CN106530272A - 基于凹点匹配的重叠蛋白质点分离方法及装置 - Google Patents

基于凹点匹配的重叠蛋白质点分离方法及装置 Download PDF

Info

Publication number
CN106530272A
CN106530272A CN201610880570.3A CN201610880570A CN106530272A CN 106530272 A CN106530272 A CN 106530272A CN 201610880570 A CN201610880570 A CN 201610880570A CN 106530272 A CN106530272 A CN 106530272A
Authority
CN
China
Prior art keywords
protein spots
point
concave point
overlap
gel images
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.)
Granted
Application number
CN201610880570.3A
Other languages
English (en)
Other versions
CN106530272B (zh
Inventor
辛化梅
赵福娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201610880570.3A priority Critical patent/CN106530272B/zh
Publication of CN106530272A publication Critical patent/CN106530272A/zh
Application granted granted Critical
Publication of CN106530272B publication Critical patent/CN106530272B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于凹点匹配的重叠蛋白质点分离方法及装置，该方法包括采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。本发明能够提高双向凝胶图像中重叠的蛋白质点的分割效果。

Description

基于凹点匹配的重叠蛋白质点分离方法及装置
技术领域
本发明属于计算机的双向凝胶图像分割技术领域，尤其涉及一种基于凹点匹配的重叠蛋白质点分离方法及装置。
背景技术
蛋白质组学为生命科学的许多研究领域打开了新视野。从癌症药物发展预测到环境污染检测，都是蛋白质组学的应用范围。蛋白质组学分析包括蛋白质的鉴定和功能测定，其中第一步是蛋白质的检测和分析。双向凝胶电泳(two-dimensional gelelectrophoresis,2-DE)技术是目前比较经典的蛋白质分离技术之一。它可以从细胞或者组织中分离出具有高度复杂度的蛋白质混合物，在维持蛋白质点的天然电荷和溶解性的同时，能分离大量的蛋白质点。利用扫描仪器对得到的凝胶进行扫描得到凝胶图像，蛋白质点以不同形状、大小和灰度点的形式呈现在凝胶图像中。
由于每个凝胶图像上都含有成百上千的蛋白质点，使得利用计算机分析处理2-DE图像成为研究蛋白质组学的必然途径。分析过程主要包括：蛋白质点检测、蛋白质点匹配和蛋白质点量化分析，其中蛋白质点检测是整个过程的基础环节和技术难点。双向凝胶图像在电泳过程中发生染色失误或者是蛋白质本身性质过于接近，就有可能造成蛋白质点出现重叠和堆聚的现象，导致重叠区的蛋白质点难以分离，加大了蛋白质点精确检测的难度，因此重叠蛋白质点的检测成为了研究的重点和难点之一。
在对凝胶图像重叠点的分割方面，现有方法和商用凝胶图像分析软件在凝胶图像重叠蛋白质点分离方面的针对性研究较少，相应的文章也鲜有报道。现有的关于重叠图像分割方法主要有基于分水岭方法、基于形态学方法等，Kim等人于2003年提出了分层阈值的分水岭算法来分割蛋白质点，该算法代替选取标记点，省略分裂合并的过程，但存在过分割现象；Yang等人于2006年提出了基于先粗腐蚀再精腐蚀策略的标记分水岭法用于分离重叠目标，对于类似圆形结构的重叠目标具有较好的效果，但检测结果易受腐蚀结构元素大小的影响。这些算法需要每次跟踪腐蚀运算的过程，运算量大，对计算机软件和硬件要求较高，且对复杂的重叠图像分离效果不理想，存在过分割的现象。
除此以外还有学者利用重叠区域的边界轮廓寻找凹点，并从边界上的凹点寻找分离点将重叠区域分割。在基于凹点搜索和匹配的方法中，黄兴华于2012年通过在颗粒边界上的圆形模板的移动，求包含在颗粒内的弧长与圆形模板周长的比值来确定凹点，这种方法对边界的每个像素都需要计算其凹度值，计算量大而且易受到干扰；2015年，Tafavogh等人求出重叠颗粒的最小外接凸包，通过形成的匹配凹区之间的最小距离确定凹点，然而在蛋白质点重叠导致重叠区域轮廓凹区不明显时，这种方法无法进行凹点提取。
