CN100998491A - 果蝇复眼病的图像识别诊断方法 - Google Patents
果蝇复眼病的图像识别诊断方法 Download PDFInfo
- Publication number
- CN100998491A CN100998491A CNA2006101369413A CN200610136941A CN100998491A CN 100998491 A CN100998491 A CN 100998491A CN A2006101369413 A CNA2006101369413 A CN A2006101369413A CN 200610136941 A CN200610136941 A CN 200610136941A CN 100998491 A CN100998491 A CN 100998491A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- compound eye
- ommatidium
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
果蝇复眼病的图像识别诊断方法,本发明首先采集果蝇的复眼图像,再对图像进行平滑降噪处理,并采用对数非线性变换的方法对图像进行增强,对果蝇灰度化图像进行灰度阈值分割,灰度阈值分割有两个步骤:确定需要分割的阈值,即正常小眼最大面积或离散背景最大面积;将分割阈值与象素点的灰度值比较,分割图像的象素;最后对图像目标用面积筛选法进行筛选,第一步,去除多余离散背景和填充正常小眼;第二步,填充病变区;目标二值图像上只剩下目标、背景及病变区,将病变区填充得到目标二值图像,判断复眼病变。本发明能够快速而有效的进行果蝇复眼病变诊断,同时提高诊断的准确性与工作效率。
Description
技术领域
本发明属于一种图像识别诊断方法,特别是果蝇复眼图像的识别诊断方法。
技术背景
果蝇复眼病变的研究对于人类神经学、遗传学以及治疗人类重大疾病有极其重要的指导意义。研究表明,果蝇的神经系统病变、基因突变、视觉障碍都将引发果蝇复眼病变。但目前对果蝇复眼病变的判定都是靠研究人员用镊子一只一只抓来放在体视显微镜下用肉眼去观察,这种方法存在诸多不足:判定不准确、费时费力、效率低等。因而,设计出自动诊断果蝇复眼病变的系统具有非常重要现实意义,不仅有助于科学研究中快速广泛的采集果蝇病变标本并分析,而且能使人从繁重的显微镜观察工作中解脱出来,提高诊断的准确性与工作效率。采用数字特征法,从均值和方差两个方面寻找正常果蝇与病变果蝇的统计差别,其方法为:将图像分割成N个矩形或圆形区域,计算各个区域均值和方差,设定误诊率,统计正常果蝇的均值和方差,在误诊率允许范围内对各区域做出诊断,正常区或病变区。但分析发现,此方法存在很大的缺陷:正常果蝇均值和方差不易确定,因为果蝇的种类不同,复眼颜色有较大的差异,复眼大小也不尽一致;病变区域不能准确标记,不易统计病变面积和比例;分割区域数N不易确定;计算量大,效率低。频谱特征法对果蝇图像进行二维傅立叶变换,观察正常果蝇和病变果蝇的频谱图像,因为正常果蝇和病变果蝇复眼的细节信息(小眼、高频成分)和主体信息(复眼、低频成分)是大致相同的,但统计发现正常果蝇和病变果蝇没有明显的频谱区分,此法不能有效实现果蝇复眼病变诊断。
发明内容
本发明的目的是通过果蝇复眼图像的识别,对果蝇的复眼病变进行诊断。
本发明通过对果蝇小眼的形态学特征进行分析,正常果蝇小眼大小均匀,呈圆形或卵圆形,而病变果蝇小眼形状不规则,大小不等,有重叠和聚堆,通过其中面积量,用计算机获得果蝇病变情况的特征,从而做出准确的诊断。
果蝇复眼呈球状;正常果蝇复眼颜色鲜艳,呈红色,少数果蝇为朱红色;病变果蝇复眼部分区域颜色较深,亮度值小;正常果蝇小眼(ommatidia)呈黄色,大小较均匀,有规则的排列顺序,有一定的数目;病变果蝇复眼颜色和正常果蝇相近,但排列不均,有聚堆和重叠,不能区分单个小眼,只有聚堆后大的“小眼”;针对这几个方面的特征进行搜寻、验证和优化,从而找到果蝇复眼的病变特征。
RGB颜色特征。RGB颜色值是直接的数字量,不需要数据转换,有丰富的图像信息,但RGB值关联度大,信息冗余多,直接根据RGB三个通道进行病变诊断结果不能形成互补,效率低。同时,拍摄图像的光照等环境因素对这种方法的处理结果有很大的影响。但通过大量实验发现,R通道颜色值对亮度值小、颜色深的病变区能做出准确的诊断和标记。
