CN105069082B - 一种植物荧光图像序列数据处理方法、Web服务器和系统 - Google Patents
一种植物荧光图像序列数据处理方法、Web服务器和系统 Download PDFInfo
- Publication number
- CN105069082B CN105069082B CN201510463530.4A CN201510463530A CN105069082B CN 105069082 B CN105069082 B CN 105069082B CN 201510463530 A CN201510463530 A CN 201510463530A CN 105069082 B CN105069082 B CN 105069082B
- Authority
- CN
- China
- Prior art keywords
- plant
- image
- electric signal
- region
- sequence data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000002594 fluoroscopy Methods 0.000 title claims abstract description 89
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000012546 transfer Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012800 visualization Methods 0.000 claims description 13
- 238000013523 data management Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000036982 action potential Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种植物荧光图像序列数据处理方法、Web服务器和系统，该方法包括：接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；根据每一图像区域的植物电信号以及任意两个图像区域的植物电信号之间的传导和关联关系，实现所述植物电信号传导和关联关系的可视化展示。本发明提高了植物荧光图像序列数据处理效率，实现植物荧光图像序列数据的共享、存储以及在线分析。
Description
技术领域
本发明涉及计算机数据处理领域，尤其涉及一种植物荧光图像序列数据处理方法、Web服务器和系统。
背景技术
植物电研究主要是研究植物体内生物细胞和组织的电化学现象，它涉及从单个离子通道到整个植物组织的各种尺度范围内测量电位和电流。目前为止，植物电信号研究已经积累了大量的实验数据，但是还没有一个公共的基于Web的在线数据共享和分析平台，实现实验数据的共享存储和提供在线的分析方法。
现有技术公开的植物电信号的在线数据共享项目是由Andrea Vitaletti领导的FP7项目PLEASED，但是该项目仅通过云盘方式提供了数据下载功能，目前还没有一个基于Web的植物荧光图像序列数据处理和共享的系统。
现有技术公开的有关植物荧光图像序列的植物电信号的处理方法仅限于提取出植物电信号和进行相干分析，并未对植物电信号之间的传导和关联关系和波形特征进行更深入分析。并且没有一个基于Web的在线的植物荧光图像序列的植物电信号在线数据处理和共享的平台。
这直接影响了植物电研究的进展，阻碍了研究人员直接的数据共享和交流。而且由于目前数据集规模已经很大，光学标测系统以每小时15GB-70GB的速率产生数据。这些系统产生了大量图像数据。仅靠单机处理方式，无法有效完成大数据量的荧光图像序列的植物电信号提取，而且数据仅仅保存在本地计算机，不利于科研数据的共享和植物电信号研究。
可见，如何提高植物荧光图像序列数据处理效率，实现植物荧光图像序列数据的共享、存储以及在线分析成为目前急需解决的问题之一。
发明内容
鉴于上述问题，本发明提出了一种植物荧光图像序列数据处理方法、Web服务器和系统，以提高植物荧光图像序列数据处理效率，实现植物荧光图像序列数据的共享、存储以及在线分析。
根据本发明的一个方面，提供了一种植物荧光图像序列数据处理方法，该方法包括：
接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示。
可选的，所述方法还包括：
对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
可选的，所述调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号，包括：
A1、读取每一图像区域内的每个像素点，判断该图像区域是否为灰度图像；
若该图像区域为灰度图像，则执行A2；
若该图像区域为RGB图像，则按照如下公式计算该图像区域的灰度值Gray：
Gray＝(R*0.2989+G*0.5870+B*0.1140)；
其中，Gray为灰度值，RGB表示颜色空间，R为像素的红色值，G为像素的绿色值，B为像素的蓝色值；
A2、调用Hadoop集群的分布式计算框架MapReduce进行分布式计算，提取所述图像区域的灰度值，构建灰度值随时间变化曲线，得到灰度时间序列；
