時維娜++侯偉++辛化梅

摘 要： 對失真的雙向凝膠電泳圖像進行有效校正是實現(xiàn)凝膠圖像高效率、高準確率匹配的前提。針對凝膠圖像獲取過程中，由于樣本結構的差異、凝膠的鑄模和聚合、著色和掃描造成的失真，提出將“笑臉”形變模型與薄板樣條（TPS）形變模型相結合的形變方法。仿真實驗結果表明，形變校正效果有了明顯改善。

關鍵詞： 雙向凝膠電泳； TPS形變； 圖像形變； 凝膠圖像

中圖分類號： TN919.8?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2015）11?0079?04

Research on gel image correction algorithm based on TPS model

SHI Wei?na， HOU Wei， XIN Hua?mei

（College of Physics and Electronics， Shandong Normal University， Jinan 250014， China）

Abstract： Effective correction of anamorphic two?dimensional gel electrophoresis image is the precondition for implementing the high efficiency and high accuracy matching of gel images. Since the difference of sample structure， mould and polymerization of the gel， the distortion caused by coloring and scanning in the process of gel image acquisition， a new deformation method combining "smile" deformation model with thin plate spline （TPS） deformation model is proposed. Simulation results show that the deformation correction effect of the algorithm is improved significantly.

Keywords： two?dimensional gel electrophoresis； TPS deformation； image deformation； gel image

0 引 言

圖像形變就是一個像平面上的所有位置到另一個像平面位置的映射。具體來說，形變就是通過二元函數(shù)對[u（x，y）]和[v（x，y）]把一幅圖像上的位置[（x，y）]對應得到另一幅圖像上的[（u，v）]的位置[1]。

雙向凝膠電泳方法[2]可以追溯到1975年，但到目前為止這項技術仍被認為是實現(xiàn)蛋白質分離的最有效的方法[3]。雙向凝膠的第一向基于蛋白質的等電點不同用等電聚焦分離，第二向則按分子量的不同用聚丙烯酰胺凝膠電泳（SDS?PAGE）分離[3]，把復雜蛋白質混合物中的蛋白質在二維平面上分開，對最終結果進行掃描可視化得到雙向凝膠（2?DE）圖像。2?DE圖像中，蛋白質表現(xiàn)為不同形狀、不同大小和不同灰度的點。由于蛋白質樣本結構的不同，例如在不同的鹽濃度中，會影響蛋白質的遷移形勢，從而造成同一個蛋白質點在不同的凝膠圖像上可能出現(xiàn)在不同的位置，即所謂的“失真”。即使對一個特定的樣本進行重復分析，也可能由于凝膠的局部拉伸造成凝膠圖像失真。盡管雙向凝膠電泳技術有了顯著地提高，但是凝膠間的幾何失真仍然存在，造成不同凝膠圖像上的同一蛋白質點不能有效重合，從而影響匹配的效率和準確度。因此，對凝膠圖像的失真進行形變校正是基于計算機2?DE圖像分析的關鍵一步。

本文在綜合分析已有的圖像形變模型[4～8]的基礎上，針對凝膠圖像的失真特點，提出了將“笑臉”形變模型與薄板樣條函數(shù)（TPS）形變模型相結合的形變方法。

首先，針對在凝膠圖像獲取過程中會出現(xiàn)電流側漏而造成的失真進行“笑臉”形變；然后，基于TPS形變模型能近似生物相關形變的優(yōu)點，對凝膠圖像進行TPS形變。

1 算法介紹

1.1 “笑臉”形變模型

Glasbey C.A.and Wright F.于1994年針對多軌跡凝膠電泳中由于不同凝膠部分的蛋白質不均一流動性產生的“微笑”失真如圖1所示，提出了“笑臉”形變模型[9]。

由失真圖像可以看出，只有圖像的行坐標[Y]發(fā)生了改變，據此提出了“笑臉”形變模型：

[U=X]

