荧光图像范文

荧光图像范文（精选4篇）

荧光图像 第1篇

近年来,不断有国内外学者将图像处理技术[5]和藻类荧光效应应用于藻类计数。李金忠等[6]利用藻类灰度图像和形态学方法对两种藻类进行区分计数,但是受图像背景亮度影响,背景和目标藻类区分比较困难,且极易受到杂质的干扰;秦松等[7]利用显微彩色图像对单一藻类进行计数,但测量结果受藻类形状和杂质的影响比较严重;李丹等[8]利用基于PSoC的荧光检测系统对湖泊中的叶绿素a浓度进行检测;汤金伟等[9]利用三维荧光谱图分析原水输送过程中藻类和有机物的变化,发现三维荧光强度F(A.U)与叶绿素a浓度、藻密度呈较好的线性关系。但基于PSoC的荧光检测方法与三维荧光谱图分析法都是对藻类浓度进行估算,没有实现精确计数。

有关小球藻的一些光谱行为,已有一些研究报道[10,11]。利用叶绿素a的荧光特性,藻类形状对计数精度的影响大大降低,根据藻类荧光激发光波长,选择对应的滤光片,可以很容易将目标藻类与杂质区分开来,且利用荧光图像对藻类进行计数,对具有不同荧光激发光的藻类区分作用明显。本文将小球藻作为实验样本,利用小球藻叶绿素a的荧光激发特性,采集小球藻荧光图像,通过分析图像色度值特征,确定分割阈值,并利用四邻域标记法[7]实现对小球藻的计数统计,为小球藻显微图像精确计数提供一种新方法。

1 材料与方法

1.1 硬件与软件

试验采用实验室培育的单一小球藻试验液,小球藻密度为500万个/ml。实验用显微镜选择奥林巴斯BX51,配套荧光光源。相机采用显微镜配套的DP71彩色CCD显微摄像机。小球藻叶绿素a的荧光激发光波长为600～650 nm,选用615 nm带通滤光片,心波长(620±10)nm,透过率T>50%,半带宽 10 nm;截止波段500～590 nm,640～700 nm,截止率 T<0.1%。计算机CPU主频为2.7 G,2 G内存,1 G显存。实验软件利用VC++6.0开发,基于Win7系统。

1.2 实验数据采集

将小球藻样本压片,显微镜目镜放大倍数为10倍,选择放大倍数为40倍的物镜,观测压片小球藻样本,调节荧光光源使激发波波长为450 nm,CCD相机通过615 nm带通滤光片拍摄藻类荧光激发图像。采集图像分辨率为1 360×1 024,格式为RGB,以JPEG形式存储到计算机中。调节荧光光源光强,使图像中看到的小球藻荧光图像与背景之间的对比度差异明显。藻类图像(图1)中的暗点是由于在藻类压片过程中存在上下分层,导致不同层次的藻类在显微图像中不明显的缘故。

1.3 图像预处理

1.3.1 图像转换

藻类荧光图像以JPEG格式存储到计算机中,要提取藻类荧光图像中的特征值,必须将JPEG图像转换为256色BMP图像。编写程序实现图像自动转换功能,转换后图像如图2所示。

在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0～255。根据重要性及其它指标,将3个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,因此按公式(1)[12]对R、G、B 3个分量进行加权平均能得到较合理的灰度图像。

f(i,j)=0.3×R(i,j)+0.59×0.11×B(i,j) (1)

式中:i,j分别代表像素点在图像中的横纵坐标;R(i, j),G(i, j),B(i, j)分别代表该点R,G,B颜色灰度。灰度变换后图像如图3所示。

1.3.2 滤波

图像恢复最基本的任务是在去除由降质系统引入噪声的同时,不丢失根信号的细节信息。然而抑制噪声和保持细节往往是一对矛盾,也是图像处理中至今尚未很好解决的一个问题[12]。中值滤波在降噪同时一定程度上保持边缘细节信息,但要进行计算量很大的排序操作;极大极小值滤波具有膨胀和腐蚀效果,直接使用将严重破坏原图像信息[13];高斯滤波法在抑制噪声的同时却产生了边缘模糊效应[14]。全方位组合滤波器虽然能够较好平衡抑制噪声和保持细节之间的问题,但算法处理过程中,阈值的设定还需要较多人工的参与,不能实现自动滤波。

小球藻在压片过程中存在分层现象,不同层面上的小球藻荧光点在图像中光强差异明显,导致藻类荧光图像背景和目标之间的对比度不是很明显。尽管本实验中藻类荧光图像存在噪声,但如果采用滤波算法,将使图像进一步模糊,影响计数精度,因此本文中将不采取滤波方法去除噪声。