在针对凝胶图像重叠蛋白质点分割的方法中，熊邦书于2013年根据蛋白质点的形状特征信息，利用形状标记和形状距离变换对传统标记分水岭进行了改进。李俊于2013年利用边界拟合选取凹点并且进行匹配，对重叠蛋白质点进行了分割，但对于重叠的情况则无法分割。
通过综合分析国内外现有蛋白质点检测方法，发现仍然存在下列几个问题：
(1)现有蛋白质点检测方法大多都只对图像质量高的凝胶图像检测结果较为理想，而对于凝胶图像中蛋白质点发生重叠和堆聚的情况，大部分都无法妥善处理，往往需要依靠人工经验输入一些检测参数才能获得较好的检测效果，精确度不高。
(2)即使是针对重叠目标分离的算法，用于凝胶图像重叠蛋白质点分离也具有一定的局限性，不能很好的适用于凝胶图像，主要是因为蛋白质点形状各异，并不是严格的类圆形结构，并且重叠情况一般都比较复杂，粘连程度紧，没有明显的凹陷或灰度差异。
发明内容
为了解决现有技术的缺点，本发明提供一种基于凹点匹配的重叠蛋白质点分离方法及装置。本发明的基于凹点匹配的重叠蛋白质点分离方法能够提高凝胶图像中重叠的蛋白质点的分割的精确度。本发明的该装置能够得到重叠的蛋白质点分割效果准确的凝胶图像。
为实现上述目的，本发明采用以下技术方案：
一种基于凹点匹配的重叠蛋白质点分离方法，包括：
步骤1：采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；
步骤2：基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；
步骤3：通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
本发明的该方法通过对真实凝胶图像重叠蛋白质点的分割测试，本发明的该方法采用Harris角点检测法计算出边界点的曲率进而选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，可以准确的分离凝胶图像重叠蛋白质点；该方法不需要多次腐蚀与膨胀运算，最大程度保持蛋白质点边缘，该方法实现简单，分离效果准确；而且对重叠情况复杂及重叠的蛋白质点也可以进行较好的分离。
在步骤1之前，还包括判别凝胶图像中的蛋白质点。
根据凝胶蛋白质点的形状特征，采用形状判定参数来判别凝胶图像中的蛋白质点。
在对凝胶图像中蛋白质点进行判别之前，还包括获取凝胶图像中蛋白质点的边界轮廓。
利用边界跟踪算法，获取凝胶图像中蛋白质点的边界轮廓。
在步骤2中，利用向量积法来判断近似多边形顶点的凹凸性。
所述步骤3中预设的凹点选取与匹配原则包括：
(a)两个距离最短的凹点才能配对；
(b)配对后的凹点总数目为偶数；
(c)一个凹点只能构造一条分离线，不能构造两条及以上的分离线；
(d)两个配对的凹点构造的分离线不能经过凝胶图像的背景区域。
所述步骤3中预设的凹点选取与匹配原则还包括：
(e)如果有至少两条分离线，则分离线之间不能相互交叉。
在获取凝胶图像中蛋白质点的边界轮廓之前，还包括对凝胶图像进行预处理。
对凝胶图像进行预处理包括利用高斯滤波对凝胶图像进行边界平滑处理。
对凝胶图像进行预处理还包括：去除凝胶图像的条纹和背景噪声。
一种基于凹点匹配的重叠蛋白质点分离装置，包括：图像采集器，其被配置采集凝胶图像；
处理器，其被配置为：
采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；
基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；
通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
本发明的有益效果为：
(1)本发明的该方法通过对真实凝胶图像重叠蛋白质点的分割测试，本发明的该方法采用Harris角点检测法计算出边界点的曲率进而选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，可以准确的分离凝胶图像重叠蛋白质点；该方法不需要多次腐蚀与膨胀运算，最大程度保持蛋白质点边缘，该方法实现简单，分离效果准确；而且对重叠情况复杂及重叠的蛋白质点也可以进行较好的分离。
(2)本发明的该装置的处理器通过对真实凝胶图像重叠蛋白质点的分割测试，采用Harris角点检测法计算出边界点的曲率进而选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，最终准确地分离凝胶图像重叠蛋白质点；该装置得到了重叠蛋白质点分离准确的凝胶图像。
附图说明
图1(a)是原始凝胶图像；
图1(b)是经过高斯滤波后的预处理结果；
图1(c)是通过边界检测法获得蛋白质点轮廓边界示意图；
图2(a)是重叠蛋白质点1；
图2(b)是重叠蛋白质点2；
图2(c)是重叠蛋白质点3；
图3(a)是重叠蛋白质点1的边界轮廓；
图3(b)是重叠蛋白质点2的边界轮廓；
图3(c)是重叠蛋白质点3的边界轮廓；
图4(a)是重叠蛋白质点1边界上的所有角点；
图4(b)是重叠蛋白质点2边界上的所有角点；
图4(c)是重叠蛋白质点3边界上的所有角点；
图5(a)是重叠蛋白质点1边界的近似多边形；
图5(b)是重叠蛋白质点2边界的近似多边形；
图5(c)是重叠蛋白质点3边界的近似多边形；
图6(a)是重叠蛋白质点1的近似多边形顶点的凹凸性；
