CN101976343A - 湖泊沉积物硅藻识别技术与装置 - Google Patents

Abstract

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。

Description

湖泊沉积物硅藻识别技术与装置

技术领域

本发明属于水生态监测领域，涉及一种利用数码成像探测湖泊沉积物硅藻，进行自动识别，并对识别数据进行自动存储和处理的技术和装置。

背景技术

硅藻是一类重要的浮游植物，分布极其广泛。硅藻种类多，数量大，只要有水的地方，一般都有硅藻的踪迹。硅藻还是形成水下生物性沉积层的重要组成部分。许多研究表明，硅藻的分布受多种环境因素的限制。硅藻作为指示过去湖泊酸度、盐度和营养变化最有价值的生物指标之一，在古湖沼研究中已被广泛应用。对湖泊中沉积物硅藻的常规监测方法通常采用显微镜观测法。显微镜观测法具有直观的特点，但由于耗时、实验预处理步骤较多，需要专业人员的指导，不利于样品的快速鉴别。近几年随着生物技术的发展，RT-PCR技术逐步应用到硅藻种的识别中，由于硅藻门中种类较多，需要大量特异性基因片段才能准确定义硅藻的种，且RT-PCR测试费用昂贵，不适用于大量样品的识别。

国内外学者根据硅藻的特性对硅藻的识别进行了深入研究，在国内，苏荣国等基于浮游植物活体叶绿素荧光激发光谱建立了硅藻和甲藻的识别测定技术(苏荣国等，2008)。王金星等首次采用激光扫描共聚焦显微系统的新方法对西藏湖相沉积剖面的化石硅藻的微构造和形态特征进行了研究(王金星等，2007)。在国外，Beutler等利用叶绿素荧光激发光谱将浮游植物分为绿藻、蓝藻、隐藻和混合藻(含甲藻和硅藻)四大类同时测定(Beutler et al.，2002)，Jalba等通过形态曲率尺度空间的轮廓分析实现了硅藻的自动识别(Andrei C.Jalba et al.，2005)。由于硅藻分为浮游型硅藻和底栖型硅藻，检索发现浮游植物自动识别的发明专利，申请号为200510042345.4，名称为海洋浮游植物自动识别方法及装置，公开号为CN 1806501 A，它将已知的海洋浮游植物的图形特征及其描述相对应，形成海洋浮游植物数据库，利用计算机将数字显微镜采集的待识别海洋浮游植物图形特征和数据库中的已知海洋浮游植物图形特征进行逐一对比，当吻合率达到规定值时，输出该已知海洋浮游植物的描述。

由此可见，可以利用成像设备探测湖泊沉积物硅藻，与特征数据库相匹配，进行自动识别，对于湖泊环境历史的研究具有非常重要的意义。

发明内容

本发明针对当前浅水湖泊沉积物硅藻识别技术的不足，提供了一种集成数码显微成像和信号数字处理的浅水湖泊沉积物硅藻识别技术及装置，实现浅水湖泊沉积物硅藻的快速监测，取代或改进传统的显微镜观测法，提高工作质量和效率。与现有技术相比本专利技术具有以下优点：

(1)沉积物硅藻识别准确度高，数据库具有动态更新的特点。

(2)沉积物硅藻识别成本低，每个剖面层测定成本降低80％以上，适用于大量沉积层的测定。

(4)识别周期短，提高工作效率50倍以上。

附图说明

附图给出了本发明的装置图。

1为预处理系统  2为数码显微照相机  3为数据库  4为图像处理系统

具体实施方式

以下详细说明本发明的工作原理及装置构造：

(1)装置

各装置详细说明如下：

1)预处理系统

首先对采集的沉积物分层，酸化去除表面杂质，加入一定量的化学试剂促使硅藻显色，同时达到表面纹饰清晰，便于成像。

2)数码显微照相机

数码显微照相机采用ME08，物镜显微倍率最高可达150X，能够清楚拍摄10μm到6mm的大小，重量轻，只有300g，通过实时传输线路将处理后的图像传输到数据库和信号处理系统。