A3、根据预设的拟合数据的范围，调用Hadoop集群的MapReduce对所述灰度时间序列进行拟合，并根据得到的拟合曲线计算所述图像区域的植物电信号曲线，得到文本格式的植物电信号数据。
可选的，在所述提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号之前，所述方法还包括：
根据预设的单位矩形区域，对所述每一植物荧光图像进行平均分割，得到植物荧光图像的多个图像区域，或
根据预设的单位矩形区域，在每一植物荧光图像上进行区域截取，将截取的区域作为植物荧光图像的图像区域，或
在每一植物荧光图像上选择细胞区域的多个边界点，将所述多个边界点的直线连接区域作为植物荧光图像的图像区域。
可选的，所述获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，具体为：
获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵；
所述获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵，包括：
B1、获取每一植物荧光图像中所有图像区域的植物电信号的最大值Max和最小值Min；
B2、根据分级参数N，按照如下公式计算符号化参数unit：
unit＝(Max-Min)/N，
根据符号化参数unit，按照如下公式将每一图像区域的植物电信号的对应数值F(t)转换为[0,N-1]之间的数字F(t)’：
F(t)’＝(F(t)-Min)/unit，
其中，t为时间参数；
B3、依次循环计算任意两个图像区域的植物电信号之间的传递熵。
可选的，所述方法还包括：
根据终端发送的共享请求，设置所述植物荧光图像序列数据的共享状态；以及
根据终端上传的描述信息和附件，为处于共享状态的植物荧光图像序列数据添加描述信息和附件。
可选的，所述植物电信号的可视化展示包括时空可视化展示和传导和关联关系的可视化展示；
所述时空可视化展示，包括：将多条植物电信号同时显示在同一个坐标轴中、将多条曲线按行排列显示、将多条植物电信号曲线和相应的植物荧光图像叠加显示以及将植物电信号曲线转换为伪彩图序列显示中的一种或多种显示方式；
传导和关联关系可视化展示，具体为：将采用Javacript函数库绘制出的各个图像区域的植物电信号之间的传导和关联关系的拓扑图进行显示。
可选的，所述对所述每一图像区域的植物电信号进行特征值提取，包括：
C1、确定每一图像区域的植物电信号中的波形位置；
C2、提取所述波形的波形特征值；
其中，所述确定每一图像区域的植物电信号中的波形位置，具体包括：
C11、对植物电信号进行低频滤波和平滑处理；
C12、对滤波后的植物电信号进行一阶差分，通过阈值找到极大值点；
C13、获取所述极大值点左右两侧的基准值，计算电位波形的起始位置。
根据本发明的另一个方面，提供了一种Web服务器，该Web服务器包括：
数据管理模块，用于接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
分析计算模块，用于调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
所述分析计算模块，还用于获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
可视化处理模块，用于根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示；
特征提取模块，用于对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
根据本发明的再一个方面，提供了一种植物荧光图像序列数据处理系统，该系统包括：
Hadoop集群、数据库服务器以及如上述实施例所述的Web服务器；
所述Hadoop集群，用于基于分布式文件系统HDFS对所述植物荧光图像序列数据进行分布式存储，并采用分布式计算框架MapReduce提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号，并将提取的植物电信号返回所述Web服务器；
所述数据库服务器，用于数据的存储。
本发明的有益效果为：
本发明提出的一种植物荧光图像序列数据处理方法、Web服务器和系统，提供了实验数据的上传，下载和共享功能，通过利用Hadoop集群的分布式文件系统HDFS和分布式计算框架MapReduce能够快速实现大规模的荧光图像序列数据的植物电信号提取，利用传递熵计算植物电信号之间的传导和关联关系，利用信号处理的方法提取出植物电信号的波形特征，并根据植物荧光图像中每一图像区域的植物电信号以及任意两个图像区域的植物电信号之间的传导和关联关系，实现植物电信号传导和关联关系的可视化展示。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例的一种植物荧光图像序列数据处理方法的流程图；
图2为本发明实施例中提出的植物电信号之间的传导和关联关系的拓扑图；
图3为本发明实施例中提出的Web服务器的结构框图；
图4为本发明实施例中提出的一种植物荧光图像序列数据处理系统的架构图；
图5为本发明实施例的一种植物荧光图像序列数据处理系统的分层逻辑结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例的一种植物荧光图像序列数据处理方法的流程图。