图6(b)是重叠蛋白质点2的近似多边形顶点的凹凸性；
图6(c)是重叠蛋白质点3的近似多边形顶点的凹凸性；
图7(a)是重叠蛋白质点1的近似多边形的边界凹点；
图7(b)是重叠蛋白质点2的近似多边形的边界凹点；
图7(c)是重叠蛋白质点3的近似多边形的边界凹点；
图8(a)是重叠蛋白质点1的分割结果；
图8(b)是重叠蛋白质点2的分割结果；
图8(c)是重叠蛋白质点3的分割结果；
图9是基于凹点匹配的重叠蛋白质点分离方法实施例一流程图；
图10是基于凹点匹配的重叠蛋白质点分离方法实施例二流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在凝胶图像的分割过程中，针对无法分离的重叠的蛋白质点，利用蛋白质边界的角点信息提取凹点对重叠点进行分离。角点也称显著点，是曲线上的曲率有极大值的点，其中包含了大量内容丰富的局部特征和形状特征信息，常常作为特征点用于各种图像处理中。曲线上的信息主要集中在特征点上，在封闭曲线中可以用尽可能少的特征点来获得原始边界的近似。数字边界还可以用近似多边形表示，如果利用边界上的特征点得到曲线的近似多边形，那么就可以最大程度的近似蛋白质边界。
图9是基于凹点匹配的重叠蛋白质点分离方法实施例一流程图。如图9所示的一种基于凹点匹配的重叠蛋白质点分离方法，包括：
步骤1：采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点。
在具体实施过程中，Harris角点检测法求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点的过程为：
设目标像素的坐标是(x,y)，在x方向和y方向移动的位移分别为u和v，则灰度变化量定义为：
其中Exy是窗口内的灰度变化量，I是图像灰度函数，w(x,y)是窗口函数，选用高斯窗口函数对图像平滑滤波，o(u2+v2)是位移无穷小，Ix和Iy是x方向和y方向的一阶灰度梯度。则定义矩阵M为：
则灰度变化量Exy可表示为：
设λ1和λ2是矩阵M的两个特征值，则根据λ1和λ2的取值情况：(1)λ1和λ2值都比较大；(2)边缘区域：λ1和λ2一大一小；(3)平面区域：λ1和λ2值都比较小。
角点响应函数：
R(x,y)＝det[M(x,y)]-k*(trace[M(x,y)])2
其中，k为常数，一般取经验值0.04，det[M(x,y)]＝λ1*λ2，trace[M(x,y)]＝λ1+λ2。
Harris角点响应函数R在角点位置是正值，在边缘上为负值，在平滑区域则是很小的值。实际运用中，需要设定一个门限值，角点响应大于此值的点就判断为角点。
步骤2：基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点。
在具体实施过程中，以利用向量积法为例来判断近似多边形顶点的凹凸性。
向量积法判断多边形顶点凹凸性的具体过程为：
设Pi＝(xi,yi)为当前待判断顶点，Pi-1＝(xi-1,yi-1)和Pi+1＝(xi+1,yi+1)分别为P中该点前面和后面的顶点，根据下式计算向量和向量的向量积。
根据向量积的正负判断顶点的凹凸性：
如果大于0，认为Pi为凸顶点，如果小于0，认为Pi为凹顶点。
除了向量积法，也可以利用现有的其他常规方法来判断近似多边形顶点的凹凸性。
步骤3：通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
该步骤中的凹点选取与匹配原则包括：
(a)两个距离最短的凹点才能配对；
(b)配对后的凹点总数目为偶数；
(c)一个凹点只能构造一条分离线，不能构造两条及以上的分离线；
(d)两个配对的凹点构造的分离线不能经过凝胶图像的背景区域。
除此之外，该步骤中的凹点选取与匹配原则还包括：
(e)如果有至少两条分离线，则分离线之间不能相互交叉。
本发明通过对真实凝胶图像重叠蛋白质点的分割测试，本发明仅通过计算边界点的曲率选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，可以准确的分离凝胶图像重叠蛋白质点；不需要多次腐蚀与膨胀运算，最大程度保持蛋白质点边缘，该方法实现简单，分离效果准确；而且对重叠情况复杂及重叠的蛋白质点也可以进行较好的分离。
图10是基于凹点匹配的重叠蛋白质点分离方法实施例二流程图。如图10所示的一种基于凹点匹配的重叠蛋白质点分离方法，包括：
步骤1：对凝胶图像进行预处理。
在该步骤中，对凝胶图像进行预处理包括利用高斯滤波对凝胶图像进行边界平滑处理。由高斯函数性质，该算法能保护边缘，减少图像失真。
高斯滤波：用模板扫描图像中的每个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，用二维零均值离散高斯函数作平滑滤波器：
其中，i、j分别模板扫描图像中像素的横坐标和纵坐标，σ2为模板扫描图像中像素灰度值的方差。
以图1(a)是原始凝胶图像为例，图1(b)是经过高斯滤波后的预处理结果。
步骤2：获取凝胶图像中蛋白质点的边界轮廓。
利用边界跟踪算法，获取凝胶图像中蛋白质点的边界轮廓。边界检测法获得蛋白质点轮廓边界示意图，如图1(c)所示。
