[发明专利]基于贝叶斯估计的生物芯片图像小波去噪方法

说明书

技术领域

本发明属于生物信号图像处理领域，涉及一种生物芯片图像去噪方法，特别涉及一种基于贝叶斯估计的生物芯片图像小波去噪方法。

背景技术

生物芯片是指按照预定位置固定在固相载体上很小面积内的很多核酸分子所组成的微点阵阵列。因为生物芯片在微小的基片上集成了成千上万个样点，而每个样点都表达了一定的生物信息，使用芯片扫描仪扫描并采集芯片杂交后的图像，通过分析生物芯片图像，提取阵列中每个靶点区域的强度或比率，结合数据库中的芯片描述(各探针的序列和探针在芯片上的位置)确定生物芯片检测结果。

生物芯片技术不仅仅局限于芯片的制备过程，芯片信息的检测和分析也是其中的关键内容，生物芯片图像的噪声抑制和滤除是生物芯片应用过程中一个非常重要的步骤，其分析的结果将直接影响到图像后续处理(图像分割、样点识别、亮度提取)结果的精度和准确性，进而影响生物芯片的推广与使用。

生物芯片图像与普通图像不同，由于生物芯片处理设备、扫描设备、光线等因素的影响，导致分析的生物芯片图像是在渐变的背景上无规则地分布着大小不一、深浅不同、位置不清、形态各异的模糊点，使用常规的分析方法难以达到理想的效果。并且由于芯片的制作、杂交、清洗和测定过程中难免有灰尘的污染，测定样品中核酸、蛋白质、细胞和组织碎片的干扰，以及仪器噪声的干扰、杂交的非特异性反应等因素，往往产生较大的噪声信号。

去噪是生物芯片图像分析的第一步，能否在尽可能保留有用信息的前提下滤除噪声干扰，成为影响芯片分析结果的重要因素。目前，广泛应用均值滤波和中值滤波等方法进行生物芯片扫描图像去噪的研究。均值滤波虽然具有简单、直观的优点，但是由于生物芯片在实验过程中造成的污染并不均匀，而传统的均值滤波对于整个图像都采用相同的滤波幅度，也就是说每一个像素值都是其邻域内各个像素值和的平均所以造成了图像样点边缘模糊，且模糊的程度与模板的大小成正比。均值滤波是以牺牲重要的灰度信息为代价而实现的滤波，难以保证后面分析的准确性。中值滤波是一种非线性的信号处理方法，没有考虑像素点的统计特性，导致芯片图像部分有用细节的丢失。同时，多次使用中值滤波，虽然基本可以完全消除脉冲噪声，但是会引起图像边缘的模糊和粗化。另外，如果生物芯片图像中脉冲噪声的空间密度较大，中值滤波的效果将会大大下降。为此，本发明提出了一种基于贝叶斯估计的生物芯片图像小波去噪方法。

发明内容

本发明旨在提供一种基于贝叶斯估计的生物芯片图像小波去噪方法，不仅平滑了背景噪声，而且保留了样点的边缘细节，为提高芯片数据处理的准确性和可靠性提供了保证。该方法该用广义高斯分布参数估计法对生物芯片图像子带的小波系数进行建模，通过选取软阈值函数，对信号方差和噪声方差进行估计，确定贝叶斯收缩阈值，对图像进行小波阈值去噪，最后对图像进行重构，输出去噪后的图像。

该方法步骤为：

1、采用广义高斯分布参数的矩估计方法对含噪声的生物芯片图像进行三尺度小波分解，得到含噪声的生物芯片图像小波系数；

2、采用鲁棒性中值估计方法对小波系数进行分析，得到含噪声的生物芯片图像的噪声方差和信号方差，计算确定贝叶斯风险最小的最佳阈值；

3、利用贝叶斯风险最小的最佳阈值提取重要的小波系数完成生物芯片图像的阈值处理和去噪处理，得到去噪后的生物芯片图像小波系数；

4、将去噪后的小波系数经过小波逆变换对图像进行重构，输出去噪后的图像。

小波变换图像去噪方法是先将带有噪声的数据通过小波变换展开成小波级数，然后通过阈值方法提取重要的小波系数，再用去噪后的小波系数经过小波逆变换，逼近重建未知信号。将广义高斯分布作为图像小波系数的先验模型，采用基于Bayes准则的贝叶斯萎缩法(BayesShrink)，这种方法能够自适应的处理各子带阈值，比传统的通用小波阈值具有更理想的萎缩特性。

本发明采用广义高斯分布及其参数估计对生物芯片图像小波系数进行了建模，其小波系数服从广义高斯分布，并且形态参数的典型范围在[0.5～1]，通过设定阈值，将较小的生物芯片图像噪声系数清除来达到去噪的目的。

本发明一种基于贝叶斯估计的生物芯片图像小波去噪方法的优点在于：

1、采用广义高斯分布参数的矩估计方法对含噪声的生物芯片图像进行三尺度小波分解，得到含噪声的生物芯片图像小波系数并确定其形态参数，说明了生物芯片扫描图像子带的小波系数服从广义高斯分布。

2、运用基于贝叶斯风险的小波阈值法对生物芯片扫描图像进行了去噪，取得了较好的效果，不仅平滑了背景噪声，而且保留了样点的边缘细节。