**2.4.1. 线性滤波器** 线性滤波器具有两个基本特性：叠加性和均匀性，即输入像素值组合后的响应等于各个输出像素值之和，并且卷积对像素值的数值缩放不敏感。高斯模糊滤波器通过对中心像素赋予更高系数来实现局部和减弱的模糊效果；这样可以减弱尖锐噪声，同时保持较大结构的完整性。它被广泛用于食品微观结构的研究，以去除不需要的噪声并促进2D和3D应用中的高效图像分割。高斯滤波器已应用于旋转模制饼干X射线微计算机断层扫描（X-ray μCT）图像的重建（Molina等人，2021年），观察到低糖样品的孔径更小、壁层更薄，这可能是导致其比对照组更粗糙和更硬的原因。这种方法也被应用于法国炸薯条的X射线μCT图像处理中，有助于可视化其外皮和孔隙结构（Gouyo, Rondet, Mestres, Hofleitner, & Bohuon, 2021）。同样，该滤波器也被用于涂有米粉或小麦面粉的油炸肉类模拟物的X射线μCT成像，以展示其外皮微观结构（Bhuiyan & Ngadi, 2024）。高斯模糊是使用共聚焦激光扫描显微镜（CLSM）捕获的麸质网络图像进行AngioTool基础分割的关键步骤。蛋白质网络的总体形状基于通过滤波器处理后的模糊图像（Bernklau, Lucas, Jekle, & Becker, 2016）。除了网络结构外，高斯滤波器还应用于油水乳液中的脂质滴和充气糖凝胶中的气泡等球形物体（Herremans et al., 2013, Teng et al., 2024）。另一种常用的线性滤波器是均值滤波器，它用每个像素及其邻居的平均值来替换该像素（Schindelin et al., 2012, Van Der Walt et al., 2014）。均值滤波被用于浓缩番茄悬浮液的光学显微照片和油炸火鸡块MRI图像的噪声去除（Bayod and Tornberg, 2011, Ghaitaranpour et al., 2024）。
2.2.2. 非线性滤波器 与线性滤波器不同，非线性滤波器不具备叠加性和均匀性特性，且通常是基于统计原理工作的。例如，中值滤波器（在Fiji和Python图像处理包中也称为去斑滤波器）通过用邻域的中值替换中心像素的强度值来有效处理噪声，尤其是椒盐噪声（Gonzalez et al., 2009, Schindelin et al., 2012, Van Der Walt et al., 2014）。通过中值滤波去噪已被证明可以增强几种食品微观结构研究中的结构可见性（Ando and Nei, 2024, Dreher et al., 2020, Herremans et al., 2013, Keshanidokht et al., 2022; J. D. Torres, Dueik, Contardo, Carré, & Bouchon, 2024）。维纳滤波器则通过估计含噪声估计图像与目标真实图像之间的最小均方误差来工作。空间变维纳滤波器通常通过采用自适应平滑效应来衰减高频成分，该效应取决于局部方差（Lim, 1990）。两项关于凝胶乳制品系统的研究利用维纳滤波和自相关分析提取了与孔间距、孔隙比例和典型蛋白质域长度相关的参数（Brüls et al., 2023, Glover et al., 2019）。通过应用维纳滤波器，异质区域（如蛋白质域边缘）的噪声会经历最小化的平滑效果，而均匀区域（如孔隙和空洞）的噪声则会减少。这被认为可以减少由于信噪比造成的虚假边缘。Kuwahara滤波器以在平滑过程中保留边缘和角落而闻名。使用这种非线性滤波器时，将对称正方形邻域中心的像素值替换为最均匀子区域的平均灰度值，即标准差最小的子区域（Papari, Petkov, & Campisi, 2007）。图2展示了高斯滤波器和Kuwahara滤波器之间的比较，以突出后者的边缘保留特性。非线性Kuwahara滤波器被用于蛋清泡沫微观结构的定量分析，以及其他处理步骤中，以增强气泡的轮廓（Bonilla et al., 2022a）。使用明场显微镜拍摄的蛋泡显微照片对比度较低（图2）。使用Kuwahara滤波器可以清理图像，同时保留气泡和液体基质之间的区别。
下载：下载高分辨率图像（486KB） 下载：下载全尺寸图像
