CN102024259B - 一种菌落自动检测方法 - Google Patents
一种菌落自动检测方法 Download PDFInfo
- Publication number
- CN102024259B CN102024259B CN2010106048932A CN201010604893A CN102024259B CN 102024259 B CN102024259 B CN 102024259B CN 2010106048932 A CN2010106048932 A CN 2010106048932A CN 201010604893 A CN201010604893 A CN 201010604893A CN 102024259 B CN102024259 B CN 102024259B
- Authority
- CN
- China
- Prior art keywords
- image
- bacterium colony
- bacterial colony
- processing
- inhomogeneous illumination
- 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.)
- Expired - Fee Related
Links
- 230000001580 bacterial effect Effects 0.000 title abstract description 20
- 238000001514 detection method Methods 0.000 title abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000005286 illumination Methods 0.000 claims abstract description 35
- 241000894006 Bacteria Species 0.000 claims description 118
- 238000012360 testing method Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011173 large scale experimental method Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002386 leaching Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000607598 Vibrio Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种菌落自动检测方法，属于生物医学图像处理、环境监测等领域，所述方法包括以下步骤：输入菌落图像；对所述菌落图像进行图像灰度化处理和预处理，获取处理后的菌落图像；根据所述处理后的菌落图像，进行理想菌落图像重建；对所述理想菌落图像进行后处理，检测到菌落。当菌落图像是在不同条件下获取时，通过消除光照偏差，把输入的菌落图像转化为理想菌落图像，对理想菌落图像进行后处理，检测到菌落，本发明不依赖特定的图像采集装置、菌落类型、外界环境条件，在图像分割和菌落提取过程中不依赖于经验性的阈值或先验知识，因此具有很高的普遍性，扩大了应用范围，并且通过大规模的实验证明了本发明的准确性和精密度。
Description
技术领域
本发明涉及生物医学图像处理、环境监测等领域，特别涉及一种菌落自动检测方法。
背景技术
随着计算机科学技术的发展，计算技术已经渗透到其他学科的多种领域，尤其是生物医学、环境监测等领域。由于计算机具有很强的计算和存储能力，所以在数字信号的采集、处理、传输和存储方面具有独特的优势。因此，在生物医学图像处理领域和信息科学领域之间的跨学科研究可以极大地促进生物医学知识的发现以及研究方法的改进，在环境检测领域和信息科学之间的学科交叉研究可以促进现代化检测方法和仪器的研究和开发。目前，平板菌落检测方法已经广泛应用于多种背景下的细菌计数，例如：对环境监测、食物检测等等情况下的菌落检测。然而，现有的人工计数方法费时费力。而且，由于年龄、经验等因素，这种高度主观的方法经常导致计数准确率较低。
到现在为止，只有少数文献与自动菌落检测方法有关。根据自动菌落检测方法的原理，可以把它们划分为两类：1)把菌落检测问题看作目标识别[1-4]，这类方法通常提取菌落特征，例如颜色、纹理和形状，然后训练分类器来鉴定感兴趣区域是不是菌落。但是，研究人员经常需要花费很多时间来准备大量的用于训练模型的样本，而且菌落颜色、纹理和形状的剧烈变化会对模型的训练自动菌落检测方法带来很多困难；2)把菌落检测看作图像分割[5-9]，现有的方法通常选取全局阈值法、基于块的局部阈值法或者基于特定领域知识的阈值选取法。由于最佳阈值选取往往对数据具有依赖性，因此这类方法在大规模应用上有很大的局限性。
参考文献
[1]Shenglang Jin，“Comparison between the Determination Results of Total Bacteriain Food of Machine Vision and Culture”，Packaging and food Machinery，2009，27(4·，·pp：33-37.
[2]Shenglang Jin，Yujuan Li，Yongguang Yin，Rapid detection of total number ofbacteria in food using digital micro-image identification technique，Transactions ofthe Chinese Society of Agricultural Engineering，2008，24(4)，pp：177-180··
[3]Yuqin Yang，Chushui Yao，Study on Method of Automatic Identification andAouncting of Bacteria Colonies on Plate，Chinese Journal of Disnfection，2001，18(3)，pp：141-144.
[4]Ates，H.Gerek，O.N.，An Image-processing Based Automated Bacteria ColonyCounter，24th International Symposium on Computer and Information Sciences，2009.
[5]Yingli Zhou，Libo Zeng，A Method for Automatic Colony Counting Based onImage Processing and Its Realization，Journal of Data Acquistion & Processing，200318(4)，pp：460-464.
[6]Guoxin Wang，Changli Zhang，Junlong Fang，etc.，Experimental study forautomatic colony counting system based on image processing，China Dairy Industry，2006，34(2)，pp：40-42.
[7]Hong Men，Yujie Wu，Caihong Wang，etc.，Study on Heterotrophic BacteriaColony Counting Based on Image Processing Method，Study on HeterotrophicBacteria Colony Counting Based on Image Processing Method，2008，35(3)，pp：38-41，45.
[8]Buqing Chang，Research on the Development of Colony Analysis SystemBased on Image Processing，Hebei Industry University，2008.
[9]Reyna，Mourino-Perez Rosa1；Josue，Alvarez-Borrego1，Color Correlation for theRecognition Vibrio Cholerae O1 in Seawater，Proceedings of SPIE，Vol：3749，pp：586-587，1999.