2.4 图像特征提取

2.4.1 阈值分割

在灰度化的图像中,图像信息不仅包括其中的目标图像,而且还包括背景和噪音。为了从多值的灰度图像中提取目标,需要设定某一阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。其计算公式[15]为:

undefined

式中:f(x,y)为图像的灰度数据;f′(x,y)为二值化后的图像数据,x和y分别是该点的横坐标与纵坐标。通过比较,选择利用迭代法求取分割阈值:(1)求出图象的最大灰度值和最小灰度值,分别记为ZMAX和ZMIN,令初始阈值Tk=(ZMAX+ZMIN)/2;(2)根据阈值TK将图象分割为前景和背景,分别求出两者的平均灰度值ZA和ZB;(3)求出新阈值TK+1=(ZA+ZB)/2;(4)若TK=TK+1,则所得即为阈值;否则将TK+1的值赋给TK,重新计算第2步,迭代计算。

2.4.2 藻类计数

对分割后的小球藻二值图像(图4)进行计数,即数出图像中黑色连通区域的数目。本文采用四邻域标记法[15],即将图像按照从左向右,从上向下的顺序扫描,如果遇到第一个黑色像素点,假设为A点,就进行从左至右,从下到上和从右至左,从上到下两次图像扫描来搜索其连通区域,扫描完成后将此连通区域标记为1,并将此连通区域内所有点置为白色,这样一个连通区域标记完毕。继续从A点按照扫描顺序寻找下一个黑色像素点,找到其连通区域并标记为2,如此反复,直到整幅图像扫描完毕,最大的区域标记值即为所计的藻类个数。

3 结果与分析

3.1 实验结果

本次实验共对20幅小球藻压片样本图片进行计数统计,将实验结果与人工精确计数结果进行比较,结果见表1。采用本文中方法计算小球藻个数,采用式(3)计数精度平均值为93.2%,所需时间为程序运行时间,平均每幅图像小于100 ms。采用人工方法对这20幅图像进行连续计数,准确记录每幅图像的平均耗时为50.3 s,且随着工作时间的增加,人工出现误差的概率不断加大,要得到实际的藻类个数,必须重复计数。

精度平均值undefined

3.2 杂点问题

从图4中可以看出,藻类图像经过阈值分割后,个体大小不一,形状多样。由于小球藻叶绿素a受荧光作用,激发光光强明显高于背景,因此这里认为具有连通区域的黑色像素均为一个计数点。图4右下方有一块明显不是藻类荧光点的大块黑斑,通过同图1中藻类荧光图像进行比较,发现大块黑斑中隐藏了两个藻类荧光点,这是由于边缘部分荧光光照强度不够引起的,且图像中没有藻类荧光点的边缘,没有出现类似情况。本文中将此连通黑斑认为是一个小球藻的荧光点,不将其去除。

4 讨论

由图5可知藻类自动计数系统还存在一定的偏差,通过对误差较大的图像分析,主要有以下几个方面的问题:(1)彩色图像灰度化时,图像对比度降低,损失了一定量的图像特征信息;(2)藻类压片后存在分层现象,不同层面上的藻类荧光点在荧光图像中光强存在明显差异,甚至有些荧光点与背景之间的灰度相当接近;(3)对于荧光光强相对较弱的图像边缘区域,藻类荧光激发光强明显弱于其它光强较强区域。

5 结论

荧光图像 第2篇

荧光分子断层成像是一种新兴的分子成像模式[1]。整个荧光断层图像的重建涉及正向和逆向两个过程[2]。正向过程即根据一定的光子输运模型得出组织边界测量的理论预测值。在逆向过程中, 对光学参数、荧光色素以及荧光染料的寿命参数设定一个初始值, 然后通过与实际测量值的比较, 对上述参数进行迭代更新, 直到满足一定的收敛准则为止。为提高图像重建的速度, 本文基于自适应网格进行图像重建, 并通过与传统方法比较, 证明了该方法的高效性。

1 荧光分子成像模型

采用扩散方程即辐射传输方程的P1来近似描述光子在组织中的传播行为[3]。用两个扩散方程来分别描述激发光子和发射光子在组织中的输运过程[4]:

其中第一个方程描述了激发光的传播过程, 用下标x表示, 第二个方程描述了荧光的产生和传播过程, 用下标m表示。∇是梯度算子, μax、μam是载色团的吸收系数, μaxf是荧光团的吸收系数, η是荧光量子产额, τ是荧光寿命, c是光在介质中的传播速度, , Sx是激发光源, Φx、Φm是光子密度, Dx、Dm是扩散系数。为了描述光子的输运行为, 给出通常使用的Robin边界条件:

