中國(guó)海常見(jiàn)有害赤潮藻顯微圖像識(shí)別研究.pdf

1、近年來(lái)，我國(guó)沿海赤潮持續(xù)高頻次發(fā)生，已嚴(yán)重影響到居民的飲水安全、水產(chǎn)養(yǎng)殖、水體景觀價(jià)值等方面，造成了巨大的經(jīng)濟(jì)損失。我國(guó)各級(jí)政府部門和科研機(jī)構(gòu)對(duì)有害赤潮進(jìn)行快速監(jiān)測(cè)、早期預(yù)警的需求越來(lái)越強(qiáng)烈。在此情形下，建設(shè)一個(gè)數(shù)字化和標(biāo)準(zhǔn)化的、具有“有害赤潮綜合信息檢索、藻種和藻毒素標(biāo)準(zhǔn)品供應(yīng)、鑒定與檢測(cè)標(biāo)準(zhǔn)技術(shù)提供、遠(yuǎn)程診斷服務(wù)”等功能的有害赤潮診斷標(biāo)準(zhǔn)技術(shù)平臺(tái)，就成為國(guó)家的迫切需求。國(guó)際上雖已有類似設(shè)想，但尚未建成如此完整而獨(dú)具特色的技術(shù)支持平臺(tái)

2、。
　　本文通過(guò)分析我國(guó)沿海有害赤潮發(fā)生情況，給出常見(jiàn)有害赤潮藻名錄，采集藻種不同生長(zhǎng)時(shí)期、不同地理株系、不同角度的生物形態(tài)學(xué)信息及多視點(diǎn)圖像，得出生物形態(tài)學(xué)分類判據(jù)，并匯集藻種分子生物學(xué)、色素和光譜信息，建立中國(guó)海常見(jiàn)有害赤潮藻綜合數(shù)據(jù)庫(kù);同時(shí)，集成各種赤潮藻分析方法的鑒定與檢測(cè)標(biāo)準(zhǔn)技術(shù)體系和處理方法，構(gòu)建一個(gè)基于Web的有害赤潮生物診斷技術(shù)平臺(tái);以傳統(tǒng)的生物形態(tài)學(xué)分類為依據(jù)，深入分析藻種細(xì)節(jié)特征和形狀特征的明顯差異，基于圖像分

3、析、統(tǒng)計(jì)學(xué)習(xí)和模式識(shí)別技術(shù)，構(gòu)建赤潮藻顯微圖像自動(dòng)診斷識(shí)別系統(tǒng)。本文主要工作及創(chuàng)新如下:
　　1、中國(guó)海常見(jiàn)赤潮藻的海洋生物學(xué)信息和分類研究
　　結(jié)合中國(guó)沿海近年來(lái)赤潮發(fā)生的情況，給出了本課題涉及的41種藻種名錄，研究了這41種赤潮藻的生物形態(tài)學(xué)特征，初步闡述了赤潮藻生物形態(tài)分類思想，從而為有害赤潮藻數(shù)據(jù)庫(kù)設(shè)計(jì)和顯微圖像識(shí)別系統(tǒng)的研究奠定基礎(chǔ)。
　　2、中國(guó)海常見(jiàn)有害赤潮藻數(shù)據(jù)庫(kù)設(shè)計(jì)與實(shí)現(xiàn)
　　采集藻種不同生長(zhǎng)時(shí)

4、期、不同地理分布的海洋生物學(xué)信息及不同角度的多視點(diǎn)圖像，匯集本項(xiàng)目研究獲得的赤潮藻形態(tài)學(xué)、分子生物學(xué)、色素與光譜數(shù)據(jù)，形成“有害赤潮藻綜合信息庫(kù)”。同時(shí)，匯集適用于不同時(shí)空尺度與精度的赤潮藻檢測(cè)技術(shù)，建立赤潮藻鑒定與定量檢測(cè)技術(shù)體系庫(kù)。結(jié)合有害赤潮生物診斷技術(shù)平臺(tái)的應(yīng)用需求，設(shè)計(jì)了用于診斷識(shí)別的處理方法庫(kù)和識(shí)別數(shù)據(jù)庫(kù)，從而形成了完整的有害赤潮藻綜合數(shù)據(jù)庫(kù)。
　　3、“有害赤潮生物診斷技術(shù)平臺(tái)”建設(shè)
　　依托中國(guó)海常見(jiàn)有害赤潮

5、藻綜合數(shù)據(jù)庫(kù)，搭建“有害赤潮生物診斷技術(shù)平臺(tái)”，主要包括赤潮藻綜合信息庫(kù)、赤潮藻鑒定與定量檢測(cè)技術(shù)體系、在線診斷系統(tǒng)和有害赤潮研究與監(jiān)測(cè)材料供應(yīng)虛擬中心四部分。可滿足數(shù)據(jù)庫(kù)輸入與查詢的前端交互、赤潮研究相關(guān)資料的動(dòng)態(tài)發(fā)布、診斷鑒定技術(shù)接口、用戶管理等需要?！俺喑痹诰€診斷”集成了項(xiàng)目開(kāi)發(fā)的多項(xiàng)功能模塊，包括人機(jī)互動(dòng)檢索、顯徼圖像識(shí)別、化學(xué)分類、三維熒光光譜識(shí)別，可通過(guò)Internet提供在線遠(yuǎn)程服務(wù)。
　　平臺(tái)采用J2EE體系架構(gòu)，