图2. 分别使用Fiji对添加了高斯噪声的蛋白质网络图像（1a）实现了高斯平滑滤波器（1b）和Kuwahara滤波器（1c）。Kuwahara滤波器被用于蛋清泡沫显微照片（2b）上，以增强分割前的边缘。改编自（Bonilla et al., 2022），采用知识共享许可（CC BY 4.0）。 （3）用于过滤蛋白质凝胶CLSM图像的Haar小波及其结果分解的表示。改编自（I. C. Torres, Amigo Rubio, & Ipsen, 2012），版权（2011），经Elsevier许可。
非局部均值滤波器（NLM）被用于在不破坏原始结构完整性的情况下提高信噪比，特别是对于薄切片图像。NLM通过取具有相似特征（无论是强度还是颜色值）的像素的平均值并替换目标像素来进行去噪。这些相似的像素不一定是邻居；因此，会选择一个较大的非局部工作邻域来搜索相似像素。与Kuwahara滤波器类似，这种滤波算法旨在去噪时不丢失显著的边缘。相比之下，NLM不会产生使Kuwahara滤波后的图像具有独特绘画效果的块状伪影（图2）。与传统的高斯平滑滤波器相比，NLM可以保留固有的图像纹理，这一点在超声图像上得到了验证（Buades, Coll, & Morel, 2005）。这些滤波器广泛用于食品微观结构的X射线微计算机断层扫描图像处理中（Ando and Nei, 2024, Derossi et al., 2019; Riley et al., 2023; Riley, Verma, Verboven, Nicolai, & Delcour, 2024）。最后，非线性锐化滤波器常用于增强图像中的细节辨识，特别是在细节明显的情况下强调细节和边缘（Ciron et al., 2012, Derossi et al., 2019, Molina et al., 2021）。在食品微观结构的定量分析中，锐化滤波器很少单独使用（Germain & Aguilera, 2012）。它们通常作为机器学习或深度学习管道中的特征提取器，用于分割和分类。
2.2.3. 频率域中的滤波器 迄今为止讨论的线性和非线性滤波器都是针对空间域的滤波器，但也可以在频率域中对成像数据进行滤波。在这种情况下，图像数据被转换为频率分量，然后在数据转换回空间域之前对频率表示进行滤波。频率域滤波的优点是计算效率高，尤其是使用快速傅里叶变换（FFT）时，以及能够避免空间滤波可能产生的振铃伪影。频率域滤波可以处理图像的平滑和锐化。频率域滤波还广泛用于去除周期性元素，如莫尔纹图案和重复线条（Gonzalez et al., 2009, Russ and Neal, 2018）。低通滤波器（理想滤波器、巴特沃斯滤波器或高斯滤波器）用于去除高频噪声，而高通滤波器通过增强高频成分来突出边缘。带通滤波器可以通过结合这两种方法来隔离特定大小的特征。在乳清蛋白分离物-海藻酸盐（WPI/NaAlg）凝胶的图像分析中，使用了低通巴特沃斯滤波器来在分割前衰减微粒边界（Leon, Medina, Park, & Aguilera, 2016）。作者得出结论，碳酸钙的浓度影响了WPI/NaAlg微粒的大小。较高的海藻酸盐浓度产生了更小且更明确的微粒，这也影响了凝胶的机械性能，因为相同样品的压缩应力值高于海藻酸盐浓度较低的样品。频率域中的另一种滤波器是小波变换。与傅里叶变换相比，小波变换的优点是保留了时间信息。小波变换使用一系列小波（Haar、Daubechies和墨西哥帽）来近似给定函数，类似于傅里叶变换使用一系列正弦波。一系列高通和低通滤波器将输入图像分为四个子图像（最终近似、垂直细节、水平细节和对角细节）进行第一次小波变换（Gonzalez et al., 2009）。在 Different yogurt microstructures 上实施了一步Haar小波变换，以在对其进行分形分析之前压缩图像（I. C. Torres et al., 2012）。结果分解后的图像在保持重要信息的同时减小了图像的大小（图2）。使用从酸奶微结构的分形维度派生的局部指数可以区分全脂、低脂和含有微粒的酸奶样品。
3.3 深度学习在图像分割中的应用 近年来，深度学习彻底改变了图像分割，尤其是在处理复杂的异质图像（如食品微观结构）方面。深度学习具有多种优势，例如高精度、能够从原始数据中自动学习特征以及处理大规模数据集的鲁棒性。卷积神经网络（CNN）是最常用的深度学习模型之一，用于计算机视觉任务。AlexNet、YOLOv5和VGGNet是已建立的深度学习架构，已在食品相关研究中得到应用。这些模型已被有效用于根据微粒的形态特征对微粒和乳液滴进行分类（Z. Huang等人，2022年；Yu、Lu、Han和Xue，2021年）。AlexNet、VGG-16和VGG-19模型在扫描电子显微镜（SEM）图像中对喷雾干燥微藻油的微胶囊进行分类的准确性进行了比较（Yu等人，2021年）。