其中n是边界的单位外法线矢量, bx、bm是Robin边界系数。

正向问题利用有限元方法 (Finite Element Method, FEM) 进行求解[5], 并对求解区域进行三角元网格剖分。剖分时, 需满足以下条件: (1) 不同三角形之间内部不重叠 (2) 任一顶点不是其它三角形边上的内点[5]。产生N个节点, 节点光子密度和形状函数分别为:

结合边界条件 (3) 和 (4) 式, 进行微分方程的数值求解。

2 基于自适应网格的重建

本文通过先验信息的引入实现自适应网格化。首先对重建区域进行均匀的网格化, 然后利用先验信息图, 在可能的异常区域进行网格加密, 也就是对感兴趣或可能存在病变的区域进行网格加密, 对其它区域则保持不变。精度的调整根据先验图像的像素方差:

其中, X为三角单元内的像素, D为三角单元内像素方差, E表示数学期望。

用该方式可提高异常区域的重建精度, 因此可以提高整个图像的重建精度。同时由于正常区域的网格没有加密, 因此有效控制了网格节点的数量, 从而保证较高的重建计算效率。

将非线性问题通过泰勒级数展开, 忽略高阶项, 转变为线性问题。线性化的逆向问题可由下式表述:

其中Δx是光学参数的变化, Δy是测量数据和预测数据的误差, J是雅可比矩阵, I是单位阵, λ是正则化参数。

3 实验结果与讨论

本文采用如图1所示的二维组织体模型进行数值模拟, 组织体异常区域的相应参数Dx=0.11cm, μax=0.035cm-1, Dm=0.13cm, μam=0.031cm-1, μaxf=0.04cm-1;正常区域的相应参数Dx=0.12cm, μax=0.08cm-1, Dm=0.13cm, μam=0.082cm-1, μaxf=0.004cm-1。本文对参数μaxf进行重建, 实验采用边界激发光源。

图2是本文引入的先验信息图, 基于该先验信息, 产生如图3所示的自适应网格。本文分别基于传统方法和自适应网格方法进行荧光图像重建。重建结果如图4和图5所示, 由此可知, 基于自适应网格的重建方法可获得较好的重建效果。

为了对重建质量作进一步评价, 这里引入了均方误差, 定义如下:

其中N是节点数, 和pi分别是真实值和重建值。

表1列出了两种方法的性能比较, 本文的方法在精度上具有明显优势, 因此大大提高了荧光分子断层图像重建的效率。

4 结语

本文基于自适应网格进行荧光分子断层图像重建, 该方法通过先验信息的引入来实现。基于上述思想, 利用有限元方法进行了二维数值模拟。实验结果表明, 与传统方法相比, 该方法使整个计算的精度大大提高, 从而有效提高了荧光分子断层图像的重建质量。

摘要：荧光分子断层成像涉及成像区域的网格化。基于先验信息产生自适应网格, 并基于自适应网格、利用有限元方法进行了二维数值模拟, 并将其结果与传统方法进行比较。实验结果表明, 该方法可提升荧光分子断层图像重建效率。

关键词：图像重建,有限元,自适应网格

参考文献

[1]E E GRAVES, J RIPOLL, R WEISSLEDER, et al.A submillimeter resolution fluorescence molecular imaging system for small animal imaging[J].Med.Phys, 2003 (30) .

[2]D Y PAITHANKAR, A U CHEN, B W POGUE, et al.Imaging of fluorescent yield and lifetime from multiply scattered light reemitted from random media[J].Applied Optics, 1997 (36) .

[3]A P GIBSON, J C HEBDEN, S R ARRIDGE.Recent advances in diffuse optical imaging[J].Phys, Med.Biol, 2005 (50) .

[4]F FEDELE, M J EPPSTEIN, J P LAIBLE, et al.Fluorescence photon migration by the boundary element method[J].Jounal of computational physics, 2005 (210) .

荧光图像 第3篇

关键词：荧光显微镜,神经丝,轴突约束,粒子滤波,马尔科夫随机场

0 引言

生物细胞的功能主要取决于细胞内物质积极和定向的运动[1]。这些运动物质非常多样, 包括细胞内蛋白质复合物, 细胞骨架聚合物, 核糖核蛋白颗粒, 和膜细胞器。其中, 这些细胞内一个重要的物质运动是神经轴突内的运动[2]。而在这些轴突上运动的物质中我们尤其关注的是神经丝。神经丝决定了神经轴突的直径, 它对轴突直径的生长和维护起了至关重要的作用, 而轴突直径直接决定了轴突的处理速度[3]。研究表明神经丝在轴突的运动与许多神经退行性疾病直接相关, 如:阿尔茨海默病和肌萎缩性侧索硬化, 而且神经丝蛋白基因突变也可引起周围神经病变, 如腓骨肌萎缩症[4]。对神经丝研究的目的就是理解神经丝运动的机理, 以及这些运动过程如何对健康和疾病起到调节和控制作用。为了分析神经丝运动性能, 我们首先使用荧光显微镜来录制的经过标记的神经丝的运动, 然后在已录制图像序列中跟踪神经丝的运动, 进而分析它的运动特性。然而到目前为止, 这一过程依然完全由手动完成跟踪[5], 这种手动跟踪的劳动强度大和受人为测量误差影响。因此我们需要对神经丝进行全自动动态跟踪, 以期减少人工劳动强度和人为误差的影响。

