李鐵軍，孫 躍，邵桂芳

(1.重慶大學(xué)自動(dòng)化學(xué)院,重慶400044; 2.廈門(mén)大學(xué)自動(dòng)化系,福建廈門(mén)361005)

一種基因芯片圖像的對(duì)比度增強(qiáng)方法

李鐵軍1，孫 躍1，邵桂芳2

(1.重慶大學(xué)自動(dòng)化學(xué)院,重慶400044; 2.廈門(mén)大學(xué)自動(dòng)化系,福建廈門(mén)361005)

為降低對(duì)比度對(duì)網(wǎng)格定位和基因點(diǎn)分割的影響，提出了一種基因芯片圖像的自適應(yīng)對(duì)比度增強(qiáng)方法.基于四階矩進(jìn)行圖像對(duì)比度計(jì)算，并統(tǒng)計(jì)圖像背景灰度，從而實(shí)現(xiàn)僅針對(duì)基因點(diǎn)的自適應(yīng)對(duì)比度增強(qiáng).通過(guò)6個(gè)不同數(shù)據(jù)集的79幅圖像實(shí)驗(yàn)表明：該對(duì)比度增強(qiáng)方法無(wú)需人工干預(yù)及參數(shù)輸入，可自動(dòng)增強(qiáng)圖像對(duì)比度，魯棒性強(qiáng)；對(duì)比度增強(qiáng)后的圖像網(wǎng)格定位準(zhǔn)確率普遍提高，最高可達(dá)25%.

基因芯片；圖像處理；對(duì)比度；網(wǎng)格定位

基因芯片 (cDNA microarray)以高通量、微型化、自動(dòng)化及低成本等優(yōu)點(diǎn)成為后基因組時(shí)代最重要的基因檢測(cè)工具之一,是緩解重大疾病預(yù)防與控制 (中國(guó)大腸癌發(fā)病率以4.71%逐年遞增［1］)的一項(xiàng)新技術(shù)［2］,能夠有效地應(yīng)用于基因測(cè)序和生物學(xué)研究［3］.基因芯片分析包含樣本采集、芯片制備、掃描成像、圖像處理、數(shù)據(jù)分析和生物學(xué)應(yīng)用等步驟［4］.基因芯片的圖像處理是其中提取基因表達(dá)水平信息的關(guān)鍵步驟,其準(zhǔn)確性和可靠性將直接影響基因表達(dá)譜數(shù)據(jù)的有效性,并最終決定生物學(xué)分析和病理分析的成敗.因此,基因芯片圖像處理對(duì)解讀成千上萬(wàn)個(gè)基因點(diǎn)的雜交信息,建立可信疾病預(yù)測(cè)具有重要的意義,其分析的可靠性和準(zhǔn)確性將直接影響到芯片的推廣與使用.目前,基因芯片圖像處理的研究主要在網(wǎng)格定位算法［5－7］、基因點(diǎn)分割算法［8－11］和工具軟件三個(gè)方面展開(kāi).然而,芯片制作過(guò)程復(fù)雜 (會(huì)帶來(lái)操作失誤或儀器誤差)、圖像質(zhì)量多變 (會(huì)出現(xiàn)噪聲等級(jí)不同、基因點(diǎn)形態(tài)各異和基因點(diǎn)分布疏密不一)以及圖像分析方法多樣等,對(duì)基因芯片圖像處理造成巨大挑戰(zhàn).導(dǎo)致目前基因芯片圖像處理過(guò)程存在如下問(wèn)題：1)算法精度完全依賴于圖像質(zhì)量；2)單一算法無(wú)法滿足要求,需要采用新的理論或方法對(duì)基因芯片圖像處理進(jìn)行更深入的研究.

圖像預(yù)處理對(duì)提高圖像質(zhì)量,提高圖像分析結(jié)果精度具有重要意義.現(xiàn)有基因芯片圖像預(yù)處理著重于基因芯片圖像的噪聲去除［12－13］或者傾斜校正,很少有人研究對(duì)比度增強(qiáng).目前的基因芯片對(duì)比度增強(qiáng)研究,大部分是針對(duì)磁共振成像的對(duì)比度增強(qiáng)掃描［14］.另外有少部分文獻(xiàn)研究用直方圖均衡化進(jìn)行基因芯片圖像的對(duì)比度增強(qiáng)［15－16］.實(shí)際上,除了常用的直方圖均衡化外,一些新方法不斷涌現(xiàn),如小波變換［17］、亮度保持［18］和多尺度top-hat變換［19］等,但這些新方法執(zhí)行速度較慢.為此,本文提出一種新的自適應(yīng)對(duì)比度增強(qiáng)方法.為僅增強(qiáng)有效基因點(diǎn)信息,本文提出先進(jìn)行背景灰度統(tǒng)計(jì),然后基于四階矩自動(dòng)計(jì)算圖像自身對(duì)比度,最后進(jìn)行對(duì)比度增強(qiáng).

