CN103761454B - 基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法 - Google Patents
基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法 Download PDFInfo
- Publication number
- CN103761454B CN103761454B CN201410030251.4A CN201410030251A CN103761454B CN 103761454 B CN103761454 B CN 103761454B CN 201410030251 A CN201410030251 A CN 201410030251A CN 103761454 B CN103761454 B CN 103761454B
- Authority
- CN
- China
- Prior art keywords
- protein site
- image
- protein
- gel images
- normalization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法,包括步骤:1)凝胶图像蛋白点检测与量化;2)两凝胶图像归一化;3)蛋白点多维特征提取;4)基于多维特征匹配的两凝胶图像间蛋白点粗匹配;5)两凝胶图像间蛋白点精匹配。本发明的优点是:从归一化处理后的凝胶图像提取蛋白点多维特征信息,利用蛋白点的多维特征完成两凝胶图像间蛋白点粗匹配,具有匹配精度高和误匹配率低的优点,有效地保障了后续精匹配的精度。
Description
技术领域
本发明涉及图像配准方法,尤其涉及一种基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法。
背景技术
差异蛋白点提取是蛋白质组学的重要研究方法之一,能够为疾病诊断、药物研制和环境污染分析等提供重要依据。凝胶图像间蛋白点匹配是差异蛋白点提取的关键步骤,匹配的精度直接影响了后续的分析和疾病诊断。在凝胶图像获取过程中,由于不同时间、光照、传感器位置等因素的影响,使得同一实验中采集到的不同图像间存在一定程度形变、背景光照不一致等问题,为蛋白点精确匹配带来了一定的难度。
目前蛋白点匹配方法中主要考虑蛋白点的两种特征:(1)灰度特征,根据灰度对蛋白点进行分层,并利用两凝胶图像间蛋白点的平均灰度计算相似度;(2)位置特征,为了应对图像形变,根据图像特征点确定图像变换关系,再利用两凝胶图像间蛋白点的坐标确定相似度。凝胶图像间蛋白点自动匹配的精度受背景亮度、图像形变和蛋白点密集度等因素影响,而目前蛋白点匹配方法通常仅考虑蛋白点平均灰度和位置等简单特征信息,匹配精度不理想,有待改进。
发明内容
本发明的目的在于提供一种基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法。采用蛋白点的多维特征进行两凝胶图像间蛋白点粗匹配,相对传统方法,充分利用蛋白点本身多维特征信息,提高蛋白点粗匹配的精度,从而有效地保障了后续两凝胶图像间蛋白点精匹配的精度。
本发明方法包括以下主要步骤:
(1)凝胶图像蛋白点检测与量化;
(2)两凝胶图像归一化;
(3)蛋白点多维特征提取;
(4)基于多维特征匹配的两凝胶图像间蛋白点粗匹配;
(5)两凝胶图像间蛋白点精匹配。
从归一化处理后的凝胶图像提取蛋白点多维特征信息,利用蛋白点的多维特征完成两凝胶图像间蛋白点粗匹配。
原理是:首先利用标记分水岭方法分别对两凝胶图像进行蛋白点检测与量化,得到蛋白点的坐标和范围(边缘点集)等信息;然后对两幅凝胶图像的灰度与几何进行归一化,确定两凝胶图像间的变换关系,并根据归一化后的凝胶图像和蛋白点信息,计算蛋白点坐标、面积、深度和饱和度等多个特征的归一化值;其次对两凝胶图像间的蛋白点多维特征采用BBF(Best Bin First)配准算法进行匹配,并对匹配结果采用RANSAC(RANdom SAmpleConsensus)算法剔除误匹配点对,完成蛋白点粗匹配;最后将粗匹配蛋白点对作为基准点对,确定两凝胶图像间坐标变换关系,将一幅凝胶图像中的蛋白点映射到另一幅图像中,根据蛋白点的坐标相似性完成蛋白点精匹配。
本发明的优点是:从归一化处理后的凝胶图像提取蛋白点多维特征信息,利用蛋白点的多维特征完成两凝胶图像间蛋白点粗匹配,具有匹配精度高和误匹配率低的优点,有效地保障了后续精匹配的精度。
附图说明
图1为本发明的工作流程图。
图2为图像几何归一化中外接矩形获取示意图,其中为对齐后的图像A,为图像B,为外接矩形。
具体实施方式
本发明采用如图1所示的基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法流程图,实现两凝胶图像间蛋白点的匹配,其具体实施步骤如下:
1、凝胶图像蛋白点检测与量化
本发明利用标记分水岭方法分别对图像A和图像B进行蛋白点检测,得到图像A的蛋白点集{PAi|0≤i≤NA}和图像B的蛋白点集{PBi|0≤i≤NB},其中NA和NB分别为图像A和B检测到的蛋白点数量,每个蛋白点包括坐标和范围(边缘点集)等信息。