为对果蝇复眼做出准确诊断,需要对提取果蝇的复眼去除背景的影响,由于色彩对光照敏感,不同光照色彩变化很大,采集的果蝇显微图像为RGB空间,但R、G和B3个分量随光照的变化是不一致的,因而不能直接使用来提取果蝇复眼目标。为此采用其它彩色模型中的量以减少光照影响,从而有效提取果蝇复眼目标。通过对果蝇复眼图像分别在RGB,LAB,HSV,YIQ等彩色空间进行大量的实验,发现HSV彩色空间中的色度H受光照影响小,对果蝇复眼目标提取非常有利。HSV计算公式如下:
V=max(r,g,b) (1)
其中V代表亮度,S代表饱和度,H代表色度,r、g、b为归一化的R、G、B值。
通过查阅果蝇生物学特征和病变特征资料,加上大量的实验工作,总结对果蝇病变诊断的经验量,分析出色差DNGR值对果蝇复眼目标的提取非常有利。DNGR的计算公式如下:
DNGR=R (0≤R≤T)
其中T设定的灰度值,取值范围为T∈(0,255)。
通过以上分析,本系统将采用双色互补法,即色差DNGR和色度H,提取果蝇复眼目标,同时利用面积的特征对目标进行筛选;利用病变果蝇小眼的分布不均的特征和R通道颜色值小的特征对果蝇病变与否做出诊断并标记病变区域。具体包括以下步骤:
果蝇的复眼图像采集后,先对图像进行平滑降噪处理;
采用对数非线性变换的方法对图像进行增强,对数非线性变换的公式如下:
对果蝇灰度化图像进行阈值分割。灰度阈值分割主要有两个步骤:
(1)确定需要分割的阈值;
(2)将分割阈值与象素点的灰度值比较,以分割图像的象素;
离散多余背景面积较小,可以根据面积的特征从果蝇复眼目标区分离;同样正常小眼面积也很小,可以通过“填充”的办法重新归入复眼目标区。这样可以通过一次扫描整个图像即可去除离散多余背景和填充正常小眼,筛选出准确的果蝇复眼目标。
接着对目标进行筛选,分两步进行:
第一步,去除多余离散背景和填充正常小眼;
第二步,填充病变区。
离散多余背景面积较小,可以根据面积的特征从果蝇复眼目标区分离;同样正常小眼面积也很小,可以通过“填充”的办法重新归入复眼目标区。这样可以通过一次扫描整个图像即可去除离散多余背景和填充正常小眼,筛选出准确的果蝇复眼目标。物体的包含的象素数定义为物体的面积。
面积筛选步骤如下:
(1)从第1行第1列开始扫描整个二值图像,逐一访问全部象素;
(2)若当前象素没有被访问(新物体),转第(3)步;否则访问下一象素;
(3)初始化堆栈,初始化当前物体面积,当前坐标入栈并设立访问标志;
(4)若当前象素上象素、右象素,下象素、左象素都没有被访问且灰度值与当前象素值相同(属于同一个物体),则递归访问它们;
(5)递归中,若满足递归条件且堆栈未满则当前象素入栈,设立访问标志,物体面积加一;
(6)递归返回后,若当前物体面积小于某一阈值(正常小眼最大面积或离散背景最大面积),转第(7)步;否则访问下一象素;
(7)当前物体灰度为1(白色,正常小眼),则堆栈象素逐一退栈,并逐一置灰度0(填充小眼),直至栈空;不然(黑色,离散噪声),堆栈象素逐一退栈,并逐一置灰度1(去离散噪声),直至栈空;
(8)若当前象素是图像最后1个象素则结束;否则,访问下一象素。
本发明能够快速而有效的进行果蝇复眼病变诊断,诊断结果包括复眼病变区域占总复眼的面积比例、病变情况,能使人从繁重的显微镜观察工作中解脱出来,同时提高诊断的准确性与工作的效率。
附图说明
图1为R通道灰度图及病变;
图2为复眼目标筛选去多余离散背景和填充正常小眼;
图3为复眼目标筛选填充病变区域。
图4为双色提取法提取目标图像流程。
下面对本发明进行详细说明。
具体实施方式
果蝇的复眼图像采集后,为了提高对果蝇复眼病的正确诊断识别率,对采集的图像先进行预处理:一方面对图像进行平滑降噪处理,以降低和去除噪声的影响,采用中值滤波的方法对图像进行平滑降噪;另一方面,为有利于果蝇复眼目标的提取。
对图像进行中值滤波既能保留图像边缘又能去除噪声。若某象素为噪声,则其灰度将比其邻域内的象素灰度大很多或小很多,滤波排序时,它将位于序列的首端或尾端,滤波后该象素的灰度变成其邻域内的灰度中间值,从而该象素得到平滑,噪声去除了。对于图像边缘象素,其灰度也将比其邻域内的其它象素灰度大很多或小很多,但中值滤波能够保留边缘。
经过中值滤波后图像变得模糊,边缘细节信息被平滑了一部分,但噪声基本都除去了。
为了精确的提取目标区域,需要突出目标和背景的边缘,采用对数非线性变换的方法对图像进行增强。对数非线性变换规则如下:
将任意象素的灰度x变换成灰度y,其中μ为压缩率。
通过对数非线性变换后,灰度值小的象素其灰度值得到拉伸,灰度值大的象素其灰度值得到压缩,且μ值越大,拉伸和压缩的比率也越大,实际采用的μ数值范围是:μ∈(0,1),但整个灰度遍布0~255。
