一种蛋白质分布提取量化方法

技术领域

本发明属于图像生物识别技术领域，涉及一种蛋白质分布提取量化方法。

背景技术

在过去的几十年中，图像处理技术已经广泛应用于生物医学图像处理领域。其中，图像分割和形态学骨架提取是两个关键技术。图像分割可以将图像中的目标区域与背景区域进行分离，从而提取出感兴趣的蛋白质部分。为了进一步提取蛋白质分布的拓扑结构信息，形态学骨架提取技术被引入到本专利中。形态学骨架提取是一种可以将目标区域表示为一维结构的方法，通过提取主要的中轴线或骨架来描述物体的拓扑特征。形态学骨架提取不仅可以减少数据维度，还能够保留蛋白质分布的形态信息，为后续的拓扑分析和特征信息提取量化提供了便利。

在生物医学研究和临床诊断中，对蛋白质分布的准确分析和定量评估对于了解细胞结构、研究疾病机制、食品的配料以及药物研发具有重要意义。然而，传统的手工分析方法通常耗时且主观性较强，无法满足高效和精确的需求。因此，开发一种自动化且可靠的蛋白质分布分析方法具有迫切的需求。

发明内容

本发明针对现有技术的不足，提供了一种蛋白质图像分布特征量化的方法。

本发明解决技术问题所采取的技术方案为：

步骤(1).图像的采集；

步骤(2).采用HSV空间阈值分割方式，提取蛋白质分布区域；

步骤(3).改进细化算法，获取蛋白质分布拓扑结构图；

步骤(4).连通域分析，量化蛋白质分布信息。

进一步地，所述步骤(1)图像采集具体方法如下：

实验采集仪器为浙江省农科院FV 3000激光共聚焦显微镜，采用金龙鱼高筋麦芯小麦粉制备面团。根据AACCI 54-70.01检测面团吸水率和形成时间，并参照面团吸水率和形成时间确定加水量，即面团达到500FU稠度时停止和面。用0.01％(w/v)罗丹明B溶液替代8ml水加到和面机中和面，对面团中蛋白质进行染色。取适量染色的面团用包埋剂包埋后放在-20℃冰箱中冷冻固定，再用切片机切成若干个12μm、30μm的薄片，使其吸附在载玻片上，依次做好标记以备激光共聚焦显微镜采集图像使用。将厚度为12μm的面团切片样品倒置于激光共聚焦显微镜，使用波长为561nm的激光进行激发，在570-670nm处检测到发射，获取影像的X/Y分辨率为1024×1024像素。

进一步地，所述步骤(2)采用HSV空间阈值分割方式，提取蛋白质分布区域具体方法如下：

将采集的RGB图像转至HSV空间，提取色相、饱和度、亮度分量，分析各分量直方图，分析直方图可知，图像的色相饱和度均为定值，通过设置亮度阈值的方式将蛋白质图像，以及淀粉区域分割出来。分割后的结果为二值图像，通过统计前景像素(像素值为1)的像素点数目，可以得到蛋白质面积占比

进一步地，所述步骤(3)改进细化算法，获取蛋白质分布拓扑结构图具体方法如下：

(3.1)定义3*3的矩形结构元素对分割出的蛋白质二值图像进行膨胀操作。

(3.2)针对膨胀后的图像，采用ZS细化算法，通过迭代删除的形式获取蛋白质分布骨架图像。

(3.3)针对上述骨架图像边界细化不完全的情况，设计消除模板进行二次细化，最终获得蛋白质分布的拓扑结构图。

进一步地，所述步骤(4).连通域分析，量化蛋白质分布信息具体方法如下：

根据细化后的单像素二值拓扑蛋白质图像，通过连通域分析的方式，找到图像的的每一个连通域，针对每个连通域，假定当前像素为x,当前像素八邻域中前景像素个数为N(x)，遍历前景像素

(4.1)，若N(x)大于等于3，则认定该点为交点，统计交点个数。

(4.2)，若N(x)＝1，则认定该点为端点，统计端点个数。

(4.3)，针对每一个连通域，将交点和端点都作为特殊点，采用深度优先算法搜索路径，并记录路径上像素点个数，统计出相邻特殊点之间前景像素个数即可得到蛋白质分布每个分支长度。