神经丝是一种长而柔软的蛋白质聚合物, 它的测量直径约10纳米, 长度约为几微米[6]。它是轴突细胞骨架的主要组成部分, 沿着轴突的长轴内运动。这种运动方式表现为间歇和双向, 也就是运动、停顿和再运动, 而且在运动中有时会折返。这种运动的特点是停顿时间长短不同的短时间向前或向后运动[7,8]。该神经丝运动时非常迅速, 平均速率约0.5微米/秒, 但由于它们需要花费大量的时间用于暂停, 这样在整个运动过程中平均速度却慢得多[9]。而且, 运动过程中运动的时间以及运动和暂停之间的过渡频率是高度可变的, 因此这一过程可看作是一个随机过程[9], 如图1所示。由此可见, 神经丝本身非常微小, 而且是时动时停的随机运动, 这些对实现微纳米尺度下的神经丝自动跟踪提出了很大的挑战。

视频跟踪已应用于各种不同类型的细胞内运动。Jaqaman等人[10]提出了一种跟踪算法, 被称为线性分配法, 这种方法可以在对应步骤中解决对象消失、合并和分裂的问题。Yang等人[11]基于Kalman滤波方法设计了可靠的跟踪大规模密集反平行粒子运动的方法。然而, 他们的方法对低信噪比图像无法工作。对于跟踪有噪声图像序列中的物体, Smal[12]等人提出了一种使用粒子滤波的鲁棒算法。他们的方法考虑到衍射极限对象的光学模糊, 用一个点扩展函数模型计算观测模型的可能性。然而, 这种方法使用通用粒子滤波, 增加了计算负担。这是因为在通用粒子滤波算法中, 为保证数据的可靠性, 必须使用大量粒子, 而每个观察的粒子都需要一个二维的模型计算。当粒子的数量增加时, 总的计算时间就会快速增加。

在本文中, 我们提出了两种不同的利用轴突约束进行自动跟踪神经丝的方法:粒子滤波和图像检测跟踪方法。在粒子滤波算法中, 我们利用了轴突狭长的突起结构并且轴突上运动的物体必须在轴突内运动。在空间上对先验动态状态能进行约束, 从而明显降低了在下一个视频中可能性状态分布的方差。这样, 在不影响跟踪精度的情况下可以减少一些粒子的使用量, 从而提高了跟踪效率和准确性。在基于检测跟踪的神经丝跟踪方法中, 首先我们将图像中的轴突分解成多个块, 然后利用马尔可夫随机场 (MRF) 对神经丝进行检测。为了精确定位神经丝的首尾端, 必须进一步提高检测精度。于是我们将检测到的神经丝对应到相关联的连续帧中, 形成连续的轨迹。

1 粒子滤波算法

1.1 轴突路径建模

正如图1所示, 培养的神经元轴突跟踪轨迹为一条光滑曲线。为了建立这个模型的形状, 我们使用三次样条插值获得近似的分段多项式轴突路径。[u, v]是任何像素在图像坐标系统的位置。对于给定节点的水平坐标u, 每一段曲线段的垂直坐标v由三次样条插值函数给定:

图2显示仿照这种方式的轴突实例。为了得到神经丝路径, 我们在整个视频序列中将最大像素强度投影到同一平面上 (图2 (b) ) , 然后我们手动地分出节点 (图2 (c) ) 。

1.2 神经丝状态的建模

在跟踪应用中, 动态状态的元素选择依据是对象的运动特性。要跟踪一个非对称的移动物质, 如神经丝, 所需的元素包括位置、速度和方向。为方便起见, 我们将神经丝的外观模型设定为一个边界框长度 (l) 和宽度 (w) 的矩形的方块。那么此框就表示滤波算法中的粒子。在时间t的边界框的位置、速度和方向可以由动态定义, 这里[ut, vt]表示在图像中坐标系方块中心的位置, θt表示方块的转角, 是对应的速度。动态状态可表示为如下形式:

这里Δt是两祯之间的时间间隔。Ν表示正态分布, σu、σv和σθ分别是分布ut、vt和θt的方差。在方程式 (2) 中的均值和方差可以根据经验来选择。

由于神经蛋白质必须在轴突路径上运动, 所以粒子的方向在某个特定位置上必须与轴突的位置保持一致。这也就是, 在时刻t的方向应当是轴突方程v (ut) 的切角方向。相应地, 动态状态模型方程式 (2) 可以改写为:

