近年来,我国沿海赤潮持续高频次发生,已严重影响到居民的饮水安全、水产养殖、水体景观价值等方面,造成了巨大的经济损失。我国各级政府部门和科研机构对有害赤潮进行快速监测、早期预警的需求越来越强烈。在此情形下,建设一个数字化和标准化的、具有“有害赤潮综合信息检索、藻种和藻毒素标准品供应、鉴定与检测标准技术提供、远程诊断服务”等功能的有害赤潮诊断标准技术平台,就成为国家的迫切需求。国际上虽已有类似设想,但尚未建成如此完整而独具特色的技术支持平台。本文通过分析我国沿海有害赤潮发生情况,给出常见有害赤潮藻名录,采集藻种不同生长时期、不同地理株系、不同角度的生物形态学信息及多视点图像,得出生物形态学分类判据,并汇集藻种分子生物学、色素和光谱信息,建立中国海常见有害赤潮藻综合数据库；同时,集成各种赤潮藻分析方法的鉴定与检测标准技术体系和处理方法,构建一个基于Web的有害赤潮生物诊断技术平台；以传统的生物形态学分类为依据,深入分析藻种细节特征和形状特征的明显差异,基于图像分析、统计学习和模式识别技术,构建赤潮藻显微图像自动诊断识别系统。本文主要工作及创新如下：1、中国海常见赤潮藻的海洋生物学信息和分类研究结合中国沿海近年来赤潮发生的情况,给出了本课题涉及的41种藻种名录,研究了这41种赤潮藻的生物形态学特征,初步阐述了赤潮藻生物形态分类思想,从而为有害赤潮藻数据库设计和显微图像识别系统的研究奠定基础。2、中国海常见有害赤潮藻数据库设计与实现采集藻种不同生长时期、不同地理分布的海洋生物学信息及不同角度的多视点图像,汇集本项目研究获得的赤潮藻形态学、分子生物学、色素与光谱数据,形成“有害赤潮藻综合信息库”。同时,汇集适用于不同时空尺度与精度的赤潮藻检测技术,建立赤潮藻鉴定与定量检测技术体系库。结合有害赤潮生物诊断技术平台的应用需求,设计了用于诊断识别的处理方法库和识别数据库,从而形成了完整的有害赤潮藻综合数据库。3、“有害赤潮生物诊断技术平台”建设依托中国海常见有害赤潮藻综合数据库,搭建“有害赤潮生物诊断技术平台”,主要包括赤潮藻综合信息库、赤潮藻鉴定与定量检测技术体系、在线诊断系统和有害赤潮研究与监测材料供应虚拟中心四部分。可满足数据库输入与查询的前端交互、赤潮研究相关资料的动态发布、诊断鉴定技术接口、用户管理等需要。“赤潮在线诊断”集成了项目开发的多项功能模块,包括人机互动检索、显微图像识别、化学分类、三维荧光光谱识别,可通过Internet提供在线远程服务。平台采用J2EE体系架构,融合了当前主流的Struts、Spring、Hibernate等Web应用框架,实现了适用于本项目需求的系统框架。系统设计采用MVC模式,将表现逻辑、业务逻辑、数据库调用逻辑分开,具有很好的独立性、可移植性和可扩展性。4、赤潮藻显微图像自动识别技术研究通过对有害赤潮藻类细胞生物形态学细节特征和形状特征的分析,建立了赤潮藻显微图像自动分类体系。分别对藻类细胞三种细节特征(有无角毛、横纵沟、尖顶刺)进行有效的自动提取,作为显微图像自动分类的重要判据,进而设计三级两类分类器,建立树状判别体系,将大样本集有效划分为小样本集,并针对不同的小样本集进行相应的自动分类,然后进一步提取全局形状特征,从而得出识别结果,多级分类器的设计思想同时也提高了识别准确率。分类器Ⅰ,根据细胞有无角毛,对上传图像进行第一级分类。对于赤潮藻显微图像,首先采用基于灰度方向角模型的细胞目标提取算法；针对角毛藻细胞分叉较多,进行基于形态学细化的骨架提取,得到藻种细胞骨架的细节特征,将骨架的节点和端点数目多少作为是否为角毛藻的判据。对角毛藻类进行分类识别,得到诊断结果；对无角毛类藻使用分类器Ⅱ继续判别。分类器Ⅱ,针对无角毛类藻,根据有无横纵沟进行第二级分类。对于无角毛类藻种,首先采用基于自动化阈值的最大轮廓细胞目标提取算法；针对显微图像中横纵沟区域与细胞主体景深不同,用基于约束标记分水岭变换进行横纵沟提取,获得藻种细胞的横纵沟细节描述,计算所提取横纵沟与细胞的面积之比和横纵沟区域质心到细胞质心距离与细胞最小外接矩形的长之比,将这两个比值的大小作为藻种有无横纵沟的判据。对无角毛有横纵沟类藻种进行分类识别,得到诊断结果；对无角毛无横纵沟类藻种使用分类器Ⅲ继续判别。分类器Ⅲ,针对无角毛无横纵沟类藻,根据有无尖顶刺进行第三级分类。针对显微图像中尖顶刺较小并与细胞主体边缘凸出相连,采用基于最佳结构元的尖顶刺提取方法,获得藻种细胞的尖顶刺细节描述,根据有无尖顶刺分为两类。然后分别进行分类识别,得到诊断结果。分类识别方面,主要结合不同赤潮藻的生物形态学特征,在细胞目标提取的基础上进行不变矩和形状因子特征的提取和描述,形成特征样本集；采用支持向量机对特征样本集进行训练,得到识别模型库；将待识别样本特征数据与相应类别识别模型库进行模式识别,得到最终诊断结果。采用上述分类器思想对41种赤潮藻种、共3600幅显微图像(其中训练样本2600幅,测试样本1000幅)进行识别测试,平均识别率为83.27%,去掉三级分类器的识别误差,实际识别率平均值为82.05%,达到了较好的识别效果。