應用于精密顯微操控場景的毛細針口徑識別算法*

邱建雄，陳安琪，，閆明月，支鵬翔，李剛強，，聞路紅，

（1.寧波大學高等技術研究院，浙江 寧波 315211；2.寧波華儀寧創智能科技有限公司，浙江 寧波 315100）

0 引言

精密顯微操控技術在生命科學領域中具備顯著的應用潛力［1］。近年來，精密顯微操控技術的發展引領了單細胞質譜分析技術的革新，推動了單細胞代謝組學的進步［2］，在藥物代謝監測［3］、細胞精準分型［4］、腫瘤脂質研究［5］等方面作出了重要貢獻。在單細胞質譜分析的應用場景下，毛細針是一種被廣泛應用的顯微操控末端執行器，其自身特性直接影響了單細胞分離［6］、代謝物提取［7］、微液滴分配［8］等核心環節的精度和可靠性。

端部口徑是毛細針的關鍵參數，不同類型的研究對毛細針口徑均有著嚴苛的要求［8～10］。傳統的毛細針口徑檢查方法依賴于人工操作，要求實驗人員在顯微鏡下目視判定毛細針的口徑尺寸。該方法效率低下，且受主觀經驗影響，判讀誤差大，難以滿足高通量的單細胞分析需求。因此，研發自動化的毛細針口徑檢查技術可大幅提升毛細針口徑判讀的效率和精度，具有巨大的實用價值。

毛細針口徑識別算法是自動化毛細針口徑檢查技術的根基，通常通過識別毛細針端部的幾何特征來實現。霍夫（Hough）變換是一種常用的檢測算法，但其存在消耗內存大、運算速度慢等問題［11］。邊緣追蹤可以有效解決Hough變換的問題，但是會受到噪聲和圖像質量影響［12］。深度學習是一種表現出色的對圖像進行端到端學習的方法，但需要大量標注數據和計算資源，同時對模型的可解釋性較差［13］。

針對上述問題，本文提出了一種基于自適應感興趣區域（region of interest，ROI）提取的口徑識別算法。該算法無需采集額外背景圖像，通過準確鎖定針尖ROI并進行雙向同步點掃，完成針尖端部兩個特征端點的定位，實現毛細針口徑的快速、精準判讀，為精密顯微操控技術奠定了良好的算法基礎。

1 算法介紹

1.1 針尖ROI定位

將采集到的毛細針尖圖像進行Mean-Shift［14］圖像分割處理，可以得到一個顏色漸變、紋理平緩的圖像，由于所關注的特征區域可以僅由執行器的外部輪廓確定，因此細節的紋理信息并不是必要的。對分割好的圖像進行Canny邊緣提取［15］，因為Canny提取的邊緣受雙閾值影響連續性無法保證，故對邊緣進行圖像閉運算使得小范圍內離散的邊緣連續。最后通過對連續輪廓進行外接矩形操作，以外接矩形周長為判斷條件，篩選出外接矩形面積最大的輪廓為目標輪廓。將最大外接矩形的左下頂點設為ROI 中心，獲取80 像素×80 像素的ROI，圖1 為ROI提取算法的流程。

圖1 ROI算法流程

1.2 基于雙向同步點掃描的口徑識別算法

采用1.1節ROI自動定位方法定位ROI。在本文中的ROI即為以特征點為中心的80 像素×80 像素鄰域。如圖2所示，分別為不同口徑毛細針以特征點構建的最大外接矩形示意。從圖中可以看出：毛細針尖處的幾何輪廓與最大外接矩形在空間上呈相切關系，因此可利用特征點進行自下而上，自左而右的雙向同步掃描確定切點位置。

圖2 不同口徑毛細針示意

通過計算兩切點的歐氏距離及像素點與空間長度映射關系，可實現毛細針口徑的數值化。其數學模型如式（1）～式（3）所示

其中，α為映射系數在成像條件固定情況下為常數，在本文中α ＝1.6 pixel／μm。

2 實驗結果與分析

2.1 針尖ROI定位

為驗證針尖ROI定位算法的可靠性，實驗采用了針尖口徑5～10 μm 毛細針進行ROI 選取，圖像分辨率為1 920像素×1 200像素，通過Python 3.7編程實現。

根據ROI 定位算法實現流程，結果如圖3 所示。圖3（a）為原始拍攝的三原色（RGB）通道圖像；圖3（b）為經過Mean-Shift圖像分割之后的圖像；圖3（c）為Mean-Shift后采用Canny算法的特征輪廓；圖3（d）為Canny后采用圖像閉運算的效果圖；圖3（e）為輪廓最大周長外接矩形；圖3（f）為經過ROI 提取算法后的ROI 圖像。通過結果可以看出針尖ROI定位算法可以準確提取毛細針尖區域。

圖3 ROI提取可視化

Wang W H等人［16］將640像素×480 像素的顯微圖像通過每幀圖像中減去未變化的背景來區分運動物體，將ROI縮小至100像素×80像素，閆明月等人［17］采用的點掃法在獲取ROI時要求具備毛細針的背景圖像。雖然都成功獲取了針尖處的ROI，但是其ROI提取需要多幀圖像信息輔助，該項工作中，通過圖像分割策略緩和整幅圖像在色彩上的差異，假設外輪廓為ROI 提取中的主要特征，通過Canny邊緣提取與輪廓最大外接矩形，確定ROI特征點，在不需要額外信息的情況下得到80 像素×80 像素的ROI圖像。

2.2 針尖口徑大小識別

針尖口徑大小的確定依賴于針尖口徑兩端的特征端點，因此對特征端點的坐標定位進行誤差分析，采用不同基質背景與不同口徑的毛細針進行誤差分析實驗，特征端點選定及距離示意如圖4 所示，誤差分析結果如表1 所示。其中，定義左側點為特征點1，右側點為特征點2。特征點誤差分析為人為標定點與算法標定點的歐氏距離差。可以看出平均偏差范圍在1個像素點以內。毛細針口徑大小的識別誤差在百納米級別，且適用于不同口徑大小的毛細針。

表1 毛細針口徑識別算法誤差分析

圖4 不同環境下的多孔徑毛細針口徑識別

2.3 運行時間

表2為該方法關鍵步驟的平均運行時間，處理關鍵步驟的平均計算時間為240.1 ms，其中口徑識別耗時10.8 ms，這表明所提出的方法是實時的。

表2 關鍵步驟平均計算時長

3 結論

本文針對顯微視野中的毛細針空間定位與口徑大小進行研究，針對針尖的二維平面定位提出自適應ROI提取算法，通過圖像分割策略提取毛細針外輪廓最大外接矩形特征點，減少ROI獲取先驗條件與后續應用計算量；針對毛細針口徑識別提出基于雙向同步點掃描的口徑識別算法，實現亞微米級口徑大小識別。

實驗結果表明：本文方法既可以有效解決毛細針尖的高精度定位，又能實現像素級針尖口徑大小識別，為后續單細胞操作、顯微注射、毛細管電泳等系統研究奠定良好的基礎。