本发明的有益效果：

(1)采用基于HSV空间阈值分割的方法，有效提取出采集图像中蛋白质分布情况以及面积占比。

(2)改进一种基于迭代的图像细化方法，获取了蛋白质分布的拓扑图，根据拓补图，量化出不同连通域内，蛋白质分布的交点个数、端点个数、分支长度等具体信息。

(3)本发明根据采集图像，成功量化出蛋白质面积占比、交点数量、端点数量、分支长度信息，可以为食品配料、药物分子的设计和优化等领域提供有力指导。

附图说明

图1蛋白质特征提取系统流程图；

图2骨架提取算法定义模板

图3图像边缘消除模板

具体实施方式

以下结合说明书附图对本发明做进一步描述。

依据说明书附图(1)，对实施步骤进行详细阐述：

步骤(1).采集图像。

实验采集仪器为浙江省农科院FV 3000激光共聚焦显微镜，采用金龙鱼高筋麦芯小麦粉制备面团。根据AACCI 54-70.01检测面团吸水率和形成时间，并参照面团吸水率和形成时间确定加水量，即面团达到500FU稠度时停止和面。用0.01％(w/v)罗丹明B溶液替代8ml水加到和面机中和面，对面团中蛋白质进行染色。取适量染色的面团用包埋剂包埋后放在-20℃冰箱中冷冻固定，再用切片机切成若干个12μm、30μm的薄片，使其吸附在载玻片上，依次做好标记以备激光共聚焦显微镜采集图像使用。将厚度为12μm的面团切片样品倒置于激光共聚焦显微镜，使用波长为561nm的激光进行激发，在570-670nm处检测到发射，获取影像的X/Y分辨率为1024×1024像素。

步骤(2).运用HSV空间阈值分割算法提取蛋白质。

HSV(色相、饱和度、亮度)空间是一种用于描述颜色的模型，它将颜色分解为色相、饱和度和明度三个分量。HSV空间常用于颜色分割和图像处理中的色彩调整。

将采集的RGB图像转至HSV空间，提取色相、饱和度、亮度分量，直方图分析选取阈值分割图像，计算图像在HSV空间中的色相、饱和度和亮度的直方图，并观察直方图的分布情况。根据蛋白质区域的颜色特征，选择直方图中适当的峰值或阈值位置进行分割。采集图像中除蛋白质之外，还包含淀粉以及空洞部分，通过统计像素个数的方式，可以获得三个部分的面积占比。

步骤(3).改进细化算法，获取蛋白质分布拓扑结构图。

(3.1)拓扑性、细化性、中轴性是衡量图像骨架提取的三大重要标准，为了保证蛋白质拓扑图像有更好的拓扑性与中轴性，首先需要对二值图像进行膨胀操作，定义3*3的矩形结构元素，1表示的有效区域，0表示无效区域。将结构元素应用于图像：对于输入图像中的每个像素，将结构元素与其周围的像素进行比较。如果结构元素的中心与周围的像素相匹配(即相交的位置都是1)，则将当前像素设置为1；否则将其设置为0。

(3.2)使用迭代删除细化的方式，获取蛋白质分布的拓扑结构图。

在说明书附图2中，将x

第一步：

(a)2≤N(x

(b)A(x

(c)x

(d)x

上述(a)中将八邻域为1的像素点与八邻域为7或8的像素点排除在外，旨在保留端点的同时保证骨架的连通性；(b)通过检测目标像素八邻域像素值从0至1的变化，确保骨架上的像素点被保留；(c)标记8邻域东南边非骨架像素点；(d)标记8邻域西北角非骨架像素点。

第二步：

(a)2≤N(x

(b)A(x

(c)x

(d)x

第二步中(a)、(b)与第一步相同，(c)标记八邻域西北边非骨架像素点；(d)标记八邻域东南角非骨架像素点。

重复迭代上述第一步、第二步，将标记的像素点删除，直至得到最终的骨架图像。

(3.3)设计消除模板，对图像边界未完全细化处进行二次删除。

说明书附图3为消除模板，针对得到的骨架图像，遍历首行目标像素，如果目标像素八邻域中x

(a1)x

(a2)

(a3)

若b1、b2、b3其中有一个满足，则把该像素点保留，以此来消除图像首行边界处出现未细化的现象，末行、首列、末列也可用同样的原理细化。

对应消除模板公式如下：

(b1)x

(b2)

(b3)

步骤(4).连通域分析，量化蛋白质分布信息具体方法如下：

(4.1)遍历整个图像的像素，对于每个像素，检查其值是否为前景像素(像素值为1)。

(4.2)如果当前像素是前景像素，并且未被访问过，则创建一个新的连通域，并将当前像素添加到该连通域中。

(4.3)对于当前像素的相邻像素(八邻域)，如果相邻像素是前景像素并且未被访问过，则将其添加到当前连通域中，并将其标记为已访问。

(4.4)重复4.3，直到没有相邻的前景像素可以添加到当前连通域中为止。

(4.5)返回到步骤4.1，继续遍历图像的下一个未访问像素，直到所有像素都被遍历。

(4.6)重复4.1到步骤4.5，直到找到所有连通域。

假定当前像素为x,当前像素八邻域中前景像素个数为N(x)，遍历前景像素

(4.7)，若N(x)大于等于3，则认定该点为交点，统计交点个数。

(4.8)，若N(x)＝1，则认定该点为端点，统计端点个数。

(4.9)，针对每一个连通域，将交点和端点都作为特殊点，采用深度优先算法搜索路径，并记录路径上像素点个数，统计出相邻特殊点之间前景像素个数即可得到蛋白质分布每个分支长度。

本发明以采集的面团中蛋白质图像为例加以说明，但不局限于食品方向，可迁移至不同领域，例如某些疾病与蛋白质结构和功能的异常有关。通过对蛋白质拓扑图的分析，可以发现一些异常特征，如拓扑图中的非正常分支、缺失的连接等，这些可能与特定疾病的发生和发展有关，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。