2、两凝胶图像归一化
1)灰度归一化,分别计算图像A和B中像素的均值Ε和方差σ2,对图像中所有像素的灰度值按下式进行归一化处理,
其中,I(i)为某一图像第i个像素的灰度值,I′(i)为灰度归一化后该像素的灰度值,Ε0为预期的平均灰度,为预期的方差。由于像素灰度范围一般为[0,255],为使归一化后像素灰度分布在整个范围内,可以取Ε0=125,σ0=125。
2)几何归一化,采用反向合成图像对齐算法将图像A向图像B对齐,图像A与图像B间的坐标变换关系T为
其中,x=(x y)T为坐标值,p为变换参数。该变换包括缩放、平移、旋转和切变等变换形式。变换T满足目标函数
最小化条件,其中A(x)、B(x)分别表示图像A、B中坐标为x的像素灰度值。目标函数的含义为在变换T下使得图像A和图像B之间对应像素的差异最小。
这样将图像对齐问题转化为最优化问题,通过求得最优化p确定变换关系T,完成图像A向图像B的对齐。然后按如图2所示的示意图获取两图像对齐后的外接矩形RAB,将图像A和B中检测到的蛋白点坐标信息转换到RAB坐标系(RAB左上角为原点)内:Pi→Pi′。
3、蛋白点多维特征提取
根据归一化处理后的凝胶图像和蛋白点信息,计算所有蛋白点的归一化坐标特征CO、归一化面积特征CS、归一化平均灰度特征CG、归一化基准特征CB、归一化深度特征CH、归一化饱和度特征CD和归一化稀疏度特征CP等特征值,具体实施过程如下:
1)计算归一化坐标特征CO。蛋白点Pi′在外接矩形RAB内的坐标为(x′,y′),RAB的宽度为Width(RAB),高度为Height(RAB),则该蛋白点归一化坐标为
2)计算归一化面积特征CS。记蛋白点Pi′边缘点集内的像素个数为面积C′Si,计算出所有蛋白点面积的最大值C′S-Max,则该蛋白点归一化面积为
3)计算归一化平均灰度特征CG。记蛋白点Pi′内第k个像素的灰度为gik,则该蛋白点的平均灰度为
计算出所有蛋白点平均灰度的最大值C′G-Max,则该蛋白点的归一化平均灰度为
4)计算归一化基准特征CB。记蛋白点Pi′边缘点集有NiB个像素点,其中第k个像素的灰度为gik,则该蛋白点的基准为
计算出所有蛋白点基准的最大值C′B-Max,则该蛋白点的归一化基准为
5)计算归一化深度特征CH。记蛋白点Pi′内第k个像素的灰度为gik,计算出该蛋白点内像素灰度的最小值gi-Min,则该蛋白点的深度为
C′Hi=C′Bi-gi-Min
计算出所有蛋白点深度的最大值C′H-Max,则该蛋白点的归一化深度为
6)计算归一化饱和度特征CD。蛋白点Pi′的饱和度定义为
计算出所有蛋白点饱和度的最大值C′D-Max,则该蛋白点的归一化饱和度为
7)计算归一化稀疏度特征CP。记某一凝胶图像中蛋白点Pi′与该凝胶图像内其余蛋白点Pj′(j≠i)的欧式距离为dij,取dij的最小值作为该蛋白点的稀疏度,即C′Pi=Min(dij)。计算出所有蛋白点稀疏度的最大值C′P-Max,则该蛋白点的归一化稀疏度为
8)将蛋白点Pi提取到的七个特征构成向量
4、基于多维特征匹配的两凝胶图像间蛋白点粗匹配
提取到所有蛋白点的多维特征向量后,利用多维数据搜索算法实现蛋白点粗匹配,具体实施过程如下:
1)将图像B中所有蛋白点的特征向量生成K-D树,记为TreeB。
2)对于图像A中一蛋白点PAi的特征向量采用BBF算法在TreeB寻找最近邻向量与次近邻向量其中向量之间距离计算方法为
d2=|COi-COj|2+(CSi-CSj)2+(CGi-CGj)2+
(CBi-CBj)2+(CHi-CHj)2+(CDi-CDj)2+(CPi-CPj)2
若则认为PA'与匹配,否则认为PA'没有匹配点。
3)对上步获取的匹配结果采用RANSAC算法剔除误匹配。记匹配结果中所有蛋白点对构成集合P,首先随机取4个蛋白点对构成点对子集S,并根据子集S计算透视变换模型M;然后验证补集P\S中的蛋白点对是否符合模型M,符合的蛋白点对加入集合S;重复上述步骤,直到集合S中的蛋白点对个数占集合P中蛋白点对个数的比例超过R∈[0,1],或者重复次数达到N,结束算法,其中R和N越大所需时间越长但误剔除率越低,根据大量实验,一般取R=0.6,N=50;最后将子集S内的蛋白点对作为粗匹配的结果。
5、两凝胶图像间蛋白点精匹配
经过基于多维特征匹配的两凝胶图像间蛋白点粗匹配后,大部分特征明显的蛋白点已完成匹配,但仍有一些蛋白点未能匹配,需要进一步精匹配。这些未匹配蛋白点的形状特征不明显,采用蛋白点位置特征和坐标互变换方法进行匹配,具体实施过程如下:
1)计算图像A到图像B的坐标变换模型参数。将两凝胶图像中已匹配的蛋白点对作为基准点对,分别计算横坐标和纵坐标上的TPS(Thin-Plate Splines)变换参数。TPS变换函数为
其中,U(r)=r2logr2为核函数,m为蛋白点对数目,(xi,yi)为图像A中某一已匹配蛋白点坐标,a=(a1 ax ay)T和w=(w1 L wm)T为变换参数。若图像A内点(a,b)与图像B内点(c,d)相匹配,则有c=fx(a,b)和d=fy(a,b)。变换参数可通过线性方程式
