改進的K-Means高通量dPCR熒光圖像分類算法

孫劉杰，龐茂然

圖文信息技術(shù)

改進的K-Means高通量dPCR熒光圖像分類算法

孫劉杰，龐茂然

（上海理工大學(xué)，上海 200093）

為實現(xiàn)高通量dPCR熒光圖像陽性點高精確度分類，提出一種改進的K-means高通量dPCR熒光圖像分類算法。首先，將預(yù)處理后的熒光圖像進行像素灰度值統(tǒng)計，依據(jù)圖像亮度自適應(yīng)選擇波峰波谷作為聚類中心，通過馬氏距離度量確定像素簇類；然后，將粗分類結(jié)果進行開、閉運算及刪除小面積對象等形態(tài)學(xué)處理；最后，利用3次連通域統(tǒng)計方法完成細(xì)分類、位置標(biāo)識和計數(shù)。選取4種通道825幅熒光圖像進行檢驗，平均精確率達(dá)到99.06%，召回率達(dá)到98.97%，分類效果良好。文中提出的改進K-means分類算法可以實現(xiàn)對高通量dPCR熒光圖像的高精度分類和計數(shù)，對其他熒光圖像分類識別具有一定借鑒意義。

dPCR；熒光圖像；K均值；陽性點計數(shù)

數(shù)字PCR[1-2]（digital Polymerase Chain Reaction, dPCR）是第3代PCR技術(shù)，是一種可對樣品中的核酸分子進行絕對定量的新技術(shù)[3]。與實時熒光定量PCR（Quantitative PCR, qPCR）相比，數(shù)字PCR不再依賴標(biāo)準(zhǔn)曲線即可實現(xiàn)高精確檢測。dPCR通過有限稀釋，對含有目的DNA的PCR反應(yīng)體系分散成無數(shù)個單一模板進行擴增，在進行PCR擴增反應(yīng)后，將有熒光信號（陽性）的標(biāo)記為數(shù)字信號“1”，沒有熒光信號（陰性）的標(biāo)記為數(shù)字信號“0”，熒光標(biāo)記的DNA所在培養(yǎng)皿被特定波段的激光激發(fā)后會發(fā)出熒光[4]，再通過統(tǒng)計檢測結(jié)果及泊松分布校正[5-6]實現(xiàn)目的DNA的絕對定量。dPCR發(fā)展至今，因其具有檢測靈敏度高、特異性強且能有效避免PCR抑制劑的影響等優(yōu)勢[4]，被廣泛應(yīng)用于外源基因拷貝數(shù)鑒定[7-8]、核酸檢測定量、抗病毒治療監(jiān)測、預(yù)后判斷[9]等。

熒光圖像的亮點與暗點分別對應(yīng)陽性微滴點和陰性微滴點，微滴式dPCR是通過對基因芯片熒光圖像亮暗點數(shù)量直接計數(shù)的方式得出檢測結(jié)果，實現(xiàn)定量計數(shù)。由于陰陽微滴點的信息是進行醫(yī)學(xué)判斷的一大依據(jù)，因此需對熒光圖像陰陽點實現(xiàn)更精準(zhǔn)的識別分類和計數(shù)，減少定量誤差。在實際中，一方面dPCR容易受外源污染，個別陰性微滴發(fā)生非特異反應(yīng)，造成假陽性結(jié)果，無法正確區(qū)分陽性液滴和陰性液滴；另一方面，激光激發(fā)過程中光照的不均衡也會導(dǎo)致液滴的錯誤分區(qū)，如使用大視場蔡司Axio Zoom V16顯微鏡，雖然可以一次性成像、無需拼接，但是光照均勻性不佳，光照能量利用不充分，熒光激發(fā)效果較差[10]，產(chǎn)生介于陰陽分區(qū)之間的信號，即rain區(qū)像素[11]，使陽性與陰性分區(qū)之間的熒光信號對比度偏低，導(dǎo)致錯誤分類。

