CN104616264B - 基因芯片图像的自动对比度增强方法 - Google Patents
基因芯片图像的自动对比度增强方法 Download PDFInfo
- Publication number
- CN104616264B CN104616264B CN201510072881.2A CN201510072881A CN104616264B CN 104616264 B CN104616264 B CN 104616264B CN 201510072881 A CN201510072881 A CN 201510072881A CN 104616264 B CN104616264 B CN 104616264B
- Authority
- CN
- China
- Prior art keywords
- image
- gene
- chip
- contrast
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种基因芯片图像的自动对比度增强方法,其包括如下步骤:步骤1:将待处理的基因芯片图像进行数字处理,用f(x,y)表示数字处理过的基因芯片图像灰度值;步骤2:统计背景灰度值k;步骤3:计算图像对比度C;步骤4:对图像灰度值c进行扫描,如果判断是背景,则保留图像内容,如果判断是基因点,则进行对比度增强,增强过程为本发明采用上述步骤,具有如下优点:1、不需要任何参数输入;2、自适应实现对比度增强;3、大幅度提高基因芯片图像处理精度;4、适应性广,可以适用于各种类型基因芯片图像。
Description
技术领域
本发明涉及基因芯片图像的自动对比度增强方法。
背景技术
基因芯片(cDNA Microarray)以高通量、微型化、自动化及低成本等优点成为后基因组时代最重要的基因检测工具之一。基因芯片分析包含样本采集、芯片制备、扫描成像、图像处理、数据分析和生物学应用等步骤,如图1所示。基因芯片的图像处理是其中提取基因表达水平信息的关键步骤,其准确性和可靠性将直接影响基因表达谱数据的有效性,并最终决定生物学分析和病理分析的成败。因此,基因芯片图像处理对解读成千上万个基因点的杂交信息,建立可信疾病预测具有重要的意义,其分析的可靠性和准确性将直接影响到芯片的推广与使用。
芯片制作过程复杂(会带来操作失误或仪器误差)、图像质量多变(会出现噪声等级不同、基因点形态各异和基因点分布疏密不一)以及图像分析方法多样等,对基因芯片图像处理造成巨大挑战。导致目前基因芯片图像处理过程存在如下问题:①算法精度完全依赖于图像质量;②单一算法无法满足要求。需要采用新的理论或方法对基因芯片图像处理进行更深入的研究。
而图像预处理对提高图像质量,从而对提高图像分析结果精度具有重要意义。现有基因芯片图像预处理着重于基因芯片图像的噪声去除或者倾斜校正,很少有人研究对比度增强。此外,一般来说,通常图像对比度增强采用的方法是灰度变换法,即对图像灰度范围进行线性扩展,如
但该方法涉及到的a,b,c,d参数均需要预先设定,即需要人为给出原始图像的对比度范围以及需要增强的目标对比度范围,不具有适应性。
发明内容
因此,针对上述的问题,本发明针对基因芯片的图像处理方法进行改进,提出一种新的自适应对比度增强方法,以使其具有很好的适应性,可广泛运用于各种类型基因芯片图像。
为了解决上述技术问题,本发明的思路如下:经深入研究后发现,基因芯片图像大多存在对比度较低现象,并且低对比度对网格定位影响较大;而对比度增强后,网格定位准确率最大可提高25%。
具体的,本发明的基因芯片图像的自动对比度增强方法,包括如下步骤:
步骤1:将待处理的基因芯片图像进行数字处理,用f(x,y)表示数字处理过的基因芯片图像灰度值;
步骤2:统计背景灰度值k;
步骤3:计算图像对比度C;
步骤4:对图像灰度值f(x,y)进行扫描,如果f(x,y)≤k,则判断该像素点是背景,则保留图像内容,如果f(x,y)>k,则代表该像素点为基因点则进行对比度增强;利用步骤3计算得到的图像对比度值C,获得增强倍数10000/C,具体增强过程为
另外,为了去除增强后的噪声影响,还包括步骤5:对步骤4处理后的图像灰度值f(x,y)进行噪声滤除:其具体包括如下过程:
步骤51:采用中值滤波器对图像进行扫描,针对的图像灰度值f(x,y)中的某个像素点g(x,y),取其邻域图像块g(x+k,y+l),其中l,k∈[-1,1];
步骤52:对图像块进行从小到大排序gs=sort(g(x+k,y+l));
步骤53:取中间值g′(x,y);
步骤54:重复步骤51-步骤53,最后得到滤除噪声后的图像g′(x,y)。
其中,步骤1中,为简化计算,将图像灰度值f(x,y)由16位转换为8位f(x,y)=f(x,y)/256,同时,步骤5还包括还原图像的步骤:步骤55:还原图像g′(x,y)=g′(x,y)*256。
