CN107529658A - 高噪声显微图像下的自动检测微管方法 - Google Patents

Abstract

高噪声显微图像下的自动检测微管方法，步骤1：对输入的原始图像平滑去噪得到去燥图像；步骤2：对预处理图像去除非管状形状的小块物质得到预处理图像；步骤3：利用meanshift平滑分割算法和形状滤波对预处理图像的特征空间，进行图像的微管分割；步骤4：对分割图像二值化转化，根据联通区域的面积阈值对比进一步去除一些残留的污染物；步骤5：利用形状信息，提取微管的边界信息，并将边界信息画在原图像中；该方法基于Hessian矩阵的管状形状构建滤波器，并创新结合形状滤波和meanshift平滑分割算法。经过大量的图片测试，本方法能有效的检测识别高噪声冷冻电镜图像中的微管。

Description

高噪声显微图像下的自动检测微管方法

技术领域

本发明涉及图像数据处理领域，尤其涉及一种高噪声显微图像下的自动检测微管方法。

背景技术

微管是细胞骨架的重要组成部分，是近年来在结构生物学领域的研究热点。冷冻电镜是一种观察研究微管结构有效的工具。但是由于冷冻电镜图像的高噪声性和图像中往往含有一些无关的组织物质，所以识别和提取图像中微管通常是通过研究者自身利用数学知识统计分析得到的。

冷冻电镜图像有如下特点：1.由于样本未经染色，很容易受到电子束的损伤。为了使得样本能够在整个成像过程中受到的辐射损伤最小。在收集电镜显微图像时，电子束被局限于很小的剂量。这样小的剂量导致图像的对比度很低。而且图像的噪声很多。

冷冻电镜技术(Cryo-EM)和计算机技术相结合的方式，是目前用来识别分割生物大分子的主要方法之一。目前，已有很多生物大分子颗粒自动识别方法，例如模板匹配方法，基于图像分割方法、基于神经网络方法、各项异性扩散滤波平滑方法，还有活动能量轮廓方法(snake)。虽然这些方法都在其电镜图片上取得一定效果，但由于微管的冷冻电镜图片不仅高噪声而且还存在其他大块的非微管物质，所以这些方法在冷冻电镜高噪声微管的自动分割的应用上并没有得到很好的效果。

发明内容

本发明要解决的技术问题是：克服冷冻电镜图片不仅高噪声而且还存在其他大块的非微管物质的问题，能够有效自动检测微管的方法。

为了解决上述技术问题，本发明提出一种高噪声显微图像下的自动检测微管方法。

步骤1：对输入的原始图像平滑去噪得到去燥图像；

步骤2：对预处理图像进行形状滤波去除非管状形状的小块物质得到预处理图像；

步骤3：利用meanshift平滑分割算法和形状滤波对预处理图像的特征空间，进行图像的微管分割；

步骤4：对分割图像二值化转化，根据联通区域的面积阈值对比进一步去除一些残留的污染物；

步骤5：利用形状信息，提取微管的边界信息，并将边界信息画在原图像中；

作为一种优选：步骤1中的图像平滑是基于形态学的方法来去噪；采用半径为30-40像素的圆形的被用作结构元素，以除去图像中的噪声。

作为一种优选：步骤2中对输入图像去除小块物质的形状滤波是通过构建基于Hessian矩阵的管状形状滤波器：矩阵如下公式(1)：

Hessian矩阵的特征值提供的图像结构信息

特征值计算公式包括公式(2)、(3)、(4)、(5)：

K＝(f_xx+f_yy)/2 (4)

假设λ₁＜λ₂,如果λ₁＞λ₂,将互换两者的位置：

构建基于Hessian矩阵的管状滤波器的表达式如下公式(6)：

将公式6的管状滤波器与高斯构建的图像尺度空间融合：假设电镜图像中的微管大小为[d₀,d₁]，首先将用高斯滤波器对图像进行高斯滤波，其高斯滤波器参数为[d₀/4,d₁/4]；其次将用公式6的管状滤波器对图像进行形状滤波，依次交替滤波，直至一定次数停止。

作为一种优选：步骤3的meanshift平滑分割算法处理的预处理图像的特征空间包含了管状形状滤波器的区域形状值，灰度信息值，二维位置信息值组成的空间信息值,特征空间表示如公式(7)所示：

