CN1645108A - 赤潮藻图像分析系统及其分析方法 - Google Patents

Abstract

本发明涉及一种浮游生物种类识别和分类的图像系统和方法，具体而言涉及一种赤潮藻图像分析系统及其分析方法。该图像分析系统包括由光源和透镜纠正结构组成的光源照明装置，显微成像装置，CCD数码相机，图像采集卡、计算机以及以及图像分析软件，显微成像装置的入射光源处设置第一滤色片，产生激发光；接收口上设置有第二滤色片对显微成像滤波。本发明结构简单，成本低廉，使用方便，可用来在对赤潮藻图像分析的基础上，实现赤潮藻的识别和分类工作。

Description

赤潮藻图像分析系统及其分析方法

技术领域

本发明涉及一种浮游生物种类识别和分类的图像系统和方法，具体而言涉及一种赤潮藻图像分析系统及其分析方法。

背景技术

随着海洋环境污染和海水富营养化程度的加剧，赤潮灾害越来越频繁 然而国内外的赤潮监测，多采用显微镜在实验室中对海水样品进行人工观察和分析的方法，远远不能满足赤潮监测的需要。目前，国内外尚无针对海水中赤潮生物的图像处理和图像分析系统。

国内已经有关于采用CCD数字相机监测赤潮以及湖泊蓝绿藻类方面的专利文献报导(海洋赤潮及湖泊蓝绿遥测装置：CN136499/上海交通大学(孔海南).-2002.08.21)，但其子站点的现场监测仪器主要是CCD数字相机，监测的准确性不高。

利用荧光光谱鉴定浮游植物色素种类的研究开始于20世纪80年代；20世纪90年代，德国Bbe-moNaenke公司制造的荧光藻类分析仪，可测定并储存五个门类浮游植物的激发荧光光谱指纹，用于浮游植物的粗略分类。一篇日本专利文献(METHOD AND APPARATUS FORCOUNTING BLUE-GREEN ALGAE，ALGAE AND FINE PARTICLE：JP2000338030/FUJI ELECTRIC COLTD(INUI TAKASHI，et al.).-2000-12-08)公开了一种监测水净化工厂的未净化水中的蓝绿藻类或其他藻类以及细小颗粒的数量、密度的荧光藻类分类和计数装置及方法，利用三个装置(藻青蛋白产生的荧光、藻类的叶绿素产生的荧光和常规光散射)分别监测蓝绿藻类或全部藻类以及细小颗粒。但上述的两种荧光藻类分析装置结构复杂，价格昂贵，推广使用受到限制。

发明内容

本发明要解决的技术问题是克服现有技术的不足之处，提供一种较低成本，使用方便的赤潮藻图像分析系统，同时提供一种进行利用该系统对多种赤潮藻的图像进行分析，识别和分类的方法，解决探测和分析包含复杂背景的沉淀物样品中赤潮藻的问题。

为解决上述问题，本发明的赤潮藻图像分析系统包括由光源和透镜纠正结构组成的光源照明装置，显微成像装置，光学CCD或数码相机，图像采集卡，计算机以及图像分析软件组成，在显微成像装置的入射光源处设有产生荧光激发光第一滤色片；接收口上设置有第二滤色片对显微成像滤波。

作为优选方案，第一滤色片中心波长可为350nm或450nm，半波宽为10-20nm，透射率为50％；第二滤色片可选用的中心波长大于580nm，半波宽为10-20nm的高通滤色片。

本发明的改进之处还在于光源部分包括若干不同色光的光源和透镜纠正结构；透镜纠正结构由圆形光源载板，光学聚集装置，和光源切换装置构成。利用光源切换装置控制圆形光源载板的转动，使不同色光光源分别在透镜焦点上点亮，完成对光源的切换，从而解决了视场照明不均的问题。

作为优选方案，入射光源处的第一滤色片为中心波长为350nm，10nm半波宽，的滤色片，在接收口处的第二滤色片为中心波长为680nm的高通滤色片，入射光源选取30～50w的冷光源灯。

本发明提出的基于上述图像分析系统的赤潮藻图像分析方法，包括以下步骤：

1)获取图像：光源照明装置所产生的光，经过第一滤色片，产生荧光激发光，赤潮藻样品经显微成像装置成像，所成图像通过第二滤色片滤波，通过CCD装置和图像采集卡获取荧光显微图像并将其数字化而后传输至计算机；