步骤2中,统计背景灰度值k包括如下过程:将图像灰度值f(x,y)切分为若干个小窗口,统计这若干个小窗口的最大灰度值,形成最大灰度值集合;取最大灰度值集合中的最小值作为背景灰度值k。
为了更好的实现算法,作为一个优选的方案,上述步骤2具体包括如下过程:
步骤21:为方便统计背景灰度值,采用10×10的滑动窗口在图像灰度值f(x,y)的边缘位置扫描,取每个窗口内最大灰度值,形成最大灰度值集合;
步骤22:为消除噪声影响,针对图像灰度值f(x,y)的每个边缘位置(上下左右),分别随机选择两边和中间三个位置,共计12个窗口位置,最后取最大灰度值集合中的最小值作为背景灰度值,即其中Aj表示每个窗口,m代表重复实验次数。
更进一步的,所述步骤2还包括步骤23:为了避免随机性以及噪声影响,重复步骤2-步骤3多次,例如取m=10即重复10次(当然,也可以重复其他次数),取平均值作为最后的背景估计值k。
所述步骤3计算图像对比度C包括如下过程:
步骤31:计算图像f(x,y)的水平投影信号x,即将二维信号转换为一维信号;
步骤32:计算均值标准差均方根误差四阶矩
步骤33:根据上述计算获得图像对比度C=s/[s4/(s2)2]1/4。
本发明采用上述步骤,具有如下优点:1、不需要任何参数输入;2、自适应实现对比度增强;3、大幅度提高基因芯片图像处理精度;4、适应性广,可以适用于各种类型基因芯片图像。
附图说明
图1为基因芯片分析处理流程;
图2为对比度增强对基因芯片图像网格定位的影响;
图3不同数据库上对比度增强前后对比;
图4具有高对比度图像的网格定位效果:(a)对比度增强前的网格定位和(b)对比度增强后的网格定位;
图5对比度增强对网格定位的影响:(a)对比度增强前的网格定位和(b)对比度增强后的网格定位。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
本发明提供一种基因芯片图像的自动对比度增强方法,将基因芯片图像的对比度自动增强,从而提高网格定位准确率。作为一个具体的实现方法,具体步骤如下:
步骤1:读入图像f(x,y),并将其由16位转换为8位f(x,y)=f(x,y)/256;
步骤2:采用10×10的Aj窗口在图像边缘位置扫描,取每个窗口内最大灰度值;
步骤3:每个边缘位置分别随机选择两边和中间三个位置,共计12个窗口位置,最后取最大灰度值集合的最小值作为背景灰度值,即
步骤4:同时,为了避免随机性以及噪声影响,重复步骤2-步骤3,取m=10即重复10次,取平均值作为最后的背景估计值k。
步骤5:计算图像f(x,y)的水平投影信号x,即将二维信号转换为一维信号;
步骤6:计算均值标准差均方根误差四阶矩
步骤7:最后得到图像对比度C=s/[s4/(s2)2]1/4;
步骤8:对图像f(x,y)进行扫描,如果判断是背景f(x,y)≤k,则保留图像内容,如果是基因点f(x,y)>k则进行对比度增强,
步骤9:为了去除增强后的噪声影响,采用3×3的中值滤波器对图像进行扫描,针对某个像素点g(x,y),取其邻域图像块g(x+k,y+l),其中l,k∈[-1,1];
步骤11:对图像块进行从小到大排序gs=sort(g(x+k,y+l));
步骤12:取中间值g′(x,y)=gs(5);
步骤13:重复步骤9-步骤12,最后得到滤除噪声后的图像g′(x,y);
步骤14:还原图像g′(x,y)=g′(x,y)*256。
为验证所提方法的有效性,我们在6个数据库上进行了试验,数据库详细信息如表1所示。
表1 六个数据库的基因芯片图像细节信息
图3给出了所提方法在不同数据库上的对比度增强前后对比。可以看出,对比度增强效果明显,即增强后的图像对比度值明显提高很多。
表2给出了对比度增强对不同数据库图像网格定位精度的影响,可以看出对比度增强前网格定位准确率较低,对比度增强后,网格定位准确率提高较大。
数据集 | SMD | DeRisi | GEO | SIB |
对比度增强前 | 79.32% | 76.79% | 69.83% | 80.36% |
对比度增强后 | 97.37% | 98.21% | 95.47% | 85.71% |
表2对比度增强对网格定位的影响
图4给出了对比度增强前后的网格定位示意图,其中(a)为对比度增强前的网格定位示意图,(b)为对比度增强后的网格定位示意图,由图上可以看出,对于自身对比度比较高的图像,不论对比度增强与否,网格定位效果均较好,这也说明高对比度对图像网格定位是有意义的。
图5给出了具有低对比度的基因芯片图像的网格定位效果,其中(a)为对比度增强前的网格定位示意图,(b)为对比度增强后的网格定位示意图。由图上看出,很明显,未经对比度增强的图像网格定位大多不准确,而经过对比度增强后,可以准确定位到每个基因点。这些试验都证实了对比度对基因芯片图像网格定位的影响较大,因此需要对基因芯片图像进行对比度增强。
