快照式显微光谱成像系统及水藻分类识别研究
1 引言
显微光谱成像系统是传统的光学显微技术与光谱成像技术相结合形成的新型微观样本观察与检测系统。与传统的显微设备相比,其既能够获取样本的空间信息,又能够获取样本光谱信息[1-2],这在检测中不但能够在微观尺度上观察样本的细节,而且也能对样本化学成分、分子结构等理化信息进行更为详尽的分析。该技术已经成功应用在材料科学[3]、生物医学[4-5]、工业检测[6]等各个领域。例如,Janssen等[7]使用新型的活体光谱显微镜检测微血管系统荧光探针,并追踪标记物的运动轨迹。王成等[8]设计了一套光谱显微成像系统并将其应用于表皮组织检测与癌细胞检测。彭仁苗等[9]使用高光谱显微镜实现了对二维材料纳米片的识别。以上显微光谱成像系统使用的光谱成像装置均为传统的棱镜和光栅[10],并使用相应的探测器进行线阵或者面阵扫描,此类装置一般机械结构较为复杂、扫描速度较慢,因而无法实现高帧频的动态检测。
随着计算重构型光谱成像技术[11-13]的日益成熟,快照式显微光谱成像技术[14-15]成为未来发展的趋势,其探测时间与推扫式、凝视型光谱显微成像系统相比进一步缩短,由秒量级降低至毫秒量级。例如Hagen等[16]提出的基于图像映射器的快照式显微成像系统,通过微透镜阵列进行空间调制,并通过棱镜阵列进行光谱调制,最后将目标场景空间与光谱信息映射在CCD上。Yu等[17]研发了一款微透镜阵列型快照式光谱成像系统,其可以获取400~800 nm范围内的目标光谱信息。Cull等[18]设计了一种基于编码孔径的快照式光谱显微成像系统,该系统利用压缩感知技术在单次拍摄中即可完成对光谱数据立方的采集,光谱范围为450~750 nm,空间分辨率为512×512像素。快照式显微光谱成像系统的出现为动态微观样本检测提供了可能,例如显微条件下动态水藻样本的识别与分类,Wei等[19]曾使用凝视型显微光谱成像系统对静态水藻进行了吸收光谱相关研究,该内容对研究藻类富集引起的水域污染具有重要意义,但并未探究动态水藻的识别与分类。
本文基于宽谱调制型超构表面光谱成像技术体制,将宽谱调制型快照式光谱相机与显微镜相结合,提出了新型的快照式显微光谱成像系统。对运动水藻进行了光谱图像采集,并计算了不同水藻的吸收光谱,系统地分析了每种水藻的叶绿素、类胡萝卜素等分子的吸收特性,进一步根据水藻的吸收特征波段,利用支持向量机(SVM)光谱图像分割识别算法,实现了对运动水藻目标的识别,验证了快照式光谱显微系统的光谱采集与动态目标捕获性能。
2 实验与数据处理
2.1 实验系统
如
2.2 实验样本制备
样本制备与数据采集均在室温下进行,环境温度为18~25 ℃,环境相对湿度为40%。藻类样本取自伊通河水系,水中富含小球藻、囊裸藻、甲藻样本,使用试管获取水藻样本5 mL,并进行静置,使用胶头滴管获取试管底部的样本,并均匀地滴到载玻片上,并将盖玻片置于样本之上,观察不同藻类的形态以及运动状态。
图 3. 光谱显微镜下不同藻类的灰度图像。(a)小球藻;(b)囊裸藻;(c)甲藻
Fig. 3. Grayscale images of different algae under a spectral microscope. (a) Chlorella; (b) trachelomonas; (c) dinoflagellate
2.3 实验数据采集
数据采集时使用10×物镜,并固定光谱相机的曝光时间与增益系数,为保证采集帧频,曝光时间设置为30 ms,实现30 frame/s的高速采集;同时调整合适的透射光强度,使得光谱图像灰度值范围为180~220,从而保证信噪比;进一步输出各类水藻的光谱图像与光谱曲线,根据水藻与背景区域的透射光谱曲线可进行吸收光谱的计算,并利用相关特征波段的光谱图像实现对动态水藻目标的识别。
图 4. 光谱显微镜下运动甲藻样本的灰度图像
Fig. 4. Grayscale images of a dinoflagellate sample in motion under a spectral microscope
光谱相机在拍摄时,可实时输出调制数据、高精度的光谱图像数据及分辨率为1 nm的透射光谱曲线。数据采集流程如
图 5. 水藻光谱图像与透射光谱采集流程
Fig. 5. Acquisition process of algae spectral images and transmission spectrum
2.4 Lambert-Beer law吸收光谱计算
Lambert-Beer law为光吸收的基本定律,适用于电磁辐射的所有吸光物质,包括液体、固体等,基本公式为
式中:A为吸光度,即吸收光谱计算;T为透射比,即穿过介质的透射光谱;Iin为入射光强度,Iout为出射光强度。在本实验中,由于水体本身具有一定的透射性质,Iin为穿过未含有藻类的水体的光谱强度,Iout为透过藻类样本的光谱强度。
2.5 基于SVM的图像分割识别算法
为实现显微镜下动态水藻目标的自动识别,设计了基于SVM分类器的图像分割算法。其目标检测流程如下:首先提取特征波段的光谱图像,根据特征波段图像的光谱特征,并且融合水藻的纹理与轮廓信息,进行Felzenszwalb图像分割[21];进行全局的目标特征搜索,实现对目标的预框选操作;将所有目标的预选特征输入至SVM分类器,通过分类器对动态水藻目标进行有效识别,并实时输出显微镜下水藻的运动状态。
3 分析与讨论
3.1 不同藻类吸收光谱特性研究
快照式光谱显微成像系统获取的3种藻类的吸收光谱曲线如
对三种藻类的吸收光谱进行详细讨论,但由于部分藻类的吸收光谱特征峰并不明显,谱线线型在全波段上为宽带,为进一步分析特征峰属性,对其吸收光谱进行求导,对导数光谱进行特征峰标记,标记结果如
3.2 基于SVM的动态目标藻类识别分析
为进一步根据光谱图像特征实现对动态藻类目标的识别与跟踪,本研究设计了基于SVM分类器的光谱图像分割识别算法,其详细流程如
为验证所提算法的有效性,对SVM图像分割识别模型的指标参数进行详细计算,结果如
表 1. 目标识别模型的指标参数
Table 1. Metric parameters of the target recognition model
|
在动态目标识别的过程中,实时输出的不同藻类运动的伪彩标记图如
图 9. 不同时间下的动态水藻识别。(a)甲藻;(b)小球藻;(c)囊裸藻
Fig. 9. Dynamic algae identification at different time. (a) Dinoflagellate; (b) chlorella; (c) trachelomonas
4 结论
快照式光谱显微镜的核心元件为基于宽谱调制的快照式光谱相机,具有高能量利用率、高采集帧频的性能优势,获取了三种藻类的动态光谱图像与光谱数据。首先计算不同藻类的吸收光谱特性,针对叶绿素a、叶绿素b、类胡萝卜素、藻青蛋白等分子吸收特征,对光谱线型、吸收峰位置和带宽进行了详尽的分析,并利用导数光谱法再次获取了特征峰位置,有效地提取了特征波段。根据其光谱特征实现了对藻类的分类,同时利用基于SVM的光谱图像分割目标识别方法,完成了对运动水藻的识别。模型预测识别准确率达100%,召回率为65.52%,实现了光谱显微镜下对动态目标的定位与识别,为识别与分类其他动态微小目标奠定了基础。
[1] Gao L, Smith R T. Optical hyperspectral imaging in microscopy and spectroscopy: a review of data acquisition[J]. Journal of Biophotonics, 2015, 8(6): 441-456.
[2] 邵谭彬, 杨克成, 夏珉, 等. 光谱共焦显微成像技术与应用[J]. 激光与光电子学进展, 2023, 60(12): 1200001.
[3] Medina D X, Householder K T, Ceton R, et al. Optical barcoding of PLGA for multispectral analysis of nanoparticle fate in vivo[J]. Journal of Controlled Release, 2017, 253: 172-182.