2)预处理图像：根据在赤潮生物图像数据库库内预先存储的处理流程，对图像进行预处理；

3)分割图像：对经过预处理的图像进行阈值分割，将待分析的目标与背景分离，由赤潮生物图像数据库提供分割所需先验知识；

4)提取特征：对分割后的图像进行特征提取，由所述赤潮生物图像数据库提供需要提取的特征类型；

5)选择和存储特征：对所提取的特征进行选择并存入所述赤潮生物图像数据库

6)识别和分类：由分类器对所提取的特征进行识别，实现所述赤潮藻样品的分类。

其中步骤3进行图像分割所采用的阈值分割方法可以是自适应阈值分割算法或二维最大熵阈值分割算法；所提取的赤潮藻特征类型包括多种形态特征、灰度特征和纹理特征；步骤6所采用的分类器可以为BP神经网络分类器。

这一方案所得到的图像，能够有效的去除了赤潮藻的背景噪声，为后继图象处理提供了清晰的位置信息。

本发明的有益效果是：提供一种结构简单，造价低廉，使用方便的赤潮藻图像分析系统，利用该该系统所获得的荧光图象可以有效的去除背景噪声，为后继图象处理提供清晰的位置信息，再结合灰度图象所提供的海藻的轮廓和纹理信息，从而使得从复杂的背景噪声中对海藻进行识别和计数简单有效。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为硬件装置的基本结构框架：荧光显微成像装置硬件结构图

图2为光源照明装置结构示意图

图3为赤潮异弯藻在不同激发光下荧光的产生情况示意图

图4为三种藻类对不同激发光的680nm荧光响应强度曲线

图5为软件系统整体设计示意图

具体实施方式

如图1所示，赤潮藻图像分析系统包括光源照明装置，显微成像装置，特定波长滤色片，光学CCD，图像采集装置、高性能计算机以及图像分析软件。荧光显微成像工作原理如下：选定光源载盘决定光源的强度，光源发出的光经凸透镜纠正结构后成为平行光，然后经特定中心波长滤色片，成为所希望的荧光激发光，之后海藻样品经显微成像装置成像，先通过接收滤色片滤波，之后通过CCD成像装置以及图像采集卡获取荧光显微图像并使其数字化，而后传输至计算机。下面的1-5节分别对各个硬件装置的结构特点，参数选择等进行详细说明。第6-10节是对赤潮藻图像分析软件和方法进行的详细说明。

1、光源照明装置

如图2所示，光源为若干不同色光的光源，透镜纠正结构由圆形光源载板，光学聚集装置，光源切换装置构成；光源切换装置在单片机的控制下，转动圆形光源载板，使不同色光光源分别在透镜焦点上点亮，从而完成对光源的切换。

2、图像采集卡

图像采集卡采用大恒公司生产的DH-CG300，该图像采集卡可提供丰富的接口函数。分析软件通过调用这些接口函数即可得到所需图像，同时可以对采集参数进行设置。需设置的参数有：

(1)视频输入制式  采用PAL标准电视制式(625行，50场/秒，色负载波4.43MHz)。

(2)输入窗口大小  对于PAL制式，最大窗口尺寸为768×576像素。

(3)输出窗口大小  输出窗口必须小于输入窗口尺寸，并且长宽都应是4的整数倍，本软件采用760×560像素大小。

(4)色彩空间  数字化后的图像格式是YUV4:2:2，用户可以根据需要进行YUV-RGB转换，本软件采用RGB8:8:8格式。

(5)图像卡采集控制  图像卡采集控制包括：视频源路、亮度、对比度、色调、色饱和度。

3、CCD摄像头的选取主要考虑以下因素：

(1)有效视场要与光学视场匹配

为使显微镜视场内的藻在CCD光敏面上有效成像，CCD摄像头的有效视场必须大于显微镜视场，选1/2英吋CCD摄像头，可满足要求。

(2)解像度

为得到足够清晰的图像，根据测量范围的下限值，同时考虑到上限值，微藻在视场内应有足够的数目用于统计测量。因此选取解像度为：600线。

4、显微镜放大倍数的调整

为兼顾技术和鉴别的需要，选取显微镜的放大倍率在1～100之间调整。对于微藻直径的上端，为有效计数，在视场内要有足够数量的藻，因此要求显微镜的放大倍率小一些，视场大一些，选取显微镜视场为Φ18mm，放大倍率为1，对于直径为1500μm的夜光藻，视场内可观察到最多大约144个藻，满足计数要求。为鉴别藻种，可在视场内选取一小部分，改变显微镜倍率观察细节。对于10μm的藻，视场内藻的数量不成问题，主要是要有足够的放大倍率，以便鉴别，选取显微镜的放大倍率为40倍结合电子学放大，总倍率1000倍，计算机屏幕上的图像可达10mm，足以鉴别。

