基于视觉注意结合生物形态特征的海洋浮游植物显微图像分析

Currently the authoritative method of phytoplankton monitoring mainly relies on well-experienced phytoplankton operators using microscope for cell identification and classification as well as counting based on characteristics of biological morphology, which need high level professional experts that are becoming less and less. Besides, it is also time-consuming and laborious. So it can not be applied to a large number of samples as well as on-site and in situ real-time analysis. However, the current research on automatic analysis of phytoplankton microscopic images based on computer vision technology only contains a single or a small amount of species and data sets, and is difficult to detect and segment cell target, extract and represent special characteristics effectively. The proposed research focuses on marine phytoplankton microscopic images with a large number of species and various morphologies to build a computational model of visual attention combining bottom-up and top-down mechanisms. The model combines with biomorphic visual characteristics such as shape, size, texture, seta, cingulum and sulcus to detect and extract cell salient regions. Then object recognition and classification counting can be realized by a hierarchical computational model in visual cortex. The proposed research combines the knowledge of phytoplankton classification from marine biologist with computational model of visual attention to imitate the visual perception of phytoplankton experts, which could become a novel method on image analysis of phytoplankton for rapid and effective identification and classification of phytoplankton species, thus laying the foundation for the study of phytoplankton on-site and in situ real-time monitoring.

依据藻细胞的生物形态特征通过人工镜检进行分类和计数是目前公认的藻类监测方法。然而，该方法存在专业水平高、分类人员断层、耗时费力等问题而无法应用于大量样品和现场及原位实时快速分析。而目前国内外基于计算机视觉的藻细胞显微图像分析研究存在藻种类别及数据集单一化且难以有效检测和分割细胞目标、提取表示细节特征等难题。本项目针对大量类别形态各异海洋浮游植物显微图像，结合形状、大小、纹理以及角毛、横纵沟、尖顶刺等生物形态分类视觉特征，构建自底向上与自顶向下相结合的视觉注意计算模型检测并提取藻种细胞显著性区域，基于视觉层次感知机制实现藻种细胞目标识别和分类计数。 此项研究结合海洋生物学家的藻种分类知识进行视觉注意建模，模拟藻类专家人工镜检的视觉感知过程，可能成为浮游植物图像分析的一种有效方法，有望实现浮游植物藻种快速、有效地鉴定，为藻类现场及原位实时监测奠定基础。

浮游植物是海洋生态系统中极为基础且关键的类群，而海洋生态系统的重要指标是海洋生物多样性及其变化，其重点是监测种类组成和丰度分布。依据藻细胞的生物形态特征通过人工镜检进行分类和计数是目前公认的藻类监测方法。本项目针对浮游植物快速识别与分析问题，以生物形态分类学和视觉注意机制及模式识别为思路，重点开展了显著性检测及其在藻类图像细胞提取和分割中的应用研究与多特征融合的浮游生物图像识别研究。.项目组围绕浮游植物显微图像分析开展研究工作，取得了一定进展，体现在以下四个方面：1）在基础数据资源建设方面，我们采集并整理了中国海常见浮游植物藻种标准库，共收录海洋浮游植物41种（以赤潮藻为主），包括藻种生物学信息及人工模式图像、光镜和电镜图像；以及显微图像库OUC-Phytoplankton，包括海洋浮游植物283种共8264张显微图像；另外收集和整理了国内外相关机构发布的浮游生物图像数据集共100多类超过300多万张图像；在海洋生物学家的指导下，总结并归纳了藻种生物形态学“由粗到细、从形状到细节”的分类思路，为后续浮游生物图像分类系统设计提供了指导思想。2）在显著性检测方面，针对简单、快速、有效的检测需求，提出了一种基于自适应幅度谱分析的显著目标检测算法；针对浮游植物细胞显微图像特点，设计了一种融合视觉颜色感知和饱和度特征的细胞目标检测方法；针对藻类细胞生物形态特征，将自底向上的视觉感受野多通道多尺度早期视觉特征与自顶向下的浮游植物藻种人工分类生物形态特征融合，所生成的显著图能够更好的保留细胞生物形态特征，可有效用于浮游植物藻种细胞的检测、提取和计数。3）针对浮游植物显微图像细胞分割，在显著目标检测的基础上，我们分别提出了显著图约束的自适应标记分水岭算法和显著图驱动的自动GrabCut分割算法，可以精确分割显微图像中的单个和多个藻种细胞。4）在浮游生物分类方面，我们设计了多特征融合的浮游生物图像识别系统，包括了传统模式识别和深度神经网络的方法，研究表明深度学习在大规模多类别浮游生物图像识别上表现突出。.基于上述工作，项目组在领域国际期刊上发表SCI论文5篇、北大中文核心期刊上发表论文1篇，发表EI收录国际会议论文8篇，申请国内发明专利2项、软件著作权1项，培养了相关方向博士1人（已毕业）、硕士9人（毕业5人，在读4人），参加国际学术会议3次，开展相关国际学术交流5次。