紙基納米金陣列圖像特征值自動(dòng)提取方法

易 鑫 羅小剛 錢(qián) 燁 霍丹群# 侯長(zhǎng)軍#

1(重慶醫(yī)科大學(xué)附屬第一醫(yī)院腫瘤科， 重慶 400016)2(重慶大學(xué)生物工程學(xué)院，重慶 400044)

引言

納米金顆粒(gold nanoparticles, AuNPs)因其獨(dú)特的光譜特性、較高的面容比和易于表面功能化被用作一種常用的檢測(cè)受體[1]。采用AuNPs在液相中檢測(cè)重金屬離子的結(jié)果表明AuNPs可作為一種高敏感、高選擇性的比色檢測(cè)傳感器[2-4]，但傳統(tǒng)液相檢測(cè)的穩(wěn)定性較差[5]，將AuNPs修飾到固態(tài)紙基上可克服液相檢測(cè)存在的不足，實(shí)現(xiàn)重金屬離子的穩(wěn)定檢測(cè)[6-8]。

基于紙基納米金的重金屬離子檢測(cè)中，紙基反應(yīng)點(diǎn)的顏色特征是實(shí)現(xiàn)物質(zhì)分析的重要信息。當(dāng)前，手動(dòng)處理是實(shí)現(xiàn)紙基特征信息提取的主要方式[9]，其效率低下，容易引入人為誤差，且所得到的特征信息可重復(fù)性較差。為了克服上述不足，紙基納米金以陣列方式進(jìn)行處理，采用特定圖像處理算法實(shí)現(xiàn)特征信息自動(dòng)提取。陣列圖像處理算法主要包括網(wǎng)格劃分、反應(yīng)點(diǎn)分割和特征提取等步驟。在網(wǎng)格劃分中，基于標(biāo)記點(diǎn)[10]、模板[11]和數(shù)學(xué)形態(tài)學(xué)結(jié)合投影[12-13]的方法相繼提出，其中基于投影的方法研究最為廣泛。在反應(yīng)點(diǎn)分割中，基于灰度直方圖[11]、固定圓[14]、邊緣檢測(cè)[15]、動(dòng)態(tài)模型[16]、聚類分析[17]、區(qū)域生長(zhǎng)[18]和人工神經(jīng)網(wǎng)絡(luò)[19]等方法相繼提出并取得較好效果。區(qū)別于傳統(tǒng)基因芯片或生物芯片的陣列，紙基納米金陣列是一種比色化學(xué)傳感陣列，由紙基排列而成，且傳感器的顏色會(huì)隨反應(yīng)液濃度而變化，因此需要一種針對(duì)性的特征提取方法。

本研究提出一種兩階段特征自動(dòng)提取方法。首先在HSI顏色空間中實(shí)現(xiàn)陣列粗分割、濾波和網(wǎng)格劃分；在此基礎(chǔ)上采用一種改進(jìn)的種子區(qū)域生長(zhǎng)(seeded region growing, SRG)算法實(shí)現(xiàn)精確分割，最后在精確分割基礎(chǔ)上實(shí)現(xiàn)特征信息提取。實(shí)驗(yàn)表明，提出的方法精確、穩(wěn)定、自適應(yīng)強(qiáng)，對(duì)基于紙基納米金的重金屬離子檢測(cè)系統(tǒng)研究具有重要價(jià)值，對(duì)陣列圖像處理具有較強(qiáng)的借鑒意義。

1 材料與方法

1.1 材料

以Fe3+檢測(cè)的紙基納米金[7]陣列圖像為實(shí)驗(yàn)對(duì)象，所有的圖像通過(guò)Epson Perfection V100掃描儀獲取，掃描精度600 dpi，光源環(huán)境由白色冷陰極熒光燈提供。實(shí)驗(yàn)數(shù)據(jù)中包括5×5紙基陣列共10張，不同陣列尺寸的紙基陣列10張。如圖1所示，5×5的紙基陣列中，每行包含同一離子濃度的五次平行試驗(yàn)結(jié)果，共5個(gè)不同離子濃度梯度，其中單張紙基(8 mm×8 mm)中反應(yīng)點(diǎn)區(qū)域?yàn)樾枰獙?shí)現(xiàn)特征提取的目標(biāo)區(qū)域(region of interest, ROI)，包含檢測(cè)分析所需的特征信息。