5、荧光显微成像

在大部分的赤潮藻中都含有叶绿素A，从而在特定波长的激发过的照射下，赤潮藻将产生相应荧光，其荧光波长主峰约在680nm，半波宽约为20nm。激发光波长以350和450效果最为显著。以上参数因不同藻的叶绿素的含量不同，藻的形态结构的不同以及与其它色素的比例不同会略有区别。为此采用F-4500FL Spectrophotometer对多种藻类进行荧光参数测定实验。图3是赤潮异弯藻在各种不同波长的激发光下其荧光的产生情况示意图，其中(a)图是采用350nm激发光的荧光效果，(b)图是采用450nm激发光的荧光效果，(c)图是采用550nm激发光的荧光效果。各图分别在各处的激发光波处因瑞利散射产生了一个峰，该峰不应计在荧光谱内。由图可见，在350和450主峰高度最高(由于测量浓度过高，到10000单位荧光峰被截止，截止宽度越大，表明峰值越高)但无论是哪种波长的光照射下，在680nm左右会产生荧光主峰其半波宽约为20nm，因此，以下荧光实验中采用680nm做为接收峰中央频率，20nm为其接收峰半波宽。图4是在选定680nm做为接收峰中央频率的情况下，测量新月菱形藻、赤潮异弯藻、裸甲藻对不同波长的激发光所激发的荧光强度图谱。由图可见，各藻在350nm处都将产生较明显的荧光响应。

为降低成本，增加使用的方便性，本实验采用了对普通显微镜进行改造的方法实现了荧光摄象。尤其是，在入射光源处选取的为350nm，450nm或550nm中心波长，10nm半波宽，透射率为50％的滤色片，在接收口选取中心波长大于580nm，半波宽10-20nm的高通滤色片，入射光源选取30～50w的冷光源灯。

再者，有些藻类除叶绿素a外，还含有其它色素或荧光物质，从而可以产生特异波长的荧光，因此可以根据所产生的荧光不同来鉴别藻的种类。

6、赤潮藻图像分析软件总体结构设计和分析方法

图5所示：赤潮生物图像分析软件总体结构设计包括图像获取、图像预处理、图像分割、特征提取、特征分类标准的选择、分类器和赤潮生物图像数据库。图像分析方法包括下列步骤：第一系统通过与图像采集卡的接口函数，按照上述参数设定，对显微镜下样品的图像进行采集并存储；第二，根据在赤潮生物图像库内预先存储的处理流程，对图像进行预处理；第三，进行图像分割，将待分析的目标与背景分离，而数据库同时提供分割所需要的一些先验知识；第四，对分割后的图像进行特征提取，数据库提供需要提取的特征类型；第五，对提取的特征进行选择并存入数据库内；最后，分类器将对提取的特征进行识别，从而得出所需结果，最终实现分类。以下对各个步骤加以说明。

7图像预处理

图像预处理可以改善图像质量，提高图像清晰度和可读性，突出目标轮廓，衰减各种噪声，将图像转换成更适合于自动分析的形式。针对显微赤潮生物图像的特点，本发明可采用以下多种图像预处理技术：(1)采用灰度均衡方法：通过点运算使输入海藻图像转换为在每一灰度级上都有相同的像素点数的输出图像，对于海藻图像，由于其的光学特性，使得海藻与背景的在很多情况下很低，通过灰度均衡，可以明显提高其对比度；(2)采用差影方法：对于光源引起的背景不均匀的图像，利用差影的方法将原图像与背景作减法，除去由于光源引起的背景的不均匀，即减少了背景噪声对阈值分割的影响；(3)采用平衡操作方法：平滑操作主要用来减小热电子噪声、采样、量化、传输以及图像采集过程中环境的扰动在赤潮生物图像中产生的噪声和其他不良影响。本发明可采用模板操作法。(4)采用中值滤波算法，中值滤波是一种非线性的信号处理方法，在一定条件下可以克服线性滤波器如最小均方滤波器，均值滤波等带来的图像细节模糊，而且对滤波脉冲干扰及图像扫描噪声最为有效。可采用一个含有奇数个点的滑动窗口，将窗口中各点的灰度值的中值来替代指定点的灰度值。对于奇数个元素，中值是指按大小排序后，中间的数值；对于偶数个元素，中值是指排序后中间两个元素的灰度值的平均值。滑动窗口的大小和形状对滤波效果有很大的影响，不同的图像对象要采用不同的滑动窗口。(5)采用锐化方法：利用Roberts梯度处理的海藻图像，轮廓信息得到了很好的突出，使得目标清晰，对后继图像分割很有利。