并且:

1.3 空间约束

除了对神经丝方向进行约束外, 轴突也限制了蛋白质位置。考虑到三次样条曲线插值的不准确, 我们用一个宽度为2 d*的很窄的条来代表轴突。假如在时刻t一个粒子到中心线的距离 (dt) 小于d*, 这个粒子就被接受;如果dt>d*, 这个粒子就是被拒绝。这种运动神经丝的位置约束就可以建模为:

现在整个先验动态状态方程就能改写为:

联合位置约束方程式 (6) 和方向约束方程式 (3) 和式 (4) , 我们用接受-拒绝机制来产生粒子, 具体如下三个步骤:

Step 1 根据式 (3) 和式 (4) 产生粒子x't;

Step 2 计算距离 (dt) ;

Step 3 假如dt<d*, 接受这个粒子x't为xt;否则, 返回Step 1.

现在粒子可以从位置和方向约束动态模型中产生。我们称这个方法为空间约束粒子滤波SCPF (spatially constrained particle filtering) .

2 基于图像检测的跟踪算法

2.1 轴突模型和神经丝检测

我们首先将轴突分解成多个同样大小的块。神经细胞的轴突沿一条平滑的曲线运动, 如图3 (a) 所示。在本文中, 和粒子滤波算法一样, 我们使用三次样条插值法获得近似于轴突路径的分段多项式曲线。然后, 沿轴突生成具有固定宽度和高度的矩形块, 如图3 (b) 所示。

将轴突分解成多个块之后, 神经丝的检测就是找到其中包含神经丝的轴突块。我们把含有神经丝的块标记为1, 否则标记为0。将沿着轴突的所有块的标签组态表示为x={x0, x1, ..., xn-1}, 其中xi从二进制标签集L={0, 1}中取值。根据图像观察结果y={y0, y1, ..., yn-1}, 那么一个标签组态x的后验概率为P (x|y) , 从而具有最大后验概率标准的最佳标签组态就可以推断为X*=argmax P (x|y) 。

考虑到一维结构的轴突块和相邻块标签之间的空间相干性, 我们认为一个特定块的标签取决于它的本地图像观察结果yi以及直接相邻的标签。变量之间的相关性满足马尔可夫概率, 相应的无向概率图是一个马尔可夫随机场 (MRF) 。在这种情况下, 可以写成以下形式的后验概率:

其中Z (x) =∑x∈Ln{-E (x;y) }是命名为分割函数的归一化因子, E (x;y) 是能量函数。能量函数是由势函数集合求和而得, 即E (x;y) =∑cψc (xc;y) , 其中xc是马尔科夫随机场的一个集合, 在我们的问题中, 一元和二元势函数都需要考虑, 如公式所示:

一元势函数对本地观察结果进行建模, 而二元势函数则考虑相邻块之间的相互作用。通过独立考虑每个数据块的块标签, 一元势函数被取为块标签概率对数的相反数:

其中, 概率P (xi=l;yi) logistic估计的回归分类公式如下:

其中θ是通过试验得到的参数向量。图像强度的平均值和标准偏差, 以及每个块的图像强度对比组成了分类的特征向量, 而且正、负样本块, 都是从训练分类器的手动标记图像中选择。

考虑到存在的空间连续性问题, 我们将相邻块在二元势函数下采取相同的标签。我们事先定义了一个依赖于相似性的平滑度, 如下所示:

其中hi和hj的强度直方图是由图像观察结果yj得到的。b (·) 是两个直方图之间的Bhattacharyya系数, λ参数用于控制平滑度。当两个直方图完全不同时, b (·) 的值为0, 相同时则为1。因此, 这种情况不利于对外观相似的相邻块分配不同的标签。

应当指出的是, 在我们的问题中标签集是二进制的, 上面的公式也满足二元势函数子模块的要求, 即:

只要在一个有向图中找到最小ST切割, 式 (8) 中定义的能量E (x;y) 可以很容易地进行最小化, 这个定向图的节点为xis, 边缘容量取决于一元和二元势函数。由于版面的限制, 我们不详细讨论s-t线图的构建和最小s-t切割问题的解决, 由读者自行参考。

2.2 端点细化

通过对轴突块进行检测可以确定神经丝的大致位置。然而, 位置的精确度受到轴突块尺寸的限制。对于神经丝的精确跟踪来说, 这样的首尾端位置精度还不够。此外, 由于神经丝微弱的衍射极限结构的图像漂白, 在捕获的荧光显微镜图像中, 首尾端的位置可能会出现模糊。在这两种情况下, 需要一个额外的步骤来完善端点的位置。如图4所示。