如图1所示，本发明实施例提出的植物荧光图像序列数据处理方法具体包括以下步骤：
S1、接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
本发明实施例中，Web服务器通过HTTP协议上传数据和下载数据，用户在客户端浏览器端通过Uplodify控件上传植物荧光图像序列数据(数据集的规模一般在MB到GB左右，图像数目从几十张到几千张)，其中以zip格式压缩的数据集上传后，可以进行解压，用户下载数据集时以zip格式进行压缩，提供给用户http下载链接，图像序列数据上传后先缓存在Web服务器，再全部写入到Hadoop集群，用户下载数据集时，从Hadoop集群读出的图像序列数据也同样缓存在Web服务器，进行zip压缩后，提供给用户下载，用户浏览图像序列数据时，Web服务器从HDFS读取图像缓存，并将TIFF图像转换为JPEG图像，显示到客户端。
S2、调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
S3、获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
本发明实施例中，具体通过远程调用Hadoop集群的MapReduce计算任务，完成植物电信号提取，包括荧光图像序列的灰度值提取，拟合；或在Web服务器完成灰度值时间序列的平滑，拟合，和传递熵计算。
S4、根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示。
本发明实施例中，利用Javascript，完成了荧光图像的植物电信号时空可视化和传导和关联关系可视化，包含植物电信号与荧光图像的叠加显示，植物电信号的伪彩图序列，植物电信号之间的传递熵的网络拓扑图；
本发明实施例提出的一种植物荧光图像序列数据处理方法，基于Web服务器实现，提供了实验数据的上传，下载和共享功能，通过利用Hadoop集群的分布式文件系统HDFS和分布式计算框架MapReduce能够快速实现大规模的荧光图像序列数据的植物电信号提取，利用传递熵计算植物电信号之间的传导和关联关系，根据植物荧光图像中每一图像区域的植物电信号以及任意两个图像区域的植物电信号之间的传导和关联关系，实现植物电信号传导和关联关系的可视化展示。
本实施例提供的植物荧光图像序列数据处理方法，进一步包括以下步骤：
对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
其中，植物电信号的特征值，包含波形最大值，最小值，均值，面积，宽度，高度，平均功率，总能量，脉冲系数，波形因子，离散系数，峰度，偏度，Hjorth参数等特征。
具体的，所述步骤S2，进一步包括以下步骤：
A1、读取每一图像区域内的每个像素点，判断该图像区域是否为灰度图像；
若该图像区域为灰度图像，则执行A2；
若该图像区域为RGB图像，则按照如下公式计算该图像区域的灰度值Gray：
Gray＝(R*0.2989+G*0.5870+B*0.1140)；
其中，Gray为灰度值，RGB表示颜色空间，R为像素的红色值，G为像素的绿色值，B为像素的蓝色值；
A2、调用Hadoop集群的分布式计算框架MapReduce进行分布式计算，提取所述图像区域的灰度值，构建灰度值随时间变化曲线，得到灰度时间序列；
A3、根据预设的拟合数据的范围，调用Hadoop集群的MapReduce对所述灰度时间序列进行拟合，并根据得到的拟合曲线计算所述图像区域的植物电信号曲线，得到文本格式的植物电信号数据。
本实施例中，植物电信号的提取流程包括以下步骤：
(1)读取选定区域内的每个像素点，若为灰度图像，执行(2)；若为RGB图像，则按照公式Gray＝(R*0.2989+G*0.5870+B*0.1140)，其中Gray为灰度值，RGB表示颜色空间，R为像素的红色值，G为像素的绿色值，B为像素的蓝色值。
(2)将选定区域内每个点的灰度值累积求和，再求平均值，即为该区域的灰度值；
(3)根据(2)中提取灰度平均值的时间序列后，可以对灰度值时间序列进行平滑，平滑算法采用了移动平均算法，用户可以输入平滑的参数；这里设灰度值时间序列为F(t)，平滑后的灰度值时间序列为Fs(t),
(4)在平滑后，需要用户选择进行拟合数据的范围，我们提供了两种拟合函数，一种为单指数拟合F0(t)＝a*exp(b*t)，一种为双指数拟合F0(t)＝a*exp(b*t)+c*exp(d*t)；
(5)根据得到的拟合曲线F0(t)，可以计算出植物电信号曲线为(F(t)-F0(t))/F0(t)或(Fs(t)-F0(t))/F0(t)；
荧光图像的灰度值提取使用MapReduce框架进行分布式计算，将提取的植物电信号数据以文本格式存储，返回到Web服务器；
在自动提取多区域的植物电信号时，使用了MapReduce对灰度值时间序列进行分布式的拟合计算，将计算结果以文本格式存储，返回到Web服务器。
具体的，在所述提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号之前，所述方法进一步包括：
根据预设的单位矩形区域，对所述每一植物荧光图像进行平均分割，得到植物荧光图像的多个图像区域，或
根据预设的单位矩形区域，在每一植物荧光图像上进行区域截取，将截取的区域作为植物荧光图像的图像区域，或
在每一植物荧光图像上选择细胞区域的多个边界点，将所述多个边界点的直线连接区域作为植物荧光图像的图像区域。
本实施例中，用户通过浏览器选择数据集后，可以通过手动或自动的方式提取图像序列的植物电信号。手动方式，提供了两种区域选择功能：一种是自动矩形框对图像的感兴趣区域进行截取，然后计算该区域内灰度平均值，另一种方法是在图像上选择细胞区域的四个边界点，用直线连接四个边界点，即可描绘出单个细胞轮廓，然后计算该轮廓区域内的灰度平均值，这种方法不同于自动矩形框的特点在于此种方式可以完整的截取出细胞轮廓，自动矩形框只能截取和图像边界平行的区域；自动方式，用户可以设定最小的单位矩形区域，然后对图像进行平均分割，计算各个子区域内的灰度平均值。
进一步地，所述步骤S2中获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，具体为：获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵；
具体的，获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵，包括：
B1、获取每一植物荧光图像中所有图像区域的植物电信号的最大值Max和最小值Min；
B2、根据分级参数N，按照如下公式计算符号化参数unit：
unit＝(Max-Min)/N，
根据符号化参数unit，按照如下公式将每一图像区域的植物电信号的对应数值F(t)转换为[0,N-1]之间的数字F(t)’：
F(t)’＝(F(t)-Min)/unit，
其中，t为时间参数；
B3、依次循环计算任意两个图像区域的植物电信号之间的传递熵。
本实施例中，根据自动方式得到的植物电信号曲线，计算图像的各个子区域内植物电信号的传导和关联关系，采用传递熵算法计算每个区域内植物电信号时间序列之间的传递熵。植物电信号的传递熵计算步骤如下：
a.符号化：用户输入分级参数N(默认参数64)，计算所有植物电信号时间序列的最大值Max和最小值Min，然后计算unit＝(Max-Min)/N，将每条植物电信号的对应数值F(t)，按照公式F(t)’＝(F(t)-Min)/unit转换为[0,N-1]之间的数字；
b.依次循环计算任意两个植物电信号时间序列之间的传递熵，用户可以分别输入两个植物电信号的时间序列的传递熵的计算阶数(默认为1)。遍历两个序列，计算各种状态出现的概率；
c.根据传递熵计算公式计算两个植物电信号的时间序列的传递熵：
其中，i为第i个区域的植物电信号时间序列，j为第j个区域的植物电信号时间序列，k为第i个区域的植物电信号时间序列的延时阶数，l为第j个区域的植物电信号时间序列的延时阶数,n为时间序列的第n个值，A为第i个区域，B为第j个区域，表示第i个区域的植物电信号时间序列的k个值(in,in-1,...,in-k+1)，表示第j个区域的植物电信号时间序列的l个值(jn,jn-1,...,jn-l+1)。
本实施例提供的植物荧光图像序列数据处理方法，进一步包括以下步骤：
根据终端发送的共享请求，设置所述植物荧光图像序列数据的共享状态；以及
根据终端上传的描述信息和附件，为处于共享状态的植物荧光图像序列数据添加描述信息和附件。
本发明实施两种，Web服务器允许用户通过浏览器创建文件夹并设置数据集是否共享，用户需要为数据集填写描述信息，包括数据集信息，实验信息等描述信息，可以上传与实验相关的附件资料，可以是文献，视频或图片等，附件资料存储到Web服务器；图像序列数据以MapFile格式存入到HDFS中，同时数据目录信息也存储到数据库中。
步骤S4中的所述植物电信号的可视化展示包括时空可视化展示和传导和关联关系可视化展示；
所述时空可视化展示，包括：将多条植物电信号同时显示在同一个坐标轴中、将多条曲线按行排列显示、将多条植物电信号曲线和相应的植物荧光图像叠加显示以及将植物电信号曲线转换为伪彩图序列显示中的一种或多种显示方式；
传导和关联关系可视化展示，具体为：将采用Javacript函数库绘制出的各个图像区域的植物电信号之间的传导和关联关系的拓扑图进行显示。
本实施例中，植物电信号的时空可视化，具体是指采用Javascript实现多条曲线的绘制，当鼠标箭头指向曲线时，可显示对应的曲线上点的数值，通过拖动页面滑块可以放大和缩小曲线；
多条植物电信号曲线的可视化采用4种方式进行展示：
第一种将多条曲线同时显示在同一个坐标轴中；
第二种将多条曲线按行排列显示；
第三种将植物电信号曲线和荧光图像叠加显示，根据植物电信号的提取区域位置，显示在此区域内提取的植物电信号曲线，实现了植物电信号的时空可视化。
第四种，将植物电信号曲线转换为伪彩图序列，每个曲线的一个点转换为一种颜色值，并将该颜色值设置为对应的图像区域的显示颜色，最后通过Javascript画出荧光图像序列对应的伪彩图序列；
植物电信号的传导和关联关系可视化，具体是指根据计算模块得到的传递熵值，通过Javacript函数库画出各个区域植物电信号之间的传导和关联关系的拓扑图，传导和关联关系的拓扑图，如图2所示，其中传导和关联关系的拓扑图绘制的主要的步骤如下：
a.用户可以输入显示阈值(默认为0)，将每个区域以点代替，传递关系以带箭头的直线表示。用传递熵较大的传导和关联关系来表示两个区域之间的传导和关联关系。
b.在显示时，为降低显示复杂度，提供了两种显示方式，一种是全连接方式，即每个区域与任何其他区域之间的传导和关联关系都会显示；另一种是相邻连接方式，即仅显示每个区域周围相邻的8个区域(左上方，正上方，右上方，正左方，正右方，左下方，正下方，右下方)
c.通过滑动鼠标滑轮，可以放大或缩小拓扑图。