除了利用边界跟踪算法之外，还可以利用其他现有的常规算法来获取凝胶图像中蛋白质点的边界轮廓。
步骤3：判别凝胶图像中的蛋白质点。
根据凝胶蛋白质点的形状特征，采用形状判定参数来判别凝胶图像中的蛋白质点。
在该步骤中，形状判定参数为：
其中，S为检测得到的蛋白质点的面积，L为检测得到的蛋白质点边界的周长。
当蛋白质点出现重叠的情况时，蛋白质点重叠处会出现凹陷，在相同周长值L的包围下，检测得到的面积S会变小，此时P会比周长为L的单个蛋白质点的周长要小。理论上，一般情况下蛋白质点的形状判定参数0<P<1，在蛋白质点为圆形的时候，P＝1。通过实验，可以得到判定蛋白质点重叠的形状判定参数存在一个阈值P0，在P>P0时，蛋白质点为孤立点，P<P0时，该检测的蛋白质点为重叠点。
图2(a)-图2(c)是经过重叠判定参数确定的三个重叠蛋白质点，分别为重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3示意图，由图2(a)-图2(c)可以看出每个重叠蛋白点是至少由两个蛋白点重叠在一起。
步骤4：采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点。图3(a)-图3(c)是重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3由边界检测法分别得到的相应蛋白质点轮廓边界示意图。
利用Harris算子检测得到蛋白质点边界的所有角点，存放在数组P中；计算出P中所有角点的中心位置，以角点P作为多边形的顶点，然后求每个顶点与中心的极角；对极角进行排序，最后连接排序后的角点。
在具体实施过程中，Harris角点检测法求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点的过程为：
设目标像素的坐标是(x,y)，在x方向和y方向移动的位移分别为u和v，则灰度变化量定义为：
其中Exy是窗口内的灰度变化量，I是图像灰度函数，w(x,y)是窗口函数，选用高斯窗口函数对图像平滑滤波，o(u2+v2)是位移无穷小，Ix和Iy是x方向和y方向的一阶灰度梯度。则定义矩阵M为：
则灰度变化量Exy可表示为：
设λ1和λ2是矩阵M的两个特征值，则根据λ1和λ2的取值情况：(1)λ1和λ2值都比较大；(2)边缘区域：λ1和λ2一大一小；(3)平面区域：λ1和λ2值都比较小。
角点响应函数：
R(x,y)＝det[M(x,y)]-k*(trace[M(x,y)])2
其中，k为常数，一般取经验值0.04，det[M(x,y)]＝λ1*λ2，trace[M(x,y)]＝λ1+λ2。
Harris角点响应函数R在角点位置是正值，在边缘上为负值，在平滑区域则是很小的值。实际运用中，需要设定一个门限值，角点响应大于此值的点就判断为角点。利用边界角点检测得到蛋白质点边界的所有角点，如图4(a)-图4(c)所示。
步骤5：基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点。
在具体实施过程中，利用向量积法来判断近似多边形顶点的凹凸性。
向量积法判断多边形顶点凹凸性的具体过程为：
设Pi＝(xi,yi)为当前待判断顶点，Pi-1＝(xi-1,yi-1)和Pi+1＝(xi+1,yi+1)分别为P中该点前面和后面的顶点，根据下式计算向量和向量的向量积。
根据向量积的正负判断顶点的凹凸性：
如果大于0，认为Pi为凸顶点，如果小于0，认为Pi为凹顶点。
将蛋白质点边界的角点与多边形近似算法相结合，获得重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3边界多边形近似示意图，如图5(a)-图5(c)所示。
步骤6：通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
图6(a)-图6(c)是判断重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3边界的近似多边形的顶点是否是凹顶点，凹顶点就是凹角点。其中凹角点用o表示，凸角点用*表示。
图7(a)-图7(c)是分别针对重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3，根据重叠处凹陷的特点判定凹角点是可能的凹点，剔除凸角点，根据凹点选取与匹配原则，确定蛋白质点边界最终的所有凹点。
该步骤中的凹点选取与匹配原则包括：
(a)两个距离最短的凹点才能配对；
(b)配对后的凹点总数目为偶数；
(c)一个凹点只能构造一条分离线，不能构造两条及以上的分离线；
(d)两个配对的凹点构造的分离线不能经过凝胶图像的背景区域。
除此之外，该步骤中的凹点选取与匹配原则还包括：
(e)如果有至少两条分离线，则分离线之间不能相互交叉
图8(a)-图8(c)是重叠蛋白质点1、重叠蛋白质点2和重叠蛋白质点3的分割结果；上述分割结果是根据凹点选取与匹配原则，将边界所有的凹点进行配对，并在两两配对的凹点对之间分别构造分离线，最终实现对重叠蛋白质点的分割。