果蝇复眼G通道目标灰度值较小(100以下,256级灰度),而背景灰度较大,通过对数非线性变换,目标更加突出。果蝇复眼区与背景区有明显的颜色层次,同时G通道灰度直方图显示通过对数非线性变换,低灰度区灰度值拉伸了,高灰度区灰度值压缩了。
为分离果蝇复眼和其背景,需要对果蝇灰度化图像进行阈值分割。灰度阈值分割主要有两个步骤:
(1)确定需要分割的阈值;
(2)将分割阈值与象素点的灰度值比较,以分割图像的象素。
以上步骤中,确定阈值是分割的关键,如果能确定一个合适的阈值就可以准确的将图像分割开来。阈值确定后,将阈值与象素点的灰度值比较即可对图像做出分割,分离出目标和背景。本发明采用固定阈值法,即根据灰度直方图确定一个分离目标和背景的一个固定灰度值(通常选择双峰的“波谷”)作为固定的阈值,这种方法对灰度直方图上目标和背景有明显的灰度范围(有明显的双峰)有着较好的效果,值为正常小眼最大面积或离散背景最大面积,通过大量实验,本发明的灰度分割阈值选用[20,30]象素范围。
灰度阈值分割后可以看出还有部分离散背景没有从果蝇复眼区目标分离,同时果蝇的正常小眼以及果蝇病变区被当作背景从目标去除,故需要对目标进行筛选,分两步进行:
第一步,去除多余离散背景和填充正常小眼;
第二步,填充病变区。
离散多余背景面积较小,可以根据面积的特征从果蝇复眼目标区分离;同样正常小眼面积也很小,可以通过“填充”的办法重新归入复眼目标区。这样可以通过一次扫描整个图像即可去除离散多余背景和填充正常小眼,筛选出准确的果蝇复眼目标。物体的包含的象素数定义为物体的面积。
面积筛选步骤如下:
(1)从第1行第1列开始扫描整个二值图像,逐一访问全部象素;
(2)若当前象素没有被访问(新物体),转第(3)步;否则访问下一象素;
(3)初始化堆栈,初始化当前物体面积,当前坐标入栈并设立访问标志;
(4)若当前象素上象素、右象素,下象素、左象素都没有被访问且灰度值与当前象素值相同(属于同一个物体),则递归访问它们;
(5)递归中,若满足递归条件且堆栈未满则当前象素入栈,设立访问标志,物体面积加一;
(6)递归返回后,若当前物体面积小于某一阈值(正常小眼最大面积或离散背景最大面积),转第(7)步;否则访问下一象素;
(7)当前物体灰度为1(白色,正常小眼),则堆栈象素逐一退栈,并逐一置灰度0(填充小眼),直至栈空;不然(黑色,离散噪声),堆栈象素逐一退栈,并逐一置灰度1(去离散噪声),直至栈空;
(8)若当前象素是图像最后1个象素则结束;否则,访问下一象素。
根据以上方法对果蝇图像进行处理,先将图像归一化分辨率为250×180,并定义
#define MAXSTACKSIZE 500 //定义最大栈深为500
#define BLACKAREA MAXSTACKSIZE //定义离散背景最大面积500
#define WHITEAREA 50 //定义正常复眼最大面积50
填充病变区。病变果蝇小眼分布不均匀,有重叠和聚堆,形成一个大的“小眼”,这个“小眼区”实际上是果蝇的病变区,但它依然是果蝇复眼的一部分,必须将其归入复眼目标。经过第一步的处理后,目标二值图像上只剩下目标、背景及病变区。将病变区填充即可得目标二值图像。
依次用本发明对已经采集的果蝇复眼图像进行病变诊断,观察提取的目标图像及标记好的目标图像效果图。并记录诊断数据信息,判断诊断结果如表1所示,完全与实际情况相符。验证了本方法的有效性。
表1果蝇复眼病变诊断功能测试数据
复眼图像名 | A类病变特征面积(%) | B类病变特征面积(%) | 病变总面积(%) | 诊断结果 | 实际病变情况 |
Drosophila_0drosophila_1drosophila_2drosophila_3drosophila_4drosophila_5drosophila_6drosophila_7drosophila_8drosophila_9drosophila_10drosophila_11drosophila_12drosophila_13drosophila_14drosophila_15drosophila_16drosophila_17drosophila_18drosophila_9 | 000.190.0900.2203.350.170.020.854.472.660.3401.610.57000 | 02.86000.621.550.7811.890.32010.371.117.683.271.044.370.021.0700 | 02.860.190.090.621.770.7815.240.490.0211.325.5810.343.611.045.980.591.0700 | normalabnormalnormalnormalabnormalabnormalabnormalabnormalabnormalnormalabnormalabnormalabnormalabnormalabnormalabnormalabnormalabnormalnormalnormal | normalabnormalabnormalnormalabnormalabnormalabnormalabnormalabnormalnormalabnormalabnormalabnormalabnormalabnormalabnormalabnormalabnormalnormalnormal |
通过表1中的测试数据可知本发明能够快速而有效的进行果蝇复眼病变诊断,诊断结果包括复眼病变区域占总复眼的面积比例、病变情况、诊断处理的中间效果图,如:提取的目标图像,标记的复眼等,可方便对诊断结果的图片、数字信息进行存储管理。
Claims (3)
1.一种果蝇复眼病的图像识别诊断方法,其特征包括以下步骤:
(1)采集果蝇的复眼图像,对图像进行平滑降噪处理;
(2)采用对数非线性变换的方法对图像进行增强,变换的公式如下:
其中x为输入灰度级,y为输出灰度级,μ为压缩率,μ∈(0,1);
(3)对果蝇灰度化图像进行灰度阈值按下面步骤分割:
a.确定需要分割的阈值,即正常小眼最大面积或离散背景最大面积;
b.将分割阈值与象素点的灰度值比较,分割图像的象素;
(4)对图像目标采用面积筛选法进行筛选:
第一步,去除多余离散背景和填充正常小眼;
第二步,填充病变区;
(5)目标二值图像上只剩下目标、背景及病变区,将病变区填充得到目标二值图像,判断复眼病变。
2.根据权力要求1所述的果蝇复眼病的图像识别诊断方法,其特征在于步骤(3)所述的灰度分割阈值范围为[20,30]象素。
3.根据权力要求1所述的果蝇复眼病的图像识别诊断方法,其特征在于步骤(4)采用的面积筛选法包括如下步骤:
通过一次扫描整个图像去除离散多余背景和填充正常小眼,筛选出准确的果蝇复眼目标,面积筛选步骤如下:
a.从第1行第1列开始扫描整个二值图像,逐一访问全部象素;
b.若当前象素没有被访问,转第c步;否则访问下一象素;
c.初始化堆栈,初始化当前物体面积,当前坐标入栈并设立访问标志;
d.若当前象素上象素、右象素,下象素、左象素都没有被访问且灰度值与当前象素值相同,则递归访问;
e.递归中,若满足递归条件且堆栈未满则当前象素入栈,设立访问标志,物体面积加一;
f.递归返回后,若当前物体面积小于阈值(正常小眼最大面积或离散背景最大面积)转第g步;否则访问下一象素;
g.当前物体灰度为1,即代表白色,正常小眼,则堆栈象素逐一退栈,并逐一置灰度0,填充小眼,直至栈空;不然堆栈象素逐一退栈,并逐一置灰度为1,去除离散噪声,直至栈空;
h.若当前象素是图像最后1个象素则结束;否则,访问下一象素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101369413A CN100998491A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼病的图像识别诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101369413A CN100998491A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼病的图像识别诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN100998491A true CN100998491A (zh) | 2007-07-18 |
Family
ID=38257371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006101369413A Pending CN100998491A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼病的图像识别诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100998491A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