目前提出的熒光圖像分類識別算法有：2016年楊信廷等[12]提出了一種基于K均值聚類算法和開閉交替濾波的熒光圖像分割方法，簡單有效地實現(xiàn)了黃瓜葉片水滴的熒光圖像分割；2018年劉聰?shù)萚13]考慮到濃度對分類結(jié)果的影響，通過討論不同濃度下誤分類對結(jié)果的影響，設(shè)計了一種基于廣義帕累托分布的熒光微滴分類方法，在低濃度下有較好的分類效果；2019年劉聰?shù)萚14]再次針對密集分布的熒光微滴提出了一種基于改進的分水嶺分割算法的熒光微滴識別方法，降低了分水嶺分割中的錯誤分割比例，有一定的算法優(yōu)越性；2018年黃鴻等[15]提出了一種基于改進分水嶺及半監(jiān)督最小誤差重構(gòu)分類器的熒光微球圖像分割方法，獲得了較高的分類精度；2020年李樹力等[16]提出了基于形態(tài)學(xué)的三通道蜂窩狀熒光圖像樣點尋址算法及數(shù)字PCR圖像信息提取方法，解決了蜂窩狀堆疊式微陣列熒光圖像樣點難以定位的問題，為數(shù)字PCR技術(shù)的精準(zhǔn)定量奠定了基礎(chǔ)；2020年劉麗等[17]將支持向量機應(yīng)用于熒光圖像，通過訓(xùn)練SVM分類器實現(xiàn)熒光圖像亮點分類與計數(shù)。

熒光圖像傳統(tǒng)分類識別算法簡便高效，但識別精度不高。近年來，神經(jīng)網(wǎng)絡(luò)也成功地應(yīng)用于圖像識別和圖像分類，在一定程度上保證了準(zhǔn)確性，但數(shù)據(jù)處理量大，計算復(fù)雜，對內(nèi)存要求較高。針對上述問題，文中通過大量dPCR熒光圖像灰度直方圖，分析出在灰度值Gray處可依據(jù)像素數(shù)量將直方圖分為2段，各段波峰波谷對應(yīng)dPCR熒光圖像不同類別。為此，提出一種改進的K-means高通量dPCR熒光圖像分類算法，自適應(yīng)選擇波峰波谷確定聚類中心，并實現(xiàn)分類后陽性點標(biāo)識和自動計數(shù)。

1 dPCR熒光圖像分類流程

首先，將熒光圖像進行圖像旋轉(zhuǎn)和中值濾波預(yù)處理操作，并統(tǒng)計像素灰度值，剔除0至255灰度區(qū)間像素數(shù)量為0的灰度值，重新以灰度值、像素數(shù)量為橫縱軸繪制曲線，設(shè)定Num為固定值，對應(yīng)灰度值Gray為分界點，將曲線前后2段分別擬合，求取各段波峰波谷。然后，利用改進的K-means算法根據(jù)熒光圖像各通道亮度特征，選擇各段波峰波谷對應(yīng)處灰度值自由組合，自適應(yīng)調(diào)整聚類中心，完成陰陽點粗分類。經(jīng)過粗分類的dPCR熒光圖像對背景上“蹭臟”引起的rain區(qū)像素，以及濾波器難以過濾的像素點未能正確區(qū)分，利用形態(tài)學(xué)對這些未區(qū)分的像素點2次處理。最后，借助3次連通域統(tǒng)計方法實現(xiàn)陽性點計數(shù)：首次統(tǒng)計以獲得所有待標(biāo)注區(qū)域的尺寸，在長寬方向上分別取眾數(shù)作為單幅圖像的標(biāo)準(zhǔn)標(biāo)注尺寸，同時斷開陽性點邊界在上下方向與rain區(qū)像素的連接；第2次統(tǒng)計通過限制長寬比例刪除rain區(qū)像素；最后的統(tǒng)計實現(xiàn)細(xì)分類與數(shù)字順序標(biāo)識。文中提出的改進K-means高通量dPCR熒光圖像分類算法基本流程見圖1。