通过迁移学习，他们发现VGG-19模型的性能最好，并被用作分类聚合与非聚合、完整与破损微粒的基准。深度学习模型在这些应用中的表现很大程度上取决于训练数据的可用性和质量。从零开始构建模型通常需要一个大型数据集。然而，迁移学习提供了一个实用的解决方案，允许在较小的数据集上对预训练模型进行微调，从而减少了对大量数据收集的需求。U-net架构已被用于食品微观结构分析，主要通过两种现有算法：StarDist和Cellpose。在StarDist中，物体被表示为星形凸多边形，可以预测物体存在的概率以及从中心点到物体的径向距离。与边界框相比，这种几何形状更加灵活，更适合近似圆形物体（Schmidt, Weigert, Broaddus, & Myers, 2018）。StarDist最初是为细胞分割开发的，但也有效用于荧光成像中类似圆形的物体（如油滴）的分割。这项技术已被几篇论文改进，用于研究不同乳液系统中的脂质滴（Brüls-Gill et al., 2024; Yang, Verhoeff, Merkx, Van Duynhoven, & Hohlbein, 2024）。在Cellpose中，这种分割方法受到了分水岭算法的启发，模拟了一个从中心向外辐射的扩散过程。然后训练U-Net神经网络，不仅预测像素分类（前景与背景），还定义X和Y空间梯度（流场）。在新图像的分割过程中，使用预测的梯度矢量场来引导像素朝向固定边界作为终点进行重建。Cellpose最初被开发为一种通用的细胞分割算法，后来改进为包含人类参与的过程以微调分割性能（Pachitariu & Stringer, 2022），最近还加入了图像修复算法以提高在质量不佳的图像中的性能（Stringer & Pachitariu, 2025）。由于Cellpose是在细胞数据上训练的，因此该模型在球形物体的分割上也表现最佳。这已在一些与食品微观结构相关的论文中得到验证（Bonilla et al., 2022, Chen et al., 2025）。上述的Cellpose、StarDist和Ilastik最近与一个名为MIDAS的改良版本进行了比较，后者可以在多个直径输入下运行（Saalbrink et al., 2025）。尽管这些方法在形状上与细胞相似，但显然，一些具有强烈尺寸分布的乳液和泡沫在使用传统机器学习算法进行分割时表现较差。这可能是因为细胞训练集的尺寸变化有限。与仅基于少量图像在Ilastik中训练的强度阈值分割模型相比，MIDAS显示出更好的结果。这项研究清楚地表明，分割技术的选择及其准确性对微观结构测量有重大影响。关于基于U-Net的乳液和泡沫分割与分析的应用将在相关章节中进一步讨论。另一种用于图像分割的CNN深度学习方法是基于掩模区域的CNN，它可以预测物体边界框、类别标签和分割掩模。这种两阶段过程——首先提出感兴趣区域，然后对其进行精细化——已被证明对于分割重叠物体非常有效（He, Gkioxari, Dollár, & Girshick, 2017）。为了分析高速气体泡流中的重叠气泡，开发了一个名为“Bubble Boundary R-CNN”的多任务模型。该模型可以分割气泡、重建其形状并提取用于进一步分析的相关特征。它包含了一个保边掩模头部，该头部使用拉普拉斯变换的掩模来增强对细微边界细节的捕捉（Kang et al., 2025）。由于这种方法能够准确勾勒出即使是小且部分遮挡的气泡，因此对于分析双乳液特别有价值。其他深度学习方法，如视觉Transformer（ViTs），现在也被用于基于显微镜的分割任务（Archit et al., 2025）。虽然ViTs可能需要更大的数据集和更多的计算资源，但它们具有更高的分割精度和捕捉全局上下文信息的潜力。例如，结合CNN和注意力机制或Transformer架构的方法在医学图像分割中显示出了有希望的结果，并且可能对食品科学应用也有益。3.4. 对象整合虽然已经处理了将感兴趣的结构区分为主观和背景的问题，但在量化之前，这些对象可能仍需要进一步处理。例如，在对象重叠或接触的情况下需要这些操作。这些操作通常被称为形态学操作，因为它们处理分割对象的形状。形态学运算符需要一个结构元素或核来指定操作的过程，这最好通过集合论来描述（Gonzalez et al., 2009）。3.4.1. 分水岭分水岭是一种常用于物体紧密排列或接触的图像的形态学运算符，例如泡沫中的气泡或乳液中的油滴；传统的阈值分割可能无法分离单个结构。