求解获得,其中Kij=U(|(xi,yi)-(xj,yj)|),P的第i行为(1,xi,yi),z=(z1Λzm)T。
2)获取未匹配蛋白点的准匹配点。记图像A中未匹配蛋白点集为PA',图像B中未匹配蛋白点集为PB';首先将P′A内各点通过TPS变换映射到图像B内,映射后点集为P'AB;然后逐一为P′AB内的点P′ABi在PB'中查找与其距离最近的蛋白点P′Bj,若P′ABi与P′Bj之间的欧式距离小于P′Ai的稀疏度与P′Bj的稀疏度之和,则认为P′Bj是P′Ai的准匹配点,否则认为P′Ai没有匹配点;最后逐一为PB'内的点P′Bi在P′AB中查找与其最近的蛋白点P′ABj,若P′Bi与P′ABj之间的欧式距离小于P′Bi的稀疏度与P′Aj的稀疏度之和,则认为P′Aj是P′Bi的准匹配点,否则认为P′Bi没有匹配点。
3)剔除误准匹配蛋白点。遍历PA'中各蛋白点,若某一蛋白点具有准匹配蛋白点,并且它们互为准匹配蛋白点,则认为该蛋白点与其准匹配蛋白点匹配,否则认为该蛋白点不存在匹配蛋白点。
Claims (1)
1.基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法,其特征在于包括以下方法步骤:
1)凝胶图像蛋白点检测与量化;
2)两凝胶图像归一化,具体包括下述步骤:
(a)灰度归一化,分别计算图像A和B中像素的均值Ε和方差σ2,对图像中所有像素的灰度值按下式进行归一化处理,
其中,I(i)为某一图像第i个像素的灰度值,I′(i)为灰度归一化后该像素的灰度值,Ε0为预期的平均灰度,为预期的方差;
(b)几何归一化,采用反向合成图像对齐算法将图像A向图像B对齐,图像A与图像B间的坐标变换关系T为
其中,x=(x y)T为坐标值,p为变换参数;
3)蛋白点多维特征提取,具体包括下述步骤:
(a)计算归一化坐标特征CO;
(b)计算归一化面积特征CS;
(c)计算归一化平均灰度特征CG;
(d)计算归一化基准特征CB;
(e)计算归一化深度特征CH;
(f)计算归一化饱和度特征CD;
(g)计算归一化稀疏度特征CP;
(h)将蛋白点Pi提取到的七个特征构成向量
4)基于多维特征匹配的两凝胶图像间蛋白点粗匹配,具体包括下述步骤:
(a)将图像B中所有蛋白点的特征向量生成K-D树,记为TreeB;
(b)对于图像A中一蛋白点PAi的特征向量采用BBF算法在TreeB寻找最近邻向量与次近邻向量其中向量之间距离计算方法为
d2=|COi-COj|2+(CSi-CSj)2+(CGi-CGj)2+
(CBi-CBj)2+(CHi-CHj)2+(CDi-CDj)2+(CPi-CPj)2
若则认为P′A与匹配,否则认为P′A没有匹配点;
(c)对上步获取的匹配结果采用RANSAC算法剔除误匹配;
5)两凝胶图像间蛋白点精匹配,具体包括下述步骤:
(a)计算图像A到图像B的坐标变换模型参数,将两凝胶图像中已匹配的蛋白点对作为基准点对,分别计算横坐标和纵坐标上的TPS(Thin-Plate Splines)变换参数;
(b)获取未匹配蛋白点的准匹配点;
(c)剔除误准匹配蛋白点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410030251.4A CN103761454B (zh) | 2014-01-23 | 2014-01-23 | 基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410030251.4A CN103761454B (zh) | 2014-01-23 | 2014-01-23 | 基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761454A CN103761454A (zh) | 2014-04-30 |
CN103761454B true CN103761454B (zh) | 2017-02-08 |
Family
ID=50528690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410030251.4A Expired - Fee Related CN103761454B (zh) | 2014-01-23 | 2014-01-23 | 基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761454B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751427B (zh) * | 2015-04-16 | 2017-10-03 | 山东师范大学 | 基于改进tps模型的凝胶图像校正算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894272A (zh) * | 2010-08-10 | 2010-11-24 | 福州展旭电子有限公司 | 两凝胶图像间的蛋白质点自动匹配方法 |
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及*** |