TWI837752B (zh) * | 2022-08-02 | 2024-04-01 | 豐蠅生物科技股份有限公司 | 生物數值監控與特徵辨識分析系統及其方法 |
-
2006
- 2006-12-26 CN CNA2006101369413A patent/CN100998491A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
TWI837752B (zh) * | 2022-08-02 | 2024-04-01 | 豐蠅生物科技股份有限公司 | 生物數值監控與特徵辨識分析系統及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
CN110866893B (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
US9607376B2 (en) | Method and apparatus for image scoring and analysis | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
NL2024774B1 (en) | Blood leukocyte segmentation method based on adaptive histogram thresholding and contour detection | |
Wang et al. | Assisted diagnosis of cervical intraepithelial neoplasia (CIN) | |
CN108185984A (zh) | 眼底彩照进行眼底病灶识别的方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
Chen et al. | An automated bacterial colony counting and classification system | |
US20090167850A1 (en) | Method for identifying guignardia citricarpa | |
CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
EP1579366B1 (en) | Histological assessment of nuclear pleomorphism | |
Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及系统 | |
Anari et al. | Computer-aided detection of proliferative cells and mitosis index in immunohistichemically images of meningioma | |
Sulaiman et al. | Semi-automated pseudo colour features extraction technique for cervical cancer's pap smear images | |
CN108596262A (zh) | 一种基于计算机视觉进行植物病斑分类的方法及系统 | |
CN101091649A (zh) | 果蝇灰度化图像的提取方法 | |
CN100998491A (zh) | 果蝇复眼病的图像识别诊断方法 | |
Saraswat et al. | Malarial parasites detection in RBC using image processing | |
Amitha et al. | Developement of computer aided system for detection and classification of mitosis using SVM | |
Bai et al. | A convolutional neural network combined with color deconvolution for mitosis detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |