论文部分内容阅读
随着时代的进步,观测活体生物细胞中的线粒体、蛋白质等细胞中的亚细胞粒子的动力学参数的研究,对于生物医学家进一步了解疾病的引发原因、细胞活动的机制、生物的神经活动等问题有很大的帮助。使用数字图像处理方法,在生物图像中对亚细胞粒子进行检测、分离、跟踪,获取粒子的位置等信息,是生物医学领域非常重要的研究手段。实际实验中获取的生物荧光显微序列中,由于受到成像的荧光显微镜硬件条件的限制和生物活体细胞内其他细胞结构的影响,视频序列中的每帧图像均包含待检测的目标线粒体和细胞质阴影产生的背景结构,因而图像中的信噪比往往较低,同时目标粒子呈现为附着于神经元轴突的密集小尺度粒子,没有明显的边界,且缺乏可靠的识别特征,因此此类图像无法达到普通的粒子识别算法的要求,成为目前数字图像领域的研究难点和热点。本文以宽场显微镜下亚细胞粒子视频序列为研究对象,提出一种新的基于矩阵分解方法的粒子识别算法,将序列中的待识别线粒体与细胞质阴影产生的背景结构分离,达到图像增强和降噪的目的,从实验结果中可以证明,显微序列中的线粒体可以被该算法精确的识别处理。首先,压缩感知理论的提出,使得奈奎斯特-香农定理被打破,在选取的测量矩阵达到要求的情况下,在保证精确重构出原始信号的基础上,很大程度上的降低了信号在传输和使用过程中的采样频率。其次,在压缩感知的理论基础上,矩阵分解方法被进一步提出,即可将一个原始的数据矩阵分解为一个低秩成分和一个稀疏成分。本文将此理论应用于果蝇神经元显微图像中,可以将图像中作为稀疏成分的线粒体与作为低秩成分的背景结构分离,完成图像增强,实现图像质量的提高。最后,先对粒子识别的基本步骤做简单介绍,并详细阐述了不同的粒子识别算法,并使用不同的粒子识别算法作用于使用不同粒子增强算法处理过的生物图像和模拟图像。实验结果证明,在使用矩阵分解方法处理过的图像中,其粒子的识别率和识别正确率均得到了大大的提升,远远高于其他算法,为生物图像中亚细胞粒子的检测提供了高效、准确的研究手段。