为了构建对象边界，分水岭方法将图像视为一地形表面，其中像素强度表示海拔高度（图4）。水“流入”集水区，而流域之间的边界或“坝”则划定了对象（Soille & Vincent, 1990）。尽管有效，但在嘈杂的图像中分水岭算法容易发生过分割，因此通常需要预处理步骤，如高斯平滑或使用标记（也称为种子）来控制分割的范围。下载：下载高分辨率图像（521KB）下载：下载全尺寸图像图4。（1）分水岭算法的图形表示。根据Creative Commons许可（CC BY 3.0）改编自（Fisher, 2014）。（2）根据3D分水岭可视化挤压的螺旋藻-淀粉泡沫图像中的单个孔隙。改编自（Martínez-Sanz et al., 2020），版权（2020），经Elsevier许可。（3）通过Otsu阈值分割的充气糖凝胶气泡，并通过分水岭分离成单个对象。改编自（Herremans et al., 2013），版权（2013），经Elsevier许可。（4）酪蛋白网络的处理步骤包括对悬挂端和环进行修剪，这是一种形态学操作。改编自（Brüls et al., 2024），版权（2023），经Elsevier许可。分水岭算法有助于量化单个对象及其属性，例如计算脂肪滴的数量和构建它们的大小分布，这对于乳液微观结构研究可能很有兴趣（Dreher et al., 2020, Keshanidokht et al., 2022）。虽然分水岭算法广泛用于细胞、气泡（图4）和滴状物等球形对象，但它也可以用于分离长形物体，如木糖晶体（Germain and Aguilera, 2012, Herremans et al., 2013, Rahman et al., 2018, Zhu et al., 2025）。通过分水岭划定对象轮廓的方法可以与其他二值化技术一起使用，无论是简单的阈值分割还是基于机器学习的方法。分水岭算法也可以扩展到3D。这在螺旋藻-淀粉泡沫的一些3D微观结构描述符（孔隙率、比表面积、细胞壁厚度、连接密度等）的估计中有所描述（Martínez-Sanz et al., 2020）。比较了两种从3D重建中估计孔径大小的方法。第一种方法仅使用Pore3D软件库，该库结合了包括分水岭分割在内的图像处理步骤。第二种方法使用ImageJ中的MorphoLibJ包中的“Distance Transform Watershed 3D”算法进行分割，然后使用Pore3D进行量化（图4）。两种方法都支持这样的结论：螺旋藻含量的增加导致孔径整体变小。3.4.2. 粒度测量形态学开运算和闭运算结合了基本侵蚀（从图像边界移除像素）和膨胀（向图像边界添加像素）操作。开运算是为了平滑轮廓、去除细小突起并打破物体内的狭窄连接。另一方面，闭运算是为了填充小孔和间隙，并连接附近的对象。粒度测量是一种使用逐渐增大的结构元素进行连续形态学开运算来估计图像中粒子大小分布的操作。这个过程类似于物理筛分，即将粒子通过逐渐增加孔径尺寸的筛子。通过测量连续开运算之间的面积差异，可以识别出主导的粒子大小。还可以通过将结构元素大小与打开的像素总面积相对应来绘制累积分布函数（CDFs）（Silva et al., 2015, Soille, 2004）。各种研究使用这种方法来确定特征尺寸，例如冻干胡萝卜孔隙的中点（Voda et al., 2012）或乳制品系统中蛋白质聚集体的加权平均值（Silva et al., 2015）。Lassoued, Babin, Della Valle, Devaux和Réguerre（2007）通过在2D和3D面包结构分析中比较粒度测量进一步证明了其有效性。3.4.3. 形态学细化（骨架化）和修剪细化或骨架化在基本形态学中涉及一系列侵蚀和开运算，将对象简化为细长的连接结构（Gonzalez et al., 2009）。然而，单独的形态学运算无法保证连通性，因此将在第4.3节中讨论其他骨架化算法的创新。与此相关的是，修剪作为骨架化的一个整合步骤，用于去除由笔画不规则性引起的“寄生组件”。这是通过使用检测端点的结构元素进行细化，然后通过条件膨胀来重建主要结构来实现的。如图4所示，骨架的端点连接分支（悬挂端）通过“修剪端”函数被移除，以确定酸奶凝胶网络的连通性（Brüls et al., 2024）。4. 图像量化：测量食品微观结构迄今为止讨论的所有图像处理步骤的最终目标都是量化在显微镜下研究的食品或其他软物质的微观尺度的结构元素。在结构元素被分割和识别之后，最后的图像分析任务集中在量化它们、测量它们的空间分布及其形态学特征上。