摘  要： 檢測和跟蹤附著在神經(jīng)元表面的量子的活動信息對于全面理解神經(jīng)系統(tǒng)的工作機(jī)制具有重要意義。使用BIFs方法提取圖像中的量子目標(biāo)，并通過優(yōu)化BIFs參數(shù)配置和融合高斯濾波預(yù)處理提高算法性能。實(shí)驗(yàn)結(jié)果表明該方法對強(qiáng)雜波干擾下的量子目標(biāo)具有較高的檢測率。
關(guān)鍵詞： 生物信息學(xué);圖像處理;形態(tài)學(xué)濾波;基本圖像特征

    在許多神經(jīng)生物信息學(xué)研究領(lǐng)域，利用圖像處理技術(shù)檢測和跟蹤附著在神經(jīng)元表面的量子目標(biāo)的活動信息對于全面理解生物神經(jīng)系統(tǒng)的工作機(jī)制具有重要意義[1]。相較于一般圖像目標(biāo)，量子具有以下幾個顯著特點(diǎn)：目標(biāo)持續(xù)閃爍變化，狀態(tài)極其不穩(wěn)定；尺度微小，不存在顯著性不變圖像特征； 通過電子顯微鏡下獲取的量子圖像雜波干擾強(qiáng)烈。
　量子目標(biāo)的上述特點(diǎn)使得傳統(tǒng)的閾值分割、角點(diǎn)和邊緣檢測等方法失效。GRIFFIN等[2,3]提出一種基本圖像特征BIFs(Basic Image Features)方法用于檢測圖像中的對稱結(jié)構(gòu)，而旋轉(zhuǎn)對稱性恰恰是量子目標(biāo)的唯一顯著圖像特征。本文使用BIFs方法提取圖像中的量子目標(biāo)，并通過優(yōu)化BIFs參數(shù)配置和融合形態(tài)學(xué)濾波[4]預(yù)處理提高算法性能。實(shí)驗(yàn)結(jié)果表明該方法可以對強(qiáng)雜波干擾下的量子目標(biāo)實(shí)現(xiàn)較高的檢測率。
1 BIFs方法簡介
　BIFs方法把廣泛存在的局部對稱性作為圖像結(jié)構(gòu)的基本特征，并把各種類型的對稱結(jié)構(gòu)描述成如圖1所示的7種紋元：平面、過渡、局部極小值、局部極大值、邊緣、直線和旋轉(zhuǎn)對稱。BIFs方法將圖像結(jié)構(gòu)判別為7種紋元之一。使用BIFs特征提取圖像目標(biāo)大致可以分為以下兩個步驟：
　(1)將圖像結(jié)構(gòu)映射到一個濾波-響應(yīng)空間，該空間由如圖2所示的6個衍生高斯濾波器組成。映射操作就是計算圖像結(jié)構(gòu)經(jīng)過高斯濾波獲得的響應(yīng)cij(i≥0, j≥0, i+j≤2)。

　(2)利用濾波器響應(yīng)值判別圖像屬于哪種對稱結(jié)構(gòu)，使圖像結(jié)構(gòu)獲得最大響應(yīng)的濾波器所對應(yīng)類別就是圖像結(jié)構(gòu)的對稱類型。圖1中各對爾結(jié)構(gòu)對應(yīng)的濾波器響應(yīng)依次如式(1)各項(xiàng)所示。因此，只要求取式(1)集合的最大項(xiàng)就可以確定圖像結(jié)構(gòu)的對稱性質(zhì):