本发明提出的对比度增强方法不需要任何参数输入,完全自动获取图像对比度并进行增强,不仅能用到各种类型的基因芯片图像上,也可以直接移植到其他图像上,具有通用的适用价值。重要的是,利用该方法对基因芯片图像进行对比度增强后,可以大幅度提高后续图像分析处理的准确率,最高可达25%。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (6)
1.基因芯片图像的自动对比度增强方法,包括如下步骤:
步骤1:将待处理的基因芯片图像进行数字处理,用f(x,y)表示数字处理过的基因芯片图像灰度值;
步骤2:统计背景灰度值k;
步骤3:计算图像对比度C,具体包括如下过程:
步骤31:计算图像f(x,y)的水平投影信号x,即将二维信号转换为一维信号;
步骤32:计算均值标准差均方根误差四阶矩
步骤33:根据上述计算获得图像对比度C=s/[s4/(s2)2]1/4;
步骤4:对图像灰度值f(x,y)进行扫描,如果f(x,y)≤k,则判断该像素点是背景,则保留图像内容,如果f(x,y)>k,则代表该像素点为基因点则进行对比度增强;利用步骤3计算得到的图像对比度值C,获得增强倍数10000/C,具体增强过程为
2.根据权利要求1所述的基因芯片图像的自动对比度增强方法,其特征在于:为了去除增强后的噪声影响,还包括步骤5:对步骤4处理后的图像灰度值f(x,y)进行噪声滤除,其具体包括如下过程:
步骤51:采用中值滤波器对图像进行扫描,针对图像灰度值f(x,y)对应的增强图像g(x,y)中的某个像素点(x,y),取其邻域图像块g(x+k,y+l),其中l,k∈[-1,1];
步骤52:对图像块进行从小到大排序gs=sort(g(x+k,y+l));
步骤53:取中间值g′(x,y);
步骤54:重复步骤51-步骤53,最后得到滤除噪声后的图像g′(x,y)。
3.根据权利要求2所述的基因芯片图像的自动对比度增强方法,其特征在于:
步骤1中,为简化计算,将图像灰度值f(x,y)由16位转换为8位f(x,y)=f(x,y)/256,同时,步骤5还包括还原图像的步骤:
步骤55:还原图像g′(x,y)=g′(x,y)*256。
4.根据权利要求1或2或3所述的基因芯片图像的自动对比度增强方法,其特征在于:步骤2中,统计背景灰度值k包括如下过程:将图像灰度值f(x,y)切分为若干个小窗口,统计这若干个小窗口的最大灰度值,形成最大灰度值集合;取最大灰度值集合中的最小值作为背景灰度值k。
5.根据权利要求4所述的基因芯片图像的自动对比度增强方法,其特征在于:
步骤2具体包括如下过程:
步骤21:为方便统计背景灰度值,采用10×10的滑动窗口在图像灰度值f(x,y)的边缘位置扫描,取每个窗口内最大灰度值,形成最大灰度值集合;
步骤22:为消除噪声影响,针对图像灰度值f(x,y)的每个边缘位置,分别随机选择两边和中间三个位置,共计12个窗口位置,最后取最大灰度值集合中的最小值作为背景灰度值,即其中Aj表示每个窗口,m代表重复实验次数。
6.根据权利要求5所述的基因芯片图像的自动对比度增强方法,其特征在于:
所述步骤2还包括步骤23:为了避免随机性以及噪声影响,重复步骤2-步骤3多次,取其平均值作为最后的背景估计值k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510072881.2A CN104616264B (zh) | 2015-02-12 | 2015-02-12 | 基因芯片图像的自动对比度增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510072881.2A CN104616264B (zh) | 2015-02-12 | 2015-02-12 | 基因芯片图像的自动对比度增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616264A CN104616264A (zh) | 2015-05-13 |
CN104616264B true CN104616264B (zh) | 2017-12-19 |
Family
ID=53150697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510072881.2A Active CN104616264B (zh) | 2015-02-12 | 2015-02-12 | 基因芯片图像的自动对比度增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616264B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787296B (zh) * | 2016-02-24 | 2018-07-17 | 厦门大学 | 一种宏基因组和宏转录组样本相异度的比较方法 |