根据这些量化结果，我们将食品微观尺度的结构元素分为三类：1. 滴状物和聚集体，2. 网络，3. 纤维。4.1. 滴状物、细胞和聚集体滴状物和聚集体的分析基于它们是具有高度中心对称性的单个元素这一基础。食品微观结构中的常见例子包括乳液中的胶体滴、泡沫中的气泡或球形蛋白质聚集体。乳液和泡沫是滴状物的分散体，其微观大小、形状和空间排列决定了霜、酱料及相关食品产品的功能特性（Dickinson, 2010）。根据胶体滴的排列方式，它们会形成球形或多边形阵列，并表现出时间依赖的结构变化，包括聚结、奥斯特瓦尔德熟化或絮凝（Langevin, 2023）。因此，显微镜成像提供了宝贵的见解，因为这些事件可以从滴状物的原位结构观察到并量化，而广泛使用的技术，如光散射，则需要大量稀释（Balcaen, De Neve, Dewettinck, & Van Der Meeren, 2021），尤其是对于高度密集的系统，它会忽略天然的胶体排列和时间依赖的变化。虽然第3.3节讨论的分割机器学习算法并非专门为分割滴状物和聚集体而开发，但它们与密集细胞的相似性使它们可以用于此类情况。StarDist结合一个内部的Python脚本被用来研究脂质氧化的定位以及引入生育酚和过渡金属的影响（Brüls-Gill et al., 2024）。使用BODIPY 665/676（氧化脂质：λex = 561 nm 对比非氧化脂质：λex = 640 nm）的荧光强度和蛋白质的自荧光通过CLSM监测了14天内的氧化情况（图5）。由此得出结论，乳液水相中的蛋白质-脂质聚集体比油滴相中的脂质氧化得更快。下载：下载高分辨率图像（699KB）下载：下载全尺寸图像图5。（1）乳液的原始图像，以及根据每个区域的光子计数量化的氧化滴积累和蛋白质及脂质氧化的滴大小依赖性。根据知识共享许可（CC BY 4.0）改编自（Yang等人，2024）：（2）在0%和90%压缩下半硬质奶酪的孔径对数正态分布的比较，以及相应的共聚焦显微镜图像，显示连续的蛋白质基质（红色）和渗透的脂肪滴（绿色）。图像是根据知识共享许可（CC BY 4.0）改编自（De Boer等人，2025）。（3）新鲜制备的乳液和经过摩擦学处理后的乳液中内部水滴和外部油滴大小分布的变化。根据知识共享许可（CC BY 4.0）改编自（Tenorio-Garcia等人，2026）。还有两篇论文展示了使用StarDist对乳清蛋白分离稳定性大豆油-水乳液和蛋黄酱中的脂肪滴进行分割的方法（Yang等人，2020；Yang等人，2024）。这两项研究得出结论，脂肪滴的大小调节了脂肪和蛋白质的氧化速率，如图55所示。同样，StarDist也被用来分割硬质奶酪中的微观空穴，以将宏观变形与蛋白质、脂肪和空穴的微观排列联系起来（De Boer等人，2025）。通过共聚焦显微镜图像获得了这些半硬质奶酪在0%和90%压缩下的孔径分布（图5）。另一种用于细胞分割的算法是Cellpose，之前在第3.3节中提到，它已被用于量化蛋清泡沫中的气泡（Bonilla等人，2022）。Cellpose经过改进，以克服基于细胞的分割算法在处理大小分布差异较大的滴液时存在的一些内在限制。Microscopic Droplet AnalysiS（MIDAS）工作流程被开发出来，可以在多个定义的直径设置下迭代执行基于Cellpose的分割（Saalbrink等人，2025）。除了提供更准确的滴液分割外，MIDAS还通过实现一个名为‘SimpleITK’的Python库引入了量化步骤。具体来说，该库为每个分割对象提供了以下信息：x-y质心位置、面积、Ferret直径、扁平度、圆度、长圆形、球形周长、球形半径、x方向的椭球体直径、y方向的椭球体直径。在非稀释系统中量化滴液可以为研究它们的排列和形状提供可能性，而不仅仅是提供简单的颗粒大小分布。作者强调了通过轮廓或质心数据的邻近分布可以研究滴液界面间的聚集或排斥效应。
