二維化學(xué)分子結(jié)構(gòu)信息提取芻議

精品文檔-下載后可編輯二維化學(xué)分子結(jié)構(gòu)信息提取芻議1端點(diǎn)原子的提取

端點(diǎn)的原子是由若干個(gè)字母、數(shù)字組成，在圖中表現(xiàn)為若干個(gè)面積較小的連通區(qū)域，對(duì)于原子字符的提取，本文采用的是基于區(qū)域尺寸和彎曲度的藥物化學(xué)分子結(jié)構(gòu)圖分割算法［7］。首先，根據(jù)連通區(qū)域尺寸大小，將化學(xué)分子結(jié)構(gòu)圖分割成兩部分：一部分是由化學(xué)鍵組成的所有大尺寸連通區(qū)域的組合，另一部分是雜原子、基團(tuán)和單化學(xué)鍵等小尺寸區(qū)域的組合。然后，根據(jù)彎曲度將小尺寸組合圖中的表示化學(xué)鍵的單線段和類線段“I”，“l(fā)”，“－”提取出。最后根據(jù)位置等信息將“I”，“l(fā)”，“－”和單線段進(jìn)行區(qū)分，將單線段的化學(xué)鍵和大尺寸連通區(qū)組合，完成了化學(xué)鍵與端點(diǎn)原子的分離。圖2所示是一化學(xué)分子結(jié)構(gòu)圖的分割過程的效果圖。經(jīng)過分割，實(shí)現(xiàn)了對(duì)端點(diǎn)原子的提取。對(duì)收集的10635幅二維有機(jī)化學(xué)分子結(jié)構(gòu)圖中端點(diǎn)信息進(jìn)行統(tǒng)計(jì)，出現(xiàn)在端點(diǎn)附近的原子或基團(tuán)見表1，一共有21種，共有35個(gè)字符。

2基于神經(jīng)網(wǎng)絡(luò)的端點(diǎn)原子識(shí)別

對(duì)端點(diǎn)的原子或基團(tuán)的識(shí)別就轉(zhuǎn)化成對(duì)字符、數(shù)字的識(shí)別。目前對(duì)字符的識(shí)別方法有很多種，主要有模板匹配、統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別、智能模式識(shí)別等，其中智能模式識(shí)別中神經(jīng)網(wǎng)絡(luò)應(yīng)用于字符識(shí)別一直是神經(jīng)網(wǎng)絡(luò)研究中一個(gè)很活躍的應(yīng)用領(lǐng)域，最為廣泛的要屬BP網(wǎng)絡(luò)［8－10］。本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)化學(xué)分子結(jié)構(gòu)圖中端點(diǎn)字符進(jìn)行識(shí)別。基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng)流程如圖3所示，流程中的圖像預(yù)處理主要包括歸一化和特征提取。因后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別都需要統(tǒng)一尺寸的字符對(duì)象，本文將字符歸一化為24×16。比較常用的特征主要有穿越特征、特征、網(wǎng)格特征等，本文提取8維網(wǎng)格特征向量和20維的穿越特征組成28維字符特征向量。

3端點(diǎn)字符合并以及后處理操作

化學(xué)分子結(jié)構(gòu)圖端點(diǎn)處的原子或基團(tuán)通常是由多個(gè)字符構(gòu)成，基于BP神經(jīng)網(wǎng)絡(luò)完成的是對(duì)分割的單個(gè)字符的識(shí)別，后續(xù)還需將每個(gè)端點(diǎn)處的多個(gè)字符進(jìn)行組合?；瘜W(xué)分子結(jié)構(gòu)圖是用專業(yè)軟件繪制而成，一般圖中的字符字號(hào)統(tǒng)一，端點(diǎn)處的字符距離較近，不同端點(diǎn)處的字符之間距離較遠(yuǎn)。所以本文基于距離對(duì)端點(diǎn)字符組合，距離的閾值φ設(shè)定很重要。在進(jìn)行化學(xué)鍵識(shí)別過程中記錄下了每個(gè)端點(diǎn)的坐標(biāo)：Pi＝（xi，yi），（i＝1，2，…，m），m為端點(diǎn)的個(gè)數(shù)。每個(gè)字符的重心坐標(biāo)記為：Zj＝（x／j，y／j），（j＝1，2，…，n），n為字符的個(gè)數(shù)。具體算法如下。（1）從第一個(gè)端點(diǎn)開始，尋找每個(gè)端點(diǎn)最近距離的那個(gè)字符，記為Ak；（2）從字符Ak開始，尋找φ距離內(nèi)的字符，如果有，則將其組合進(jìn)去，接下來繼續(xù)在已組合字符附近尋找，尋找結(jié)束，該端點(diǎn)的信息也就組合完成。由于化學(xué)分子結(jié)構(gòu)圖的大小不同，且不同圖中的字符大小也不一致，導(dǎo)致距離閾值φ不能是個(gè)固定的值，經(jīng)過若干實(shí)驗(yàn)發(fā)現(xiàn)，φ取化學(xué)分子結(jié)構(gòu)圖中最高字符高度的5／4，基本可以獲得較好的效果。因化學(xué)分子結(jié)構(gòu)圖中端點(diǎn)的原子和基團(tuán)的種類是有限的，為了避免因個(gè)別字符識(shí)別錯(cuò)誤而降低端點(diǎn)信息正確率，本文制作一個(gè)端點(diǎn)原子參考表，該表收集了10635幅化學(xué)分子結(jié)構(gòu)圖中端點(diǎn)原子組合158個(gè)。將端點(diǎn)的識(shí)別結(jié)果與詞典中的每個(gè)詞進(jìn)行比對(duì)，計(jì)算距離，選取與該結(jié)果距離最小的詞作為最終識(shí)別結(jié)果。如果匹配距離大于一定的閾值，則不進(jìn)行校正，將原識(shí)別結(jié)果作為最終結(jié)果輸出。這種基于參考表對(duì)端點(diǎn)信息進(jìn)行校正，也是對(duì)BP神經(jīng)網(wǎng)絡(luò)識(shí)別字符的校正。如化學(xué)分子結(jié)構(gòu)圖中的“I”與“Cl”中的“l(fā)”，非常類似，用神經(jīng)網(wǎng)絡(luò)很難分辨出，但是，可以通過詞典進(jìn)行區(qū)分，如果其左端的字符是“C”，可以肯定該字符是“l(fā)”。2實(shí)驗(yàn)與分析為了驗(yàn)證本文基于神經(jīng)網(wǎng)絡(luò)的二維化學(xué)分子結(jié)構(gòu)圖端點(diǎn)原子識(shí)別的效果，對(duì)隨機(jī)選取的100幅圖像做實(shí)驗(yàn)。實(shí)驗(yàn)編程用MatlabR2022a實(shí)現(xiàn)，主要分4步。第1步：完成化學(xué)鍵與字符的分割操作，從字符圖中提取單個(gè)字符，并記下其重心坐標(biāo)；第2步：將提取的字符用已訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別；第3步：基于距離對(duì)端點(diǎn)字符組合；第4步：基于參考表對(duì)組合的字符進(jìn)行糾正。識(shí)別效果如表2所示，分別用X，Y和Z表示。X表示基于神經(jīng)網(wǎng)絡(luò)字符識(shí)別準(zhǔn)確率，X＝∑Ni＝1X（）i／N，Xi表示該類中第i個(gè)圖像中字符識(shí)別準(zhǔn)確率，N表示圖像的個(gè)數(shù)。Y表示基于距離的字符組合準(zhǔn)確率，這里的組合不考慮前期字符識(shí)別是否正確，只考慮端點(diǎn)的字符個(gè)數(shù)和字符對(duì)應(yīng)的位置是否準(zhǔn)確，Y＝R／Q，R是組合正確的端點(diǎn)數(shù)，Q是這100幅圖中的端點(diǎn)個(gè)數(shù)。Z是經(jīng)參考表比對(duì)，糾正后的字符識(shí)別的準(zhǔn)確率，Z＝∑Ni＝1Z（）i／N，Zi表示該類中第i個(gè)圖像中字符識(shí)別準(zhǔn)確率，N表示圖像的個(gè)數(shù)。表2100幅化學(xué)分子結(jié)構(gòu)圖像中端點(diǎn)原子識(shí)別的統(tǒng)計(jì)結(jié)果Table2Statisticalresultsofatomicendpointrecognitionin100chemicalmolecularstructureimages項(xiàng)目結(jié)果基于神經(jīng)網(wǎng)絡(luò)字符識(shí)別準(zhǔn)確率X＝85％基于距離的字符組合準(zhǔn)確率Y＝89％糾正后的字符識(shí)別的準(zhǔn)確率Z＝93．6％從實(shí)驗(yàn)結(jié)果看，基于神經(jīng)網(wǎng)絡(luò)字符識(shí)別準(zhǔn)確率85％，經(jīng)過參考表比對(duì)，糾正后的字符識(shí)別的準(zhǔn)確率可以達(dá)到93．6％，有較大的提升，分析基于距離的字符組合錯(cuò)誤的端點(diǎn)，發(fā)現(xiàn)這些端點(diǎn)主要出現(xiàn)在端點(diǎn)密集區(qū)，導(dǎo)致端點(diǎn)處的原子歸宿錯(cuò)誤。

4結(jié)論

本文重點(diǎn)從圖像角度研究化學(xué)分子結(jié)構(gòu)圖中端點(diǎn)信息的提取，端點(diǎn)信息主要由字符構(gòu)成，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別，將識(shí)別之后的字符進(jìn)行組合，為了提升端點(diǎn)信息提取的準(zhǔn)確度，制作一端點(diǎn)原子參考表，實(shí)現(xiàn)對(duì)提取的端點(diǎn)信息進(jìn)行校正。實(shí)驗(yàn)證明，本文提出的化學(xué)分子結(jié)構(gòu)圖端點(diǎn)信息的提取方法具有較高的準(zhǔn)確度，具有一定的實(shí)用價(jià)值，但也存在一些不足之處，如制作