2 參數(shù)優(yōu)化和高斯濾波預(yù)處理
　量子具有點(diǎn)圓型結(jié)構(gòu)，且在電子顯微鏡下呈現(xiàn)亮白色，所以本文使用BIFs的局部極大值紋元檢測圖像中的量子目標(biāo)。但電子顯微鏡下的量子圖像存在大量雜波干擾，必須采取適當(dāng)?shù)姆椒V除雜波影響。事實(shí)上，BIFs方法自身內(nèi)含了一種抗噪機(jī)制，可以通過調(diào)節(jié)參數(shù)來控制算法對于噪聲的敏感性。當(dāng)?著值逐漸增大時，低圓度的噪聲點(diǎn)會被檢測為平面結(jié)構(gòu)而被排除。圖3所示為?著取不同值時量子目標(biāo)的被檢測率。可見，對于本文實(shí)驗(yàn)數(shù)據(jù)，當(dāng)?著=0.2時，BIFs獲得最高檢測率；而當(dāng)?著值繼續(xù)增大時，由于部分量子目標(biāo)也被檢測為平面結(jié)構(gòu)，BIFs的檢測率反而下降。
    在強(qiáng)噪聲干擾下，量子的點(diǎn)圓形狀會遭到破壞，外廓出現(xiàn)不規(guī)則凹凸。BIFs將這樣的目標(biāo)判別為平面結(jié)構(gòu)而予以濾除。同時，那些較小的目標(biāo)和太接近而連接在一起的目標(biāo)也會被誤判為平面結(jié)構(gòu)而被排除。為了解決上述問題，本文使用級聯(lián)形態(tài)學(xué)濾波器先對量子圖像進(jìn)行形態(tài)修復(fù)。為了避免較小目標(biāo)被刪除，先使用尺寸較小的結(jié)構(gòu)元對圖像進(jìn)行一次開運(yùn)算，刪除噪聲點(diǎn)和目標(biāo)表面突起，并增大目標(biāo)間的距離;然后再使用較大尺寸的結(jié)構(gòu)元對圖像進(jìn)行一次閉運(yùn)算,修復(fù)量子目標(biāo)的點(diǎn)圓形狀。
3 實(shí)驗(yàn)結(jié)果與分析
　本文的實(shí)驗(yàn)數(shù)據(jù)使用電子顯微鏡下拍攝的記錄量子連續(xù)運(yùn)動的100幀圖像。圖像分辨率為204像素×204像素，每幀包含20~30個量子目標(biāo)，目標(biāo)極不穩(wěn)定，高頻度地在視野中出現(xiàn)和消失，且存在較強(qiáng)噪聲干擾。將最優(yōu)參數(shù)配置下的BIFs方法與結(jié)合形態(tài)學(xué)濾波預(yù)處理的BIFs方法進(jìn)行實(shí)驗(yàn)對比。主要實(shí)驗(yàn)參數(shù)配置如下：BIFs方法的噪聲敏感控制參數(shù)ε=0.2，形態(tài)學(xué)濾波器采用形狀保持較好的圓形結(jié)構(gòu)元，兩次開閉操作使用的結(jié)構(gòu)元半徑分別為4像素和7像素。
　圖4給出了一幀實(shí)驗(yàn)結(jié)果對比。標(biāo)準(zhǔn)BIFs方法會對較小目標(biāo)和相鄰太近目標(biāo)造成誤判，而經(jīng)過形態(tài)學(xué)濾波預(yù)處理的BIFs則可以較好地處理這個問題。為了更好地對比兩種方法的檢測效果，統(tǒng)計每幀平均漏檢數(shù)、虛警數(shù)以及目標(biāo)檢出率，結(jié)果如表1所示。可見兩種方法都存在一定的誤檢率，但經(jīng)過形態(tài)學(xué)濾波預(yù)處理的BIFs的檢測性能優(yōu)于標(biāo)準(zhǔn)BIFs。

    使用BIFs方法檢測量子目標(biāo)以滿足特定生物信息學(xué)應(yīng)用的需求，并通過優(yōu)化BIFs參數(shù)和融合高斯濾波預(yù)處理提高算法的抗噪性能。實(shí)驗(yàn)結(jié)果表明本文方法可以有效地檢測強(qiáng)雜波干擾下的、具有高隨機(jī)動態(tài)的量子目標(biāo)。
參考文獻(xiàn)
[1]  SIANO S, CUPELLO A, PELLISTRI F, et al. A quantum-dot nanocrystal study of GABAA receptor subunits in living cerebellar granule cells in culture[J]. Neurochemical Research, 2007,32(6):1024-1027.
[2] GRIFFIN L D, LILLHOLM M, CROSIER M, et al. Basic  image features(BIFs) arising from approximate symmetry type[J]. Lecture Notes in Computer Science, 2009, 5567:343-355.
[3] GRIFFIN L D,LILLHOLM M. Symmetry sensitivities of derivative-of-gaussian filters[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2010,32(6):1072-1083.
[4] GONZALEZ R C,WOODS R E.數(shù)字圖像處理[M].阮秋琦,阮宇智,譯.北京: 電子工業(yè)出版社, 2007.