进一步地，所述对所述每一图像区域的植物电信号进行特征值提取，包括：
C1、确定每一图像区域的植物电信号中的波形位置，具体包括：
C11、对植物电信号进行低频滤波(10HZ)和平滑处理；
C12、对滤波后的植物电信号进行一阶差分，通过阈值找到极大值点；
C13、获取所述极大值点左右两侧的基准值，计算电位波形的起始位置。
C2、提取所述波形的波形特征值，其中波形特征值，包括：波形最大值，最小值，均值，面积，宽度，高度，平均功率，总能量，脉冲系数，波形因子，离散系数，峰度，偏度，Hjorth移动性和Hjorth复杂性等特征。
具体的，设波形时间序列为X(i)，i∈[1,N]，N为时间序列元素个数，设最大值为max，最小值为min，平均值为mean，标准差为std，
峰值计算公式为：peak＝max-min；
面积计算公式：
平均功率计算公式：power＝X'*X/N，其中，N为时间序列中元素的个数，X’为N*1维波形时间序列的转置，X为N*1维波形时间序列。
总能量计算公式为：Energy＝X'*X
脉冲系数计算公式为：pulse＝(max-min)/mean
波形因子计算公式为：
离散系数计算公式为：discret＝std/mean
偏度计算公式为：其中fi为对于Xi出现的频率。
峰度计算公式为：其中fi为对于Xi出现的频率。
设X(i)的一阶差分序列的方差为a，二阶差分序列方差为b，则
Hjorth移动性：
Hjorth复杂性：
图3示出了本发明实施例中提出的一种Web服务器的结构框图。
如图3所示，本发明实施例提供的Web服务器，包括数据管理模块201、分析计算模块202、可视化处理模块203以及特征提取模块204，其中：
所述的数据管理模块201，用于接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
所述的分析计算模块202，用于调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
所述的所述分析计算模块202，还用于获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
所述的可视化处理模块203，用于根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示；
所述的特征提取模块204，用于对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
需要说明的是,所述的Web服务器的数据管理模块，通过HTTP协议上传数据和下载数据，用户在浏览器端通过Uplodify控件上传植物电活动荧光图像序列数据集，其中以zip格式压缩的数据集上传后，可以进行解压，用户下载数据集时以zip格式进行压缩，提供给用户http下载链接，图像序列数据上传后先缓存在Web服务器，再全部写入到Hadoop集群，用户下载数据集时，从Hadoop集群读出的图像序列数据也同样缓存在Web服务器，进行zip压缩后，提供给用户下载，用户浏览图像序列数据时，Web服务器从HDFS读取图像缓存，并将TIFF图像转换为JPEG图像，显示到客户端。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提出的Web服务器，能够提供了实验数据的上传，下载和共享功能，通过利用Hadoop集群的分布式文件系统HDFS和分布式计算框架MapReduce能够快速实现大规模的荧光图像序列数据的植物电信号提取，利用传递熵计算植物电信号之间的传导和关联关系，根据植物荧光图像中每一图像区域的植物电信号以及任意两个图像区域的植物电信号之间的传导和关联关系，实现植物电信号传导和关联关系的可视化展示。
图4示出了本发明实施例中提出的一种植物荧光图像序列数据处理系统的架构图。
如图4所示，本发明实施例提供的植物荧光图像序列数据处理系统包括：
Hadoop集群、数据库服务器以及如上述实施例所述的Web服务器，其中：
所述的Web服务器，包括数据管理模块201、分析计算模块202、可视化处理模块203以及特征提取模块204，所述的数据管理模块201，用于接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；所述的分析计算模块202，用于调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；所述的所述分析计算模块202，还用于获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；所述的可视化处理模块203，用于根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示；所述的特征提取模块204，用于对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
所述Hadoop集群，用于基于分布式文件系统HDFS对所述植物荧光图像序列数据进行分布式存储，并采用分布式计算框架MapReduce提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号，并将提取的植物电信号返回所述Web服务器。
所述数据库服务器，用于数据的存储。具体的，用于存储私有及共享的结构化和非结构化数据，包括植物电活动的荧光图像序列数据集，实验协议信息，植物电信号的特征数据，及用户信息等。