假设从轴突到神经丝的图像强度变化是一个平稳的过渡, 我们使用广义Logistic曲线, 也被称为理查兹曲线, 对沿轴突方向的过渡边界附近进行强度变化建模:

其中A、K、B、ν、Q和M是数据拟合的曲线参数。理查兹曲线的形式在每个侧面曲线允许非对称增长率, 并适合我们研究的问题的强度转变规律。从检测步骤中挑选出边界块, 用kernel法对沿轴突的强度进行平滑化计算, 以减轻不规则的强度波动和影像噪声。拟合过程如图4所示。其强度变化率最大的点, 即拟合曲线的拐点, 被选择作为神经丝的端点。对于Richards的曲线, 拐点的计算公式如下:

2.3 关联检测

在各个帧中检测到的神经丝需要与在连续帧中检测到的一一对应并关联在一起, 以便获得连续的轨迹。这是多目标跟踪技术中常用的数据关联步骤。由于神经丝的图像外观上很相似, 我们必须依靠神经丝的长度和位置信息来进行关联。一个重要的贪婪关联步骤是将一个神经丝的检测图像和下一帧中距离最小、长度最相似的检测图像相关联, 由于受到约束, 任何两个神经丝的运动不能彼此重叠。基于神经丝运动的1-D性质, 这样的关联方案满足我们的应用。

3 实验

实验设置如下:所有的实验序列都是从小鼠大脑皮质分离的神经元中记录下来的, 该项工作由美国俄亥俄州立大学Anthony Brown教授实验室中完成。从显微镜测得的原始图像为512×512像素, 倍率为0.131μm/像素。这种跟踪算法使用Python在2.1 GHz的英特尔酷睿2双核计算机上运行。为了计算神经丝的实际运行速度, 我们使用了Meta Morph软件手动跟踪神经丝的运动。这个速度用作参考值来计算自动粒子跟踪算法中的误差。

3.1 粒子滤波跟踪实验

所有神经丝都大约10纳米宽。我们设定矩形框宽度w为10个像素, 神经丝长度随跟踪神经丝长度的不同而相应变化。从中心到两边的距离d*都选为5个像素。在水平和垂直方向的粒子分布的高斯噪声方差 (σu和σv) 大致设定为25像素, 粒子方向的方差 (σθ) 设定为0.5 rad。在观测似然性的计算中, 参数λ设定为20。

我们的实验包括通用粒子滤波和空间约束粒子滤波跟踪。图5 (a) 显示出采用通用粒子滤波算法中的200个粒子的跟踪结果。从图中可以看出无论在位置还是在方向上都出现了大量的跟踪误差。图5 (b) 显示仅50个粒子的空间约束粒子滤波算法表现出了准确的跟踪结果。图5 (c) 为视频2中的跟踪结果。在 (a) , (b) 和 (c) 上排表示粒子在跟踪时的分布, 下排表示跟踪结果。

3.2 基于图像检测的跟踪实验

这种方法先由基于图形工具的Boykov算法13来完成最低的s-t切割算法, 然后通过Python/numpy和最低的s-t切割算法来实现。视频序列1和2的轴突块的大小是10个像素, 序列3是5个像素, 平滑度的先验因素λ为2。图6显示出视频序列1和2的图像帧和跟踪结果。视频序列1中, 只有中间的神经丝在运动, 所以我们只绘制了这个图像来进行阐述。在图中首尾端用十字线标记, 两个序列的定性跟踪结果十分准确。图中, 上一行:荧光显微镜图像序列, 下一行:4倍区域放大的跟踪结果。

3.3 两种跟踪算法比较

为了定量评价两种跟踪算法性能, 我们将用两种方法得到的神经丝速度和有经验的用户使用Meta Morph软件人工标记获得的速度进行对比。图7显示了检测跟踪算法在视频2中跟踪结果。图8显示了图5 (c) 中粒子滤波的跟踪结果。

从图8和图7的对比可以看出, 基于检测的跟踪方法在跟踪的精确度上明显优于粒子滤波的方法, 尤其在速度变化较大的地方。在效率方面, 上述基于粒子滤波的方法完成对图像序列2的跟踪大致需要140秒, 而基于检测的方法完成同样的跟踪大致只需要100秒。因此, 我们可以看出, 基于检测跟踪的方法在自动跟踪神经丝中, 无论在准确性还是效率都优于基于粒子滤波的方法。