纤维是指细长的丝状结构，它们可以单独存在，也可以作为互连矩阵的一部分，其中每个单独的纤维与其他纤维分开。例如，在基于植物的挤出物或其他食品如马苏里拉奶酪中可以找到纤维（Patel, Barnés-Calle, Rinnan, Engelsen, & Van Den Berg, 2025）。在材料科学中，根据它们在不同长度尺度上的位置， filament、fibril和fiber之间有所区分。Filament代表最小尺度，主要由排列成丝状的蛋白质分子组成。例如，肌动蛋白丝（厚15纳米）和actin丝（厚7纳米）。Fibril稍大一些，通常约为1微米厚，可以由多个filament聚集而成。纤维是最大的结构，有时肉眼可见。它们被描述为具有方向性的线状或绳状结构，例如在结构化的肉制品中找到。在图像分析中，图像的长度尺度并不重要，因此可以按照相同的步骤进行量化。出于同样的原因，这些术语经常可以互换使用，因为类似的图像分析技术通常可以量化所有三个结构层次。为了简便起见，本综述中使用“fibril”一词来指代filament、fibril和fiber。结构中纤维的排列和相互作用可以显著影响食品的属性，如质地、持水能力和感官感知。因此，控制产生这些纤维的过程以及随后对这些纤维的量化在食品科学中是相关的。在fibril中需要量化的一个重要元素是它们的方向性，因为这可以直接关联到宏观结构的机械响应。讨论的一些方法已成功应用于食品微观结构，对于fibril（filament、fibril和fiber）分析具有不同程度的相关性。
BoneJ是一个Fiji插件，主要用于量化食品产品中的气泡而不是纤维（Domander, Felder, & Doube, 2021）。Guillermic等人（2021年）使用BoneJ测量了通过X射线断层扫描成像的低水分豆类基零食中墙壁和细胞的厚度。同样，Metilli等人（2021年）也使用BoneJ量化了基于可可脂和高油酸葵花籽油的油脂泡沫结构中的气泡，具体包括计数和测量气泡壁，并确定每个气泡的轴线。尽管BoneJ可能不完全适合直接测量食品中的纤维，但其在孔隙率和连通性测量中的应用仍然具有相关性。考虑到文献中记录的气泡与肉类替代品纤维结构之间的关系（Schlangen, Van Der Doef, Van Der Goot, Clausen, & Kodger, 2025），这一点特别有趣。DiameterJ已被用于食品中，以测量通过静电纺丝产生的κ-卡拉胶/酪蛋白纳米纤维的直径（Sharma, Ziegler, & Harte, 2025）。这些基于酪蛋白的纳米结构垫的平均孔隙率和纤维直径是通过SEM图像量化的（图7）。DiameterJ主要应用于纳米纤维，这限制了其在食品科学中的应用范围（Hotaling, Bharti, Kriel, & Simon, 2015）。DiameterJ的局限性在于它难以处理重叠或不规则的纤维，并且需要输入图像具有高对比度。下载：下载高分辨率图像（823KB）；下载全尺寸图像。图7：(1) 通过SEM图像量化了静电纺丝κ-卡拉胶/酪蛋白纳米纤维的平均纤维直径。改编自(Sharma et al., 2025)，版权属于Elsevier（2024年），经许可使用。(2) 用颜色表示方向的马苏里拉奶酪的µCT扫描。根据Creative Commons许可证（CC BY 4.0）改编自(Pieta, Dahl, Frisvad, Bigdeli, & Christensen, 2025)。(3) 在挤出大豆蛋白浓缩物表皮附近的共聚焦显微图上叠加的矢量图，以及相应的重量有序参数图。根据Creative Commons许可证（CC BY 4.0）改编自(Gobes et al., 2025)。OrientationJ已被用于食品科学中分析主要为肉类替代品的纤维结构。该插件用于量化由豌豆蛋白和燕麦蛋白浓缩物制成的高水分挤出肉类替代品的微观结构（Gaber et al., 2023）。使用蛋白质和脂肪染色的共聚焦激光扫描显微镜（CLSM）图像，作者利用OrientationJ的相干性参数量化了纤维的各向异性，得到的相干性值为0.2-0.5，较高的值对应于更多的蛋白质排列。类似地，OrientationJ插件也被用于分析通过剪切细胞技术产生的带蛋白质染色的肉类替代品的CLSM图像中的方向性（Schlangen et al., 2025），他们发现相干性值范围为0.08至0.56，并发现较高的相干性值与增强的宏观纤维评分之间存在强相关性。他们成功地利用相干性值区分了不同肉类替代品的微观结构排列。此外，OrientationJ还成功应用于培养肉类的菠菜支架（Jones, Rebello, & Gaudette, 2021）。通过细胞核和细胞骨架的方向来测量细胞排列，并使用OrientationJ可视化结构的微丝方向并获取角度分布。同样，该插件的相干性值也成功展示了胶原蛋白结构的差异（Clemons et al., 2018）。OrientationJ插件的优点是易于使用、可访问且快速。OrientationJ中的高斯窗口大小参数允许在特定长度尺度上进行分析，尽管这引入了一定的主观性。