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)的工作機制具有重要意義。使用BIFs方法提取圖像中的量子目標，并通過優(yōu)化BIFs參數(shù)配置和融合高斯濾波預處理提高算法性能。實驗結果表明該方法對強雜波干擾下的量子目標具有較高的檢測率。
關鍵詞： 生物信息學;圖像處理;形態(tài)學濾波;基本圖像特征

    在許多神經(jīng)生物信息學研究領域，利用圖像處理技術檢測和跟蹤附著在神經(jīng)元表面的量子目標的活動信息對于全面理解生物神經(jīng)系統(tǒng)的工作機制具有重要意義[1]。相較于一般圖像目標，量子具有以下幾個顯著特點：目標持續(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烈。
　量子目標的上述特點使得傳統(tǒng)的閾值分割、角點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構，而旋轉對稱性恰恰是量子目標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，并通過優(yōu)化BIFs參數(shù)配置和融合形態(tài)學濾波[4]預處理提高算法性能。實驗結果表明該方法可以對強雜波干擾下的量子目標實現(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構的基本特征，并把各種類型的對稱結構描述成如圖1所示的7種紋元：平面、過渡、局部極小值、局部極大值、邊緣、直線和旋轉對稱。BIFs方法將圖像結構判別為7種紋元之一。使用BIFs特征提取圖像目標大致可以分為以下兩個步驟：
　(1)將圖像結構映射到一個濾波-響應空間，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構經(jīng)過高斯濾波獲得的響應cij(i≥0, j≥0, i+j≤2)。

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

2 參數(shù)優(yōu)化和高斯濾波預處理
　量子具有點圓型結構，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。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?shù)姆椒V除雜波影響。事實上，BIFs方法自身內(nèi)含了一種抗噪機制，可以通過調節(jié)參數(shù)來控制算法對于噪聲的敏感性。當?著值逐漸增大時，低圓度的噪聲點會被檢測為平面結構而被排除。圖3所示為?著取不同值時量子目標的被檢測率?？梢姡瑢τ诒疚膶嶒灁?shù)據(jù)，當?著=0.2時，BIFs獲得最高檢測率；而當?著值繼續(xù)增大時，由于部分量子目標也被檢測為平面結構，BIFs的檢測率反而下降。
    在強噪聲干擾下，量子的點圓形狀會遭到破壞，外廓出現(xiàn)不規(guī)則凹凸。BIFs將這樣的目標判別為平面結構而予以濾除。同時，那些較小的目標和太接近而連接在一起的目標也會被誤判為平面結構而被排除。為了解決上述問題，本文使用級聯(lián)形態(tài)學濾波器先對量子圖像進行形態(tài)修復。為了避免較小目標被刪除，先使用尺寸較小的結構元對圖像進行一次開運算，刪除噪聲點和目標表面突起，并增大目標間的距離;然后再使用較大尺寸的結構元對圖像進行一次閉運算,修復量子目標的點圓形狀。
3 實驗結果與分析
　本文的實驗數(shù)據(jù)使用電子顯微鏡下拍攝的記錄量子連續(xù)運動的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，目標極不穩(wěn)定，高頻度地在視野中出現(xiàn)和消失，且存在較強噪聲干擾。將最優(yōu)參數(shù)配置下的BIFs方法與結合形態(tài)學濾波預處理的BIFs方法進行實驗對比。主要實驗參數(shù)配置如下：BIFs方法的噪聲敏感控制參數(shù)ε=0.2，形態(tài)學濾波器采用形狀保持較好的圓形結構元，兩次開閉操作使用的結構元半徑分別為4像素和7像素。
　圖4給出了一幀實驗結果對比。標準BIFs方法會對較小目標和相鄰太近目標造成誤判，而經(jīng)過形態(tài)學濾波預處理的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)以及目標檢出率，結果如表1所示?？梢妰煞N方法都存在一定的誤檢率，但經(jīng)過形態(tài)學濾波預處理的BIFs的檢測性能優(yōu)于標準BIFs。

    使用BIFs方法檢測量子目標以滿足特定生物信息學應用的需求，并通過優(yōu)化BIFs參數(shù)和融合高斯濾波預處理提高算法的抗噪性能。實驗結果表明本文方法可以有效地檢測強雜波干擾下的、具有高隨機動態(tài)的量子目標。
參考文獻
[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.