荧光显微图像的噪声干扰去除方法研究进展

一、荧光显微图像中的噪声

荧光显微图像中的亮度分布是样本中每个荧光团分子被荧光激发独立形成的, 可以用点扩散函数表示。显微成像系统的点扩散函数是理想点光源通过物镜成的像, 即物镜系统的冲激响应和传递函数。荧光显微成像系统是一个线性空间移不变系统, 图像是由每个点光源的像构成的线性集合。荧光显微成像系统的设计与制造一直在不断地进步, 努力减少图像由于相位失真和光学相差而引入的噪声。在实际运用过程中, 即使成像系统各部分都调试得很好, 由于部件的物理局限往往还是会给图像带来固有噪声, 主要包括:光子产生的随机性给光敏检测器带来的泊松光子散射噪声;电子热搅动诱发引起剧烈震荡所形成的暗流, 温度越高, 暗流也表现越剧烈, 同样也是服从泊松分布;数据读取过程中电子设备会产生读出噪声, 其幅值与读取速率逆相关, 功率谱密度随着读取速率的倒数递减, 表现为加性高斯噪声;幅值量化过程中的噪声是A/D转换设备所固有的[1,2,3]。此外, 荧光染料的光学性质同样也会成为影响图像质量的重要因素, 有机或无机分子的自发荧光是图像中常见的背景干扰[4,5]。光在激发和发射时由于粒子性会发生散射现象, 在不同介质间传输会发生折射现象。随着样本观察的深入, 激发光被样本材料吸收导致样本发射荧光能力减弱, 也会给图像本身带来干扰[6]。

二、荧光图像噪声干扰去除

平滑滤波与小波变换是较为基础的两种去除噪声干扰的方法, 在此基础上衍生出了许多优异的算法[7]。

(一) 平滑滤波及其衍生算法

平滑滤波常用于模糊处理和减弱噪声, 分为线性滤波器和非线性滤波器。合理选择邻域大小在平滑滤波处理中显得极为重要。选取邻域越大, 降噪效果越好, 但平滑后边缘信息损失也会越多。

1. 均值滤波算法

均值滤波通过建立滤波掩模确定邻域像素, 用掩模中的像素平均灰度值代替原目标像素值, 是一种典型的线性空域低通滤波[8]。处理后的图像弱化了灰度的“尖锐变化”, 达到了减噪的目的, 但往往导致了图像边缘模糊。该算法通常采用3×3或5×5的掩模, 对应的函数表达式为

2. 中值滤波算法

中值滤波是一种非线性平滑滤波, 适用于处理椒盐噪声, 主要通过对图像目标点的邻域灰度值排序, 选择中间值代替原目标像素值[9]。在点 (i, j) 处, 选取大小为m×n的窗口Wij, 经过中值滤波处理后, 坐标点 (i, j) 的值由窗口内的中值M (s, t) 代替, 公式表达为

通常噪声点是随机出现的, 要么是极大值, 要么是极小值, 与邻域中其它像素点的值差别较大。因此我们不必担心邻域中的噪声点被当作中值, 影响图像信噪比。中值滤波算法在抑制噪声的同时可以保留边界信息, 实际应用效果较好[10]。

3. 高斯滤波算法

高斯滤波也属于非线性平滑滤波, 对高频特征的噪声有很好的滤过效果[11]。此外, 大多数噪声都是近似于服从高斯分布的白噪声, 因此高斯函数的实际应用非常广泛[12]。图像处理时, 一般用二维高斯分布来定义高斯滤波器。二维平面上的高斯分布数学定义式为

其中为高斯函数的标准差, x, y为二维坐标系中横坐标与纵坐标。高斯滤波过程可表示为

高斯滤波过程是用目标像素点本身与其邻域内像素值加权平均后的值代替原目标像素值, 在此过程中可大幅度地提升图像信噪比[13]。高斯滤波算法虽然简单便捷, 但容易丢失图像细节。一种新型的高斯滤波去噪算法通过分析纹理自相关特性, 自适应构造局部不规则的高斯掩模窗口代替传统固定大小的窗口, 在去除噪声的同时更多地保留图像细节[14]。