圖1 紙基陣列圖像Fig.1 Array image

1.2 方法

如圖2所示，特征提取方法的處理流程劃分為兩個(gè)階段：第一階段將圖像由RGB空間轉(zhuǎn)換到HSI空間，在HSI空間中進(jìn)行粗分割，采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)粗分割噪聲進(jìn)行濾除，在濾波結(jié)果上完成自適應(yīng)投影網(wǎng)格劃分；第二階段在劃分的各子區(qū)域中，以粗分割濾波結(jié)果作為初始種子點(diǎn)，提出一種改進(jìn)的SRG算法對(duì)反應(yīng)點(diǎn)進(jìn)行細(xì)分割，在細(xì)分割基礎(chǔ)上實(shí)現(xiàn)反應(yīng)點(diǎn)特征信息的提取。

圖2 算法框架Fig.2 Framework of algorithm proposed in this paper

1.2.1第一階段

1.2.1.1HSI粗分割

HSI顏色空間克服了RGB顏色空間不均勻、不直觀的不足，基于HSI顏色空間的處理能夠獲得更好的視覺(jué)響應(yīng)[20-21]，因此該方法在HSI顏色空間中對(duì)圖像進(jìn)行處理，轉(zhuǎn)換公式為

(1)

基于H分量對(duì)純色精細(xì)和I分量對(duì)無(wú)色敏感的特點(diǎn)[22]，選取H分量和I分量作為分析的關(guān)鍵參數(shù)。當(dāng)S分量接近0時(shí)，H分量變得不穩(wěn)定，此時(shí)將該區(qū)域視為“無(wú)色區(qū)域”；當(dāng)S分量接近1時(shí)，H分量變得精細(xì)，此時(shí)將該區(qū)域視為“純色區(qū)域”。通過(guò)S分量，決定某區(qū)域交由H分量分割(S>TS，TS為S分量判決閾值)或I分量分割(S

對(duì)于“純色區(qū)域”，基于H分量實(shí)現(xiàn)分割，由于H分量圓循環(huán)特性[23]，其計(jì)算公式為

(2)

式中，AH為分割結(jié)果，Hij為位于(i,j)的像素點(diǎn)的H值，Href為參考值，RH為波動(dòng)半徑，d(Hx,Hy)為兩H分量的相對(duì)距離。

根據(jù)紙基納米金顏色隨金屬離子濃度加大而變淺的特點(diǎn)[7]，認(rèn)為ROI區(qū)域的H分量變化以其眾數(shù)為基準(zhǔn)(Href)，波動(dòng)在一定范圍內(nèi)(RH)。如圖3(a)所示，Href為直方圖中出現(xiàn)頻次最高的H值。RH為經(jīng)驗(yàn)值，通過(guò)大量的測(cè)試取值為30。

在“無(wú)色區(qū)域”中，背景區(qū)域較ROI區(qū)域亮，且背景區(qū)域面積大于ROI區(qū)域，故采用I值的跳變點(diǎn)作為分割閾值實(shí)現(xiàn)該區(qū)域的分割，其計(jì)算公式為

(3)

式中，AI為分割結(jié)果，Iij為位于(i,j)的像素點(diǎn)的I值，φ(I)為“無(wú)色區(qū)域”I分量的直方圖包絡(luò)線函數(shù)。