2 算法設(shè)計

2.1 圖像預(yù)處理

高通量dPCR熒光圖像亮度與對比度較低，且陰陽點密集分布，背景存在冗余信息，容易造成噪聲干擾。觀察dPCR熒光圖像可知，背景“蹭臟”點存在于行間，容易粘連同一列的2個點，尤其是當(dāng)2個點同時為陽性點時，連通域統(tǒng)計方法會將其視為1個點處理，造成分類與計數(shù)失敗。由于后續(xù)第2、3次連通域統(tǒng)計時需要斷開上下連接及限制標(biāo)注區(qū)域長寬，因此在圖像預(yù)處理時將陰陽點規(guī)律排列的方向確定為橫軸，即圖像正方向。

由圖2a、b對比可發(fā)現(xiàn)，經(jīng)中值濾波后的圖像整體趨于平滑，圖像陰性點內(nèi)離散分布的亮點像素與周圍像素均勻化，在一定程度上消除了噪聲干擾。

2.2 確定聚類中心

通過dPCR熒光圖像灰度直方圖可觀察到，不同熒光通道有不同灰度分布趨勢，見圖3a、b。CY5通道281號圖像像素點多分布于30～60灰度區(qū)間，ROX通道112號圖像像素點多分布于20～40灰度區(qū)間，但都存在灰度值Gray將直方圖劃分為2部分，2部分像素以Num值為限有明顯分界。在灰度直方圖的基礎(chǔ)上剔除像素數(shù)量為空的灰度值，以保證灰度值-像素數(shù)量曲線繪制的連貫性。為方便波峰波谷的選擇，根據(jù)灰度值Gray將灰度值-像素數(shù)量折線分為前后2段，依次做多項式擬合，重新繪制為灰度值-像素數(shù)量曲線1、2。對CY5通道281號圖像設(shè)置Num值為2 600時對應(yīng)Gray值為100，此時曲線1、2見圖4a、b。同理，對ROX通道112號圖像設(shè)置Num值為2 600時對應(yīng)Gray值為67，此時曲線1、2見圖5a、b。1、2整體平滑且波峰波谷明顯，利用式（1）中find函數(shù)找出波峰波谷對應(yīng)灰度值MAX1、MAX2和MIN1、MIN2。理論上應(yīng)存在2個MAX1、1個MAX2和1個MIN2，分別對應(yīng)dPCR熒光圖像背景灰度值、陰性點灰度值、陽性點灰度值和rain區(qū)像素灰度值。

圖2 圖像預(yù)處理前后對比結(jié)果

圖3 灰度值-像素數(shù)量曲線

圖4 CY5通道分段曲線

圖5 ROX通道分段曲線

2.3 改進的K均值算法聚類

聚類中心確定后，改進的K-means算法包括如下幾個步驟，具體過程見圖6。

式中：為轉(zhuǎn)換矩陣。

5）當(dāng)聚類中心誤差小于設(shè)定誤差時，分類結(jié)束，輸出分類圖像與標(biāo)簽。

2.4 圖像后處理與計數(shù)

如圖7a所示，經(jīng)過改進的K-means算法得到陽性點粗分類結(jié)果，雖然預(yù)處理階段對圖像進行過中值濾波，但一些集中分布的大塊rain區(qū)像素和粘連像素仍能被識別出來，因此，采用形態(tài)學(xué)處理，通過自定義結(jié)構(gòu)單元SE進行閉運算和開運算。閉運算和開運算是由膨脹和腐蝕2個運算經(jīng)并、交、補等組合成的運算[19]。閉運算是先膨脹后腐蝕，能夠填充物體內(nèi)空洞；開運算是先腐蝕后膨脹，能夠斷開物體間的細(xì)小連接，消除圖像區(qū)域外的噪聲[20]，同時不對物體的形狀、輪廓造成明顯影響。

開運算表達(dá)式為：

閉運算表達(dá)式為：

圖6 改進的K均值算法聚類過程

2次形態(tài)學(xué)處理旨在分離陽性點與干擾像素間連接，同時保證各連通域面積不變，但這并不能刪除干擾像素，因此，還需在測量各連通域面積后刪除目標(biāo)外小面積對象。經(jīng)形態(tài)學(xué)處理后的圖像見圖7b。

對處理好的圖像采用3次8連通域算法，第1次統(tǒng)計所有陽性點區(qū)域的位置和外接矩形邊長，眾數(shù)運算獲得單幅圖像陽性點的最佳尺寸，通過設(shè)定矩形左上坐標(biāo)和長寬尺寸，斷開上下方向與rain區(qū)大塊像素的連接；第2次應(yīng)用是借助已斷開連接的rain區(qū)像素的特殊形狀和尺寸將其刪除；經(jīng)過上述處理步驟后，已基本實現(xiàn)陽性點的精識別與分類，第3次統(tǒng)計時增加質(zhì)心坐標(biāo)，實現(xiàn)數(shù)字順序標(biāo)識。如圖7c圓圈所示，15號、19號、26號、30號等陽性點的“尾部”被成功截斷并刪除，定位框更貼合準(zhǔn)確。

圖7 高通量dPCR熒光圖像細(xì)分類結(jié)果

3 實驗結(jié)果與分析

3.1 仿真實驗

為了驗證文中算法的有效性，在Win10操作系統(tǒng)、Intel Core i7處理器的計算機平臺上使用Matlab R2018b對高通量dPCR熒光圖像進行識別分類與計數(shù)測試。文中所用實驗數(shù)據(jù)通過CCD相機拍攝獲取，分辨率為512×512，選擇熒光圖像的ROX、CY5、FAM和HEX四通道作為測試對象。實驗選擇K-means算法和OTUS（大津法）與文中方法進行對比。大津法也稱為最大類間方差閾值法，是一種自適應(yīng)閾值化方法。其基本原理為圖像背景區(qū)域與待分割區(qū)域類間方差越大，說明2部分差異越明顯，選取此時的閾值作為最佳分割閾值。

分析圖8 ROX通道分類結(jié)果發(fā)現(xiàn)，原圖中包含實際亮點37個，文中算法識別出亮點37個，傳統(tǒng)K-means算法及OTUS算法識別亮點35個，均存在漏檢情況。觀察發(fā)現(xiàn)，黃色箭頭指向位置的7號和20號陽性點因與周圍陰性點亮度差別較小，傳統(tǒng)K-means算法和OTUS算法沒有確定好最佳閾值，導(dǎo)致這2個點錯誤分類，但改進的K-means算法能將其準(zhǔn)確識別。

分析圖9 CY5通道分類結(jié)果發(fā)現(xiàn)，原圖中包含實際亮點18個，文中算法和OTUS算法識別結(jié)果為18，與真實結(jié)果一致；傳統(tǒng)K-means算法識別亮點為23個，存在誤檢情況，誤檢位置位于黃色箭頭指向處的2、3號區(qū)域，改進的K-means算法由于尺寸限制能夠排除干擾。

分析圖10 HEX通道分類結(jié)果發(fā)現(xiàn)，文中算法識別亮點11個，與真實結(jié)果一致，傳統(tǒng)K-means算法和OTUS算法在黃色箭頭指向位置有2處誤檢。觀察發(fā)現(xiàn)，誤檢處亮度與陽性點亮度十分接近，但二者存在明顯尺寸差異，改進的K-means算法能夠借助這一差異不對其計數(shù)統(tǒng)計。

分析圖11 FAM通道分類結(jié)果發(fā)現(xiàn)，傳統(tǒng)K-means算法即使疊加了中值濾波還是將原圖中的各點不加區(qū)分地識別，沒有達(dá)到分類的目的，而文中算法及疊加中值濾波后的OTUS算法都能識別各陽性點，分類結(jié)果精確。

3.2 客觀評價

二分類結(jié)果的常見評價指標(biāo)有精確率、召回率、虛警率和漏警率等。因dPCR熒光圖像陰性點分布密集且數(shù)量巨大，實際統(tǒng)計中存在困難，文中選擇精確率和召回率作為算法評價指標(biāo)。精確率（precision）表示原本為正類樣本在所有被分為正類樣本中的比例，召回率（recall）表示正確預(yù)測為正的占全部實際為正的比例。精確率和召回率的計算式見式（9）和式（10）。