8图像分割

图像分割的目的是反图像空间分成一些有意义的区域，它是进行图像分析的第一步，也是最关键的一步，因为它直接关系到接下来的特征提取、分类和计数等工作的效果。图像分割是一个经典难题，从七十年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力，但到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准，而生物图像本身具有的复杂性、多样性、各自差异性等属性是实现生物细胞图像全自动分割的难点，发明人常识了多种图像分割算法，对裸甲藻灰度图而言，采用自适应阈值分割算法较好，对赤潮异湾藻灰度图像，采用二维最大熵阈值分割算法，这种分割方法对赤潮异湾藻灰度图效果较好。

9图象特征提取和特征分析

系统针对赤潮藻类图像的特点，提取了4个形态特征(长度、面积、圆度和矩形度)，7个灰度特征(不变矩M0、不变矩M1、不变矩M2、不变矩M3、不变矩M4、不变矩M5、不变矩M6、)，4个纹理特征(反差、能量、相关和熵)，并在特征分类的基础上建立了赤潮生物数据库，记录各种藻的形态，纹理，灰度等特征。图像的特征分析指对所提取的灰度、纹理和形态等特征量用某种原则进行量化，并建立与目标的对应关系，为签别提供标准和依据。

本发明的图像分析系统，对所提取的4个形态特征，7个灰度特征，4个纹理特征分两步进行。

首先进行形态特征的分析。长度和面积的阈值在没有标准库可参考的情况下要人为事先根据海藻的显微放大倍数与海藻的尺寸设定。这里设定的周长和面积阈值分别为[100，300]，[1000，4000]。因为所用的藻种有圆形和矩形两种，所以其圆度和矩形度分别设为[0.9，8]，[0.8，1.7]。其中圆度用4π进行了归一化，其最小值为1，对于1∶4的矩形，其值为7.49，故取上限为8。矩形度对于圆来说R有最大值为π/2＝1.57，对于矩形来说R的值为1，对于外凸和内凹图形R的值分别在(1，1.57)，(0，1)区间内。考虑面积计算小于实际目标藻的面积，其矩形度可能会变小，所以取其下限值为0.7.又考虑计算中的数据计算方法舍入，故圆度的上限与矩形度的下限分别超过理论极限值约0.2。在经过长度、面积、圆度和矩形度的初步分析后，除去了大多少的非藻类。在此后的灰度和纹理分析时，去除的目标将不再考虑。

其次再进行纹理特征分析。对所提取的4个纹理特征量，可以结合采用各个参数的均值和标准差，即μ_G，σ_G，μ_J，σ_J，μ_S，σ_S，μ_C，σ_C作为纹理特征向量中的各个分量。对8个分量采用高斯归一化方法进行内部归一化。识别过程是这样的，因为在经过几何特征分析后所剩下的目标大都是海藻目标，所以可以认为所得信息以海藻信息为主。经过归一化后可以认为落在[-1，1]区间的目标即为海藻目标。对于每个纹理特征，设置初值为0的标识变量R，如果对一个特征量落入[-1，1]区间，则R加1。如果R的值在分析完成后大于3，则认为该目标为海藻目标，否则去除该目标。

对于灰度特征，一共提取了7个不变距。与纹理特征分析相类似，先把各特征变量归一化，然后设置初值为0的标识变量R，如果对一个特征量落入[-1，1]区间，则R加1。如果R的值在分析完成后大于5，则认为该目标为海藻目标，否则去除该目标。对经过形态特征识别所得到的图像再进行灰度特征分析，去除掉了目标1，使识别率达到100％。