4 结语

荧光图像 第4篇

荧光显微镜在医学中已经得到广泛应用, 针对荧光图像所拍摄的荧光图像的处理已经逐渐成为人们研究的课题。针对显微镜中激光光谱不均匀的问题, 可以对荧光显微镜硬件进行改造[1,2], 但是显微镜的改造过程繁琐, 不能得到很好的应用。生物荧光图像的背景比较复杂, 不同区域的信噪比差距很大, 针对荧光图像的局部特征, Sternbreg[3]提出了一种“rolling ball”的算法来去除生物图形背景, 但是对于不同形状和大小的信号, 存在一些缺陷;在均匀颜色空间中, 像素生长算法通过设定像素个数阈值达到消除噪声区域的目的[4], 但是这个像素个数是人为确定的, 存在较大变数;ISODATA算法中, 通过多幅图像平均的办法来提高信噪比[5]。相比以上算法, 形态学有着自己的优势:方便灵活, 并行快速, 易于硬件实现, 并对医学图像有不错的处理效果。因此本文采用形态学的思想, 通过局部自适应的方法来对其进行去噪。

形态学作为一门建立在数学基础上的图像处理与分析学科, 已经被慢慢用于医学图像处理当中。形态学着重研究图像的几何结构, 它的基本思想是利用一个具有一定几何形状的结构元素来探测整个图像, 通过不同形状和大小的结构元素来检验其对图像是否有效[6]。顶帽变换作为形态学的一个经典的方法, 它能够提取图像中局部较亮的部分, 而且能够增加图像的对比度, 对于一些对比度不高的医学图像, 顶帽变换非常合适。由于传统形态学自身的原因, 例如:在传统形态学运算中, 采用的结构元素, 包括其形状、大小, 以及结构元素中的数值的判断, 往往是通过经验来得到的。因此将其用于图像去噪效果不是很稳定。鉴于以上特点, 本文提出了一种改进的顶帽变换的自适应去噪算法来处理荧光图像。

2. 荧光图像

荧光镜检测技术是用短波长的光线照射被荧光素染色的被检测物体, 使之受激发后而产生长波长的荧光, 然后观察。可以在一个细胞中标记多种蛋白质, 用短波长光线照射后, 会使所有被标记的不同的蛋白质产生不同颜色, 从而得到一副彩色细胞蛋白质图像。观察时, 显微镜会把彩色图像分解成不同的单色图像 (单色图像的色彩是被标记的蛋白质所产生的颜色, 不同的荧光素对不同的蛋白标记所产生的颜色是不同的) 分别进行观察。本文将对宫颈上皮细胞中的三种蛋白质的荧光图像进行分析。图1 (a) 为宫颈上皮细胞所标记的三种蛋白质的彩色图像。图1 (b) , 图1 (c) , 图1 (d) 分别为显微镜对图1 (a) 分解后的三种被标记的蛋白质的图像。以图1 (b) 为例, 可以看出, 图像中出现了红雾状的噪声, 而且图像的对比度不高, 影响了观测效果。造成这种噪声的原因主要是由于对细胞的清洗不均匀, 光照强度不均, 细胞膜在操作过程中受损破裂, 细胞自身的蛋白质粘连等。而这些因素又是操作过程中所不可避免的, 医生需要得到的是蛋白质部分的信息, 为了突出医生所需要的图像信息, 就需要对图像进行去噪和增强处理。

3. 顶帽变换

形态学的基本运算包括腐蚀、膨胀、开运算和闭运算。其基本思想是用一个结构元素SE对图像进行检验, 验证此结构元素是否能对图像进行填充。

3.1 腐蚀和膨胀

设结构元素为SE, 大小为m*n。图像f大小为W*H。则腐蚀运算为:

被腐蚀后的图像整体色调变暗。

膨胀运算为:

被膨胀后的图像整体色调变亮。

3.2 开运算和闭运算

开运算:用同一个结构元素对图像进行先腐蚀后膨胀的操作。

f莓SE= (f苓SE) 茌SE

开运算可以去掉比结构元素小的峰, 运算后的图像像素的灰度值小于或等于原灰度值。

闭运算:用同一个结构元素对图像进行先膨胀后腐蚀的操作。

f·SE= (f茌SE) 苓SE

闭运算可以填充比结构元素小的谷, 运算后的图像像素的灰度值大于或等于原灰度值。

3.3 顶帽变换 (Top—hat)

用原图像减去开运算后的图像的方法就是顶帽变换。

顶帽变换后的图像留下了原图中的波峰部分, 增强了图像的对比度。

针对荧光图像中出现的对比度较低的问题, 顶帽变换能很好地解决。

4. 结构元素的选取

结构元素的选取在形态学运算中是很重要的一环, 直接影响到对图像处理的效果。结构元素的选取包括形状、元素中的点以及结构元素的大小。

4.1 结构元素的形状

结构元素的形状可以是任意形状, 常用的结构元素的形状为圆形、正方形、菱形、六边形、线性等等, 不同形状的结构元素可以针对不同的噪声。不同形状的结构元素分别对图像各块进行处理, 然后再将处理后的图像合并起来, 能得到较好的滤波效果[7], 但是这种方法比较复杂, 处理过程比较麻烦。结构元素在选取时遵循相似性原则[8,9]:结构元素的形状与噪声图像的形状应尽可能相似。针对此荧光图像中雾状的噪声, 可以选择具有对称性的正方形的结构元素。

4.2 结构元素中的点

由形态学运算的定义可知, 在运算过程中, 结构元素中的点的值会和图像中对应点的像素值相加减。对图像带来了不必要的加性噪声, 影响了处理效果。为了避免这种影响, 可以选择点全部为零的结构元素[10]。

4.3 结构元素的大小

图像的去噪效果与结构元素的大小n (边长为 (2n+1) 的正方形) 有着密切的关系。如果n过小, 噪声不能很好地去除, 反之, 图像中的信息量会遭到破坏, 使边缘造成模糊现象。因此, 在过小和过大之间, 会有一个比较合适的阈值, 使图像处理效果达到最佳, 图像的直方图更接近原始图像的直方图。

根据以上关系, 可以得到一种自适应算法, 确定阈值。步骤为:

步骤1:初始化变量n=1, 估计原始图像的直方图his[11];

步骤2:利用结构元素SEn, 对图像进行顶帽变换, 得到输出图像fn, 计算出fn的直方图histn;

步骤3:判断histn与hist的差距, 若差距不大, 则输出图像fn, 跳出循环, Else跳至步骤4, 继续运算;

步骤4:n+1, 进行步骤2的操作。

(红色图像的阈值n为5)

4.4 增强对比度的染色

由于标本在制作过程中, 一些极小颗粒的蛋白质对观测造成了一定的影响, 细胞液分布不均匀, 会导致短波照射过程中, 出现不均现象。为了避免这些所带来的影响, 根据最大类间方差, 将图像分成前景和背景, 对图像进行一次Otsu[12]分割。图像中像素值大于阈值 (该阈值为42) 的部分, 像素值不变, 像素值小于阈值的部分改为0, 这样增加了图像的对比度, 有利于实验者对目标进行观察。

5. 测试实验

针对红色的荧光图像图2 (a) 进行实验, 图2 (b) 为中值滤波去噪后的染色图像, 图2 (c) 为传统形态学的顶帽变换后的染色图像, 图2 (d) 为本方法处理所得到的图像。

由图像可以明显看出, 中值滤波不能很好地去除图像中的噪声;而传统的形态学的顶帽变换处理所得到图像, 虽然背景稍微有所改变, 但依然有红雾现象;而本方法所处理的图像, 能够较好地去除图像中的红雾现象, 对比度更高, 有利于观察实验。

6. 结论和展望

本文提出了一种改进的自适应tophat变换算法, 结合Otsu分割图像, 可以很好地去除图像前景中的噪声, 这种方法比较适合荧光图像。但是针对图像的背景, 只是做了简单的Otsu分割, 不能很好地处理背景中的噪声, 这将是今后的改进方向。

参考文献

[1]尹霞.显微荧光图像连续光谱分析系统的研究[D].河北工业大学, 2005.

[2]杨广烈.荧光与荧光显微镜[J].光学仪器, 2001, 23 (2) :18-29.

[3]Sternberg S.Biomedical Image Processing.IEEE Computer, 1983, 6 (1) :22-34.

[4]Boland M.V.&Markey M.K.&Murphy R.F.Classifica-tion of protein localization patterns obtained via fluorescence light mi-croscopy.Engineering in Medical and Biology society.Proceedings of the l9th Annual International Conference of the IEEE, 2003 (2) :298-304.

[5]何霁, 滕奇志, 罗代升, 何小海.一种改进的ISODATA算法及在彩色荧光图像中的应用[J].四川大学学报, 2007, 6 (44) :563-568.

[6]崔屹.图像处理与分析—数学形态学方法及应用[M].北京:科学出版社, 2000.

[7]Debayle J.&Pinoli J.C.Multiscale image filtering and segmentation by means of adaptive neighborhood mathematical morphology[J].Image Processing, 2005, 3 (11-14) :537-540.

[8]张黄群, 于盛林, 白银刚.形态学图像去噪中结构元素选取原则[J].数据采集与处理, 2008, 23 (s) :81-87.

[9]Soille and H.Talbot.Directional Morphological Filtering.IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23 (11) :1313-1329.

[10]许致火, 何建新, 朱幼莲.基于改进形态学运算的图像去噪自适应算法研究[J].成都信息工程学院学报, 2009, 2 (24) :33-38.

[11]李树涛, 王耀南.图像椒盐噪声的非线性自适应滤除[J].中国图像图形学报, 2000, 5 (12) :999-1001.