[發(fā)明專利]基于模糊聚類的凝膠蛋白分割方法

在審

• 申請?zhí)枺?/td>: 201611020929.6
• 申請日: 2016-11-15
• 公開（公告）號: CN106651838A
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 辛化梅;張明
• 申請（專利權(quán)）人: 山東師范大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194
• 代理公司: 濟(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司37221
• 代理人: 張勇

技術(shù)領(lǐng)域

本發(fā)明涉及雙向凝膠圖像分析技術(shù)領(lǐng)域，尤其涉及基于模糊聚類的凝膠蛋白分割方法。

背景技術(shù)

在諸多蛋白質(zhì)分離方法中，雙向凝膠電泳(2-DE)技術(shù)廣泛的應(yīng)用在蛋白質(zhì)組學(xué)中，主要是根據(jù)蛋白質(zhì)等電點(diǎn)和分子量的差異，將復(fù)雜蛋白質(zhì)混合物中的蛋白質(zhì)在一塊凝膠上以點(diǎn)狀的形式分離。隨后使用掃描設(shè)備對蛋白質(zhì)凝膠進(jìn)行掃描，得到數(shù)字化凝膠圖像。在圖像上蛋白質(zhì)呈現(xiàn)出形狀、大小和灰度各不相同的點(diǎn)，其中每一個(gè)點(diǎn)代表了一個(gè)特定的蛋白質(zhì)。分割是圖像分析的重要步驟，凝膠圖像的研究需要從圖像中提取出蛋白點(diǎn)，其主要的目標(biāo)是找到蛋白點(diǎn)的位置和蛋白點(diǎn)周圍的邊界，確定它們的數(shù)量并分析蛋白質(zhì)的不同狀態(tài)。

模糊聚類應(yīng)用于模式識別、圖像處理、水質(zhì)分析等領(lǐng)域。在一些具體的識別應(yīng)用中，如語音識別中的分類和匹配，雷達(dá)目標(biāo)識別中目標(biāo)庫的建立和新到目標(biāo)的歸類等方面取得了較好的效果；在圖像處理中廣泛的應(yīng)用于圖像分割，如紋理圖像、醫(yī)學(xué)圖像以及航空遙感圖像等分割方面，有效解決了圖像目標(biāo)區(qū)域邊界模糊性，遙感圖像中典型的混合像元等問題。

圖像分割就是根據(jù)灰度、顏色、紋理和形狀等特征，把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。凝膠蛋白圖像分割的優(yōu)點(diǎn)就是將圖像分離成點(diǎn)和無點(diǎn)區(qū)域，以便更好的對蛋白質(zhì)進(jìn)行評估，現(xiàn)有的針對凝膠圖像的分割方法有以下幾種：

基于邊緣檢測的分割方法，通過檢測不同區(qū)域的邊緣來進(jìn)行分割，對于邊緣定位精度和邊界的確定有很好的分割效果并且保留了圖像重要的結(jié)構(gòu)屬性，但極易受到噪聲和圖像自身模糊程度的影響。

畢玉慧等人針對分水嶺算法過分割的問題，提出了利用拓?fù)淝逝c分水嶺算法相結(jié)合的分割算法，該方法對于凝膠電泳圖像更具針對性。

張彥清等提出的基于馬爾科夫隨機(jī)場的凝膠電泳圖像分割算法，是根據(jù)貝葉斯定理實(shí)現(xiàn)圖像的分割，該過程中通過了一個(gè)二階邏輯模型(MLL)模糊聚類作為先驗(yàn)知識獲取其先驗(yàn)概率并因此得到后驗(yàn)概率，并引入了灰度點(diǎn)密度權(quán)值來實(shí)現(xiàn)聚類和均值方差的改進(jìn)更新。在一定程度上解決了微弱蛋白點(diǎn)和重疊蛋白點(diǎn)的檢測和分割，進(jìn)一步提高了凝膠圖像分割的準(zhǔn)確性。

Rashwan S等人在2010年在傳統(tǒng)FCM算法的基礎(chǔ)上，為了從不同的背景中分離出更多的蛋白點(diǎn)引入了模糊關(guān)系概念，該方法表現(xiàn)出較高的性能，對于相對較弱的暗斑點(diǎn)也能夠有效的檢測出來。

目前國內(nèi)還沒有形成對凝膠圖像分割的深入研究，縱覽國外的研究狀況來看，各種方法都有利弊，所以我們要做的工作就是針對凝膠圖像中蛋白點(diǎn)的特性，研究凝膠圖像的分割算法，在保護(hù)圖像信息和細(xì)節(jié)的同時(shí)，增強(qiáng)對微弱蛋白點(diǎn)和重疊蛋白點(diǎn)的識別與檢測。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了解決上述問題，提供基于模糊聚類的凝膠蛋白分割方法，首先使用引導(dǎo)濾波器對圖像進(jìn)行濾波并增強(qiáng)圖像對比度；然后通過模糊核C均值聚類算法對樣本聚類，最后采用最大隸屬度原則去模糊化，實(shí)現(xiàn)最優(yōu)分割，在此過程中引入樣本方差來計(jì)算高斯核函數(shù)徑向?qū)挾圈抑担摲椒ň哂懈玫倪m應(yīng)性和分割精度。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于模糊聚類的凝膠蛋白分割方法，包括以下步驟：

步驟一：對圖像進(jìn)行預(yù)處理，利用引導(dǎo)濾波器對圖像進(jìn)行濾波并增強(qiáng)圖像的對比度；

步驟二：初始化聚類類別數(shù)、加權(quán)指數(shù)、迭代終止閾值、最大迭代次數(shù)及初始聚類中心；

步驟三：計(jì)算核函數(shù)中的徑向?qū)挾戎担?/p>

步驟四：更新隸屬度矩陣和聚類中心；

步驟五：比較當(dāng)前新的聚類中心與上一次聚類中心的絕對差值是否小于迭代終止閾值，或者迭代計(jì)數(shù)器的值是否大于最大迭代次數(shù)，若成立則停止并輸出最終的隸屬度矩陣和聚類中心，轉(zhuǎn)到步驟六繼續(xù)執(zhí)行；否則，迭代計(jì)數(shù)器加一后轉(zhuǎn)向步驟四繼續(xù)執(zhí)行；

步驟六：去模糊化，得到最優(yōu)的分割結(jié)果。

所述步驟一中，運(yùn)用形態(tài)學(xué)方法增強(qiáng)蛋白點(diǎn)與背景間的對比度。

所述步驟二中，從蛋白點(diǎn)樣本數(shù)據(jù)集中任選c個(gè)不同數(shù)據(jù)分別作為初始聚類中心的c個(gè)初始聚類中心值，2≤c＜n，n指聚類數(shù)據(jù)集中所有數(shù)據(jù)的個(gè)數(shù)。

所述步驟二中，聚類類別數(shù)和加權(quán)指數(shù)通過賦予不同的值，進(jìn)行實(shí)驗(yàn)測試對比效果圖獲得。

所述步驟三中，通過計(jì)算蛋白點(diǎn)樣本數(shù)據(jù)方差來確定高斯核函數(shù)徑向?qū)挾戎怠?/p>

徑向?qū)挾戎档挠?jì)算方法具體為：

其中，為蛋白點(diǎn)樣本數(shù)據(jù)集的均值，σ為高斯核函數(shù)的徑向?qū)挾戎担沪矠榍蠛筒僮鳎籲 指聚類數(shù)據(jù)集中所有數(shù)據(jù)的個(gè)數(shù)；x_k指第k個(gè)樣本點(diǎn)。