1 算法原理及流程

通常圖像對(duì)比度增強(qiáng)采用的方法是灰度變換法,即對(duì)圖像灰度范圍進(jìn)行線性擴(kuò)展,如

但該方法涉及到的a,b,c,d參數(shù)均需要預(yù)先設(shè)定,即需要人為給出原始圖像的對(duì)比度范圍以及需要增強(qiáng)的目標(biāo)對(duì)比度范圍,不具有適應(yīng)性.圖像整體灰度的改變?nèi)菀自斐蛇^(guò)度增強(qiáng).

像素點(diǎn)與其周圍像素點(diǎn)的相似程度,可以說(shuō)明其對(duì)比度變化情況,相似程度高,表明該點(diǎn)所在區(qū)域灰度分布比較平坦,也就是具有較低的對(duì)比度.四階矩采用多維方式描述點(diǎn)集分布情況,可以更好地展示像素點(diǎn)與其周圍鄰近點(diǎn)的灰度對(duì)比.此外,由于基因芯片圖像的特殊性,即背景灰度值較低,并且只需關(guān)注基因點(diǎn)的灰度值.因此,通過(guò)背景灰度統(tǒng)計(jì),只放大基因點(diǎn)部分灰度值,從而實(shí)現(xiàn)局部對(duì)比度增強(qiáng),是一種有效增強(qiáng)圖像對(duì)比度的方法,其關(guān)鍵是如何實(shí)現(xiàn)背景估計(jì)以及對(duì)比度增強(qiáng)系數(shù)設(shè)計(jì).

自適應(yīng)對(duì)比度增強(qiáng)方法主要包括3個(gè)關(guān)鍵部分：1)為了只增強(qiáng)基因點(diǎn),進(jìn)行背景灰度估計(jì)；2)基于四階矩的圖像對(duì)比度獲??；3)自適應(yīng)對(duì)比度增強(qiáng).

算法具體流程如下：

步驟1：讀入圖像f(x,y),為簡(jiǎn)化計(jì)算,將其由16位轉(zhuǎn)換為8位,f(x,y)＝f(x,y)/256.

步驟2：采用10×10的Aj窗口在圖像邊緣位置掃描,取每個(gè)窗口內(nèi)最大灰度值.

步驟3：每個(gè)邊緣位置分別隨機(jī)選擇兩邊和中間3個(gè)位置,共計(jì)12個(gè)窗口位置,最后取最大灰度值集合的最小值作為背景灰度值,即

步驟4：為避免隨機(jī)性及噪聲影響,重復(fù)步驟2～3,取m＝10,即重復(fù)10次,取平均值作為最后的背景估計(jì)值k.

步驟5：計(jì)算圖像f(x,y)的水平投影信號(hào)x,即將二維信號(hào)轉(zhuǎn)換為一維信號(hào).

步驟7：圖像對(duì)比度計(jì)算采用

步驟8：對(duì)圖像f(x,y)進(jìn)行掃描,如果判斷是背景f(x,y)≤k,則保留圖像內(nèi)容,如果是基因點(diǎn)f(x,y)＞k,則進(jìn)行對(duì)比度增強(qiáng),即

步驟9：為了去除增強(qiáng)后的噪聲影響,采用3×3的中值濾波器對(duì)圖像進(jìn)行掃描,針對(duì)某個(gè)像素點(diǎn)g(x,y),取其鄰域圖像塊g(x＋n,y＋l),其中l(wèi),n∈［－1,1］.

步驟11：對(duì)圖像塊進(jìn)行從小到大排序gs＝sort(g(x＋n,y＋l)).

步驟12：取中間值g′(x,y)＝gs(5)；

步驟13：重復(fù)步驟9～12,最后得到濾除噪聲后的圖像g′(x,y).

步驟14：還原圖像g′(x,y)＝g′(x,y)×256.