(二) 小波变换及其衍生算法

小波变换因其独特的空、频局部化特性、多分辨率特性、边缘检测特性、能量紧支撑性、非高斯分布特性、小波系数的持续性等特点, 在图像去噪方面应用广泛。小波去噪的方法可大致分为下列三种:模极大值去噪法、阈值去噪法、基于小波系数模型的去噪法[15]。其中, 阈值去噪法因简单有效, 是目前应用最广泛的方法之一。

1. 小波阈值去噪法

小波阈值去噪过程如下:

上述过程中, 小波基分解层数的选择、阈值的选择、阈值函数的设计, 都将会影响最终去噪效果。

2. 图像的多尺度小波分解

多尺度小波通过改变尺度因子进行图像分解, 分解后的每层图像均会得到细节部分和近似部分[16,17]。

图像信号噪声在不同小波域表现出的特征不同, 其幅值随着尺度的变化而变化。当尺度不断增加时, 噪声系数最终置零, 但实际上图像信号系数一直维持不变[18]。

3. 小波阈值处理

阈值去噪的关键是选取合适的阈值, 主要分固定阈值、自适应阈值以及基于小波包变换的阈值。固定阈值去噪主要分硬阈值法和软阈值法两大类, 为小波变换系数设置一个阈值, 将绝对值小于阈值的小波变换系数置零, 将绝对值大于阈值的小波变换系数保留或收缩, 对处理后的小波变换系数做逆变换运算去除噪声。软、硬阈值法各有其特点:硬阈值法可以较好地保持图像的边缘细节, 但图像容易出现振铃、伪Gibbs现象;软阈值方法处理后的图像更为平滑, 但容易导致图像边缘模糊。针对硬阈值与软阈值的不足之处, 周成江等对硬阈值与软阈值做了改进[19]。

固定阈值法的单一阈值很难满足现实中非平稳图像的降噪需求, 自适应阈值则很好地解决了这一问题。目前常用的几种自适应阈值函数为VisuShrink阈值、SureShrink阈值、Minimax阈值、BayesShrink阈值等。通过研究比较几种方法, 有学者指出信号混合噪声方差比较小的时候, 使用VisuShrink阈值方法去噪效果最好[19,20]。

三、小结

本文首先介绍了荧光显微图像的成像原理及噪声类型, 接着归纳了平滑滤波和小波变换这两种在图像降噪中常用的方法, 并讨论了近年来在此基础上延伸出的新方法, 给我们带来了新的思考。在传统高斯滤波降噪过程中, 难免会丢失部分细节, 因此就有学者提出基于不规则区域的高斯滤波, 通过局部自适应的不规则高斯掩模窗口剔除了可能存在的噪声点或相似性较低的像素, 最大程度保留了边缘及纹理细节细心;在小波变换处理图像过程中, 小波阈值的选取一直是一大难点。研究者改进了常用的软阈值和硬阈值, 得到了一种新的阈值降噪法, 很大程度上提升了降噪效果;针对几种常用的自适应阈值降噪方法, 有学者进行了研究后发现在信号混合白噪声方差比较小的时候, 使用VisuShrink阈值方法去噪效果最好。

【相关链接】

噪声消除是指消除、弱化或压制图像中的随机变化干扰。它是在成像过程中由测量误差和一些不确定的随机因素形成的效应, 统称为噪声。噪声消除是图像恢复的任务之一。系统噪声一般被看成是一种点扩散函数的作用, 而作为图像退化模型的组成部分, 如大气扰动, 并在建模中考虑随机噪声的存在, 在图像恢复过程中一并加以消除。若噪声模型预先已知, 可针对模型设置滤波器, 有效地加以消除, 如同期性噪声, 常用频率域滤波方法, 对图像作傅立叶变换, 设计适当滤波器提取主要噪声成分, 反变换后得到噪声图像, 从原图像中减去加权的噪声图像, 即得去噪声图像, 权函数的选择原则是使校正后图像在一定大小的区域内方差达到最小。