3)数据库

数据库采用Microsoft SQL Server 2000建立，数据库分为系统数据库和样地数据库，系统数据库为本系统自身数据库，通过在湖泊经过大量监测获得，样地数据库根据具体采样地点的实际训练样本获得。SQL数据库的动态性将有助于硅藻数据库的即时更新。

4)图像处理系统

信息处理系统工作平台采用笔记本电脑Thinkpad-T61p，操作系统采用Windows XP，软件支持平台采用NIH Image和FileMakerPro，图像数据的识别和匹配采用小波图像处理和人工神经网络，根据采集图像和数据库中图像的相似程度，识别沉积物硅藻。

5)辅助设备

辅助设备包括电源设备、连接线路等。

(2)图像处理

本装置的核心是图像采集和图像处理，图像采集使用数码显微照相机设备，图像处理包括图像预处理、图像基本特征提取和人工神经网络识别，具体原理如下：

1)图像预处理

图像预处理包括图像尺度归一化和图像的增强。

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：

g(x，y)＝m    0≤f(x，y)≤x

$g(x,y)=\frac{n-m}{y-x}\×f(x.y)+m---\left(1\right)$

x≤f(x，y)≤y

g(x，y)＝n    y≤f(x，y)≤Mf

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

以图像作为数据源虽然包括了大量信息，但采用神经网络进行数据处理量过大，并且包含了一些不必要的信息，影响网络的学习和训练的精度，为此，需要采用小波变换技术对土壤硅藻图像进行处理，经过多尺度分解，提取出保留有图像基本特征的低频信息，用于神经网络的学习与训练。

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。

${\mathrm{\ψ}}_{\mathrm{ab}}\left(x\right)={\left|a\right|}^{-\frac{1}{2}}\mathrm{\ψ}\left(\frac{x-b}{a}\right)---\left(2\right)$

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(CWT)为：

$W_{\mathrm{\ψ}}(a,b)={\left|a\right|}^{-\frac{1}{2}}\underset{-\∞}{\overset{\∞}{\∫}}f\left(x\right)\mathrm{\ψ}\left(\frac{x-b}{a}\right)\mathrm{dx}---\left(3\right)$

标尺a能调整时频分辨率。通过调整标尺a，小波变换能对信号进行显微镜观察，对高频信号细处理，对低频信号粗处理。

对(3)式中的a，b进行采样，取

可得离散小波变换

$\left(\mathrm{W\ψf}\right)(m,n)=a_0^{\frac{-m}{2}}\underset{-\∞}{\overset{\∞}{\∫}}f\left(x\right)\mathrm{\ψ}(a_0^{-m}x-{\mathrm{nb}}_0)\mathrm{dx}---\left(4\right)$

其中m，n∈z；a₀＞1，b₀＞0(a₀，b₀为常数)。

相应的小波为

${\mathrm{\ψ}}_{m,n}\left(x\right)={\left|a_0\right|}^{\frac{-m}{2}}-m/2\mathrm{\ψ}(a_0^{-m}x-b_{0}n)---\left(5\right)$

原始图像经过离散小波变换后分解为四个子图像，低分辨率子图像，水平方向子图像，垂直方向子图像和对角方向子图像，低分辨率子图像可以继续分解，分解水平上的低分辨率图像保留了图像的原始特征，并且去除了高频的干扰。

3)人工神经网络识别

本发明利用量子BP神经网络进行图像识别。神经元的激发函数为

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(6\right)$

在量子计算中，对量子位的状态进行一系列的酉变换。这些变换所起的作用相当于逻辑门所起的作用。最基本的量子门组由一位相移门和两位受控非门组成。量子神经网络输入为硅藻图像特征向量，输出为硅藻分类向量。具体计算步骤如下：

