应用于精密显微操控场景的毛细针口径识别算法*

邱建雄，陈安琪，，闫明月，支鹏翔，李刚强，，闻路红，

（1.宁波大学高等技术研究院，浙江 宁波 315211；2.宁波华仪宁创智能科技有限公司，浙江 宁波 315100）

0 引言

精密显微操控技术在生命科学领域中具备显著的应用潜力［1］。近年来，精密显微操控技术的发展引领了单细胞质谱分析技术的革新，推动了单细胞代谢组学的进步［2］，在药物代谢监测［3］、细胞精准分型［4］、肿瘤脂质研究［5］等方面作出了重要贡献。在单细胞质谱分析的应用场景下，毛细针是一种被广泛应用的显微操控末端执行器，其自身特性直接影响了单细胞分离［6］、代谢物提取［7］、微液滴分配［8］等核心环节的精度和可靠性。

端部口径是毛细针的关键参数，不同类型的研究对毛细针口径均有着严苛的要求［8～10］。传统的毛细针口径检查方法依赖于人工操作，要求实验人员在显微镜下目视判定毛细针的口径尺寸。该方法效率低下，且受主观经验影响，判读误差大，难以满足高通量的单细胞分析需求。因此，研发自动化的毛细针口径检查技术可大幅提升毛细针口径判读的效率和精度，具有巨大的实用价值。

毛细针口径识别算法是自动化毛细针口径检查技术的根基，通常通过识别毛细针端部的几何特征来实现。霍夫（Hough）变换是一种常用的检测算法，但其存在消耗内存大、运算速度慢等问题［11］。边缘追踪可以有效解决Hough变换的问题，但是会受到噪声和图像质量影响［12］。深度学习是一种表现出色的对图像进行端到端学习的方法，但需要大量标注数据和计算资源，同时对模型的可解释性较差［13］。

针对上述问题，本文提出了一种基于自适应感兴趣区域（region of interest，ROI）提取的口径识别算法。该算法无需采集额外背景图像，通过准确锁定针尖ROI并进行双向同步点扫，完成针尖端部两个特征端点的定位，实现毛细针口径的快速、精准判读，为精密显微操控技术奠定了良好的算法基础。

1 算法介绍

1.1 针尖ROI定位

将采集到的毛细针尖图像进行Mean-Shift［14］图像分割处理，可以得到一个颜色渐变、纹理平缓的图像，由于所关注的特征区域可以仅由执行器的外部轮廓确定，因此细节的纹理信息并不是必要的。对分割好的图像进行Canny边缘提取［15］，因为Canny提取的边缘受双阈值影响连续性无法保证，故对边缘进行图像闭运算使得小范围内离散的边缘连续。最后通过对连续轮廓进行外接矩形操作，以外接矩形周长为判断条件，筛选出外接矩形面积最大的轮廓为目标轮廓。将最大外接矩形的左下顶点设为ROI 中心，获取80 像素×80 像素的ROI，图1 为ROI提取算法的流程。

图1 ROI算法流程

1.2 基于双向同步点扫描的口径识别算法

采用1.1节ROI自动定位方法定位ROI。在本文中的ROI即为以特征点为中心的80 像素×80 像素邻域。如图2所示，分别为不同口径毛细针以特征点构建的最大外接矩形示意。从图中可以看出：毛细针尖处的几何轮廓与最大外接矩形在空间上呈相切关系，因此可利用特征点进行自下而上，自左而右的双向同步扫描确定切点位置。

图2 不同口径毛细针示意

通过计算两切点的欧氏距离及像素点与空间长度映射关系，可实现毛细针口径的数值化。其数学模型如式（1）～式（3）所示

其中，α为映射系数在成像条件固定情况下为常数，在本文中α ＝1.6 pixel／μm。

2 实验结果与分析

2.1 针尖ROI定位

为验证针尖ROI定位算法的可靠性，实验采用了针尖口径5～10 μm 毛细针进行ROI 选取，图像分辨率为1 920像素×1 200像素，通过Python 3.7编程实现。

根据ROI 定位算法实现流程，结果如图3 所示。图3（a）为原始拍摄的三原色（RGB）通道图像；图3（b）为经过Mean-Shift图像分割之后的图像；图3（c）为Mean-Shift后采用Canny算法的特征轮廓；图3（d）为Canny后采用图像闭运算的效果图；图3（e）为轮廓最大周长外接矩形；图3（f）为经过ROI 提取算法后的ROI 图像。通过结果可以看出针尖ROI定位算法可以准确提取毛细针尖区域。

图3 ROI提取可视化

Wang W H等人［16］将640像素×480 像素的显微图像通过每帧图像中减去未变化的背景来区分运动物体，将ROI缩小至100像素×80像素，闫明月等人［17］采用的点扫法在获取ROI时要求具备毛细针的背景图像。虽然都成功获取了针尖处的ROI，但是其ROI提取需要多帧图像信息辅助，该项工作中，通过图像分割策略缓和整幅图像在色彩上的差异，假设外轮廓为ROI 提取中的主要特征，通过Canny边缘提取与轮廓最大外接矩形，确定ROI特征点，在不需要额外信息的情况下得到80 像素×80 像素的ROI图像。

2.2 针尖口径大小识别

针尖口径大小的确定依赖于针尖口径两端的特征端点，因此对特征端点的坐标定位进行误差分析，采用不同基质背景与不同口径的毛细针进行误差分析实验，特征端点选定及距离示意如图4 所示，误差分析结果如表1 所示。其中，定义左侧点为特征点1，右侧点为特征点2。特征点误差分析为人为标定点与算法标定点的欧氏距离差。可以看出平均偏差范围在1个像素点以内。毛细针口径大小的识别误差在百纳米级别，且适用于不同口径大小的毛细针。

表1 毛细针口径识别算法误差分析

图4 不同环境下的多孔径毛细针口径识别

2.3 运行时间

表2为该方法关键步骤的平均运行时间，处理关键步骤的平均计算时间为240.1 ms，其中口径识别耗时10.8 ms，这表明所提出的方法是实时的。

表2 关键步骤平均计算时长

3 结论

本文针对显微视野中的毛细针空间定位与口径大小进行研究，针对针尖的二维平面定位提出自适应ROI提取算法，通过图像分割策略提取毛细针外轮廓最大外接矩形特征点，减少ROI获取先验条件与后续应用计算量；针对毛细针口径识别提出基于双向同步点扫描的口径识别算法，实现亚微米级口径大小识别。

实验结果表明：本文方法既可以有效解决毛细针尖的高精度定位，又能实现像素级针尖口径大小识别，为后续单细胞操作、显微注射、毛细管电泳等系统研究奠定良好的基础。