图像的随机噪声常表现为高频特征, 采用图像平滑或低通滤波的方法加以消除, 如平滑滤波、中值滤波、条件滤波和各种自适应滤波方法等在通信系统中, 噪声是指不携带有用信息的电信号, 是有用信号以外的一切信号的统称。

摘要：荧光显微成像技术在生物化学及分子生物学研究中的应用越来越广泛。显微图像中存在的噪声干扰会给图像的分析和理解带来障碍。在论述荧光显微图像成像过程及其噪声来源的基础上, 本文分别介绍平滑滤波与小波变换两大类方法, 并拓展分析在其基础上改进的新型算法。本文的综述便于初步认清荧光显微图像噪声干扰去除方法的发展轨迹与发展现状, 以期为进一步的研究理清思路。

关键词：荧光显微图像,平滑滤波,小波变换,图像降噪

参考文献

[1] JericeviZ, Wiese B, Bryan J, Smith LC.Validation of an imaging system:steps to evaluate and validate a microscope imaging system for quantitative studies.Methods Cell Biol, 1989 (30) :47-83.

[2] 常敏, 刘天成.基于荧光显微镜的显微视觉图像增强处理[J].电子科技, 2017, 30 (9) :108-111.

[3] 赵毅, 周成.红外热图像信号噪声量化以及滤除方法的研究[J].科技风, 2010 (22) :228-229.

[4] 杨弘远.荧光显微镜技术的基本原理与方法[J].植物学报, 1984, 2 (6) :45-48.

[5] 张淼丽, 李继硕.荧光显微镜摄影技术[J].神经解剖学杂志, 2000, 16 (3) :301-310.

[6] 蔡欢庆, 匡翠方, 王轶凡, 葛剑虹, 刘旭.基于宽场随机荧光漂白的超分辨显微方法[J].中国激光, 2013, 40 (11) :234-238.

[7] 王倩丽.基于MATLAB线性平滑滤波器的设计[J].电脑学习, 2011 (2) :102-103.

[8] 熊专, 孙晖, 万姗, 芦青, 陈璐璐.不同性质甲状腺结节临床特征的分析[J].华中科技大学学报 (医学版) , 2014, 43 (4) :444-448.

[9] 陈松楠.基于改进中值滤波的生猪体表图像预处理算法[J].智能计算机与应用, 2018, 8 (1) :59-61.

[10] Huang T, Yang G, Tang G.A fast two-dimensional median filtering algorithm.IEEE Trans[J].on Acoustic.speech.&Signal Processing, 1979, 27 (1) :13-18.

[11] 陈超, 罗小华, 陈淑群, 俞国军.基于现场可编程门阵列的高斯滤波算法优化实现[J].浙江大学学报 (工学版) , 2017, 51 (5) :969-975.

[12] 孙东宁, 张丽, 闫朝文.基于小波变换的图像降噪技术[J].电脑知识与技术, 2010, 6 (3) :691-692.

[13] 蒋卓承.采用自适应高斯引导滤波对条纹图像去噪和三维重建[M].广东深圳, 2015.

[14] 姒绍辉, 胡伏原, 顾亚军, 鲜学丰.一种基于不规则区域的高斯滤波去噪算法[J].计算机科学.2014, 41 (11) :313-316.

[15] 矫媛, 黄斌文.基于小波变换的图像去噪方法综述[J].电子制作, 2015 (7) :55-56.

[16] 任玮蒙, 张卫川, 何松辉.基于多尺度小波分解的家用负荷分类计量[J].电气技术与经济, 2018 (1) :45-48.

[17] 李晓飞.基于小波变换的图像去噪方法研究[D].南京邮电大学, 2016.

[18] 卞维新, 封举富, 罗永龙, 徐德琴.结合频谱扩散的指纹图像滤波增强[J].中国图象图形学报, 2014, 19 (7) :1021-1030.

[19] 周成江, 吴建德, 杨静宗.基于改进阈值的管道异常状况信号降噪研究[J].计算机与数字工程, 2017, 45 (4) :608-612.

[20] 张传义.基于小波变换的CBCT图像去噪方法研究[J].电脑知识与技术, 2018 (4) :181-183.