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)設(shè)置

為驗(yàn)證所提方法的有效性,本文選取了6個(gè)數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn),包括：1)貝勒醫(yī)學(xué)院 (BaylorCollege of Medicine,BCM)提供的圖像數(shù)據(jù)；2)瑞士生物信息研究所的癌癥基因組學(xué)計(jì)算小組提供的圖像 (Swiss Institute of Bioinformatics,SIB)；3)Joe DeRisi個(gè)人網(wǎng)站提供的圖像數(shù)據(jù)；4)加利福尼亞大學(xué) (University of California,San Francisco,UCSF)提供的圖像數(shù)據(jù)；5)基因表達(dá)譜數(shù)據(jù)庫(kù)(Gene Expression Omnibus,GEO)；6)斯坦福大學(xué)基因數(shù)據(jù)庫(kù) (Stanford Microarray Database,SMD).數(shù)據(jù)庫(kù)詳細(xì)信息如表1所示.

表1 6個(gè)數(shù)據(jù)庫(kù)的基因芯片圖像細(xì)節(jié)信息Table 1 Information of microarray images on six different data sets

全部實(shí)驗(yàn)在Matlab 6.5下實(shí)現(xiàn),為方便實(shí)驗(yàn),利用網(wǎng)格定位方法先將整幅基因芯片圖像分割成子網(wǎng)格,對(duì)比度增強(qiáng)及后續(xù)網(wǎng)格定位效果分析都在子網(wǎng)格圖像上進(jìn)行.

2.2 對(duì)比度增強(qiáng)效果

圖1展示了子網(wǎng)格圖像增強(qiáng)前后的對(duì)比度數(shù)值.由圖1可以看出本文方法在很大程度上提高了圖像對(duì)比度,可以看出基因點(diǎn)對(duì)比度被增強(qiáng)了,證明本文提出的自適應(yīng)對(duì)比度增強(qiáng)方法是有效的.

圖1 SMD和GEO數(shù)據(jù)集對(duì)比度增強(qiáng)前后效果對(duì)比Fig.1 Comparison of contrast enhancement on SMD and GEO data sets

表2給出了SMD數(shù)據(jù)庫(kù)圖像的對(duì)比度數(shù)值統(tǒng)計(jì)結(jié)果,可以看出對(duì)比度增強(qiáng)前圖像的平均對(duì)比度為2 340.483,增強(qiáng)后平均對(duì)比度為6 694.416,圖像對(duì)比度增強(qiáng)了3倍左右.

表2 對(duì)比度增強(qiáng)前后SMD數(shù)據(jù)集圖像對(duì)比度值Table 2 Contrast values of SMD data set before and after contrast enhancement

圖2給出了其他4個(gè)數(shù)據(jù)庫(kù)圖像對(duì)比度增強(qiáng)對(duì)比情況,可以看出在6個(gè)數(shù)據(jù)集里,GEO和USCF圖像對(duì)比度普通較低,BCM和UCSF數(shù)據(jù)庫(kù)圖像對(duì)比度增強(qiáng)倍數(shù)最大.實(shí)驗(yàn)表明,不論原始圖像如何,本文方法都可以有效實(shí)現(xiàn)基因點(diǎn)的對(duì)比度增強(qiáng).

圖2 4個(gè)數(shù)據(jù)集增強(qiáng)前后對(duì)比度數(shù)值變化情況Fig.2 Contrast values vary on four different data sets before and after contrast enhancement

2.3 對(duì)比度增強(qiáng)對(duì)網(wǎng)格定位的影響

為進(jìn)一步比較對(duì)比度增強(qiáng)對(duì)基因芯片圖像處理的影響,文中詳細(xì)分析了6個(gè)數(shù)據(jù)集下不同類型圖像的網(wǎng)格定位效果.網(wǎng)格定位方法采用課題組之前提出的基于最大類間方差方法［20］.表3給出了對(duì)比度增強(qiáng)前后不同數(shù)據(jù)集下網(wǎng)格定位準(zhǔn)確率,可以看出,對(duì)比度增強(qiáng)后,網(wǎng)格定位準(zhǔn)確率都有所提高.

表3 對(duì)比度增強(qiáng)前后網(wǎng)格定位平均準(zhǔn)確率Table 3 Average precision of gridding before and after contrast enhancement

圖3給出了對(duì)比度增強(qiáng)前后網(wǎng)格定位結(jié)果,可以看出,對(duì)比度較低的圖像,都無(wú)法精確實(shí)現(xiàn)網(wǎng)格定位,而在對(duì)比度增強(qiáng)后基本都能準(zhǔn)確定位,除了SIB數(shù)據(jù)庫(kù)的圖像因含有大量噪聲導(dǎo)致網(wǎng)格定位失敗外.

