[发明专利]一种基于边缘检测的生物芯片样点识别方法

权利要求书

1.一种基于边缘检测的生物芯片样点识别方法，其特征在于，该方法包括的步骤如下：

步骤S1：对生物芯片连续拍摄多幅图，合成取其平均值作为原图；

步骤S2：对原图进行样点边缘提取，对样点边缘运用形态学中的膨胀运算进行边缘连接及对样点边缘内进行区域填充，将原图转化为样点区域为黑色，背景区域为白色的二值图像，以此来确定样点的真实区域；

步骤S3：运用扫描法对生物芯片图像进行网格划分，得到生物芯片的网格，保证每个网格内只有一个样点，并自动确定样点阵列的行、列数，根据生物芯片的网格对样点按行依次进行编号；

步骤S4：记录下二值图像中每个网格内黑色像素点的位置，每个网格内黑色像素点的位置它与原图中样点区域的位置一一对应；根据这些位置信息，获取并保存原图中样点的面积及灰度值；

步骤S5：将原图中样点的面积、灰度值与标准芯片中样点的相应参数做比较，得到样点的自动识别结果。

2.如权利要求1所述的基于边缘检测的生物芯片样点识别方法，其特征在于，所述样点边缘提取的步骤是：

步骤S21：根据原图像的灰度梯度信息，运用自适应阈值的Canny算法自动提取原图中的样点边缘；

步骤S22：如果自动提取边缘失败，则转为手工描绘边缘。

3.如权利要求2所述的基于边缘检测的生物芯片样点识别方法，其特征在于，对自动提取边缘和手工描绘边缘的二值图像进行形态学腐蚀运算，再进行形态学开运算，最终确定出样点的真实区域。

4.如权利要求1所述的基于边缘检测的生物芯片样点识别方法，其特征在于，确定所述样点面积及灰度值是将原图与二值图像进行对比，记录下二值图像中黑色像素点的位置，获取原图中相应位置处样点的面积及灰度值。

5.如权利要求2所述的基于边缘检测的生物芯片样点识别方法，其特征在于，所述自适应阈值确定的步骤如下：

步骤S211：将Canny运算中非极值抑制后的图像像素点划分为D₁，D₂，D₃三个类别，其中D₁包含梯度幅值为{t₁，t₂，……t_k}的像素，代表着原图中的非边缘点；D₂包含梯度幅值为{t_k+1，t_k+2，……t_m}的像素，代表着原图中需要判断是否为边缘点的点；D₃包含梯度幅值为{t_m+1，t_m+2，……t_l}的像素，代表着原图中的边缘点；

步骤S212：设原图中总的像素数为N，灰度梯度为t_i对应的像素数为n_i，则灰度梯度t_i出现的概率为：p_i＝n_i/N，i＝1，2……，l，则整幅图像素的灰度梯度幅值期望为

发生在D₁，D₂，D₃类内像素的梯度幅值期望e₁(k)、e₂(k，m)、e₃(m)分别为：

e1(k)=Σi=1kti·piΣi=1kpi,]]>e2(k,m)=Σi=k+1mti·piΣi=k+1mpi,]]>e3(m)=Σi=m+1lti·piΣi=m+1lpi---(2)]]>

并且定义

定义评价函数

σ²(k，m)＝(e₁(k)-E)²·p(k)+(e₂(k，m)-E)²·p(k，m)+(e₃(m)-E)²·p(m)(4)

即

σ2(k,m)=(Σi=1kti·piΣi=1kpi-Σi=1lti·pi)2·Σi=1kpi+(Σi=k+1mti·piΣi=k+1mpi-Σi=1lti·pi)2·Σi=k+1mpi+(Σi=m+1lti·piΣi=m+1lpi-Σi=1lti·pi)2·Σi=m+1lpi,]]>

对于一幅已知图，上式中的灰度梯度t_i出现的概率p_i通过它的梯度直方图求出，梯度等级l人为地确定；因此上式即为一个关于k和m的二元二次函数，k在[1，l]之间取值，m在[k+1，l]之间取值；σ²(k，m)描述了类间方差，而类间方差最大化是数理统计意义上类间分离性最好的判据之一；因此能搜索σ²(k，m)的最大值，其最大值对应的t_k，t_m的值即为D₁，D₂，D₃区间的分界点，也即为所求的Canny算子的高、低阈值，σ表示三个区间的类间方差；p表示具体某个梯度出现的概率；D₁，D₂，D₃是根据图像像素的灰度梯度划分的三个类别；t表示图像像素的灰度梯度；i＝1，2…k…m…l表示梯度等级，N表示图像总的像素；n_i表示灰度梯度为t_i对应的像素个数；p(k)表示第一类像素点出现的概率，p(k，m)表示第二类像素点出现的概率，p(m)表示第三类像素点出现的概率；σ²(k，m)表示三个类别的类间方差。