[4] Bondu M, Marques M J, Moselund P M, et al. Multispectral photoacoustic microscopy and optical coherence tomography using a single supercontinuum source[J]. Photoacoustics, 2018, 9: 21-30.
[5] 章昶威, 邹鸿博, 齐伟明, 等. 内窥环境下多光谱血氧饱和度检测[J]. 光学学报, 2024, 44(2): 0217001.
[6] 赵鹏, 韩金城, 王承琨. 基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类[J]. 光谱学与光谱分析, 2021, 41(2): 599-605.
[7] Janssen B G H, Najiminaini M, Zhang Y M, et al. Multispectral intravital microscopy for simultaneous bright-field and fluorescence imaging of the microvasculature[J]. Applied Microscopy, 2021, 51(1): 12.
[8] 王成, 刘宾, 周楚, 等. 窄带LED照明的多光谱显微成像系统研究[J]. 中国激光, 2020, 47(12): 1207006.
[9] 彭仁苗, 徐鹏鹏, 赵一默, 等. 深度神经网络和高光谱显微图像的二维材料纳米片识别[J]. 光谱学与光谱分析, 2022, 42(6): 1965-1973.
[10] 杨家伟, 崔开宇, 熊健, 等. 基于超表面的实时超光谱成像芯片[J]. 光学学报, 2023, 43(16): 1623004.
[11] 林学利, 王子林, 邹艳霞, 等. 基于深度学习的滤光片型高光谱成像技术[J]. 激光与光电子学进展, 2023, 60(10): 1030002.
[12] Yang J W, Cui K Y, Huang Y D, et al. Deep‐learning based on-chip rapid spectral imaging with high spatial resolution[J]. Chip, 2023, 2(2): 100045.
[13] 孙宇松, 黄见, 时东锋, 等. 余弦编码复用多光谱关联成像技术研究[J]. 中国激光, 2023, 50(13): 1317001.
[14] Cao X, Yue T, Lin X, et al. Computational snapshot multispectral cameras: toward dynamic capture of the spectral world[J]. IEEE Signal Processing Magazine, 2016, 33(5): 95-108.
[15] Oh E S, Heo C, Kim J S, et al. Hyperspectral fluorescence imaging for cellular iron mapping in the in vitro model of Parkinson’s disease[J]. Journal of Biomedical Optics, 2014, 19(5): 051207.
[16] Hagen N, Kudenov M W. Review of snapshot spectral imaging technologies[J]. Optical Engineering, 2013, 52(9): 090901.
[17] Yu C B, Yang J, Song N, et al. Microlens array snapshot hyperspectral microscopy system for the biomedical domain[J]. Applied Optics, 2021, 60(7): 1896-1902.
[18] Cull C F, Choi K, Brady D J, et al. Identification of fluorescent beads using a coded aperture snapshot spectral imager[J]. Applied Optics, 2010, 49(10): B59-B70.
[19] Wei L, Su K, Zhu S Q, et al. Identification of microalgae by hyperspectral microscopic imaging system[J]. Spectroscopy Letters, 2017, 50(1): 59-63.
[20] 王婷婷, 蔡红星, 李霜, 等. 新型超构表面成像光谱芯片研究进展[J]. 激光与光电子学进展, 2023, 60(11): 1106014.
[21] Uijlings J R R, van de Sande K E A, Gevers T, et al. Selective search for object recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154-171.
Article Outline
李栋梁, 蔡红星, 任玉, 李霜, 花扬扬, 王婷婷, 周建伟, 曲冠男, 王朔, 曹洋铭, 张桁源. 快照式显微光谱成像系统及水藻分类识别研究[J]. 激光与光电子学进展, 2024, 61(6): 0618023. Dongliang Li, Hongxing Cai, Yu Ren, Shuang Li, Yangyang Hua, Tingting Wang, Jianwei Zhou, Guannan Qu, Shuo Wang, Yangming Cao, Hengyuan Zhang. Research on Snapshot Microspectral Imaging System and Algae Classification Recognition[J]. Laser & Optoelectronics Progress, 2024, 61(6): 0618023.