CN101211458A - 果蝇复眼图像动态阈值的确定方法 - Google Patents
果蝇复眼图像动态阈值的确定方法 Download PDFInfo
- Publication number
- CN101211458A CN101211458A CNA2006101369381A CN200610136938A CN101211458A CN 101211458 A CN101211458 A CN 101211458A CN A2006101369381 A CNA2006101369381 A CN A2006101369381A CN 200610136938 A CN200610136938 A CN 200610136938A CN 101211458 A CN101211458 A CN 101211458A
- Authority
- CN
- China
- Prior art keywords
- compound eye
- threshold value
- drosophila
- image
- eye image
- 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
一种果蝇复眼图像的阈值确定方法,本发明将色度和色差直方图看成象素灰度值的概率分布密度函数的近似,果蝇的复眼图像包含目标和背景度值区域,它们的直方图所代表象素灰度值概率分布密度函数实际上是对应目标和背景的两个单峰分布密度函数之和,动态阈值点将这两部分分成“距离”最远的灰度值点。本发明采用的自适应阈值灰度分割后具有很好的效果,计算的阈值使直方图上目标和背景的“距离”最远,能较好的适应果蝇复眼的图像模型,加强对果蝇复眼诊断的准确性。
Description
技术领域
本发明涉及图像的处理方法,特别是果蝇复眼图像的处理方法。
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的效率。
发明内容
本发明的目的是提供一种果蝇复眼图像的阈值确定方法。
确定阈值是对图像进行分割的关键,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。
为对果蝇复眼做出准确诊断,需要对提取果蝇的复眼图像去除背景的影响,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等彩色空间大量的实验,HSV彩色空间中的色度H受光照影响小,用色差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。果蝇的复眼图像采集后,先对图像进行平滑降噪处理,对数非线性变换后,再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。
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。
在利用取阈值方法来分割灰度图像时一般对图像的灰度分布是基于一定的图形模型。最常用的模型可描述如下:假设图像由具有单峰灰度分布的目标和背景组成,处于目标和背景相邻象素间的灰度值是高度相关的,但处于目标和背景交界处两边的象素在灰度上有很大的差别。这样它的灰度直方图基本上可以看作是由分别对应于目标和背景的两个单峰直方图混合构成的。而且如果这两个分布大小(数量)接近且均值相距够远,两部分的均方差也足够小,则直方图应为较明显的双峰。若图像中有多个单峰灰度分布的目标或噪声影响较大(影响目标和背景的均方差),则直方图有可能表现为较明显的多峰。
确定阈值的方法很多,最简单的方法就是采用固定阈值,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,但受噪声影响较大,对直方图上有多个波峰的灰度图像不能获得满意的分割阈值点,果蝇复眼图像采用的色差DNGR和色度H的灰度图像能很好的满足单峰图形假设的假设条件。
本发明采用自适应动态阈值进行灰度阈值分割,该方法是将果蝇复眼的色度和色差直方图作为象素灰度值的概率分布密度函数,果蝇复眼图像仅包含两类主要的灰度值区域,即目标和背景,其直方图所代表象素灰度值概率分布密度函数实际上是对应目标和背景的两个单峰分布密度函数之和,动态阈值点即将这两部分分成“距离”最远的灰度值点。
本发明采用的自适应阈值灰度分割后具有很好的效果,计算的阈值使直方图上目标和背景的“距离”最远,能较好的适应果蝇复眼的图像模型,加强对果蝇复眼诊断的准确性。
附图说明
图1为色差灰度直方图;
图2为色度灰度直方图;
图3为固定阈值灰度分割后的效果;
图4为本发明自适应阈值灰度分割后的效果。
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,根据RGB颜色值对图像进行增强,对图像进行滤波去除噪声。
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。
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。
为分离果蝇复眼和其背景,对果蝇灰度化图像进行阈值分割。灰度阈值分割包括以下两个步骤:
(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。
果蝇复眼图像采用的色差DNGR和色度H的灰度图像能很好地满足单峰图形的假设条件。
本发明采用自适应动态阈值进行灰度阈值分割,该方法是将果蝇复眼的色度和色差直方图作为象素灰度值的概率分布密度函数,果蝇复眼图像仅包含两类主要的灰度值区域,即目标和背景,其直方图所代表象素灰度值概率分布密度函数实际上是对应目标和背景的两个单峰分布密度函数之和,动态阈值点即将这两部分分成“距离”最远的灰度值点。
这种方法能够快速而有效地对果蝇复眼图像的效果,保证自动诊断结果的准确性。
Claims (1)
1.一种果蝇复眼图像的阈值确定方法,其特征在于采用以下方法:将果蝇的色度和色差直方图作为象素灰度值的概率分布密度函数,用果蝇复眼图像的直方图表示象素灰度值概率分布密度函数,对应目标和背景的两个单峰分布密度函数之和,将这两部分分成“距离”最远的灰度值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101369381A CN101211458A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼图像动态阈值的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101369381A CN101211458A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼图像动态阈值的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101211458A true CN101211458A (zh) | 2008-07-02 |
Family
ID=39611464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006101369381A Pending CN101211458A (zh) | 2006-12-26 | 2006-12-26 | 果蝇复眼图像动态阈值的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101211458A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN101867828B (zh) * | 2009-12-31 | 2012-11-07 | 南京工程学院 | 曲面光学结构的多电荷耦合器件组自适应成像方法 |
WO2022041460A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州科瓴精密机械科技有限公司 | 基于色度分量的图像分割方法、系统、图像分割设备及可读存储介质 |
-
2006
- 2006-12-26 CN CNA2006101369381A patent/CN101211458A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867828B (zh) * | 2009-12-31 | 2012-11-07 | 南京工程学院 | 曲面光学结构的多电荷耦合器件组自适应成像方法 |
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN102169580B (zh) * | 2011-04-08 | 2012-10-10 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
WO2022041460A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州科瓴精密机械科技有限公司 | 基于色度分量的图像分割方法、系统、图像分割设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
Bikhet et al. | Segmentation and classification of white blood cells | |
CN104021574B (zh) | 路面病害自动识别方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN107356515B (zh) | 一种荧光图像的荧光强度确定方法和系统 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN108257124B (zh) | 一种基于图像的白细胞计数方法和系统 | |
Kareem et al. | A novel method to count the red blood cells in thin blood films | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
Leow et al. | Automated identification of copepods using digital image processing and artificial neural network | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
Chakrabortya et al. | A combined algorithm for malaria detection from thick smear blood slides | |
EP3140778B1 (en) | Method and apparatus for image scoring and analysis | |
CN106483130B (zh) | 一种水稻病害的检测方法及其自动检测装置 | |
JP2023510915A (ja) | 腫瘍検出および分析を支援するための非腫瘍セグメンテーション | |
Memeu et al. | Detection of plasmodium parasites from images of thin blood smears | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
Alegro et al. | Automating cell detection and classification in human brain fluorescent microscopy images using dictionary learning and sparse coding | |
CN108695000A (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 | |
CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
Farouk et al. | Microarray spot segmentation algorithm based on integro-differential operator | |
CN101211458A (zh) | 果蝇复眼图像动态阈值的确定方法 | |
CN115393351A (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
CN101555515A (zh) | 基于轮廓标记图的硅藻特征描述及其分类方法 | |
Bernal et al. | A region segmentation method for colonoscopy images using a model of polyp appearance |
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 |