本发明通过对真实凝胶图像重叠蛋白质点的分割测试，本发明仅通过计算边界点的曲率选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，可以准确的分离凝胶图像重叠蛋白质点；不需要多次腐蚀与膨胀运算，最大程度保持蛋白质点边缘，该方法实现简单，分离效果准确；而且对重叠情况复杂及重叠的蛋白质点也可以进行较好的分离。
本发明还提供了一种基于凹点匹配的重叠蛋白质点分离装置，包括：图像采集器，其被配置采集凝胶图像；
处理器，其被配置为：
采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；
基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；
通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
本发明的该装置的处理器通过对真实凝胶图像重叠蛋白质点的分割测试，采用Harris角点检测法计算出边界点的曲率进而选择出角点，再通过多边形近似判断出凹点，对边界像素不产生任何影响，保持蛋白质点原有的规格不变，最终准确的分离凝胶图像重叠蛋白质点；该装置得到了重叠蛋白质点分离准确的凝胶图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于凹点匹配的重叠蛋白质点分离方法，其特征在于，包括：
步骤1：采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；
步骤2：基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；
步骤3：通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
2.如权利要求1所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，在步骤1之前，还包括判别凝胶图像中的蛋白质点。
3.如权利要求2所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，根据凝胶蛋白质点的形状特征，采用形状判定参数来判别凝胶图像中的蛋白质点。
4.如权利要求2所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，在对凝胶图像中蛋白质点进行判别之前，还包括获取凝胶图像中蛋白质点的边界轮廓。
5.如权利要求4所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，利用边界跟踪算法，获取凝胶图像中蛋白质点的边界轮廓。
6.如权利要求1所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，在步骤2中，利用向量积法来判断近似多边形顶点的凹凸性。
7.如权利要求1所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，所述步骤3中预设的凹点选取与匹配原则包括：
(a)两个距离最短的凹点才能配对；
(b)配对后的凹点总数目为偶数；
(c)一个凹点只能构造一条分离线，不能构造两条及以上的分离线；
(d)两个配对的凹点构造的分离线不能经过凝胶图像的背景区域；
(e)如果有至少两条分离线，则分离线之间不能相互交叉。
8.如权利要求4所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，在获取凝胶图像中蛋白质点的边界轮廓之前，还包括对凝胶图像进行预处理。
9.如权利要求8所述的基于凹点匹配的重叠蛋白质点分离方法，其特征在于，对凝胶图像进行预处理包括利用高斯滤波对凝胶图像进行边界平滑以及去除凝胶图像的条纹和背景噪声处理。
10.一种基于凹点匹配的重叠蛋白质点分离装置，其特征在于，包括：图像采集器，其被配置采集凝胶图像；
处理器，其被配置为：
采用Harris角点检测法，求取凝胶图像中重叠蛋白质点轮廓边界上的所有角点；
基于角点的多边形近似算法，利用求取的所有角点来构造出凝胶图像中重叠蛋白质点边界的近似多边形，进而判断出近似多边形顶点的凹凸性并获得凹角点；
通过预设的凹点选取与匹配原则从凹角点中选取凹点，并构造分离线完成对凝胶图像中重叠蛋白质点的分割。
CN201610880570.3A 2016-10-09 2016-10-09 基于凹点匹配的重叠蛋白质点分离方法及装置 Expired - Fee Related CN106530272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610880570.3A CN106530272B (zh) 2016-10-09 2016-10-09 基于凹点匹配的重叠蛋白质点分离方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610880570.3A CN106530272B (zh) 2016-10-09 2016-10-09 基于凹点匹配的重叠蛋白质点分离方法及装置