CN114972343B (zh) * | 2022-07-29 | 2022-10-25 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063702A (zh) * | 2010-11-15 | 2011-05-18 | 无锡银泰微电子有限公司 | 光学图像的增强方法 |
CN102354398A (zh) * | 2011-09-22 | 2012-02-15 | 苏州大学 | 基于密度中心与自适应的基因芯片处理方法 |
CN103390277A (zh) * | 2013-07-23 | 2013-11-13 | 济南凌空信息科技有限公司 | 图像分析方法 |
CN103854255A (zh) * | 2012-11-29 | 2014-06-11 | 比亚迪股份有限公司 | 图像增强方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7136517B2 (en) * | 2002-06-19 | 2006-11-14 | Commissariat A L'energie Atomique | Image analysis process for measuring the signal on biochips |
-
2015
- 2015-02-12 CN CN201510072881.2A patent/CN104616264B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063702A (zh) * | 2010-11-15 | 2011-05-18 | 无锡银泰微电子有限公司 | 光学图像的增强方法 |
CN102354398A (zh) * | 2011-09-22 | 2012-02-15 | 苏州大学 | 基于密度中心与自适应的基因芯片处理方法 |
CN103854255A (zh) * | 2012-11-29 | 2014-06-11 | 比亚迪股份有限公司 | 图像增强方法及装置 |
CN103390277A (zh) * | 2013-07-23 | 2013-11-13 | 济南凌空信息科技有限公司 | 图像分析方法 |
Non-Patent Citations (1)
Title |
---|
An improved automatic gridding method for cDNA microarray images;Guifang hao, Tingna Wang, Zhigang Chen, Yushu Huang, Yuhua Wen;《21st International Conference on Pattern Recognition (ICPR 2012)》;20121115;第1615-1618页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104616264A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
Daniel et al. | Optimum green plane masking for the contrast enhancement of retinal images using enhanced genetic algorithm | |
CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN109190625B (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN110490836B (zh) | dPCR微阵列图像信息处理方法 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN110853006A (zh) | 一种使用扫描仪获取的数字病理图像质量评价的方法 | |
CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
CN110047079A (zh) | 一种基于对象相似性的最优分割尺度选择方法 | |
CN111339924A (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN114842308B (zh) | 一种基于全特征融合建立目标预判优化模型的方法 | |
CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |