一种基于非对称谱形结构特征提取的赤潮藻区分方法技术

本发明专利技术公开一种基于非对称谱形结构特征提取的赤潮藻区分方法，该方法首先获取每个藻种的原始荧光光谱数据，并对原始荧光光谱数据中的光谱强度进行归一化处理，其次采用局部最大寻峰算法寻找每个荧光光谱的所有峰，并用滤波算法对所有峰进行滤波，然后用Levenberg‑Marquardt迭代算法拟合不对称峰函数，建立Bi‑Gaussian混合函数模型，分解不对称峰函数，最后将685nm和730nm对应的荧光数据代入模型中，计算得到685nm和730nm对应的峰高、左半高斯宽度和右半高斯宽度，进而求得光谱形状描述指数，并对其进行聚类分析，实现对不同类型藻类的区分。本发明专利技术采用Bi‑Gaussian混合模型，能够提供更多的色素光谱信息，且能从种属水平上对藻类进行很好的区分。

A method for distinguishing red tide algae based on feature extraction of asymmetric spectral structure

The present invention discloses a method for distinguishing red tide algae based on asymmetric spectral structure feature extraction. The method firstly obtains the original fluorescence spectrum data of each algae species, and normalizes the spectral intensity of the original fluorescence spectrum data. Secondly, the local maximum peak seeking algorithm is used to find all the peaks of each fluorescence spectrum, and filtering algorithm is used to filter all the peaks. Levenberg Marquardt iteration algorithm is used to fit the asymmetric peak function. Bi-gaussian mixture function model is established and the asymmetric peak function is decomposed. Finally, the fluorescence data corresponding to 685 and 730 nm are substituted into the model. The peak height, left half-Gaussian width and right half-Gaussian width corresponding to 685 and 730 nm are calculated, and then the spectral shape description index is obtained, and cluster analysis is carried out. Now we distinguish different types of algae. The invention adopts Bi_Gaussian mixed model, which can provide more spectral information of pigments, and can distinguish algae at species level.

