核孔复合物单分子定位超分辨图像的筛选和重构

核孔复合物（NPC）是细胞核膜上由多种蛋白组装而成的复杂结构,在细胞核质交换和信息传递中起着关键作用。单分子定位超分辨成像（SMLM）以其特异性和高成像分辨率成为研究NPC超微结构的主要方法之一。然而,由于抗体标记不完全等因素导致的数据丢失,给后续分析带来了困难。笔者使用SMLM提供的定位信息,结合基于密度的空间聚类算法（DBSCAN）和层次聚类算法进行数据的提取和分类,建立了NPC筛选和定位的分析流程,并采用该处理流程得到了缺失较少且形貌比较均匀的核孔。进一步,基于最小二乘法原理对筛选得到的大量NPC进行质心对齐的重构处理,成功复现出了其经典的八重对称结构,并揭示了核孔蛋白Nup133与Nup98的精确相对位置关系。本研究通过建立核孔筛选和重构的标准流程,填补了SMLM数据的缺失。采用该流程对多种核孔蛋白进行分析,揭示它们的结构特性。所建流程为理解核孔的复杂结构提供了一种高通量的定量分析方法。     

单分子定位超分辨成像技术进展及应用

21世纪初诞生的超分辨光学成像技术凭借纳米级空间分辨率、低损制样等优点,迅速发展成为生命科学研究中不可或缺的技术手段.其中单分子定位超分辨成像(SMLM)技术更是由于其成像原理易懂、空间分辨率极高等特点,一直受到科研工作者的青睐,不断取得重要的技术和应用进展.首先回顾了 SMLM的工作原理,讨论了其光路搭建、图像重建、...     

基于DBSCAN的图像分割算法研究

图像分割能将一幅数字图像分成多个的不同区域,是计算机视觉的主要研究领域之一。文中在系统性研究DBSCAN算法的基础上,提出了一种改进型DBSCAN图像分割方法。该方法首先计算图像中每个像素点的局部密度,然后通过寻找局部密度峰值点来确定核心点,同时将邻域内的像素点加入同一簇中,来处理不同密度区域和噪声点的影响。实验结果表明,该算法对参数敏感度较低,能有效处理不同密度区域和噪声点,相比标准DBSCAN图像分割方法,其在聚类正确率、精度和效率等方面的表现更优秀。     

人红细胞膜骨架超分辨图像的Vorono?分析

成熟人红细胞膜骨架是由膜下多种蛋白组成的三角晶格网状结构,在维持红细胞形态、变形性、运动和代谢等功能方面扮演着重要角色。单分子定位超分辨成像(SMLM)技术在解析骨架超微结构方面展现出了强大的能力,但分辨率的提升对成像分析手段提出了更高要求。作为一种常用的空间分析方法,Vorono?分割在SMLM图像聚类分析中已被广泛应用。笔者利用自主搭建的SMLM超分辨成像系统获得红细胞膜蛋白和骨架蛋白的超分辨点簇图像,对点簇质心进行Vorono?分割,并对Vorono?多边形面积分布进行伽马函数拟合,发现自由膜蛋白CD59的伽马分布峰值对应的x轴坐标x_peak为0.78。结合模拟结果,验证了自由膜蛋白CD59呈随机分布。进一步,肌动蛋白、血影蛋白N端和原肌球蛋白的Vorono?分析结果显示它们的x_peak均为0.86,而锚蛋白的x_peak为0.84,说明骨架膜蛋白呈相对均匀的分布状态,但锚蛋白较其他骨架蛋白更具随机性。Vorono?方法可助力阐释红细胞膜骨架蛋白的空间分布特性,同时也为点簇状SMLM超分辨图像数据的深入提取提供了新思...     

超分辨成像中荧光分子定位算法性能比较

超分辨成像已成为活细胞结构和功能成像的关键工具,荧光分子定位是超分辨成像过程中不可缺少的步骤。从超分辨成像角度研究各种荧光分子定位算法性能具有重要的意义。选择5种典型的荧光分子定位算法:质心法、广义质心法、高斯拟合、解线性方程组和极大似然法,以定位精度和定位时间来评价所选择算法的性能。结果表明,1)高斯拟合、极大似然法和广义质心法能高精度对荧光分子定位,不受荧光分子所在子区域提取的影响;2)质心法和解线性方程组法能应用于图像在线分析,但定位精度较低,受子区域提取影响较大;3)当两个荧光分子位于一个衍射斑时,采用这5种算法的定位精度都会急剧下降。     

单分子三维取向超分辨成像技术进展（特邀）

超分辨显微成像技术自诞生以来,凭借其优异的纳米级空间分辨率,已成为生命科学研究中精准揭示复杂生命现象的重要成像技术。其中,基于单分子定位的超分辨成像策略,使得定位、观察、研究单个探针分子独特的理、化、光学性能成为可能。偏振作为荧光信号的一个重要特性,近年来伴随着单分子三维取向成像技术的发展,逐步在单分子成像和超分辨领域中展示出诸多新颖且重要的应用特性。本文总结了单分子三维取向超分辨成像技术的最新进展,介绍并分析了两类主要的单分子三维取向荧光显微技术——基于荧光吸收与辐射偏振调制的单分子三维取向成像方法以及利用点扩散函数工程将单个荧光分子的三维取向信息编码到荧光图像上的成像策略。此外,还探讨了应用于活细胞或单颗粒的其他类型的超分辨取向成像技术。最后,针对单分子三维取向超分辨成像技术发展与应用前景面临的挑战,进行了总结与展望。     

一种基于DFC聚类算法的图像分割方法

图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。目前,图像分割的方法层出不穷。其中,最具代表性的图像分割算法是基于FCM聚类算法的图像分割方法。然而FCM聚类算法从理论上来说存在着聚类数目无法自动确定及运算的开销太大的缺点,因而限制了这种方法的应用。针对其不足,本文将FCM聚类算法引入到图像分割方法中。数值实验结果显示：新方法分割图像的效果是良好的。     

二次聚类图像分割算法

图像分割技术在各个领域中应用广泛,简单描述了模糊C均值聚类算法,在此基础上利用图像（ l,α,β）颜色空间分离,将亮度空间进行二次聚类,根据像素点到第二次聚类中心的隶属度所得整幅图像的聚类域。能有效的将灰度图像或彩色图像中相似区域聚集分类,为图像预处理提供很大帮助。通过实验验证了算法的有效性。     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

结合形态学分水岭的模糊聚类图像分割方法

图像分割是将图像分成各具特性的区域,并将感兴趣的目标提取出来的技术,是图像分析和计算机视觉中非常重要的研究内容。根据图像单一的属性标准对图像进行分割会产生过分割的现象,不容易提取到图像中有用的信息。结合数学形态学分水岭算法先对图像进行分割,得到了对图像的初步处理结果,再利用模糊聚类方法对分水岭分割产生的图像进行后处理,使得灰度信息相同或相近的点聚合在一起,得到了较好的图形轮廓。     

基于动态步长的医学图像聚类分割研究

针对当前基于聚类技术的医学图像分割存在的问题,提出并实现了基于密度聚类的医学图像分割方法DSLDC-MIS。该方法在DENCLUE数据组织和密度函数构造的基础上,采用最优梯度技术实现动态步长的爬山算法分割医学图像组织。实验结果表明,DSLDC-MIS能很好地实现医学图像分割,比DENCLUE有更高的时间效率,更好地控制了聚类数目,更高的一致性和对比度。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

结合引力模型的模糊聚类遥感图像水体分割算法

传统模糊C均值聚类算法在遥感图像水体分割中抑制噪声的能力弱且需人为设定的参数太多.针对这一问题,提出了一种结合引力模型的模糊聚类遥感图像水体分割方法.首先将模糊C均值聚类算法得到的模糊隶属度矩阵作为本文算法的初始隶属度矩阵,然后计算像素灰度值的局部标准差与局部均值的比率,并将归一化的比率作为加权因子来反映邻域像素对中心...     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

基于自适应理论的快速模糊聚类图像分割算法

模糊聚类算法是在脑MR图像分割中运用的最多的一种算法,然而传统的FCM算法对噪声图像不能进行有效的分割,而一些改进的算法则在提高算法抗噪声性能的同时大大地增加了其运行时间。针对这些问题,本文提出了一种基于自适应理论的快速模糊聚类（AMFFCM）算法。实验结果表明该算法对噪声图像能进行有效的分割,同时其运行速度相对于其他的抗噪算法也得到了提升。     

融合层次聚类的高分辨率遥感影像超像素分割方法

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。     

结合多元信息聚类与空间约束的遥感图像分割方法

为了解决传统聚类算法对聚类表征特征量的依赖性以及定义的不完备性,结合遥感图像的数据的空间位置关系提出了一种结合多元信息聚类与空间约束的遥感图像分割方法。针对某一聚类数据,以若干数据点(多元)组合的方式遍历其所有数据点,并定义多元组合的互信息,以表征该聚类的类内相似性;通过计算类外像素对类内多元组合的互信息,刻画类间的非相似性。在此基础上建立类内相似性和类间差异性,然后结合两者之间的平衡关系建立目标函数,并将Potts模型扩展到目标函数以加入空间约束,最后通过最大化目标函数实现图像分割。对模拟及真实全色遥感影像分割结果的定性、定量分析表明:结合多元信息聚类与空间约束的遥感影像分割方法可以避免聚类表征特征量的定义,从根本上消除其对图像分割的影响,并充分考虑遥感数据的空间位置关系。      

基于改进模糊均值聚类算法的医学图像分割

为了提高医学图像分割性能,针对传统模糊聚类算法存在的缺陷,提出了一种改进模糊均值聚类算法的医学图像分割方法。首先采用粒子群算法选择模糊均值聚类算法的聚类中心,然后利用空间邻域信息设定聚类样本空间,最后采用具体的医学图像数据进行仿真实验,测试其有效性。仿真结果表明,相对于传统模糊聚类算法,本文算法不仅提高了医学图像分割精度,而且提高了医学图像分割效率。     

快速自动模糊C-均值聚类彩色图像分割算法

针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题,提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像,将传统基于单个像素的聚类转化为基于超像素区域的聚类,降低FCM计算复杂度;其次利用改进的密度峰值算法自动确定聚类数目,提高算法灵活性;最后,对超像素图像进行基于直方图的FCM聚类,完成图像分割。为验证所提算法的有效性,采用BSDS500、AID和MSRC公共数据库作为实验数据集,并与其他4种FCM分割算法进行了比较。实验结果表明,所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。     

基于层次聚类的多颜色空间融合分割方法

针对自然图像分割中,由于单一的颜色空间难以表示复杂多变的场景信息以及目标与背景的低对比度等产生的过分割和误分割问题,提出了选择RGB、XYZ和LUV这3个颜色空间的增强图像进行基于层次聚类的融合分割的新方法.对Berkeley分割图像库中的多幅图像进行了多组分割实验,并与Mean-shift等多种经典分割方法进行了定性...