如圖3(b)所示，TI閾值通過(guò)包絡(luò)線斜率最大時(shí)對(duì)應(yīng)的I值來(lái)確定。

圖3 粗分割直方圖。(a)“純色區(qū)域”直方圖；(b)“無(wú)色區(qū)域”直方圖(青色線為包絡(luò)線，藍(lán)色線為包絡(luò)線的一階導(dǎo)數(shù))Fig.3 The histogram of coarse segmentation. (a) Histogram of color region; (b) Histogram of colorless region (the cyan line is the envelope line, the blue line is the first derivative of the envelope line)

1.2.1.2數(shù)學(xué)形態(tài)學(xué)濾波

數(shù)學(xué)形態(tài)學(xué)是一種基于集合論的圖像處理方法，包含腐蝕和膨脹兩個(gè)基本操作，通過(guò)不同結(jié)構(gòu)元素的選取完成圖像處理。為濾除粗分割產(chǎn)生的噪聲，采用圓盤(pán)結(jié)構(gòu)對(duì)分割后的二值圖像進(jìn)行濾波，濾波算法如下：

Eflt=(E⊕B1)⊙B2

(4)

式中，Eflt為濾波后圖像，E為待濾波圖像，B1和B2分別為不同尺寸的圓盤(pán)形結(jié)構(gòu)(B1

結(jié)合紙基反應(yīng)點(diǎn)的大小，B1選擇了5×5的圓盤(pán)結(jié)構(gòu)，B2選擇了15×15的圓盤(pán)結(jié)構(gòu)。

1.2.1.3網(wǎng)格劃分

采用基于投影的方法，將濾波圖像在X軸和Y軸方向上進(jìn)行投影，通過(guò)投影曲線的“波峰”和“波谷”確定網(wǎng)格位置，投影方程為

(5)

式中，Vij為第i行第j列的點(diǎn)的像素值，因?yàn)V波圖像為二值圖，故Vij=1(白色)或Vij=0(黑色)。

圖4所獲得的投影曲線中“波峰”對(duì)應(yīng)ROI區(qū)域，“波谷”對(duì)應(yīng)背景區(qū)域，計(jì)算相鄰波峰的中點(diǎn)(紅色標(biāo)注點(diǎn))，即可確定網(wǎng)格線位置。

圖4 陣列圖像投影曲線(圖中圓點(diǎn)為相鄰波峰的中點(diǎn)位置)。(a)行投影；(b)列投影Fig.4 Projection curve of array image (The dots marked in the figure are the midpoints of adjacent peaks). (a)Row projection; (b) Column projection

1.2.2第二階段

1.2.2.1種子區(qū)域生長(zhǎng)

SRG算法由初始種子開(kāi)始，通過(guò)生長(zhǎng)策略對(duì)區(qū)域進(jìn)行合并，在生長(zhǎng)完成后實(shí)現(xiàn)圖像處理[24-25]。故算法包含兩個(gè)關(guān)鍵點(diǎn)：初始種子和生長(zhǎng)策略。該算法采用第一階段的濾波結(jié)果作為初始種子點(diǎn)，實(shí)現(xiàn)種子點(diǎn)自動(dòng)選取。在生長(zhǎng)策略上，提出基于色調(diào)吸引力(hue attractive force, HAF)和亮度吸引力(intensity attractive force, IAF)的相似性度量，對(duì)鄰域進(jìn)行判別，完成處理。

記初始標(biāo)記區(qū)域?yàn)镾，通過(guò)8-鄰域窗口確定N為鄰域待處理像素集，對(duì)N中的像素(x,y)∈N，分別計(jì)算像素點(diǎn)與標(biāo)記區(qū)域的HAF和IAF，有

(6)

式中，HAF(x,y,S)為標(biāo)記區(qū)域與待處理像素點(diǎn)在H分量空間的吸引力大小，IAF(x,y,S) 記為標(biāo)記區(qū)域與待處理像素點(diǎn)在I分量空間的吸引力大小，M為區(qū)域S中的像素個(gè)數(shù)，Sj為S內(nèi)第j個(gè)像素點(diǎn)，N(x,y)為鄰域像素點(diǎn)(x,y)∈N，GH和GI分別為HAF和IAF的權(quán)重系數(shù)，mSj和mN(x,y)分別為點(diǎn)Sj和N(x,y)的質(zhì)量，d(HSj,HN(x,y))為兩點(diǎn)的色調(diào)差，d(ISj,IN(x,y))為兩點(diǎn)的亮度差。