其中代表空间信息值，代表灰度信息值，代表区域形状值，h_s,h_r控制着平滑的解析度，C代表相应的归一化参数。

作为一种优选：步骤4中设定联通区域的面积阈值为700到1000个像素之间，把联通区域面积小于这一阈值的区域去掉。

作为一种优选：步骤3的微管分割采用融合策略处理，所述的融合策略包括区域相似融合策略和最小区域融合策略，两者间是或的关系；

区域相似融合策略：如果两个区域的距离小于h_r/2,那么融合；

最小区域融合策略：去掉小的区域。

本发明有益效果：

基于Hessian的管状滤波器的输出值结合图像灰度值和坐标位置信息值映射到meanshift聚类算法的特征空间比传统的仅仅依赖灰度值和坐标值更能拉大管状和其他区域的距离，并创新结合形状滤波和meanshift平滑分割算法，使得本方法能有效的检测识别高噪声冷冻电镜图像中的微管。

附图说明

附图1：本发明方法的最佳方案流程图。

附图2：本发明方法处理的一副高噪声微管显微图像的原始图。

附图3：本发明方法对原始图进行平滑分割后的平滑图。

附图4：本发明方法对平滑图进行二值化的二值图。

附图5：本发明方法去除非微管物质后的二值图。

具体实施方式

如图1所示：步骤1：先对输入的原始图像100平滑去除噪声101得到去燥图像；步骤2：对预处理图像进行形状滤波102，即去除非管状形状的小块物质得到预处理图像；步骤3：利用meanshift平滑分割算法201对预处理图像的特征空间200，进行图像的微管分割；步骤4：对分割图像进行图像二值化202转化，根据与联通区域的面积的设定阈值对比300，配合形状信息进一步去除一些残留的污染物；步骤5：提取微管的边界信息301，并将边界信息画在原图像中，并显示最终图像400。

具体过程如下所述：

步骤1：对输入的原始图像去除噪声。

预处理是提取微管的初始步骤。它的目的是减弱噪声而不模糊图像，如图2所示。冷冻电镜照片含有严重的噪音。图像中的噪声比平均粒子噪声大一点。传统的高斯滤波器和各向异性扩散滤波器不能得到很好的结果与我们的高度嘈杂的图像，而形态学运算可以很容易地去除噪声。因此，在提取微管的第一步骤中，我们使用了基于形态学的方法来抑制噪声。移除像素的数量取决于结构元素的大小和形状。在我们的图像中，如图3所示，我们选取半径为30-40像素的圆形的被用作结构元素，以除去图像中的噪声。

步骤2：利用形状滤波，去除图像中非管状形状的小块物质得到预处理图像

Hessian矩阵是用来识别图像中的局部形状和各种结构的特点。Hessian矩阵是一个由4个二阶偏导数组成的对称方阵，在图像处理中基于Hessian矩阵的管状增强滤波器的核心思想就是分析图像每一个像素点的Hessian矩阵，因为每一个像素点的Hessian矩阵的特征值能够反映这个像素点所在区域的形状，所以可以计算出每一个像素点的Hessian特征值来判断这个像素点是不是目标区域中的像素点。

对输入图像去除小块物质是通过构建基于Hessian矩阵的管状形状滤波器。矩阵如下：

Hessian矩阵的特征值提供的图像结构信息

特征值计算公式：

K＝(f_xx+f_yy)/2 (4)

假设λ₁＜λ₂,如果λ₁＞λ₂,将互换两者的位置：

构建基于Hessian矩阵的管状滤波器的表达式如下：

将公式6的管状滤波器与高斯构建的图像尺度空间融合：假设电镜图像中的微管大小为[d₀,d₁]，首先将用高斯滤波器对图像进行高斯滤波，其高斯滤波器参数为[d₀/4,d₁/4]；其次将用公式6的管状滤波器对图像进行形状滤波，依次交替滤波，直至一定次数停止。

步骤3：利用meanshift平滑分割算法和形状滤波对预处理图像进行微管分割。

meanshift(MS)是一种有效的数据迭代算法，是由Fukunaga和Hosteler提出，广泛应用于模式识别和计算机视觉领域。

然而大量的真实图像特征向量在特征空间中的分布的形状是任意比，并且并不知道有几种聚类中心，然而meanshift不需要先验知识，且可以处理特征空间任意分布类型。还注意到有些微管的灰度值接近其他非微管和微管的区域附近，特别是在微管中常常出现一些类似圆形的杂质，这些特征点在传统的meanshift特征空间中往往距离地很近，因此传统的meanshift聚类算法仅利用灰度信息，不能得到理想的分割结果。

本发明构建由多尺度的管状形状滤波器的区域形状值，灰度信息值，二维位置信息值组成的空间信息值。管状滤波器的输出值在管状区域比较大而输出值是其他地区小，因此在特征空间中，具有相同的灰度值区域的两个不同的形状之间的距离拉大。特征空间表示如公式(7)：

