藻类是原生生物界一类真核生物，分布极广，主要为水生，但无处不在。某些变种可生活于土壤中，能耐受长期的缺水条件；另一些生活于雪中，少数种能在温泉中繁盛生长。藻类种类极多，是水体中鱼、虾等经济动物的直接或间接饲料。目前，水体中藻类植物种类及数量已成为检测水质好坏的主要指标。
当藻类处于最佳的生长条件及来自捕食的压力减轻的情况下，会发生藻华暴发。藻华暴发是局部的藻类扩散，当特定的微藻类在暴发中达到很高的富集量时，这种暴发就会呈现出有害特征。有害藻华（Harmful Algal Blooms，HABs）（包括海洋赤潮和淡水水华）是威胁、危害海洋生态环境和人类健康的一种海洋灾害。“有害藻华”是由海藻家族中的赤潮藻在特定环境条件下爆发性地增殖造成的。
有害藻华是世界范围内的海洋环境问题和生态灾难，赤潮藻的种类直接决定了藻华的破坏程度，赤潮每年给全世界造成大面积的环境破坏和巨大的经济损失,因此对赤潮的发生、变化、消长及灾情趋势做出监测预报从而采取相应治理措施是一项非常迫切的任务。因此，快速有效地识别赤潮藻类对于监测和预警有害藻华爆发(HABs)至关重要。传统的识别方法要求专家借助显微镜观察藻类的形态以进行分类，这不仅需要高水平的专业知识和经验，而且费时且费力、容易出错。建立符合国家标准的、简单快速、准确方便的新型藻类细胞分析技术，对提高藻类检测能力和水生生态环境快速监测技术具有重要意义。采用现代数字图像处理技术实现藻类细胞的自动识别与分析统计，是藻类研究的重要发展方向。然而由于藻类细胞的多样性，其在形态、颜色、纹理等方面变化大，给细胞图像分割造成很大困难。
最常用的识别方法是基于图像检测法。这种方法因为具有检测速度快;检索精度高;劳动强度小等优势,成为藻类分析方法的总体趋势。但基于图像的藻类细胞检测方法主要存在的困难是: ①细胞图像中细胞与背景之间灰度差别较低,为细胞的准确分割带来了一些难度。对于背景均匀的饱和度图像来说,可应用阈值分割技术,但会出现目标粘连和边界不准确。对于背景不均匀的图像则难以使用阈值技术。②细胞内部物质成分复杂、分布不均匀的现象,可能会对边界的确定带来干扰,某些细胞内灰度低于边界周围背景灰度,出现“在某些区域内背景灰度 高于体细胞灰度”的现象。③细胞移动、形态变化而伴随的细胞边缘和背景间的差异因素对细胞图像的质 量及图像的有效分割都会产生影响。一幅图像中可能存在细胞灰度分布的不均匀性, 难于确定分割阈值。④部分藻类细胞形状不规则,边界不连续。⑤多个细胞在空间分布上可能存在相互连接,相邻边界紧密重叠,难以确定真实边界。
大多数研究都使用基于边缘的单一方法（即Canny）或基于区域的方法（即阈值和聚类）来分割几种特定的藻类。对于具有不同形态特征的其他藻类，这些方法很容易导致分割不足或过度分割。
为了解决藻类细胞轮廓提取的困难, 有研究者提出了一种不同于传统方法的新的边缘提取算法。首先对图像进行GrabCut处理, 然后进行阈值法二值化, 接着用八方向链码法轮廓跟踪, 最后用傅立叶描述子进行边界平滑。实验结果表明, 该算法不仅忽略了藻类细胞内部杂乱的纹理, 还较好地保留了细胞边缘信息, 精确地提取了外部轮廓。
而近年来一些研究者通过观察和分析藻类的生物学形态特征，发现某些藻类在主链上具有微弱的角毛，与其他藻类明显不同。这些带有角毛的藻类会引起赤潮，通常属于角毛藻类。因此，他们将赤潮藻类大致分为两类，非角毛藻类和角毛藻类，并提出了一种新的基于边界相关性的藻类细胞区域多尺度检测算法，并将其与形态学运算和改进的GrabCut算法相结合，以分割单细胞和多细胞对象。在此过程中，引入相似性检测以消除伪蜂窝区域。对于角毛藻，由于其角毛的灰度信息较弱以及角毛与背景之间的对比度较低，他们提出了一种基于灰色表面取向角度模型的细胞提取方法。该方法构造了灰色表面矢量模型，并执行了定向角的灰色映射。然后将获得的灰度值重建并线性拉伸。最后，进行适当的形态处理以保留方向信息和角毛的微小特征。实验结果表明，这种方法可以有效地去除噪声，并准确地提取出具有完整形状，规则轮廓和边缘清晰的两类藻类细胞对象。与其他先进的分割技术相比，这种算法在考虑具有不同外观的图像时更加具有健壮性，并且分割效果更令人满意。
不同类别赤潮藻的大小、形状、颜色、纹理等都有差异,上述特征在图像处理过程中可以通过相关算法提取。我们可以对常见外轮廓提取算法进行深入的对比和研究，开发出一个软件以实现对单张图片中藻类轮廓的提取。然后对软件进行优化，将单张图片中藻的外轮廓识别时间控制在5秒内，轮廓线断层不超过整个轮廓线的10%。在识别完藻类的轮廓线后，估算出其周长和面积以及体积。
参考文献：
[1]王攀. 基于改进卷积神经网络的藻类图像分类研究[D].南昌航空大学,2018
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