圖8 ROX通道dPCR熒光圖像不同算法分類結(jié)果

圖9 CY5通道dPCR熒光圖像不同算法分類結(jié)果

圖10 HEX通道dPCR熒光圖像不同算法分類結(jié)果

圖11 FAM通道dPCR熒光圖像不同算法分類結(jié)果

式中：為算法在檢測陽性點方面的正確率；為算法能夠正確識別出所有陽性點的能力；P為正確標(biāo)識出的陽性點數(shù)量；P為誤將陰性點識別為陽性點的數(shù)量；N為漏標(biāo)識的陽性點數(shù)量。值和值越大表示圖像分類模型的分類效果越好。為全面評估算法分類的有效性，需要同時檢查精確率和召回率，但提高精確率的同時會降低召回率，為平衡精確率和召回率，引入F分?jǐn)?shù)對精確率和召回率進行加權(quán)。F分?jǐn)?shù)計算式見式（11），文中認(rèn)為召回率和精準(zhǔn)率同等重要，故取=1，此時評價指標(biāo)精確為1分?jǐn)?shù)，見式（12）。

為增加實驗的普適性，對ROX、CY5、FAM和HEX四通道分別選取240、360、90和135共計825幅圖像進行檢驗，分類結(jié)果見表1。

表1 dPCR熒光圖像陽性點分類結(jié)果

Tab.1 Classification results of fluorescent images highlights in dPCR

通過表1可以看出，825幅圖像中存在的誤檢與漏檢比例較低，平均精確率達(dá)到了99.06%，召回率達(dá)到了98.97%，表明該算法能精確識別出高通量dPCR熒光圖像陽性點，分類效果良好。

4 結(jié)語

為提升高通量dPCR熒光圖像分類精度，文中提出了一種改進的K-means高通量dPCR熒光圖像分類算法，具體來說，文中算法具有以下優(yōu)勢。

1）改進的K-means算法依據(jù)圖像亮度，自適應(yīng)選擇2段波峰波谷處的灰度值作為聚類中心，減少了傳統(tǒng)K-means算法初始化聚類中心的隨機性、計算效率的不穩(wěn)定性。

2）雖然ImageJ[21]圖像處理軟件可以將顏色位深度16的dPCR熒光圖像處理為RGB圖像，但實際上3個通道顏色值是一致的，圖像信息并沒有增加。改進的K-means算法在Lab顏色空間求亮度協(xié)方差矩陣，在計算2個像素點距離時，用馬氏距離代替?zhèn)鹘y(tǒng)K-means算法中歐式距離，排除相關(guān)性干擾。

3）將分類過程劃分為粗分類與細(xì)分類2個階段。第1階段通過文中改進算法得到粗分類結(jié)果，第2階段在前一階段基礎(chǔ)上進行形態(tài)學(xué)處理，以去除冗余區(qū)域，通過連通域算法定位陽性點，實現(xiàn)數(shù)字順序標(biāo)識，返回結(jié)果圖。

在四通道下的驗證實驗表明，文中算法能夠保持99.06%的精確率和98.97%的召回率，實現(xiàn)了對dPCR熒光圖像的高精度分類和計數(shù)，從而為醫(yī)學(xué)應(yīng)用和判斷提供更準(zhǔn)確的參考，對其他熒光圖像的分類識別也具有一定的借鑒意義。

[1] VOGELSTEIN B, KENNETH K W. Digital PCR[J]. Proceedings of the National Academy of Sciences of the United States of America, 1999, 96(16): 9236-9241.

[2] BAKER M. Digital PCR Hits Its Stride[J]. Nature Methods: Techniques for Life Scientists and Chemists, 2012, 9(6): 541-544.

[3] 肖芳, 張秀杰, 李俊, 等. 轉(zhuǎn)基因玉米MON87427/zSSIIb二重微滴數(shù)字PCR方法建立及應(yīng)用[J]. 中國油料作物學(xué)報, 2021, 43(1): 90-98.

XIAO Fang, ZHANG Xiu-jie, LI Jun, et al. Development and Application of MON87427/zSSIIb Duplex Droplet Digital PCR Method[J]. Chinese Journal of Oil Crop Sciences, 2021, 43(1): 90-98.