其中代表空间信息值，代表灰度信息值，代表区域形状值，h_s,h_r控制着平滑的解析度，C代表相应的归一化参数。

接着用meanshift算法对构建的特征空间进行聚类直至停止，即微管分割。采用融合策略处理，其融合策略如下，两者间是或的关系：最后输出最后的图像s_i＝(x_i,y_i)。

1)区域相似融合策略:如果两个区域的距离小于h_r/2,那么融合；

2)最小区域融合策略:去掉小的区域；

为了验证本发明的算法，选取了50幅含有70个微管的高噪声冷冻电镜进行实验(图像大小1916*2191)，其中66个微管被识别出来，分割正确率达到94.2％.

以上的算法过程已经对高噪声的冷冻电镜图像进行了很好的平滑，并且去除了一部分较大和较明显的非微管物质，但是还留下了一些面积小，不明显的非微管物质如图2，这些都会影响最终微管的分割和提取。

步骤4：对分割图像二值化转化，根据联通区域的面积阈值对比进一步去除一些残留的污染物；

如图4所示：进过对平滑图像二值化后，那些不明显的非微管位置变成了小面积黑色的联通区域，而有用信息微管则是大面积的类矩形黑色区域。所以可以通过计算联通区域的面积。设置阈值将面积小的区域去掉，在一系列的实验后，最终将面积阈值设置为700到1000个像素之间，把联通区域面积小于这一阈值的区域去掉，不过这一阈值设定是与图像的大小分辨率有关的。

步骤5：利用形状信息，提取微管的边界信息，并将边界信息画在原图像中。

如图5所示：一些小面积的非微管物质已经去除，但是对于那些面积比较大的非微管物质无法通过面积大小来区域，注意到这些面积较大的非微管物质的形状与长条形的类矩形的微管形状不同，所以可以根据微管和非微管形状的区别信息来分割提取微管的边界信息，并将边界信息画在原图像中。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.高噪声显微图像下的自动检测微管方法，其特征在于：

步骤1：对输入的原始图像平滑去噪得到去燥图像；

步骤2：对预处理图像进行形状滤波去除非管状形状的小块物质得到预处理图像；

步骤3：利用meanshift平滑分割算法和形状滤波对预处理图像的特征空间，进行图像的微管分割；

步骤4：对分割图像二值化转化，根据联通区域的面积阈值对比进一步去除一些残留的污染物；

步骤5：利用形状信息，提取微管的边界信息，并将边界信息画在原图像中。

2.根据权利要求1所述的方法，其特征在于：步骤1中的图像平滑是基于形态学的方法来去噪；采用半径为30-40像素的圆形的被用作结构元素，以除去图像中的噪声。

3.根据权利要求1所述的方法，其特征在于：步骤2中对输入图像去除小块物质的形状滤波是通过构建基于Hessian矩阵的管状形状滤波器：矩阵如下公式(1)：

Hessian矩阵的特征值提供的图像结构信息

特征值计算公式包括公式(2)、(3)、(4)、(5)：

K＝(f_xx+f_yy)/2 (4)

假设λ₁＜λ₂,如果λ₁＞λ₂,将互换两者的位置：

构建基于Hessian矩阵的管状滤波器的表达式如下公式(6)：

将公式6的管状滤波器与高斯构建的图像尺度空间融合：假设电镜图像中的微管大小为[d₀,d₁]，首先将用高斯滤波器对图像进行高斯滤波，其高斯滤波器参数为[d₀/4,d₁/4]；其次将用公式6的管状滤波器对图像进行形状滤波，依次交替滤波，直至一定次数停止。

4.根据权利要求3所述的方法，其特征在于：步骤3的meanshift平滑分割算法处理的预处理图像的特征空间包含了管状形状滤波器的区域形状值，灰度信息值，二维位置信息值组成的空间信息值,特征空间表示如公式(7)所示：

其中代表空间信息值，代表灰度信息值，代表区域形状值，h_s,h_r控制着平滑的解析度，C代表相应的归一化参数。

5.根据权利要求1所述的方法，其特征在于：步骤4中设定联通区域的面积阈值为700到1000个像素之间，把联通区域面积小于这一阈值的区域去掉。

6.根据权利要求1或4所述的方法，其特征在于：步骤3的微管分割采用融合策略处理，所述的融合策略包括区域相似融合策略和最小区域融合策略，两者间是或的关系；

区域相似融合策略：如果两个区域的距离小于h_r/2,那么融合；

最小区域融合策略：去掉小的区域。