图5为本发明实施例的植物荧光图像序列数据处理系统的分层逻辑结构图。如图5所示，其中，Web服务器，采用了Apache HTTP 2.4服务器和Tomcat7.0服务器，包含有数据管理模块201、分析计算模块202、可视化处理模块203以及特征提取模块204。主要完成和用户交互，提供数据上传下载功能，提供植物荧光图像序列的计算和植物电信号特征提取功能，提供植物荧光电信号传导和关联关系的可视化功能；数据库服务器主要存储私有数据和共享的数据信息，数据集信息，实验描述信息，植物电信号的特征信息，及个人信息等；Hadoop集群版本为1.1.2，主要通过MapFile格式将植物荧光图像序列存储在HDFS，设置备份数目为2。通过MapReduce完成植物电信号提取的分布式计算。
本发明实施例所述的Web服务器的数据管理模块201，用于接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；所述的分析计算模块202，用于调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；所述的所述分析计算模块202，还用于获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；所述的可视化处理模块203，用于根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，在客户端浏览器通过Javascript完成植物电信号的时空可视化及传导和关联关系可视化；所述的特征提取模块204，用于对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。其中，特征值提取包括动作电位(AP)的波形识别和关键特征信息提取。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上所述，本发明提出的植物荧光图像序列数据处理方法、Web服务器和系统，提供了实验数据的上传，下载和共享功能，通过利用Hadoop集群的分布式文件系统HDFS和分布式计算框架MapReduce能够快速实现大规模的荧光图像序列数据的植物电信号提取，利用传递熵计算植物电信号之间的传导和关联关系，利用信号处理的方法提取出植物电信号的波形特征，并根据植物荧光图像中每一图像区域的植物电信号以及任意两个图像区域的植物电信号之间的传导和关联关系，实现植物电信号传导和关联关系的可视化展示。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中，也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种植物荧光图像序列数据处理方法，其特征在于，所述方法包括：
接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示；
其中，所述获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，具体为：
获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵；
所述获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵，包括：
B1、获取每一植物荧光图像中所有图像区域的植物电信号的最大值Max和最小值Min；
B2、根据分级参数N，按照如下公式计算符号化参数unit：
unit＝(Max-Min)/N，
根据符号化参数unit，按照如下公式将每一图像区域的植物电信号的对应数值F(t)转换为[0,N-1]之间的数字F(t)’：
F(t)’＝(F(t)-Min)/unit，
其中，t为时间参数；
B3、依次循环计算任意两个图像区域的植物电信号之间的传递熵。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库。
3.根据权利要求1所述的方法，其特征在于，所述调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号，包括：
A1、读取每一图像区域内的每个像素点，判断该图像区域是否为灰度图像；
若该图像区域为灰度图像，则执行A2；
若该图像区域为RGB图像，则按照如下公式计算该图像区域的灰度值Gray：
Gray＝(R*0.2989+G*0.5870+B*0.1140)；
其中，Gray为灰度值，RGB表示颜色空间，R为像素的红色值，G为像素的绿色值，B为像素的蓝色值；
A2、调用Hadoop集群的分布式计算框架MapReduce进行分布式计算，提取所述图像区域的灰度值，构建灰度值随时间变化曲线，得到灰度时间序列；
A3、根据预设的拟合数据的范围，调用Hadoop集群的MapReduce对所述灰度时间序列进行拟合，并根据得到的拟合曲线计算所述图像区域的植物电信号曲线，得到文本格式的植物电信号数据。
4.根据权利要求1所述的方法，其特征在于，在所述提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号之前，所述方法还包括：
根据预设的单位矩形区域，对所述每一植物荧光图像进行平均分割，得到植物荧光图像的多个图像区域，或
根据预设的单位矩形区域，在每一植物荧光图像上进行区域截取，将截取的区域作为植物荧光图像的图像区域，或