GH和GI的值根據(jù)H、I分量的噪聲情況來(lái)決定種子區(qū)域生長(zhǎng)中HAF和IAF的權(quán)重分配，通過(guò)計(jì)算H、I分量的熵值和圖像對(duì)比度來(lái)確定[20]。

熵值在一定程度上表征顏色分量的噪聲程度和不穩(wěn)定性。結(jié)合紙基圖像H、I分量的全概率關(guān)系圖，計(jì)算獲得各自分量的熵值，有

(7)

式中，p(Hi,Ij)為全局概率關(guān)系圖中(Hi,Ij)出現(xiàn)的概率值，而p(Hi)和p(Ij)為H、I分量在各自直方圖的概率值。

除了圖像熵值之外，確定權(quán)重系數(shù)還需要H、I分量的對(duì)比度。高對(duì)比度表明該分量可能存在嚴(yán)重的噪聲污染，對(duì)比度計(jì)算公式為

(8)

式中，MH[i,j]和MI[i,j]為H、I的灰度共生矩陣，Hmax為量化后H分量的最大灰度值，H、I分量對(duì)比度計(jì)算中灰度級(jí)數(shù)設(shè)置為8。

通過(guò)經(jīng)驗(yàn)公式可確定GH和GI的值，即

(9)

結(jié)合式(6)、(9)確定HAF和IAF以后，若HAF和IAF均大于閾值THAF、TIAF，則滿足相似性度量條件，對(duì)像素進(jìn)行合并。通過(guò)對(duì)N中所有像素點(diǎn)的判別，完成第一輪合并。將合并區(qū)域作為新的標(biāo)記區(qū)域S，更新其鄰域待處理像素集N，重復(fù)上述步驟，直至最新像素集N中無(wú)像素并入S，停止生長(zhǎng)，并取最終區(qū)域的8-鄰域像素作為最終分割邊界。

1.2.2.2特征提取

反應(yīng)點(diǎn)的RGB信息為提取的特征信息，基于該信息可進(jìn)行后續(xù)分析。因此，分別計(jì)算分割邊界內(nèi)所有像素點(diǎn)的R分量、G分量和B分量均值作為該反應(yīng)點(diǎn)的特征信息，并將其存儲(chǔ)到色譜圖中，最終實(shí)現(xiàn)反應(yīng)點(diǎn)的顏色特征信息提取。

1.3 方法評(píng)價(jià)

1.3.1精度和穩(wěn)定性

為論證方法的精度和穩(wěn)定性，對(duì)10張陣列圖像進(jìn)行處理(共計(jì)250個(gè)反應(yīng)點(diǎn))，對(duì)處理結(jié)果進(jìn)行分析。因該方法旨在精確有效地提取紙基特征信息，故以所提取的RGB信息作為分析參數(shù)對(duì)其進(jìn)行評(píng)估，并邀請(qǐng)本課題組3位從事納米金紙基研究的相關(guān)人員，采用Image J軟件手動(dòng)提取各反應(yīng)點(diǎn)特征信息，計(jì)算它們的均值作為金標(biāo)準(zhǔn)。以金標(biāo)準(zhǔn)為基準(zhǔn)，計(jì)算各特征分量與對(duì)應(yīng)金標(biāo)準(zhǔn)的相對(duì)誤差(relative error, RE)，并通過(guò)所有點(diǎn)的平均相對(duì)誤差(average relative error, ARE)、最大相對(duì)誤差(maximum relative error, MaRE)和相對(duì)誤差標(biāo)準(zhǔn)差(relative error standard deviation, RESD)，對(duì)方法的穩(wěn)定性和精度進(jìn)行評(píng)估。相對(duì)誤差RE為

式中，X為各反應(yīng)點(diǎn)對(duì)應(yīng)的顏色特征信息(R值、G值、B值)，GX為對(duì)應(yīng)點(diǎn)的金標(biāo)準(zhǔn)。

1.3.2自適應(yīng)特性

為論證方法的自適應(yīng)特性，即能自動(dòng)處理不同尺寸大小的陣列圖像，采用該方法對(duì)10組不同尺寸的陣列進(jìn)行處理，當(dāng)處理誤差滿足特征提取的最低要求(ARE<1%、MaRE<5%、RESD<1%)時(shí)判為合格，對(duì)方法的自適應(yīng)特性進(jìn)行評(píng)價(jià)。

2 結(jié)果

2.1 特征提取結(jié)果示意

圖5～8展示了5×5紙基納米金陣列的特征提取結(jié)果。如圖5所示，在第一階段中，該方法結(jié)合HSI顏色空間分別實(shí)現(xiàn)了粗分割、形態(tài)學(xué)濾波以及網(wǎng)格劃分。在此基礎(chǔ)上，第二階段的圖像分割范圍從全局分割縮小為局部的單個(gè)反應(yīng)點(diǎn)分割。如圖6所示，該方法通過(guò)基于HAF和IAF的生長(zhǎng)策略，完成了單個(gè)反應(yīng)點(diǎn)的精確分割。圖7為初始生長(zhǎng)區(qū)域S(如圖6(c)所示)所對(duì)應(yīng)HAF和IAF場(chǎng)強(qiáng)分布。如圖8所示，在所有反應(yīng)點(diǎn)精確分割的基礎(chǔ)上，該方法將最終分割結(jié)果的顏色均值存儲(chǔ)到色譜圖中，各色譜點(diǎn)在位置上與紙基陣列各反應(yīng)點(diǎn)一一對(duì)應(yīng)，實(shí)現(xiàn)了特征信息的可視化。

圖5 第一階段處理結(jié)果。(a)陣列圖像；(b)基于H分量的“純色區(qū)域”分割結(jié)果；(c)基于I分量的“無(wú)色區(qū)域”分割結(jié)果；(d)粗分割結(jié)果；(e)濾波結(jié)果；(f)網(wǎng)格劃分結(jié)果Fig.5 The processing results of the first stage. (a) Array image; (b) Segmentation results based on H component; (c) Segmentation results based on I component; (d) Coarse segmentation results; (e) Filtering results in morphology; (f) Gridding results

圖6 單個(gè)陣列點(diǎn)分割結(jié)果。(a)單個(gè)網(wǎng)格區(qū)域；(b)濾波結(jié)果；(c)初始種子點(diǎn)(標(biāo)記為紅色)；(d)鄰域像素(標(biāo)記為藍(lán)色)；(e)生長(zhǎng)結(jié)束；(f)最終分割邊界Fig.6 Segmentation results of single array point. (a) Single spot in divided cell; (b) Filterting results; (c) Initial seeds(marked by red color); (d) Neighborhood of initial seeds(marked by blue color); (e) Growing ended; (f) The final segmentation boundary

圖7 區(qū)域S的場(chǎng)強(qiáng)分布。(a)區(qū)域S的H空間分布；(b)區(qū)域S的I空間分布；(c)HAF場(chǎng)強(qiáng)分布；(d)IAF場(chǎng)強(qiáng)分布；(e)HAF場(chǎng)強(qiáng)放大圖；(f)IAF場(chǎng)強(qiáng)放大圖Fig.7 The distribution of field strength of region S. (a) H-space distribution of region S (b) I-space distribution of region S; (c) The distribution of field strength of HAF; (d) IAF field strength distribution; (e) Enlarged image of HAF field strength; (f) Enlarged image of IAF field strength.