6、融合了當(dāng)前主流的Struts、Spring、Hibernate等Web應(yīng)用框架，實(shí)現(xiàn)了適用于本項(xiàng)目需求的系統(tǒng)框架。系統(tǒng)設(shè)計(jì)采用MVC模式，將表現(xiàn)邏輯、業(yè)務(wù)邏輯、數(shù)據(jù)庫(kù)調(diào)用邏輯分開(kāi)，具有很好的獨(dú)立性、可移植性和可擴(kuò)展性。
　　4、赤潮藻顯微圖像自動(dòng)識(shí)別技術(shù)研究
　　通過(guò)對(duì)有害赤潮藻類細(xì)胞生物形態(tài)學(xué)細(xì)節(jié)特征和形狀特征的分析，建立了赤潮藻顯微圖像自動(dòng)分類體系。分別對(duì)藻類細(xì)胞三種細(xì)節(jié)特征（有無(wú)角毛、橫縱溝、尖頂刺）進(jìn)行有效的自動(dòng)提取

7、，作為顯微圖像自動(dòng)分類的重要判據(jù)，進(jìn)而設(shè)計(jì)三級(jí)兩類分類器，建立樹(shù)狀判別體系，將大樣本集有效劃分為小樣本集，并針對(duì)不同的小樣本集進(jìn)行相應(yīng)的自動(dòng)分類，然后進(jìn)一步提取全局形狀特征，從而得出識(shí)別結(jié)果，多級(jí)分類器的設(shè)計(jì)思想同時(shí)也提高了識(shí)別準(zhǔn)確率。
　　分類器Ⅰ，根據(jù)細(xì)胞有無(wú)角毛，對(duì)上傳圖像進(jìn)行第一級(jí)分類。對(duì)于赤潮藻顯微圖像，首先采用基于灰度方向角模型的細(xì)胞目標(biāo)提取算法;針對(duì)角毛藻細(xì)胞分叉較多，進(jìn)行基于形態(tài)學(xué)細(xì)化的骨架提取，得到藻種細(xì)胞骨架的

8、細(xì)節(jié)特征，將骨架的節(jié)點(diǎn)和端點(diǎn)數(shù)目多少作為是否為角毛藻的判據(jù)。對(duì)角毛藻類進(jìn)行分類識(shí)別，得到診斷結(jié)果;對(duì)無(wú)角毛類藻使用分類器Ⅱ繼續(xù)判別。
　　分類器Ⅱ，針對(duì)無(wú)角毛類藻，根據(jù)有無(wú)橫縱溝進(jìn)行第二級(jí)分類。對(duì)于無(wú)角毛類藻種，首先采用基于自動(dòng)化閾值的最大輪廓細(xì)胞目標(biāo)提取算法;針對(duì)顯微圖像中橫縱溝區(qū)域與細(xì)胞主體景深不同，用基于約束標(biāo)記分水嶺變換進(jìn)行橫縱溝提取，獲得藻種細(xì)胞的橫縱溝細(xì)節(jié)描述，計(jì)算所提取橫縱溝與細(xì)胞的面積之比和橫縱溝區(qū)域質(zhì)心到細(xì)胞質(zhì)心

9、距離與細(xì)胞最小外接矩形的長(zhǎng)之比，將這兩個(gè)比值的大小作為藻種有無(wú)橫縱溝的判據(jù)。對(duì)無(wú)角毛有橫縱溝類藻種進(jìn)行分類識(shí)別，得到診斷結(jié)果;對(duì)無(wú)角毛無(wú)橫縱溝類藻種使用分類器Ⅲ繼續(xù)判別。
　　分類器Ⅲ，針對(duì)無(wú)角毛無(wú)橫縱溝類藻，根據(jù)有無(wú)尖頂刺進(jìn)行第三級(jí)分類。針對(duì)顯微圖像中尖頂刺較小并與細(xì)胞主體邊緣凸出相連，采用基于最佳結(jié)構(gòu)元的尖頂刺提取方法，獲得藻種細(xì)胞的尖頂刺細(xì)節(jié)描述，根據(jù)有無(wú)尖頂刺分為兩類。然后分別進(jìn)行分類識(shí)別，得到診斷結(jié)果。
　　分類識(shí)

10、別方面，主要結(jié)合不同赤潮藻的生物形態(tài)學(xué)特征，在細(xì)胞目標(biāo)提取的基礎(chǔ)上進(jìn)行不變矩和形狀因子特征的提取和描述，形成特征樣本集;采用支持向量機(jī)對(duì)特征樣本集進(jìn)行訓(xùn)練，得到識(shí)別模型庫(kù);將待識(shí)別樣本特征數(shù)據(jù)與相應(yīng)類別識(shí)別模型庫(kù)進(jìn)行模式識(shí)別，得到最終診斷結(jié)果。
　　采用上述分類器思想對(duì)41種赤潮藻種、共3600幅顯微圖像（其中訓(xùn)練樣本2600幅，測(cè)試樣本1000幅）進(jìn)行識(shí)別測(cè)試，平均識(shí)別率為83.27％，去掉三級(jí)分類器的識(shí)別誤差，實(shí)際識(shí)別率平均值