了這一先進技術，而且針對微生物菌落的特點，在傳統的水平集活動輪廓模型的基礎上，通過引入各種約束機制與邊界條件，創造性的研究開發出適合多種復雜情況的先進的圖像分割或自動分類技術，為菌落計數、顯微圖像分析等提供了實用和先進的技術。