[4] 黃瑾, 梁濤波, 許恒毅. 數(shù)字PCR在生物學(xué)檢測中應(yīng)用的研究進展[J]. 生命科學(xué), 2021, 33(2): 255-264.

HUANG Jin, LIANG Tao-bo, XU Heng-yi. Research Progress of Application of Digital PCR in Biological Detection[J]. Chinese Bulletin of Life Sciences, 2021, 33(2): 255-264.

[5] DUBE S, QIN Jian, RAMAKRISHNAN R. Mathematical Analysis of Copy Number Variation in a DNA Sample Using Digital PCR on a Nanofluidic Device[J]. PLoS One, 2008, 3(8): 2876.

[6] BHAT S, HERRMANN J, ARMISHAW P, et al. Single Molecule Detection in Nanofluidic Digital Array Enables Accurate Measurement of DNA Copy Number[J]. Analytical and Bioanalytical Chemistry, 2009, 394(2): 457-467.

[7] XU Xiao-li, PENG Cheng, WANG Xiao-fu, et al. Comparison of Droplet Digital PCR with Quantitative Real-Time PCR for Determination of Zygosity in Transgenic Maize[J]. Transgenic Research, 2016, 25(6): 855-864.

[8] WU Yu-hua, LI Jun, Li Xia-ying, et al. Copy Number and Zygosity Determination of Transgenic Rapeseed by Droplet Digital PCR[J]. Oil Crop Science, 2017, 2(2): 84-94.

[9] 馮兆民, 舒躍龍. 數(shù)字PCR技術(shù)及其應(yīng)用進展[J]. 病毒學(xué)報, 2017, 33(1): 103-107.

FENG Zhao-min, SHU Yue-long. An Overview of Digital PCR[J]. Chinese Journal of Virology, 2017, 33(1): 103-107.

[10] 王子程, 鄭繼紅, 萬新軍, 等. 應(yīng)用于dPCR的大視場熒光顯微檢測系統(tǒng)的設(shè)計[J]. 光學(xué)技術(shù), 2021, 47(1): 1-5.

WANG Zi-cheng, ZHENG Ji-hong, WAN Xin-jun, et al. Design of Fluorescence Microscopy Detection System with Wide Field of View for DPCR[J]. Optical Technique, 2021, 47(1): 1-5.

[11] WHALE A S, HUGGETT J F, TZONEV S. Fundamentals of Multiplexing with Digital PCR[J]. Biomolecular Detection and Quantification, 2016, 10: 15-23.

[12] 楊信廷, 孫文娟, 李明, 等. 基于K均值聚類和開閉交替濾波的黃瓜葉片水滴熒光圖像分割[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(17): 136-143.

YANG Xin-ting, SUN Wen-juan, LI Ming, et al. Water Droplets Fluorescence Image Segmentation of Cucumber Leaves Based on K-Means Clustering with Opening and Closing Alternately Filtering[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(17): 136-143.

[13] 劉聰, 董文飛, 張濤, 等. 微滴式數(shù)字PCR中低濃度熒光微滴分類[J]. 光學(xué)精密工程, 2018, 26(3): 647-653.

LIU Cong, DONG Wen-fei, ZHANG Tao, et al. Identification of Florescent Droplets at Low Concentrations for Droplet Digital PCR[J]. Optics and Precision Engineering, 2018, 26(3): 647-653.

[14] 劉聰, 董文飛, 蔣克明, 等. 基于改進分水嶺分割算法的致密熒光微滴識別[J]. 中國光學(xué), 2019, 12(4): 783-790.

LIU Cong, DONG Wen-fei, JIANG Ke-ming, et al. Recognition of Dense Fluorescent Droplets Using an Improved Watershed Segmentation Algorithm[J]. Chinese Optics, 2019, 12(4): 783-790.

[15] 黃鴻, 金瑩瑩, 李政英, 等. 基于分水嶺及半監(jiān)督最小誤差重構(gòu)的熒光微球分割及分類方法[J]. 中國激光, 2018, 45(3): 0307013.