在每一植物荧光图像上选择细胞区域的多个边界点，将所述多个边界点的直线连接区域作为植物荧光图像的图像区域。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据终端发送的共享请求，设置所述植物荧光图像序列数据的共享状态；以及
根据终端上传的描述信息和附件，为处于共享状态的植物荧光图像序列数据添加描述信息和附件。
6.根据权利要求1所述的方法，其特征在于，所述植物电信号的可视化展示包括时空可视化展示和传导和关联关系的可视化展示；
所述时空可视化展示，包括：将多条植物电信号同时显示在同一个坐标轴中、将多条曲线按行排列显示、将多条植物电信号曲线和相应的植物荧光图像叠加显示以及将植物电信号曲线转换为伪彩图序列显示中的一种或多种显示方式；
传导和关联关系可视化展示，具体为：将采用Javacript函数库绘制出的各个图像区域的植物电信号之间的传导和关联关系的拓扑图进行显示。
7.根据权利要求2所述的方法，其特征在于，所述对所述每一图像区域的植物电信号进行特征值提取，包括：
C1、确定每一图像区域的植物电信号中的波形位置；
C2、提取所述波形的波形特征值；
其中，所述确定每一图像区域的植物电信号中的波形位置，具体包括：
C11、对植物电信号进行低频滤波和平滑处理；
C12、对滤波后的植物电信号进行一阶差分，通过阈值找到极大值点；
C13、获取所述极大值点左右两侧的基准值，计算电位波形的起始位置。
8.一种Web服务器，其特征在于，所述Web服务器包括：
数据管理模块，用于接收终端上传的植物荧光图像序列数据，并将所述植物荧光图像序列数据写入Hadoop集群；
分析计算模块，用于调用所述Hadoop集群，提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号；
所述分析计算模块，还用于获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系；
可视化处理模块，用于根据每一植物荧光图像的每一图像区域的植物电信号以及该植物荧光图像中任意两个图像区域的植物电信号之间的传导和关联关系，绘制所述植物荧光图像序列数据对应的植物电信号的显示图像，以实现所述植物电信号传导和关联关系的可视化展示；
特征提取模块，用于对所述每一图像区域的植物电信号进行特征值提取，并将提取出的特征信息存储到预设数据库；
其中，所述分析计算模块具体用于：获取每一植物荧光图像中任意两个图像区域的植物电信号之间的传递熵；
所述分析计算模块进一步用于：
获取每一植物荧光图像中所有图像区域的植物电信号的最大值Max和最小值Min；
根据分级参数N，按照如下公式计算符号化参数unit：
unit＝(Max-Min)/N，
根据符号化参数unit，按照如下公式将每一图像区域的植物电信号的对应数值F(t)转换为[0,N-1]之间的数字F(t)’：
F(t)’＝(F(t)-Min)/unit，
其中，t为时间参数；
依次循环计算任意两个图像区域的植物电信号之间的传递熵。
9.一种植物荧光图像序列数据处理系统，其特征在于，所述系统包括Hadoop集群、数据库服务器以及如权利要求8所述的Web服务器；
所述Hadoop集群，用于基于分布式文件系统HDFS对所述植物荧光图像序列数据进行分布式存储，并采用分布式计算框架MapReduce提取所述植物荧光图像序列数据中每一植物荧光图像的每一图像区域的植物电信号，并将提取的植物电信号返回所述Web服务器；
所述数据库服务器，用于数据的存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510463530.4A CN105069082B (zh) | 2015-07-31 | 2015-07-31 | 一种植物荧光图像序列数据处理方法、Web服务器和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510463530.4A CN105069082B (zh) | 2015-07-31 | 2015-07-31 | 一种植物荧光图像序列数据处理方法、Web服务器和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069082A CN105069082A (zh) | 2015-11-18 |
| CN105069082B true CN105069082B (zh) | 2019-04-05 |
Family
ID=54498452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510463530.4A Expired - Fee Related CN105069082B (zh) | 2015-07-31 | 2015-07-31 | 一种植物荧光图像序列数据处理方法、Web服务器和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069082B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251374B (zh) * | 2016-07-21 | 2019-05-10 | 深圳市检验检疫科学研究院 | Hadoop中基于Zigzag的MapReduce数据处理方法 |