【技术实现步骤摘要】
一种基于非对称谱形结构特征提取的赤潮藻区分方法
本专利技术属于赤潮藻种区分
，尤其涉及一种基于非对称谱形结构特征提取的赤潮藻区分方法。
技术介绍
浮游植物(phytoplankton)大多是体积微小的藻类(algae)，它们吸收二氧化碳CO2进行光合作用(photosynthesis)释放出氧气O2，在大多数的水生态系统(aquaticecosystems)中，它们是最底层食物链。它们是海洋和淡水初级生产力的主要来源。浮游植物群落组成会随空间和时间的差异而不同。因此，对浮游植物群落组成的确认需要在空间上和时间上进行高频、高空间分辨率的测量。中国海区的主要赤潮藻是甲藻和硅藻，正确有效区分中国海的甲藻和硅藻是很重要的。考虑到不同类型的藻类有不同的色素结构能激发不同特征光谱，使用了Bi-Gaussian模型用于分离特征光谱，然后利用光谱描述指数来描述特征光谱，从而对藻类进行有效的区分。相对于传统的波段比值法和PCA主成分分析法，Bi-Gaussian混合模型能够提供更多的色素光谱信息，因为它是基于光谱形状的表示，而传统的很多数学方法不适用于复杂的混合光谱模型，这是因为它们对背景荧光的变化很敏感，容易因为代表性生物体发射光谱的变化而出现偏移。
技术实现思路
为了实现对赤潮藻的区分，本专利技术提供一种基于非对称谱形结构特征提取的赤潮藻区分方法。该方法使用Bi-Gaussian模型用于分离特征光谱，利用光谱描述指数来描述特征光谱，从而对藻类进行有效的区分。本专利技术的目的通过如下的技术方案来实现：一种基于非对称谱形结构特征提取的赤潮藻区分方法，其特征在于，该方法包括如下步骤：S1：获取每个藻种的原始荧光光谱数据；S2：对原始荧光光谱数据中的光谱强度利用如下公式进行归一化处理；其中，x*表示归一化处理后的光谱强度，xi是原始光谱强度，xmax是原始光谱的最大强度，xmin是原始光谱的最小强度；S3：首先采用局部最大寻峰算法寻找每个荧光光谱的所有峰，然后用滤波算法对所有峰进行滤波，再用Levenberg-Marquardt迭代算法拟合不对称峰函数；最后建立Bi-Gaussian混合函数模型，分解不对称峰函数，所述的Bi-Gaussian混合函数模型的公式如下：其中，x,y0,xc,H,w1和w2分别代表波长、基线、峰位置、峰高、左半高斯宽度和右半高斯宽度；S4：分别将685nm和730nm对应的荧光数据代入公式(2)中，计算得到685nm和730nm对应的峰高、左半高斯宽度和右半高斯宽度，然后计算光谱形状描述指数log10[w2/w1,w1/H,w2/H,w2*/w1*,w1*/H*,w2*/H*]；S5：使用聚类分析算法对光谱形状描述指数进行聚类分析，区分不同类型藻类。进一步地，所述藻种的原始荧光光谱数据通过激光诱导荧光探测装置获得。进一步地，所述Bi-Gaussian模型拟合波段范围为620nm～800nm。进一步地，所述的S3中的滤波算法为均值滤波。进一步地，所述光谱形状描述指数是基于光谱形状表述的原理，不同峰宽比值以及不同峰宽与高比值被用来描述波形。本专利技术的有益效果是：考虑到不同类型的藻类有不同的色素结构能激发不同特征光谱，使用了Bi-Gaussian模型用于分离特征光谱，相对于传统的波段比值法和PCA主成分分析法，Bi-Gaussian混合模型能够提供更多的色素光谱信息，因为它是基于光谱形状的表示，而传统的很多数学方法不适用于复杂的混合光谱模型，这是因为它们对背景荧光的变化很敏感，容易因为代表性生物体发射光谱的变化而出现偏移。并提出一种新的光谱描述指数的方法用来进行特征荧光光谱识别，该方法能从种属水平上对藻类进行很好的区分。附图说明图1是Bi-Gaussian混合模型函数原理图；图2是Bi-Gaussian模型拟合分解光谱结果；图3是八种藻类的光谱形状描述指数值柱状图。具体实施方式下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。为了实施本专利技术的赤潮藻区分方法，首先进行藻种培养，本实施例中共培养了8种赤潮藻种用于实验，如表1所示，它们隶属于甲藻、硅藻2个门的7个属，每个菌株藻种都被培养在500毫升锥形烧瓶的孵化器中，按照f/2方法分离培育，培养的温度控制在20.5℃，盐度控制在35psu，光照控制在85，110和150Wm-2，光照周期控制在12：12h，藻类培养周期大约在18天。表1实验室培养的8种赤潮藻种藻种英文名称缩写属门柔弱角毛藻ChaetocerosdebilisCdChaetoceros硅藻门圆海链藻ThalassiosirarotulaTrThalassiosira硅藻门东海原甲藻ProrocentrumdonghaiensePdProrocentrum甲藻门具齿原甲藻ProrocentrumdentatumPtProrocentrum甲藻门赤红哈卡藻AkashiwosanguineaAsAkashiwo甲藻门裸甲藻GymnodiniumsimplexGsGymnodinium甲藻门米氏凯伦藻KareniamikimotoiKmKarenia甲藻门塔玛亚历山大藻AlexandriumtamarenseAtAlexandrium甲藻门具体的赤潮藻区分方法如下：S1：获取每个藻种的原始荧光光谱数据。本实施例中，每个原始光谱被转换成3648行和2列的矩阵数据，主要集中研究620nm到800nm波段的光谱范围的数据；S2：对原始荧光光谱数据中的光谱强度利用如下公式进行归一化处理；其中，x*表示归一化处理后的光谱强度，xi是原始光谱强度，xmax是原始光谱的最大强度，xmin是原始光谱的最小强度；S3：首先采用局部最大寻峰算法寻找每个荧光光谱的所有峰，然后用滤波算法对所有峰进行滤波，再用Levenberg-Marquardt迭代算法拟合不对称峰函数；最后建立Bi-Gaussian混合函数模型(模型原理图如图1所示)，分解不对称峰函数，所述的Bi-Gaussian混合函数模型的公式如下：其中，x,y0,xc,H,w1和w2分别代表波长、基线、峰位置、峰高、左半高斯宽度和右半高斯宽度；S4：分别将685nm和730nm对应的荧光数据代入公式(2)中，计算得到685nm和730nm对应的峰高、左半高斯宽度和右半高斯宽度，然后计算光谱形状描述指数log10[w2/w1,w1/H,w2/H,w2*/w1*,w1*/H*,w2*/H*]；S5：使用聚类分析算法对光谱形状描述指数进行聚类分析，区分不同类型藻类。采用非对称谱形结构特征提取的方法对实验室培养的八种赤潮藻种进行了区分实验。使用Bi-Gaussian模型分解的荧光光谱结果如图2所示，685nm对应的是叶绿素a荧光峰，730nm处有个肩部。拟合误差大约是±0.02。拟合结果发现，可以分离出不同类型的光谱形状，特别是在730nm的拟合峰形状，区分很明显。此外，还发现硅藻中的C.debilis和Thalassiosirarotula有类似的荧光特征。Bi-Gaussian混合模型分解的荧光组分光谱的参数如表2所示。表本文档来自技高网...

【技术保护点】
1.一种基于非对称谱形结构特征提取的赤潮藻区分方法，其特征在于，该方法包括如下步骤：S1：获取每个藻种的原始荧光光谱数据；S2：对原始荧光光谱数据中的光谱强度利用如下公式进行归一化处理；

【技术特征摘要】
1.一种基于非对称谱形结构特征提取的赤潮藻区分方法，其特征在于，该方法包括如下步骤：S1：获取每个藻种的原始荧光光谱数据；S2：对原始荧光光谱数据中的光谱强度利用如下公式进行归一化处理；其中，x*表示归一化处理后的光谱强度，xi是原始光谱强度，xmax是原始光谱的最大强度，xmin是原始光谱的最小强度；S3：首先采用局部最大寻峰算法寻找每个荧光光谱的所有峰，然后用滤波算法对所有峰进行滤波，再用Levenberg-Marquardt迭代算法拟合不对称峰函数；最后建立Bi-Gaussian混合函数模型，分解不对称峰函数，所述的Bi-Gaussian混合函数模型的公式如下：其中，x,y0,xc,H,w1和w2分别代表波长、基线、峰位置、峰高、左半高斯宽度和右半高斯宽度；S4：分别将685nm和730nm对应的荧光数据代入公式(2)中，计算得到685nm和730nm对应的峰高、左...

【专利技术属性】
技术研发人员：毛志华，陈鹏，刘航，朱乾坤，黄海清，龚芳，
申请(专利权)人：国家海洋局第二海洋研究所，
类型：发明
国别省市：浙江,33