[V=Y+β?100-4n2clmX-nclm22+1] （1）

式中：[β]為形變程度系數(shù)，該系數(shù)可以通過對比失真圖像與模板圖像獲得；[nclm]為圖像的列數(shù)。不難看出，用此模型對圖像進行形變會引起圖像高度的變化。為了獲得與原圖尺寸大小相同的校正圖像，引入高度校正系數(shù)[Hscale：]

[Hscale=100?β+nclmnclm] （2）

則“笑臉”形變模型可變?yōu)椋?/p>

[U=X]

[V=Y+β?100-4n2clmX-nclm22+1Hscale] （3）

1.2 薄板樣條（TPS）形變模型

TPS最初是作為解決理想力學問題的方法出現(xiàn)的。確定一個無限域中薄板的形狀，薄板只能發(fā)生彎曲形變，近似通過一些特定的數(shù)據點，并具有最小的線性彎曲能量。把TPS作為醫(yī)學圖像分析的一種方法是由Bookstein提出的，目前TPS已經廣泛應用于多模態(tài)圖像自動融合，左心室動態(tài)重建，組織變形，關節(jié)表面模型化等問題中[10]。這種方法利用一個薄板來接近網格點，并最小化彎曲能量和均方誤差的加權和。

平滑TPS是一個經典的逼近函數(shù)。TPS曲面用一個方程式來逼近選定的[n]個點：

[Z（x，y）=a0+axx+ayy+i=1nwiU（ri）] （4）

式中：[r2i=（x-xi）2+（y-yi）2；]徑向函數(shù)[U（r）=r2logr2]是雙協(xié)調方程的基礎解[11]，能夠滿足最小化彎曲能量函數(shù)的條件；權數(shù)[wi]與垂直作用于薄板上點[（xi，yi）]的集中力成正比。曲面通過薄板來逼近[n]個點，薄板的彎曲能量為：

[E=R2?2z?x22+2?2z?x?y2+?2z?y22dxdy] （5）

在上述TPS公式中，得到的[Z（x，y）]可以直接應用于兩個圖像坐標系特定對應點之間的映射。這樣，TPS可以用來解決二維平面圖像的校正問題，并且最小化彎曲能量和均方誤差的加權和。在校正失真圖像的應用中，[（xi，yi）]代表失真圖像坐標系中失真標記點坐標，[（Xi，Yi）]為模板圖像坐標系中與[（xi，yi）]相對應的點坐標。令[Z]代表[[X1，X2，…，Xn]T]或者[[Y1，Y2，…，Yn]T，]通過矩陣運算，就得到TPS的未知參數(shù)[wi（i=1，2，…，n），a0，ax，ay。]

獲取兩幅圖像中[n]對相應標記點坐標[（xi，yi）]和[（Xi，Yi）][（i=1，2，…，n），]則有：

[Zi（xi，yi）=a0+axxi+ayyi+j=1nwjU（rij）， i=1，2，…，n]

[r2ij=（xi-xj）2+（yi-yj）2，U（rii）=0] （6）

矩陣形式為：

[Z=PA+KW] （7）

其中：

[K=0U（r12）…U（r1n）U（r21）0…U（r2n）…………U（rn1）U（rn2）…0]

[W=w1w2?wn，P=1x1y11x2y2………1xnyn，A=a0axat] （8）

令：

[L=KPPTO]

[V=X1X2...Xn000Y1Y2...Yn000]

依據標記點的對應關系可得：

[LWA=VTWA=L-1VT] （9）

由此得到TPS形變模型中的所有未知參數(shù)。

2 實驗仿真分析

2.1 形變算法實現(xiàn)步驟

形變算法的具體實現(xiàn)步驟如下：

（1） 對比失真圖像與模板圖像獲得形變程度系數(shù)[β]和圖像的列數(shù)[nclm，]得到“笑臉”形變模型中未知參數(shù)；

（2） 獲取兩幅圖像中[n]對相應標記點坐標[ipts]和[opts，]利用“笑臉”形變模型對坐標[ipts]進行變換得到[Sipts；]

（3） 利用標記點坐標[Sipts]和[opts，]獲得TPS形變模型的未知參數(shù)[wi（i=1，2，…，n），a0，ax，ay；]