圖3 圖像的對(duì)比度增強(qiáng)前后網(wǎng)格定位結(jié)果對(duì)比Fig.3 Gridding results before and after contrast enhancement

上述實(shí)驗(yàn)均表明,圖像對(duì)比度是影響基因芯片圖像網(wǎng)格定位準(zhǔn)確與否的一大因素,因此,進(jìn)行對(duì)比度增強(qiáng)是有必要的.此外,本文提出的對(duì)比度增強(qiáng)方法不需要任何參數(shù)輸入,完全自動(dòng)獲取圖像對(duì)比度并進(jìn)行增強(qiáng),不僅能用到各種類型的基因芯片圖像上,也可以直接移植到其他圖像上,具有通用的適用價(jià)值.重要的是,利用該方法對(duì)基因芯片圖像進(jìn)行對(duì)比度增強(qiáng)后,可以大幅度提高后續(xù)圖像分析處理的準(zhǔn)確率,最高可達(dá)25%.

3 結(jié)語(yǔ)

基因芯片圖像預(yù)處理對(duì)后續(xù)網(wǎng)格定位、基因點(diǎn)分割準(zhǔn)確率有很大影響,而現(xiàn)有基因芯片圖像預(yù)處理主要關(guān)注圖像去噪和傾斜校正.但通過(guò)研究發(fā)現(xiàn),圖像對(duì)比度對(duì)網(wǎng)格定位準(zhǔn)確率影響非常大.因此,本文提出通過(guò)自動(dòng)計(jì)算圖像對(duì)比度,并估計(jì)背景灰度,而有效針對(duì)基因點(diǎn)進(jìn)行對(duì)比度增強(qiáng)的方法.該方法可自動(dòng)實(shí)現(xiàn)圖像對(duì)比度增強(qiáng),無(wú)需任何參數(shù)輸入.實(shí)驗(yàn)結(jié)果表明對(duì)比度增強(qiáng)后的網(wǎng)格定位準(zhǔn)確率可提高5%～25%.通過(guò)對(duì)BCM,SIB,DeRisi,UCSF,GEO和SMD 6個(gè)數(shù)據(jù)集的圖像進(jìn)行對(duì)比度增強(qiáng)實(shí)驗(yàn),發(fā)現(xiàn)在6個(gè)數(shù)據(jù)庫(kù)上,所有圖像對(duì)比度都得到了增強(qiáng).就網(wǎng)格定位準(zhǔn)確率而言,GEO數(shù)據(jù)庫(kù)圖像網(wǎng)格定位準(zhǔn)確率提高最多,原因是該數(shù)據(jù)庫(kù)圖像對(duì)比度較低,難以區(qū)分背景和基因點(diǎn).而SIB數(shù)據(jù)庫(kù)網(wǎng)格定位準(zhǔn)確率提高最少,原因是該數(shù)據(jù)集圖像含噪聲比較多.此外,本文方法存在噪聲點(diǎn)會(huì)同時(shí)增強(qiáng)及部分圖像過(guò)度增強(qiáng)的缺陷,后續(xù)工作將研究修改對(duì)比度增強(qiáng)公式,以避免對(duì)比度非常低的圖像過(guò)度增強(qiáng),從而導(dǎo)致噪聲增多的情況.

［1］王媛媛.大腸癌干細(xì)胞基因表達(dá)譜特點(diǎn)及其信號(hào)通路的篩選鑒定 ［D］.廣州：南方醫(yī)科大學(xué)，2011.

［2］夏俊芳，劉箐.生物芯片應(yīng)用概述 ［J］.生物技術(shù)通報(bào)，2010（7）：73-77.

［3］博思數(shù)據(jù)研究中心.2011—2013年中國(guó)生物芯片行業(yè)深度調(diào)研與投資前景研究報(bào)告 ［R］.北京：博思數(shù)據(jù)研究中心，2011.

［4］PETER B.An overview of DNA microarray image requirements for automated processing［C］//IEEE Computer Society International Conference on Computer Vision and Pattern Recognition.San Diego：Springer，2005，147.

［5］THAMARAIMANALAN P，KUMAR D，NIRMALAKUMARI K.Efficient gridding and segmentation for microarray images［J］.International Journal of Computer Science and Mobile Computing，2014，3（2）：353-360.