Publications (2)

Publication Number Publication Date
CN106530272A true CN106530272A (zh) 2017-03-22
CN106530272B CN106530272B (zh) 2019-06-28

Family

ID=58333107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610880570.3A Expired - Fee Related CN106530272B (zh) 2016-10-09 2016-10-09 基于凹点匹配的重叠蛋白质点分离方法及装置

Country Status (1)

Country Link
CN (1) CN106530272B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256406A (zh) * 2017-04-19 2017-10-17 深圳清华大学研究院 重叠纤维图像分割方法、装置、存储介质和计算机设备
CN111199551A (zh) * 2020-01-06 2020-05-26 北京农业信息技术研究中心 一种鱼类重叠图像的目标分割方法及系统
CN111462147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法
CN111583178A (zh) * 2020-04-02 2020-08-25 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657988A (zh) * 2015-02-04 2015-05-27 中国矿业大学 基于角点与曲率检测的微细粒粘连矿石颗粒图像分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657988A (zh) * 2015-02-04 2015-05-27 中国矿业大学 基于角点与曲率检测的微细粒粘连矿石颗粒图像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张伟: "基于图像处理的井下煤尘在线检测技术的研究", 《中国博士学位论文全文数据库》 *
李俊: "二维凝胶图像重叠蛋白质点分离方法研究", 《中国优秀硕士学位论文全文数据库》 *
王晓洁 等: "基于多边形近似的叶缘缺刻位置自动检测", 《计算机应用与软件》 *
董珂: "基于机器视觉的矿石粒度检测技术研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256406A (zh) * 2017-04-19 2017-10-17 深圳清华大学研究院 重叠纤维图像分割方法、装置、存储介质和计算机设备
CN107256406B (zh) * 2017-04-19 2020-05-01 深圳清华大学研究院 重叠纤维图像分割方法、装置、存储介质和计算机设备
CN111199551A (zh) * 2020-01-06 2020-05-26 北京农业信息技术研究中心 一种鱼类重叠图像的目标分割方法及系统
CN111583178A (zh) * 2020-04-02 2020-08-25 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN111583178B (zh) * 2020-04-02 2022-11-08 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN111462147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法
CN111462147B (zh) * 2020-04-30 2022-07-05 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法

Also Published As

Publication number Publication date
CN106530272B (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
Tabernik et al. Deep learning for large-scale traffic-sign detection and recognition
US9824258B2 (en) Method and apparatus for fingerprint identification
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
EP3161787B1 (en) Detecting edges of a nucleus using image analysis
CN105512683B (zh) 基于卷积神经网络的目标定位方法及装置
CN109325504A (zh) 一种水下海参识别方法及系统
Huijuan et al. Fast image matching based-on improved SURF algorithm
Li et al. A three-step approach for TLS point cloud classification
CN108022233A (zh) 一种基于改进型Canny算子的工件边缘提取方法
CN110378297A (zh) 一种基于深度学习的遥感图像目标检测方法
CN109711416B (zh) 目标识别方法、装置、计算机设备和存储介质
CN106530272A (zh) 基于凹点匹配的重叠蛋白质点分离方法及装置
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN104537689B (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
Sun et al. Global Mask R-CNN for marine ship instance segmentation
CN108986152A (zh) 一种基于差分图像的异物检测方法及装置
CN113378686A (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
CN109146832A (zh) 一种视频图像的拼接方法、装置、终端设备及存储介质
CN104966300A (zh) 轴承滚子图像检测系统及方法及图像检测装置
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN111709430A (zh) 基于高斯过程回归的室外场景三维点云的地面提取方法
CN109919149A (zh) 基于物体检测模型的物体标注方法及相关设备
Jing et al. Island road centerline extraction based on a multiscale united feature
Fan et al. A novel saliency computation model for traffic sign detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190628

Termination date: 20211009