| CN106650796B (zh) * | 2016-12-06 | 2020-10-23 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021518A (zh) * | 2006-11-01 | 2007-08-22 | 中国农业大学 | 一种检测温室中植物电信号的方法及其专用设备 |
| CN102305888A (zh) * | 2011-05-16 | 2012-01-04 | 顾海涛 | 植物电分布及随环境变化规律采集及处理实现装置 |
| CN102879367A (zh) * | 2012-09-24 | 2013-01-16 | 中国农业大学 | 高等植物活体原位电活动的光电同步记录系统及方法 |
-
2015
- 2015-07-31 CN CN201510463530.4A patent/CN105069082B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021518A (zh) * | 2006-11-01 | 2007-08-22 | 中国农业大学 | 一种检测温室中植物电信号的方法及其专用设备 |
| CN102305888A (zh) * | 2011-05-16 | 2012-01-04 | 顾海涛 | 植物电分布及随环境变化规律采集及处理实现装置 |
| CN102879367A (zh) * | 2012-09-24 | 2013-01-16 | 中国农业大学 | 高等植物活体原位电活动的光电同步记录系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于光学标测技术和MEA技术的植物电研究概述;赵东杰等;《太赫兹科学与电子信息学报》;20131031;第11卷(第5期);第812-821页，第1.1、1.2、3.1、3.2、4节 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069082A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358293B (zh) | 一种神经网络训练方法及装置 | |
| Rathore et al. | Real-time big data analytical architecture for remote sensing application | |
| CN110675728B (zh) | 热力图的生成方法、装置、设备及计算机可读存储介质 | |
| CN110110002B (zh) | 大数据可视化交互系统 | |
| US10999534B2 (en) | Optimized video review using motion recap images | |
| CN103413286A (zh) | 一种基于学习的高动态范围与高分辨率图像联合重建方法 | |
| Chowdhury et al. | Electricity consumption patterns within cities: application of a data-driven settlement characterization method | |
| CN111260037B (zh) | 图像数据的卷积运算方法、装置、电子设备及存储介质 | |
| CN110728707B (zh) | 基于非对称深度卷积神经网络的多视角深度预测方法 | |
| CN109190520A (zh) | 一种超分辨率重建人脸图像方法及装置 | |
| CN110349087A (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
| CN110443759A (zh) | 一种基于深度学习的图像去雾方法 | |
| US20160299910A1 (en) | Method and system for querying and visualizing satellite data | |
| CN105069082B (zh) | 一种植物荧光图像序列数据处理方法、Web服务器和系统 | |
| CN109711622A (zh) | 一种基于时空多维因素预测警情的方法和系统 | |
| CN112699447A (zh) | 一种智慧水务设备三维可视化管理方法 | |
| CN109523558A (zh) | 一种人像分割方法及系统 | |
| CN111222522A (zh) | 神经网络训练、路面检测、智能驾驶控制方法和装置 | |
| CN113436210A (zh) | 一种融合上下文逐级采样的道路图像分割方法 | |
| KR101511234B1 (ko) | 기후변화 예측 수치모델을 이용한 기후변화 콘텐츠 생성방법 및 시스템 | |
| CN111782745A (zh) | 一种时空大数据网格编码高效可视化方法及系统 | |
| CN114926603A (zh) | 电厂数字孪生系统 | |
| CN112066998A (zh) | 用于航线地图的渲染方法及系统 | |
| CN115098792B (zh) | 展品推荐方法、装置、计算机可读存储介质及电子设备 | |
| CN110851868A (zh) | 一种用于轨迹数据发布的位置代表元生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 |