圖8 最終特征提取結(jié)果。(a)紙基陣列分割結(jié)果；(b)特征色譜圖Fig.8 Final feature extraction results. (a) Precise segmentation results of array image; (b) Color map of array image

2.2 方法的精度和穩(wěn)定性

統(tǒng)計(jì)特征方法所提取10張5×5紙基陣列(共計(jì)250個(gè)反應(yīng)點(diǎn))的顏色信息進(jìn)行誤差分析，結(jié)果如表1所示。所有反應(yīng)點(diǎn)提取的特征信息中，3個(gè)分量的ARE均低于1%，表明該方法提取的特征信息誤差較小，具有較高的精度；3個(gè)分量的MaRE均低于3%，RESD均低于0.5%，表明該方法提取的特征信息誤差波動(dòng)極值較低，波動(dòng)范圍較小，具有較高的穩(wěn)定性。

表1 誤差分析Tab.1 Error of analysis

2.3 方法的自適應(yīng)特性

統(tǒng)計(jì)通過(guò)研究方法所提取10張不同尺寸紙基陣列的顏色信息進(jìn)行誤差分析。通過(guò)表2結(jié)果可知，在10組不同尺寸陣列的特征值提取測(cè)試中，最大ARE為0.98%，最大MaRE為2.45%，最大RESD為0.98%，均滿足最低要求，說(shuō)明所有測(cè)試均在誤差允許范圍內(nèi)，所有陣列處理結(jié)果均達(dá)到處理要求，正確率為100%，即該方法能有效處理不同尺寸的陣列圖像，具有自適應(yīng)特點(diǎn)。

3 討論

本研究提出基于HSI顏色空間和SRG算法的兩階段特征提取方法，實(shí)現(xiàn)了納米金紙基陣列顏色特征的自動(dòng)提取。該方法表現(xiàn)出優(yōu)良的精度和穩(wěn)定性(ARE<1%、MaRE<3%、RESD<0.5%)，解決了當(dāng)前手工處理中所存在效率低下，重復(fù)性和穩(wěn)定性較差等問(wèn)題。在不同尺寸陣列圖像處理中獲得100%的正確率，提示該方法在陣列式圖像的特征提取中具有良好的應(yīng)用價(jià)值和擴(kuò)展前景。

實(shí)驗(yàn)特征的提取結(jié)果展示了優(yōu)良的精度和穩(wěn)定性，這首先得益于HSI顏色空間的選擇。當(dāng)前常用的RGB顏色空間中，R、G、B這3個(gè)分量相關(guān)性很強(qiáng)[20,26]，并且大多數(shù)圖像處理算法通常會(huì)進(jìn)行灰度化處理，從而忽略了紙基納米金中能被人眼直觀感受且能夠用于目標(biāo)提取的顏色信息[27-28]，而HSI顏色空間中各分量間具有高度的獨(dú)立性，其中H分量表征最主要的顏色信息，構(gòu)成了傳感器單元目標(biāo)和背景的最顯著差異，并且I分量富含了大量的圖像信息[20,29-30]。實(shí)際上，相關(guān)文獻(xiàn)[20,26,31-32]已經(jīng)證實(shí)，H分量對(duì)于光照環(huán)境影響的魯棒性更強(qiáng)，對(duì)顏色的表征更均一，合理利用H分量實(shí)現(xiàn)彩色圖像目標(biāo)提取，不僅在一定程度上能夠提高目標(biāo)提取的準(zhǔn)確率，而且在時(shí)間復(fù)雜度上也優(yōu)于使用三分量實(shí)現(xiàn)目標(biāo)提取的RGB顏色空間。