（4） 建立與原圖尺寸大小相等的灰度值為零的圖像[wimg，]對其坐標進行“笑臉”形變和TPS形變；

（5） 根據失真圖像與模板圖像坐標間的對應關系，將模板圖像的灰度值賦給[wimg；]

（6） 最終得到的圖像[wimg]就是校正后的圖像。

2.2 實驗仿真分析

本文應用提出的新的形變方法，分別對模擬凝膠失真圖像和真實凝膠失真圖像進行形變校正測試。模擬凝膠失真圖像的形變效果如圖2所示。圖3為模擬凝膠失真圖像和形變后的凝膠圖像與模板圖像的差值圖像比較。對真實凝膠失真圖像進行相同的測試和比較，形變效果如圖4所示，比較結果如圖5所示。

從圖3和圖5可以看出，應用新方法形變校正后的凝膠圖像與原模板圖像的相似度大大提高。

表1是對“笑臉”形變模型、TPS形變模型和將兩種模型結合校正結果的客觀分析，通過比較校正后的圖像與原模板圖像的歸一化均方誤差（NMSE）和相似度（SML），可以看出將“笑臉”模型和TPS模型結合后的校正效果比單獨應用時有了顯著提高。

3 結 論

本文在綜合分析已有的圖像形變模型的基礎上，針對凝膠圖像的失真特點，提出將“笑臉”形變模型與薄板樣條函數(shù)（TPS）形變模型相結合的形變方法。首先，將失真圖像中的坐標及選擇的失真圖像中的標記點坐標[ipts]進行“笑臉”形變；然后，再進行TPS變換；最后，根據失真圖像與模板圖像坐標間的對應關系，賦予灰度值，獲得校正圖像。仿真結果表明，將兩種模型結合后獲得的校正圖像和模板圖像的相似度有了明顯改善。

參考文獻

[1] GLSDNRY C A， MARDIA K V， LOMATHEMATICS B， et al. A review of image?warping methods [J]. Journal of Applied Statistics， 1998， 25（2）： 155?171.

[2] AITTOKALLIO T， SALMI J， NYMAN T A， et al. Geometrical distortions in two?dimensional gels： applicable correction me?thods [J]. Journal of Chromatography： B， Analytical Technologies in the Biomedical Life Sciences， 2005， 821（1/2）： 25?37.

[3] RABILLOUD T， CHEVALLET M， LUCHE S， et al. Two?dimensional gel electrophoresis in proteomics： past， present and future [J]. Journal of Proteomics， 2010， 73（11）： 2064?2077.

[4] SMILANSKY Z. Automatic registration for images of two?dimensional protein gels [J]. Electrophoresis， 2001， 22（19）： 1616?1626.

[5] GLASBEY C A， MARDIA K V. A penalized likelihood approach to image warping [J]. Journal of the Royal Statistical Society： Series B （Statistical Methodology）， 2001， 63（3）： 465?471.

[6] 孫冬梅，裘正定.利用薄板樣條函數(shù)實現(xiàn)非剛性圖像匹配算法[J].電子學報，2002，30（8）：1104?1107.

[7] NOMA A， PARDO A， CESAR R M. Structural matching of 2D electrophoresis gels using deformed graphs [J]. Pattern Re?cognition Letters， 2011， 32（1）： 3?11.

[8] 賈宇峰，林秋霞，郭堯君，等.蛋白質雙向電泳圖像分析[J].生物化學與生物物理進展，2001，28（2）：246?250.

[9] GLASBEY C A， WRIGHT F. An algorithm for unwarping multitrack electrophoretic gels [J]. Electrophoresis， 1994， 15（1）： 143?148.

[10] FANTOZZI S， CAPPELLO A， LEARDINI A. A global me?thod based on thin?plate splines for correction of geometric distortion： an application to fluoroscopic images [J]. Medical Physics， 2003， 30（2）： 124?131.

[11] BOOKSTEIN F L. Principal warps： thin?plate splines and the decomposition of deformations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1989， 11（6）： 567?585.