HUANG Hong, JIN Ying-ying, LI Zheng-ying, et al. Fluorescent Microsphere Segmentation and Classification Based on Watershed and Semi-Supervised Minor Reconstruction Error[J]. Chinese Journal of Lasers, 2018, 45(3): 0307013.

[16] 李樹力, 李金澤, 郭振, 等. 蜂窩狀數(shù)字PCR微陣列熒光圖像的信息提取[J]. 光學(xué)精密工程, 2020, 28(12): 2745-2755.

LI Shu-li, LI Jin-ze, GUO Zhen, et al. Extraction of Fluorescent Image Information from Cellular Digital PCR Microarray[J]. Optics and Precision Engineering, 2020, 28(12): 2745-2755.

[17] 劉麗, 孫劉杰, 王文舉. 基于SVM的高通量dPCR基因芯片熒光圖像分類研究[J]. 包裝工程, 2020, 41(19): 223-229.

LIU Li, SUN Liu-jie, WANG Wen-ju. Classification of Fluorescent Images in High-Throughput DPCR Gene Chips Based on SVM[J]. Packaging Engineering, 2020, 41(19): 223-229.

[18] 曾新新. 彩色印刷套準(zhǔn)標(biāo)記的自動檢測算法研究[D]. 北京: 北京工業(yè)大學(xué), 2008: 10-13.

ZENG Xin-xin. Research on Automatic Register Detection Algorithm in Color Printing[D]. Beijing: Beijing University of Technology, 2008: 10-13.

[19] 張金萍, 劉杰, 李允公. 數(shù)學(xué)形態(tài)學(xué)在工件識別預(yù)處理中的應(yīng)用[J]. 機械與電子, 2006, 24(1): 31-33.

ZHANG Jin-ping, LIU Jie, LI Yun-gong. Application of the Mathematical Morphology to Workpiece Recognition Preprocessing[J]. Machinery & Electronics, 2006, 24(1): 31-33.

[20] 趙磊, 徐泮林, 田夢娜, 等. 基于形態(tài)學(xué)的邊緣提取算法[J]. 地理空間信息, 2020, 18(5): 130-132.

ZHAO Lei, XU Pan-lin, TIAN Meng-na, et al. Edge Extraction Algorithm Based on Morphology[J]. Geospatial Information, 2020, 18(5): 130-132.

[21] ABRàMOFF M D, MAGALHES P J, RAM S J. Image Processing with ImageJ[J]. Biophotonics International, 2004, 11(7): 36-42.

Improved K-Means High-throughput dPCR Fluorescent Image Classification Algorithm

SUN Liu-jie, PANG Mao-ran

(University of Shanghai for Science and Technology, shanghai 200093, China)

The work aims to propose an improved K-means high-throughput dPCR fluorescent image classification algorithm to achieve high-precision classification of high-throughput dPCR fluorescent image positive points. Firstly, the gray value of the preprocessed fluorescent image was counted, and wave peak and valley adaptively were selected according to image brightness to determine cluster center. The pixel clusters were determined by Mahalanobis distance. Then, the broad classification results were processed by morphology opening-and-closing operations and deleting small area objects. Finally, the fine classification, location identification and counting were completed with the third connected domain statistics. In the experiment, 825 fluorescence images of four channels were selected to test. The average accuracy was 99.06%, and recall rate was 98.97%, showing good classification effect. The classification algorithm of improved K-means proposed in this paper can achieve high-precision classification and counting of high-throughput dPCR fluorescent images, and can be used for reference to other fluorescent image classification and recognition.

digital polymerase chain reaction;fluorescent image; K-means;positive points count

TP751

A

1001-3563(2022)07-0244-10

10.19554/j.cnki.1001-3563.2022.07.032

2021-05-28

上海市科學(xué)技術(shù)委員會科研計劃（18060502500）

孫劉杰（1965—），男，博士，上海理工大學(xué)教授，主要研究方向為光信息處理技術(shù)、數(shù)字印刷防偽技術(shù)、圖文信息處理技術(shù)。

責(zé)任編輯：曾鈺嬋