水下彩色成像會導致浮游動物因趨光性大量聚集在成像儀器前，使觀測結果產生偏差。IsPlanktonCLR算法采用了一種具有自指導功能的雙通路網絡結構，配合定制化的調色板和逐步聚焦的損失函數，實現了對浮游生物灰度圖像的自動化著色。

　　海洋浮游生物作為一類懸浮在水層常隨水流移動的海洋生物，是海洋生態系統的基本組成部分，對浮游生物的觀測不僅是海洋生態科學研究的基礎，也是現代海洋生態環境管理不可或缺的手段。

　　近期，來自中國科學院深圳先進技術研究院集成所光電工程技術中心的李劍平團隊設計了一種深度學習圖像著色算法，可將水下原位拍攝的海洋浮游生物灰度圖像自動著色，著色效果極為接近人眼觀察的實際效果。

　　實現了對浮游生物灰度圖像的自動化著色

　　近年來，隨著技術的發展，越來越多的浮游生物成像儀實現了彩色成像，也有許多實驗證明彩色圖像能夠比灰度圖像提供更為豐富的信息，對浮游生物觀測起到重要作用。

　　然而，水下彩色成像需要使用白光照明，會導致浮游動物因趨光性大量聚集在水下成像儀器前，改變它們在水下的原有空間分布。這種非自然的改變，會導致對浮游生物的觀測結果產生嚴重偏差，觀測定量不夠準確。

　　“由于絕大多數浮游生物對波長較長的紅光不敏感，傳統的水下成像儀多數使用紅光或近紅外光照明成像，以避免浮游生物因趨光性聚集。但這樣的拍攝條件只能獲得浮游生物的灰度圖像。如果能夠訓練人工智能，將紅光照明下獲取的灰度圖像轉換為高保真的彩色圖像，就可以解決這一難題。”李劍平表示。

　　針對這一設想，李劍平團隊設計并訓練了一種基于深度卷積神經網絡的浮游生物自動著色算法，并將其命名為IsPlanktonCLR算法。

　　該算法采用了一種具有自指導功能的雙通路網絡結構，配合定制化的調色板和逐步聚焦的損失函數，實現了對浮游生物灰度圖像的自動化著色，且對稀有物種和普通物種關鍵部位的色彩還原具有優異的準確性。

　　構建浮游生物彩色—灰度原位圖像對數據集

　　為實現IsPlanktonCLR算法的訓練與開發，李劍平團隊通過長期不懈積累，結合自主研發的海洋原位成像儀，構建了一個浮游生物彩色—灰度原位圖像對數據集。利用該數據集，團隊不僅訓練了IsPlanktonCLR算法的著色算法，還將其與CIC、MemoColor、LetColor、InstCol、Chroma等現有最優水平著色算法進行了性能對比。

　　“我們的實驗結果證實，無論是在人眼視覺感受效果上，還是在機器視覺的經典量化指標上，IsPlanktonCLR算法都表現優異。”李劍平說道。

　　此外，研究團隊還注意到現有面向圖像復原的著色算法普遍缺乏客觀、定量的著色評價指標。對此，團隊提出了一個融合了色彩直方圖、色彩聚合向量、色彩相關圖和色彩梯度等彩色特征的圖像色彩相似度評價指標CDSIM，并通過在海洋浮游生物和自然場景圖像上分別開展測試，驗證了CDSIM在著色算法效果評價中不僅有效，而且更適合在科學成像領域的圖像著色評價中應用。

　　李劍平表示，IsPlanktonCLR算法的發展為海洋成像觀測儀器獲取準確、真實的觀測結果提供了一種新的人工智能解決方案，其效果不僅直接規避了海洋浮游生物原位成像中因生物趨光聚集所致的觀測不準確問題，還有可能為其他海洋生物的成像觀測困難或損傷帶來新的問題解決思路，為人類探索和認識海洋提供新的技術手段。（丁寧寧 劉傳書）