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：

|X＞[|x₁＞，|x₂＞，...，|x_n＞]^T

$|x_i>=\cos \left(\frac{2\mathrm{\π}}{1+\exp (-{\stackrel{\‾}{x}}_i)}\right)|0>+\sin \left(\frac{2\mathrm{\π}}{1+\exp (-{\stackrel{\‾}{x}}_i)}\right)|1>---\left(7\right)$

|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：

$|h_j=U\left({\mathrm{\α}}_j\right)\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}R\left({\mathrm{\θ}}_{\mathrm{ij}}^1\right)\right|x_i>)$

$|y_k=U\left({\mathrm{\β}}_k\right)\left(\underset{j=1}{\overset{p}{\mathrm{\Σ}}}R\left({\mathrm{\θ}}_{\mathrm{ij}}^2\right)\right|h_i>)---\left(8\right)$

$U|\mathrm{\φ}>=R(\frac{\mathrm{\π}}{2}-2{\mathrm{\θ}}_0)|\mathrm{\φ}>$

其中i＝1，...，n；j＝1，...，p；k＝1，...，m。

④修正网络参数

β_k(t+1)＝β_k(t)+ηΔβ_k(t) ${\mathrm{\θ}}_{\mathrm{jk}}^2(t+1)={\mathrm{\θ}}_{\mathrm{jk}}^2\left(t\right)+\mathrm{\η\Δ}{\mathrm{\θ}}_{\mathrm{jk}}^2\left(t\right)$ (9)

α_j(t+1)＝α_j(t)+ηΔα_j(t) ${\mathrm{\θ}}_{\mathrm{ij}}^1(t+1)={\mathrm{\θ}}_{\mathrm{ij}}^1\left(t\right)+\mathrm{\η\Δ}{\mathrm{\θ}}_{\mathrm{ij}}^1\left(t\right)$

${\mathrm{\Δ\β}}_k=\frac{\mathrm{\π}}{2}({\tilde{y}}_k-y_k)\cos {\tilde{y}}_{k}f\left({\mathrm{\β}}_k\right)(1-f\left({\mathrm{\β}}_k\right))$

${\mathrm{\Δ\θ}}_{\mathrm{jk}}=-({\tilde{y}}_k-y_k)\cos {\mathrm{\θ}}_k\frac{S_2}{1+S^2}$

${\mathrm{\Δ\α}}_j=-\frac{\mathrm{\π}}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\tilde{y}}_k-y_k)\cos {\mathrm{\θ}}_k\frac{S_2}{1+S^2}f\left({\mathrm{\α}}_j\right)(1-f\left({\mathrm{\α}}_j\right))---\left(10\right)$

${\mathrm{\Δ\θ}}_{\mathrm{ij}}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\tilde{y}}_k-y_k)\cos {\mathrm{\θ}}_k\frac{S_2}{1+S^2}\frac{T_2}{1+T^2}$

$S=\frac{\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\sin ({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)}{\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\cos ({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)}$ $S_2=\frac{\cos ({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\sin ({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)+{\sin }^2({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)}{{\left(\underset{j=1}{\overset{p}{\mathrm{\Σ}}}\sin ({\mathrm{\φ}}_j+{\mathrm{\θ}}_{\mathrm{jk}}^2)\right)}^2}---\left(11\right)$

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

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。

实施例

某北方湖泊主要沉积物硅藻如表1所示，分别利用传统显微镜观察法和本发明技术和装置对典型样点进行识别和分类，分析结果如表1所示。

表1某北方湖泊主要沉积物硅藻识别结果

Claims (1)

1.一种湖泊沉积物硅藻识别技术与装置，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，通过小波图像变换技术对采集的图像进行增强和特征提取，并用人工神经网络分类识别，实现对湖泊沉积物硅藻的自动识别和分类，1米以内湖泊沉积物硅藻识别率达到65％以上，经过精确校核后识别率达到75％。本技术与装置同样适用于海洋、河流沉积物硅藻的识别及沉积物中其他藻类的识别。

Images