一种结构张量尺度空间方法用于量化2D和3D CT扫描中马苏里拉奶酪的各向异性（Pieta et al., 2025）。通过带有颜色到方向映射的µCT扫描可视化显示，马苏里拉奶酪具有不同方向的紧密排列特征（图7）。这种方法似乎适用于其他表现出高各向异性的食品结构，如肉类替代品。然而，这种结构张量方法的一个显著缺点是在处理大量图像时计算量较大。开发了一种旋转傅里叶变换（RFT）方法，用于量化高水分植物蛋白挤出物的各向异性结构（Gobes et al., 2025）。该方法基于使用旋转窗口在傅里叶空间提取角度和各向异性信息。他们将RFT方法应用于CLSM蛋白质染色图像和高场MRI测量的大豆蛋白浓缩物挤出物，显示了挤出物的位置依赖性各向异性（图7）。此外，他们还表明pH值会影响挤出物的微观结构，中性pH值制备的挤出物具有最高的各向异性。RFT方法的优点是可以检测多个重叠的角度特征。5. 一般讨论5.1. 图像预处理目前没有通用的图像处理流程，具体方法取决于成像技术和成像实验的目标（例如，在基于断层扫描的成像中使用非局部均值滤波器来保留纹理）。这通常需要通过试错或依赖以往的研究来选择滤波器和背景校正协议。对底层数学运算及其对后续图像分析步骤的影响有基本了解，可以帮助避免意外的图像处理。虽然没有绝对正确的图像预处理方法，但一致性对于可靠的分割非常重要。更精细的分割算法可能受益于输入图像的变异性，从而不需要过多的图像预处理。5.2. 分割每种分割技术都有其优缺点。传统方法（如阈值处理）计算成本较低且相对容易实现，但对于照明不均匀、有噪声或对象重叠的图像可能处理起来比较困难。虽然机器学习方法在这些问题上有所改进，但仍需要仔细的特征工程和参数调整。深度学习模型提供了最先进的准确性和鲁棒性，但代价是计算需求高且需要大量的、标注良好的数据集。迁移学习是一种常见的策略，可以绕过小型数据集的局限性，使得模型无需大量数据收集即可进行微调。在这种方法中，一个在大型多样数据集（通常来自相关领域）上预训练的模型被适配到更具体的任务。通过使用预训练的模型作为基础，只需要重新训练网络的最后几层或某些部分即可。分割中的另一个挑战是自动化与可解释性之间的平衡。尽管深度学习模型通常性能优越，但有时它们可能被视为“黑箱”，其决策过程不立即透明，因此难以理解。当定量严谨性和可重复性对科学研究至关重要时，这种缺乏可解释性的问题会成为障碍。5.3. 图像量化食品微观结构的量化经常借鉴了其他科学领域（如生物学、医学科学、材料科学和地质科学）的方法。对于大多数样本，这些改编的方法仅在食品结构的形态（液滴、聚集物、网络和纤维）清晰可辨时才适用。通常，在应用适当的图像分析方法之前，需要先对这些可见结构进行初步分类。与其他研究领域相比，食品基质由于通常具有许多组分而具有特定的挑战性，这使得某些分析方法的应用变得复杂。例如，当食品系统中存在纤维时，这些纤维通常不是均匀的。同样，对于液滴、聚集物和网络，它们的分布在样本中的分布可能不够均匀。因此，在应用为均匀系统（例如单细胞菌落）开发的现有方法时，这些方法可能会失败（例如，将分割伪影误认为结构元素）。仅使用来自其他领域的现有工具可能会限制通过图像分析获得的知识，因为这将局限于与分析领域相关的预设值。因此，也需要专门为食品基质设计和优化的技术。许多用于获取不同形态描述符（如形状、大小、分形维数等）的图像分析库也存在，这些库可以用于开发分析方法，例如在MIDAS中用于液滴分析（Saalbrink et al., 2024），其中可以使用‘Simple-ITK’ Python库量化许多其他形状描述符。Brüls-Gill等人（2024）还开发了一个内部Python脚本，用于计算液滴的交叉面积和平均强度。5.4. 体积成像（3D）本综述中提到的大多数分析方法仅限于分析二维（2D）光学平面或投影，然而食品微观结构是三维（3D）的。有可用的3D成像技术，如X射线断层扫描（Guo et al., 2017, Nielsen et al., 2016），用于研究乳液和冰淇淋；中子断层扫描（Martínez-Sanz et al., 2020）用于研究挤出泡沫；或共聚焦成像技术（Ogawa and Matsumura, 2021, Xia et al., 2022）。对于某些技术，由于其特性、施加的剪切或温度敏感性，可使用的样本类型有限。此外，光学技术用于分析和量化3D体积的应用在存在性和数据输出方面都有限，且数据处理通常比2D光学平面的成熟方法要求更高。