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

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

基于蛋白点多维特征的两凝胶图像间蛋白点匹配方法

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{P_Ai|0≤i≤N_A}和图像B的蛋白点集{P_Bi|0≤i≤N_B}，其中N_A和N_B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，

$I^{\&prime;}\left(i\right)=\left\{\begin{array}{c}{E}_0+\sqrt{{\left(I\right(i)-E)}^2\&CenterDot;{\mathrm{\&sigma;}}_0^2/{\mathrm{\&sigma;}}^2},I\left(i\right)\&GreaterEqual;E\\ E_0-\sqrt{{\left(I\right(i)-E)}^2\&CenterDot;{\mathrm{\&sigma;}}_0^2/{\mathrm{\&sigma;}}^2},I\left(i\right)<E\end{array}\right.$

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

$\underset{x}{\&Sigma;}{\&lsqb;A\left(x\right)-B\left(T\right(x;p\left)\right)\&rsqb;}^2$

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R_AB，将图像A和B中检测到的蛋白点坐标信息转换到R_AB坐标系(R_AB左上角为原点)内：P_i→P_i′。

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C_O、归一化面积特征C_S、归一化平均灰度特征C_G、归一化基准特征C_B、归一化深度特征C_H、归一化饱和度特征C_D和归一化稀疏度特征C_P等特征值，具体实施过程如下：

1)计算归一化坐标特征C_O。蛋白点P_i′在外接矩形R_AB内的坐标为(x′,y′)，R_AB的宽度为Width(R_AB)，高度为Height(R_AB)，则该蛋白点归一化坐标为

$C_{Oi}=(C_{Oxi},C_{Oyi})=(\frac{x^{\&prime;}}{Width\left(R_{AB}\right)},\frac{y^{\&prime;}}{Height\left(R_{AB}\right)})$

2)计算归一化面积特征C_S。记蛋白点P_i′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

$C_{Si}=\frac{C_{Si}^{\&prime;}}{C_{S-Max}^{\&prime;}}$

3)计算归一化平均灰度特征C_G。记蛋白点P_i′内第k个像素的灰度为g_ik，则该蛋白点的平均灰度为

$C_{Gi}^{\&prime;}=\frac{1}{C_{Si}^{\&prime;}}\underset{k=1}{\overset{C_{Si}^{\&prime;}}{\&Sigma;}}{g}_{ik}$

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

$C_{Gi}=\frac{C_{Gi}^{\&prime;}}{C_{G-Max}^{\&prime;}}$

4)计算归一化基准特征C_B。记蛋白点P_i′边缘点集有N_iB个像素点，其中第k个像素的灰度为g_ik，则该蛋白点的基准为

$C_{Bi}^{\&prime;}=\frac{1}{N_{iB}}\underset{k=1}{\overset{N_{iB}}{\&Sigma;}}{g}_{ik}$

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

$C_{Bi}=\frac{C_{Bi}^{\&prime;}}{C_{B-Max}^{\&prime;}}$

5)计算归一化深度特征C_H。记蛋白点P_i′内第k个像素的灰度为g_ik，计算出该蛋白点内像素灰度的最小值g_i-Min，则该蛋白点的深度为

C′_Hi＝C′_Bi-g_i-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

$C_{Hi}=\frac{C_{Hi}^{\&prime;}}{C_{H-Max}^{\&prime;}}$

6)计算归一化饱和度特征C_D。蛋白点P_i′的饱和度定义为

$C_{Di}^{\&prime;}=\frac{(C_{Bi}^{\&prime;}-C_{Gi}^{\&prime;})}{C_{Hi}^{\&prime;}}$

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

$C_{Di}=\frac{C_{Di}^{\&prime;}}{C_{D-Max}^{\&prime;}}$

7)计算归一化稀疏度特征C_P。记某一凝胶图像中蛋白点P_i′与该凝胶图像内其余蛋白点P_j′(j≠i)的欧式距离为d_ij，取d_ij的最小值作为该蛋白点的稀疏度，即C′_Pi＝Min(d_ij)。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

$C_{Pi}=\frac{C_{Pi}^{\&prime;}}{C_{P-Max}^{\&prime;}}$

8)将蛋白点P_i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Tree_B。

2)对于图像A中一蛋白点P_Ai的特征向量采用BBF算法在Tree_B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＝|C_Oi-C_Oj|²+(C_Si-C_Sj)²+(C_Gi-C_Gj)²+

(C_Bi-C_Bj)²+(C_Hi-C_Hj)²+(C_Di-C_Dj)²+(C_Pi-C_Pj)²

若则认为P_A'与匹配，否则认为P_A'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

$z=f(x,y;a,w)=a_1+a_{x}x+a_{y}y+\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{i}U\left(\right|\left(x_i,y_i\right)-\left(x,y\right)\left|\right)$

其中，U(r)＝r²logr²为核函数，m为蛋白点对数目，(x_i,y_i)为图像A中某一已匹配蛋白点坐标，a＝(a₁ a_x a_y)^T和w＝(w₁ L w_m)^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＝f_x(a,b)和d＝f_y(a,b)。变换参数可通过线性方程式

$\left(\begin{array}{cc}K& P\\ P^T& O\end{array}\right)\left(\begin{array}{c}w\\ a\end{array}\right)=\left(\begin{array}{c}z\\ O\end{array}\right)$

求解获得，其中K_ij＝U(|(x_i,y_i)-(x_j,y_j)|)，P的第i行为(1,x_i,y_i)，z＝(z₁Λz_m)^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P_A'，图像B中未匹配蛋白点集为P_B'；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P_B'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P_B'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P_A'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，

$I^{\&prime;}\left(i\right)=\left\{\begin{array}{c}{E}_0+\sqrt{{\left(I\right(i)-E)}^2\&CenterDot;{\mathrm{\&sigma;}}_0^2/{\mathrm{\&sigma;}}^2},I\left(i\right)\&GreaterEqual;E\\ E_0-\sqrt{{\left(I\right(i)-E)}^2\&CenterDot;{\mathrm{\&sigma;}}_0^2/{\mathrm{\&sigma;}}^2},I\left(i\right)<E\end{array}\right.$

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C_O；

(b)计算归一化面积特征C_S；

(c)计算归一化平均灰度特征C_G；

(d)计算归一化基准特征C_B；

(e)计算归一化深度特征C_H；

(f)计算归一化饱和度特征C_D；

(g)计算归一化稀疏度特征C_P；

(h)将蛋白点P_i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Tree_B；

(b)对于图像A中一蛋白点P_Ai的特征向量采用BBF算法在Tree_B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＝|C_Oi-C_Oj|²+(C_Si-C_Sj)²+(C_Gi-C_Gj)²+

(C_Bi-C_Bj)²+(C_Hi-C_Hj)²+(C_Di-C_Dj)²+(C_Pi-C_Pj)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。