10特征识别和分类器

在进行了图像预处理、分割和特征提取的工作之后，需要根据已经提取的特征将几种海藻进行分类，这里的重点是分类器的设计。可以采用线性分类器、贝叶斯分类器和神经网络分类器等。本发明结合赤潮藻图像分析特点，设计了BP神经网络：输入层的神经元个数为提取的海藻特征数，隐含层的神经元数待定，应该在实际的训练过程中根据神经网络的精度和训练时间的长短进行综合考虑而进行选择，输出层的个数为我们要识别的海藻的种类数，激励函数f选择Sigmoid函数。以下以六种海藻为例进行说明，分别是圆狮藻、异湾藻、裸甲藻、盐藻、夜光藻、PR藻。首先要分别提取每一种海藻的一些特征，已经提取了如下一些特征：周长、面积、圆度、矩形度、不变矩M0、不变矩M1、不变矩M2、不变矩M3、不变矩M4、不变矩M5、不变矩M6、反差、能量、相关和熵总共15种特征。选择上述特征中的一些主要特征组成输入向量 $x^k=(x_1^k,x_2^k,L,x_n^k),$ 输出向量分别为 $Z_1^k=\left(\mathrm{1,0,0,0,0,0}\right),$ 代表圆狮藻； $Z_2^k=\left(\mathrm{0,1,0,0,0,0}\right),$ 代表异湾藻； $Z_3^k=\left(\mathrm{0,0,1,0,0,0}\right),$ 代表裸甲藻； $Z_4^k=\left(\mathrm{0,0,0,1,0,0}\right),$ 代表盐藻； $Z_5^k=\left(\mathrm{0,0,0,0,1,0}\right),$ 代表夜光藻； $Z_6^k=\left(\mathrm{0,0,0,0,0,1}\right),$ 代表PR藻。对于每一种藻，都要选定一定数量的输入样本根据上面所述的步骤进行训练，直到最终得到一个较为满意的结果。

Claims (10)

1.一种赤潮藻图像分析系统，由光源和透镜纠正结构组成的光源照明装置，显微成像装置，光学CCD或数码相机，图像采集卡，计算机以及图像分析软件组成，其特征在于，所述显微成像装置的入射光源处设有产生荧光激发光第一滤色片，接收口上设置有第二滤色片对显微成像滤波。

2.按权利要求1所述的赤潮藻图像分析系统，其特征是所述第一滤色片中心波长为350nm，450nm，半波宽为10-20nm。

3.按权利要求1或2所述的赤潮藻图像分析系统，其特征是第二滤色片的中心波长大于或等于580nm，半波宽为10-20nm。

4.按权利要求1所述的赤潮藻图像分析系统，其特征是所述光源为不同色光的光源，所述透镜纠正结构由圆形光源载板，光学聚集装置，光源切换装置构成；所述光源切换装置控制圆形光源载板的转动，使不同色光光源分别在透镜焦点上点亮，完成对光源的切换。

5.按权利要求1至4任意一项所述的赤潮藻图像分析系统，其特征是所述图像分析软件包括图像获取、图像预处理、图像分割、特征提取、特征分类标准的选择、分类器和赤潮生物图像数据库，在图像分析的基础上实现对赤潮藻的识别和分类。

6.按权利要求5所述的赤潮藻图像分析系统，其特征是所述分类器是BP神经网络分类器。

7.一种采用权利要求1所述的图像分析系统的赤潮藻图像分析方法，其特征在于包括以下步骤：

1)获取图像：光源照明装置所产生的光，经过第一滤色片，产生荧光激发光，赤潮藻样品经显微成像装置成像，所成图像通过第二滤色片滤波，通过CCD装置和图像采集卡获取荧光显微图像并将其数字化而后传输至计算机；

2)预处理图像：根据在赤潮生物图像数据库库内预先存储的处理流程，对图像进行预处理；

3)分割图像：对经过预处理的图像进行阈值分割，将待分析的目标与背景分离，由所述赤潮生物图像数据库提供分割所需先验知识；

4)提取特征：对分割后的图像进行特征提取，由所述赤潮生物图像数据库提供需要提取的特征类型；

5)选择和存储特征：对所提取的特征进行选择并存入所述赤潮生物图像数据库

6)识别和分类：由分类器对所提取的特征进行识别，实现所述赤潮藻样品的分类。

8.按权利要求7所述的赤潮藻图像分析方法，其特征是，所述阈值分割方法采用自适应阈值分割算法或二维最大熵阈值分割算法。

9.按权利要求7所述的赤潮藻图像分析方法，其特征是，所述特征类型包括形态特征，灰度特征和纹理特征。

10.按权利要求7所述的赤潮藻图像分析方法，其特征是，所述分类器是BP神经网络分类器。

Images