尽管如此，已经有一些3D图像分析在食品微观结构中的应用。在乳品科学中，Imaris软件（Oxford Instruments, n.d.）已被用于分析共聚焦图像堆栈中的奶酪孔隙度（Ong, Li, Ong, and Gras, 2022; Gras et al., 2024），后来Masiá等人（2024）也用于植物基奶酪的分析。Imaris是一种集成的多模态分析技术，可以将分割和分析结合在一个工作流程中，通常用于细胞生物学、神经科学和癌症研究领域，但随着2D分析的成功适应，这些方法也可能适用于食品科学。其他新兴的开源工具，如Python中的napari（Chiu et al., 2022）和Ilastik中的3D分割（Berg et al., 2019），也可能使3D图像分析更加容易使用。此外，由于食品结构是三维的，因此非常需要验证2D图像分析的发现和相关性是否也适用于3D分析。5.5. 无需分割的量化尽管分割作为常见图像分析工作流程中的有价值步骤越来越受重视，但之前已经讨论过，这一过程可能繁琐，本质上是通过降低数据集的维度来工作的。在此过程中，既有可能引入错误，也可能会排除有价值的数据。为了规避这一风险，也可以直接对原始图像数据进行图像分析，从而包含每个像素的强度值中的信息。例如，分形维数分析是一种广泛用于研究食品微观结构-功能关系的工具，可以量化图像的变异性和异质性（García-Armenta & Gutiérrez-López, 2022）。对于乳胶凝胶，除了分形图像分析（Torres et al., 2012）外，互相关分析是另一种无需分割的工作流程，可以量化蛋白质网络中的相对空间分布（Glover et al., 2019）。然而，在进一步研究这些方法适用于食品基质的适用性及其解释之前，还需要更多关于它们的研究。5.6. 未来展望：微观结构数据在数据驱动的功能预测中的作用本文回顾的图像分析方法实现了食品微观结构的获取、处理和解释。这种新的食品微观结构数据可以与来自其他长度尺度（如X射线散射、流变学等）的结构数据结合，以在更大规模的数据驱动研究中实现多长度尺度的相关性。特别是，使用从机器学习到大型语言模型的各种数据科学方法的新研究可以探索、分析和解释由不同技术生成的复杂数据集中的未见模式。通过这种方式，食品微观结构的量化将显著促进人工智能在技术功能预测中的应用，从而推动合理设计的食品结构的发展。除了结构分析之外，数据科学方法还可以发现食品结构数据与化学、感官和营养科学数据之间的新相关性。这种方法有可能促进数字孪生或计算机模拟框架的发展，从而更高效地开发食品（Hoffman和Cozzolino，2026；Mengucci等人，2022）。6. 结论：先进显微镜的普及以及数据处理能力的提升，尤其是机器学习和深度学习应用的增加，正在推动食品微观结构研究向定量分析方向发展。通常遵循一种通用的图像处理和分析流程：预处理、分割和量化。在预处理步骤中，根据分析目的的不同，可能需要使用不同的强度变换或滤波器来处理复杂的食品基质。同样，也可以采用不同的分割方法，从基于强度的技术到更复杂的机器学习和深度学习算法。虽然后者能够提供更定量的数据，但也应考虑到可能存在的陷阱。这包括简单的基于强度的阈值处理方法与更高级的机器学习/深度学习技术之间的权衡，即它们在准确性方面的差异以及所需的重计算能力。就量化而言，食品微观结构可以被分类为明确的形态（如液滴、细胞、聚集体、网络和纤维）。目前对大多数这类结构的研究方法都是借鉴了其他材料系统的分析技术。因此，现有工作流程和工具的功能可能无法直接应用于量化本质上不同的食品基质。然而，向定量分析的转变正在推动专门为食品微观结构开发的新方法和流程的发展。这将使食品微观结构研究领域能够处理更复杂的数据集，包括3D体积图像和延时序列。这些新的食品微观结构数据维度，结合新的数据科学方法，可以帮助我们更深入地了解食品结构，并获得可用于食品结构合理设计的微观结构原理。
CRediT作者贡献声明： Ria G. Rodriguez：撰写——初稿编制、数据可视化、研究、概念化。 José C. Bonilla：撰写——审阅与编辑、监督、项目管理、资金争取、概念化。 Mathias P. Clausen：撰写——审阅与编辑、概念化。 Jens Saalbrink：撰写——初稿编制、研究、概念化。 Ina Folmer：撰写——初稿编制、研究、概念化。 Diana Soto-Aguilar：撰写——初稿编制、研究、概念化。 Miek Schlangen：撰写——审阅与编辑、初稿编制、研究、概念化。