表2 不同尺寸陣列處理結(jié)果Tab.2 Processing results of array of different sizes

另一方面，影響特征提取結(jié)果精度和穩(wěn)定性的關(guān)鍵環(huán)節(jié)是目標(biāo)區(qū)域的有效分割。除了人工手動(dòng)分割外，全局閾值分割是紙基納米金這類比色傳感器的最常用的分割算法[9]，其采用單一閾值，無(wú)法充分利用反應(yīng)點(diǎn)的顏色信息，且忽略了像素的空間信息，這對(duì)于陣列圖像中出現(xiàn)弱信號(hào)反應(yīng)點(diǎn)以及咖啡環(huán)效應(yīng)等情況，會(huì)產(chǎn)生錯(cuò)誤的分割結(jié)果[27-28,33]。如圖5所示，基于行、列投影的網(wǎng)格劃分，利用粗分割及濾波結(jié)果，將陣列圖像劃分為多個(gè)僅包含單個(gè)反應(yīng)點(diǎn)的子區(qū)域。結(jié)合各反應(yīng)點(diǎn)的局部特征，即可實(shí)現(xiàn)子區(qū)域自適應(yīng)精細(xì)分割，避免了全局閾值分割出現(xiàn)“顧此失彼”的現(xiàn)象。如圖6所示，基于SRG算法的精細(xì)分割中，考慮到反應(yīng)點(diǎn)的幾何特征以及其位置居于網(wǎng)格的中心，以粗分割的形態(tài)學(xué)濾波結(jié)果作為初始種子區(qū)域，不僅解決了初始種子自動(dòng)選擇的難題[34-35]，而且在一定程度上能減少噪聲對(duì)IAF和HAF的影響。通過(guò)圖7所示初始種子區(qū)域S的場(chǎng)強(qiáng)分布，可以發(fā)現(xiàn)IAF和HAF在各自空間內(nèi)連續(xù)分布，特別HAF的連續(xù)分布能夠克服單純H分量分割中所存在不連續(xù)的難題[23]。更重要的是，HAF和IAF的大小僅取決像素H分量和I分量，而與像素的物理位置無(wú)關(guān)。因此，HAF和IAF的顏色空間鄰接特性結(jié)合SRG算法的像素物理位置鄰接特性[36]，使精細(xì)分割中不僅引入了紙基納米金的顏色信息，也考慮了像素的空間信息，有效地解決了全局閾值分割中所存在的問(wèn)題。

當(dāng)前，限制特征提取方法的主要問(wèn)題是SRG算法的時(shí)間復(fù)雜度和邊界噪聲影響。隨著陣列密度的加大，該方法的時(shí)間復(fù)雜度隨著種子區(qū)域生長(zhǎng)部分的時(shí)間復(fù)雜度加大而隨之提高[37]。減少整體算法的時(shí)間復(fù)雜度，提高對(duì)于高密度陣列的適應(yīng)能力是后續(xù)研究方向。對(duì)于邊界噪聲來(lái)說(shuō)，在HAF和IAF相似性度量中，雖然根據(jù)H和I分量的噪聲情況引入了不同的權(quán)重系數(shù)Gm和GI，但種子區(qū)域生長(zhǎng)中仍然會(huì)受到不同程度的噪聲影響。因此，在HAF和IAF計(jì)算公式中引入鄰域?yàn)V波[38]，也是另一研究方向。

4 結(jié)論

本研究針對(duì)當(dāng)前紙基納米金特征提取時(shí)存在的不穩(wěn)定、低效等不足，提出一種特征信息自動(dòng)提取方法。該方法以陣列形式對(duì)紙基進(jìn)行處理，在陣列圖像基礎(chǔ)上提出一種兩階段自動(dòng)處理算法，實(shí)現(xiàn)各反應(yīng)點(diǎn)特征信息的自動(dòng)提取。大量實(shí)驗(yàn)和測(cè)試證明，本方法在紙基納米金特征信息提取方面具有精度高(ARE<1%)、穩(wěn)定性高(MaRE<3%、RESD<0.5%)、自適應(yīng)能力強(qiáng)(正確率為100%)的優(yōu)點(diǎn)。隨著紙基納米金的研究逐漸深入，本方法在基于紙基納米金的重金屬離子檢測(cè)系統(tǒng)研究中將具有更為廣泛的應(yīng)用價(jià)值。