［6］HARIKIRAN J，AVINASH B，VLAKSHMI D R，et al.Automatic gridding method for microarray images［J］.Journal of Theoretical and Applied Information Technology，2014，65（1）：235-241.

［7］RUEDA L，REZAEIAN I.A fully automatic gridding method for cDNA microarray images［J］.BMC Bioinformatics，2011，12（16）：1-17.

［8］ALIAA S E，GHADA E，MOHAMED M E，et al.Segmentation of complementary DNA microarray images using markercontrolled watershed technique［J］.International Journal of Computer Applications，2015，110（12）：30-34.

［9］MAGULURI L P，RAJAPANTHULA K，SRINIVASU P N.A comparative analysis of clustering based segmentation algorithms in microarray images［J］.International Journal of Emerging Science and Engineering，2013，1（5）：27-32.

［10］WANGA Zi-dong，ZINEDDIN B，LIANG Jin-ling，et al.cDNA microarray adaptive segmentation［J］.Neurocomputing，2014，142（22）：408-418.

［11］GIANNAKEAS N，KARVELIS P S，F(xiàn)OTIADIS D I.A classification-based segmentation of cDNA microarray images using support vector machines［C］ //The 30th Annual International IEEE EMBS Conference.Vancouver：Springer，2008：875-878.

［12］SHAMS R，RABBANIB H，GAZORC S.A Comparison of x-lets in denoising cDNA microarray images［C］//IEEE International Conference on Acoustic，Speech and Signal Processing.Florence：Springer，2014：2 843-2 847.

［13］HOWLADER T，CHAUBEY Y P.Noise reduction of cDNA microarray images using complex wavelets［J］.IEEE Transactions on Image Processing，2010，19（8）：1 953-1 967.

［14］CHOYKE P L，DWYER A J，KNOPP M V.Functional tumor imaging with dynamic contrast-enhanced magnetic resonance imaging［J］.Journal of Magnetic Resonance Imaging，2003，17（5）：509-520.

［15］SAFFARIAN N，ZOU J J.DNA microarray image enhancement using conditional sub-block bi-histogram equalization［C］//IEEE International Conference on Video and Signal Based Surveillance.Sydney：［s.n.］，2006：86-91.

［16］尹寧.基因芯片圖像識(shí)別系統(tǒng)研究 ［D］.長(zhǎng)春：吉林大學(xué)，2012.

［17］STARCK J L，MURTAGH F，CANDES E J，et al.Gray and color image contrast enhancement by the curvelet transform［J］.IEEE Transactions on Image Processing，2003，12（6）：706-717.

［18］IBRAHIM H，KONG N S P.Brightness preserving dynamic histogram equalization for image contrast enhancement［J］. IEEE Transactions on Consumer Electronics，53（4）：1 752-1 758.

［19］BAI X Z，ZHOU F G，XUE B D.Infrared image enhancement through contrast enhancement by using multiscale new top-hat transform［J］.Infrared Physics＆Technology，2011，54（2）：61-69.

［20］SHAO G F，YANG F，ZHANG Q，et al.Using the maximum between-class variance for automatic gridding of cDNA microarray images［J］.IEEE/ACM Transactions on Computational Biology and Bioinformatics，2013，10（1）：181-192.

A Contrast Enhanced Imaging for cDNA Microarray

LI Tie-jun1，SUN Yue1，SHAO Gui-fang2
（1.College of Automation，Chongqing University，Chongqing 400044，China；2.Department of Automation，Xiamen University，Xiamen 361005，China）

An automatic algorithm for enhanced contrast is proposed for microarray imaging to reduce the low precision of gridding and segmentation caused with low contrast images.Contrast was first computed based on the fourth order moment，and a background gray value estimated.Contrast was thus enhanced on the spot only.Experiments on 79 images drawn from six different data sets were then done.The results show that the proposed method can enhance the image contrast with good robustness without any parameter input or other human intervention.In addition，the gridding accuracy is increased with enhanced contrast，up to a maximum of 25%.

cDNA microarray；imaging；contrast；gridding

TP391.4

A

1673－4432（2015）03－0029－06

（責(zé)任編輯 李 寧）

2015－04－08

2015－05－12

國(guó)家自然科學(xué)基金項(xiàng)目 (61403318,6140138)；福建省自然科學(xué)基金項(xiàng)目 (2013J01255；2013J01246)

李鐵軍 (1976－),男,工程師,碩士,研究方向?yàn)槟Ｊ阶R(shí)別與智能優(yōu)化處理.E-mail：litiejunxin＠gmail.com