CN103077528A (zh) * | 2013-02-25 | 2013-05-01 | 南京大学 | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 |
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1736928A1 (en) * | 2005-06-20 | 2006-12-27 | Mitsubishi Electric Information Technology Centre Europe B.V. | Robust image registration |
-
2014
- 2014-01-23 CN CN201410030251.4A patent/CN103761454B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894272A (zh) * | 2010-08-10 | 2010-11-24 | 福州展旭电子有限公司 | 两凝胶图像间的蛋白质点自动匹配方法 |
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及*** |
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
CN103077528A (zh) * | 2013-02-25 | 2013-05-01 | 南京大学 | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 |
Non-Patent Citations (1)
Title |
---|
《基于分层策略的凝胶图像间蛋白点匹配算法》;熊邦书;《中国生物医学工程学报》;20120630;第31卷(第3期);第422-427页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103761454A (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549873B (zh) | 三维人脸识别方法和三维人脸识别*** | |
CN105956582B (zh) | 一种基于三维数据的人脸识别*** | |
WO2019174376A1 (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN101398886B (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN101315698B (zh) | 基于直线特征图像配准中的特征匹配方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN104008375B (zh) | 基于特征融合的集成人脸识别方法 | |
CN101303768B (zh) | 圆形标志点在摄像机透视投影变换时圆心偏差的修正方法 | |
CN102908120B (zh) | 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN107292869B (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
CN106778823A (zh) | 一种指针式仪表读数自动识别方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN104021547A (zh) | 肺部 ct 的三维配准方法 | |
CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
CN107958443A (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN103345744B (zh) | 一种基于多图像的人体目标部件自动解析方法 | |
CN102855621A (zh) | 一种基于显著区域分析的红外与可见光遥感图像配准方法 | |
CN106023151A (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN106327534A (zh) | 一种基于定位块的轮胎内壁纹理识别方法 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN103679720A (zh) | 一种基于小波分解与Harris角点检测的快速图像配准方法 | |
CN109711444A (zh) | 一种新的基于深度学习的遥感影像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20180123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |