胶体金试纸条的自然光照明图像读出方法的研究

周　磊，刘艳珍，张　超

(1．北京帕克特科技有限公司，北京　100190；2．中国食品药品检定研究院，北京　100050)

0　引言

胶体金试纸条检测是一种基于免疫渗滤和层析原理的快速检测方法。将胶体金作为示踪标记物应用于抗原抗体反应，当待测溶液中抗原与试纸条上抗体发生反应后，试纸条上检测区域根据敏感物质浓度大小而呈现不同的颜色，通过与标准比色卡进行比较，即可得到待测溶液中目标物质浓度的检测结果[1-2]。胶体金试纸条的典型结构如图1所示，由于具备成本低廉、方便快捷等特点，胶体金试纸条检测已被广泛地应用在食品药品、水质监测等领域[3]。

图1　胶体金测试条的典型结构图

胶体金试纸条通常有2种检测方式。使用专用检测仪器可以实现检测结果的定性或半定量检测，但需要现场配备专用的检测仪器，使用起来不够方便。另一种简便的方法是操作者肉眼进行目测判读。目测判读法操作简便，只需与标准比色卡简单对比，便可直接得到测试结果。目测过程中操作者的主观性是影响检测结果的主要因素。不仅操作者专业知识、视力状况和照明条件等因素容易导致判读误差，在测试线显色较浅或边界不规则时，还可能出现无法判读的情况[1-2，4]。

借助如手机等具备拍照功能的便携式器材获取胶体金试纸条的可见光数码图像，结合图像处理手段进行测试结果的判读，相比于目测方法更具客观性。然而，对于目测判读困难的微弱显色结果，在RGB图像空间直接进行判读，依然很难得到可靠的检测结果。针对这一问题，文中介绍了一种基于主成分分析的多元图像分析方法，用于提高目测判读困难检测线的特征提取能力。

1　RGB图像的主成分分析

主成分分析(Principal Component Analysis，PCA)是一种多维数据统计分析方法，其基本思想是通过一种变换，将数据集从R维空间投影到M维空间(R≥M)，在不影响原始数据主要信息的前提下，由维数较少的有效特征成分来表示，从而使原数据集合中的特征更加突出[5-6]。PCA的实现方法是将原来多个具有一定相关性参量作线性组合，生成一组新的相互独立的参量来代替原来的参量[7]。

PCA处理的观测数据矩阵X，通常是一个N×K(N>K)的“瘦长”矩阵。矩阵中的行向量代表一个观测点处K个参量的观测值，列向量则代表每个参量在N次观测中的观测值。对于一幅m×n像素的RGB图像而言，观测参量即为每个像素点处红色(R)、绿色(G)、蓝色(B)的灰度值，因此所构成的观测数据矩阵X为一个行数为m×n、列数为3的(m×n)×3矩阵。对此矩阵进行PCA处理后得到变换矩阵SC。观测数据矩阵X与变换矩阵SC间的关系可表达为：

(1)

式中：P为3×3的正交矩阵；SCi为将X转换到PCA空间后，得到维数为m×n的PCA主成分的分向量，将SCi按照X的构建规律转换成像素点数为m×n的图像，即可得到在PCA空间表达的灰度图像。

利用肌钙蛋白I(TnI)检测试纸条，在现场检测得到的3幅典型结果的RGB图像如图2所示。图2中阳性A～C分别对应于阳性特征明显、基本可辨、难以分辨等3种情况。由图2可知，3种情况下质控线显色均较深而且边缘规则，与背景区分度大，表明检测结果有效。不同之处在于检测线条纹的显色情况差异较大：阳性A中较清晰、容易判读，B的检测线清晰度中等，但基本能够判读，C中检测线条纹与背景已无明显区分，且边界模糊微弱，难以用肉眼判读。

图2　典型的TnI试纸条图像

由于图2中阳性C最难判读，将此胶体金试纸条的RGB图像转换到PCA空间后，得到的图像表达(伪彩色图)如图3所示。从图3可以看出：阳性C试纸条图像经过PCA变换后，在质控线位置，PC1、PC2和PC3的特征均十分明显；在检测线区域，PC1和PC2未能有效地提取出特征，但通过PC3可有效将检测线的显色特征与背景区分开来。

图3　图PCA处理后的数据分布

2　试验结果分析

从图2、图3结果可见，试纸条检测结果的特征读取，主要是在水平方向灰度值的阅读。因此，将垂直方向上的数据累加平均，得到水平方向上的灰度分布均值，用以表达试纸条图像的显色特征情况。

试纸条RGB图像包含红、绿、蓝三色分量，直接提取图2中图像的R、G、B灰度值，可得到各分量在水平方向上的灰度分布均值，如图4所示。分析图4可得，RGB图像的G分量对试纸条图像的特征提取能力优于R和B分量。这是由于胶体金试纸条金颗粒的吸收波长为520～600 nm，而绿色分量的波长位于540 nm附近[8]，依据光的吸收定律，正好对应于胶体金的吸收峰。此外，从图4还能看出，对于类似图2阳性C检测线显色微弱的条纹，直接从RGB图像提取图像特征会比较困难。

(a)R分量的水平分布

(b)G分量的水平分布

(c)B分量的水平分布

试纸条RGB图像经过PCA处理，从RGB空间转换到3通道的主成分空间，图2中条纹图像的三阶主成分得分水平分布情况如图5所示。

由图5可知，各阶主成分都能辨别图2中阳性A较明显的检测线条纹特征，而且第一主成分表现得更显著。但随检测线条纹显色变浅，低阶主成分的特征提取能力迅速衰减，对于阳性C微弱的检测线条纹，第一、二主成分已经难以从背景中提取检测线条纹，但第三主成分能够敏感到检测线的显色特征，即高阶主成分对微弱条纹具有更好的辨识能力。因此，综合考虑各阶主成分对试纸条图像显色特征提取的影响，用式(2)合成各阶主成分，得到新的统计量，并记作SA：

p，k∈N，p≤m，k≤3

(2)

式中SAp表示水平方向第p点位置的计算均值；m为水平像素点数；Sk1～Skm表示第k阶主成分得分经过归一化处理的数值。

计算得到的SA水平分布如图6所示。

(a)第一主成分得分水平分布

(b)第二主成分得分水平分布

(c)第三主成分得分水平分布

对照图4与图6的结果可见，直接利用RGB灰度值难以识别显色微弱的检测线条纹。通过PCA处理，合成主成分，可以有效地从背景中提取显色特征，对微弱条纹的分辨能力较强，它有助于准确判断试纸条检测结果，是一种适合胶体金试纸条现场检测的快速读出方法。

图6　SA的水平分布曲线

3　结论

文中通过对试纸条图像进行PCA线性特征抽取，能对肉眼无法观察的微弱条纹进行辨识，提供了一种客观合理的判读方法。在实际应用过程中，检测人员能够借助手机等便携式照相设备，获得试纸条的图像，并借助手机本身或者互联网远传服务器的方式，进行图像数据计算分析，不需要专门仪器，即可完成现场检测。

参考文献：

[1]王帅，郑德智．定量胶体金试剂条浓度检测方法．北京航空航天大学学报，2009，35(8)：942-945．

[2]SUHYEON K，JE-KYUN P．Development of a Test Strip Reader for a Lateral Flow Membrane-based Immuno-chromatographic Assay．Biotechnology and Bioprocess Engineering，2004，9(2)：127-131．

[3]何小维，赵喜红．胶体金快速诊断技术的研究进展．中国人兽共患病学报，2007，23(1)：86-88．

[5]MACGREGOR J F，BHARATI M H．Multivariate Image Analysis for process monitoring and control．Process Imaging for Automatic Control，2001，17(2)：17-21．

[6]GELADI P，GRAHN H．Multivariate image analysis．Encyclopedia of Analytical Chemistry，2000：85-117．

[7]ABDI H，WILLIAMS L J．．Principal component analysis．2010 John Wiley & Sons，Inc．WIREs Comp Stat，2010：433-459．

[8]高明．光电仪器设计．西安：西北工业大学出版社，2005：127-129．