论文部分内容阅读
微阵列技术已经广泛应用于生物信息的同步检测,扫描得到的微阵列图像包含大量的生物信息,因此对微阵列图像进行自动分析和处理是生物芯片数据分析至关重要的部分。微阵列图像处理目的是定位图像中的微阵列点(样点),将每个样点对应的形状和强度量化。本文研究了微阵列图像的全自动分析方法,主要包括倾斜图像的自动校正,网格划分,样点分割和信息提取四大部分。图像的倾斜校正主要基于Radon变换的原理,但是对于16位的灰度图像,Radon变换后的数值很大,容易产生溢出。本文提出首先对微阵列图像采用Sobel算子进行边界提取,再进行Radon变换来计算图像的倾斜角度,能够减少原始图像的信息,提高运行效率,而且并不影响倾斜角度的计算精度。网格划分采用投影算法的原理,对阵列中的样点进行定位。投影算法的自动化程度较高,但容易产生网格线的缺失和冗余。本文提出了将投影算法结合数学统计学的优化算法,使投影算法对于含有大量呈阴性反应样点的微阵列图像也有很好的定位效果,而且能够确定很重要的阵列参数,样点半径,行列数等等。将优化算法应用于不同种类的微阵列图像,不同阵列,不同反应强度,均能得到较好的定位效果。样点分割部分采用局部动态阈值的方法,使用Otsu算法自动计算每个样点所在的子区域的灰度阈值,按照该值进行二值化。为防止噪声杂质的影响,采用开闭级联的形态学操作对子区域进行滤波。再经过固定圆模板匹配的方法获取较为准确的样点目标区域。与区域增长法相比较,圆形模板匹配法获得的样点形状相同,利于比较不同样点间的平均灰度。将分割后的二值图像与原始图像相交,就能获得在原始图像中目标样点的荧光强度,但是该强度也包含一定的背景噪声信息。本文首先确定每个局部子区域内的平均背景灰度值,再将样点内部相应的背景信息去除。将获得的样点的平均灰度值存储到一个二维矩阵中,矩阵的大小与图像阵列的大小一致,能够直观的反映微阵列图像中样点的强弱,对样点所反映的生物信息进行量化。本文采用的图像分析方法自动化程度很高,无需用户的参与,而且通用性较好,不仅对于样点反应较强烈的微阵列图像识别准确,而且对于含有大量阴性样点的图像也能取得较好的效果,不限制图像阵列的排列形式。