[10]Luc Vincent，Morphological Grayscale Reconstruction in Imgae Analysis：Applicatins and Efficient Algorithms，IEEE Transactions on Image Processing，vol.2，No.2，pp：176～185，1993.
[11]权炜、郑南宁、贾新春，“复杂背景下的车辆牌照字符提取方法研究，”《信息与控制》，2002年，Vol.31(1)，pp：25-29.
[12]谢贵、彭嘉雄，“基于上下边缘点匹配的连通域搜索算法”，《华中科技大学学报》，2002年，Vol.30(4)，pp：66-68.
发明内容
为了扩大应用范围，本发明提供了一种菌落自动检测方法，所述方法包括以下步骤：
(1)输入菌落图像；
(2)对所述菌落图像进行图像灰度化处理和预处理，获取处理后的菌落图像；
(3)根据所述处理后的菌落图像，进行理想菌落图像重建；
(4)对所述理想菌落图像进行后处理，检测到菌落。
步骤(2)中所述预处理，具体为：图像平滑和直方图均衡化。
步骤(3)中所述根据所述处理后的菌落图像，进行理想菌落图像重建，具体包括：
非均匀光照下背景建模和非均匀光照分布消除。
所述非均匀光照下背景建模具体为：
通过分析所述处理后的菌落图像的自身成像特性来构建所述非均匀光照下背景建模。
所述自身成像特性具体包括：
所述处理后的菌落图像的平滑性；
所述处理后的菌落图像的稀疏性；
非均匀光照下背景对所采集原始图像的逼近性。
所述非均匀光照分布消除具体为：
所述处理后的菌落图像与非均匀光照下背景对应元素做差，消除非均匀光照分布。
步骤(4)中所述对所述理想菌落图像进行后处理，检测到菌落，具体包括：
对所述理想菌落图像进行图像二值化处理，获取二值图像；
对所述二值图像进行连通域提取，获取修改后的二值图像；
对所述修改后的二值图像的前景区域对应的所述理想菌落图像相应区域进行细分割，检测到所述菌落。
本发明提供的技术方案的有益效果是：
本发明提供了一种菌落自动检测方法，当菌落图像是在不同条件下获取时，通过消除光照偏差，把输入的菌落图像转化为理想菌落图像，对理想菌落图像进行后处理，检测到菌落，本发明不依赖特定的图像采集装置、菌落类型、外界环境条件，在图像分割和菌落提取过程中不依赖于经验性阈值或先验知识，因此具有很高的普遍性，扩大了应用范围，并且通过大规模的实验证明了本发明的准确性和精密度。
附图说明
图1为本发明提供的菌落自动检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
为了扩大应用范围，本发明实施例提供了一种菌落自动检测方法，参见图1，详见下文描述：
101：输入菌落图像；
由于后续103步中理想菌落图像重建的普适性，所以对所输入菌落图像的采集装置、摄像头参数、图像存储格式和图像分辨率等参数以及菌落图像的类型并无特殊限制。
102：对菌落图像进行图像灰度化处理和预处理，获取处理后的菌落图像；
其中，为了满足后续处理所需的数据形式，对输入的菌落图像进行图像灰度化处理。
高分辨率摄像头采集的数字图像多是彩色数字图像，一幅彩色数字图像由像素点组成，每个像素点用红(R)、绿(G)和蓝(B)三个颜色分量表征，因此，图像灰度化处理具体为：
根据第一公式，将R、G和B三个分量转化为灰度值(Gray)来表征每个像素点所构成的图像(其中，i和j表示像素点在二维空间中的坐标)。
第一公式Gray(i，j)＝0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)
其中，预处理具体包括：图像平滑和直方图均衡化。
菌落图像的能量通常集中在低频段，而噪声主要集中在高频段，因此通过图像平滑处理就可以滤掉噪声。直方图均衡化可以使灰度值在直方图上均匀的分散开，增强了对比度，尤其是当在低照明度下获得菌落图像时，通过直方图均衡化处理可以显著的增强对比度。
本发明实施例采用基于高斯核构建的加权均值滤波器来消除高频段的噪声，具体实现时，还可以采用其他的方式来消除高频段的噪声，本发明实施例对此不做限制。
103：根据处理后的菌落图像，进行理想菌落图像重建；
其中，该步骤的任务是对处理后的菌落图像，通过挖掘菌落图像自身性质来消除非均匀光照分布效应，来获得背景区域(培养名区域)和前景区域(菌落区域)对比度大的理想菌落图像。由于该步骤消除菌落图像采集时外界环境对成像效果的影响，使得101步骤中输入的菌落图像不受采集装置、摄像头性能等外界条件的影响；并且由于103步骤可以显著提高理想菌落图像的对比度，大大简化了菌落检测中图像二值化这一关键步骤中二值化阈值选取的难度，这使得本方法在菌落检测实验中具有更高的准确度和精密性。
该步骤包括：非均匀光照下背景建模和非均匀光照分布消除。
非均匀光照下背景建模：图像采集环境大都受到非均匀光照的影响，通过分析处理后的菌落图像自身成像特性来构建非均匀光照下背景建模，根据非均匀光照下背景建模便可以自适应模拟不同外界条件下的非均匀光照分布。在处理后的菌落图像自身成像特性分析中，自身成像特性对非均匀光照下背景建模具有重要作用：
1)处理后的菌落图像的平滑性：即处理后的菌落图像中除了边缘、角点等，往往是大面积平滑区域；
2)处理后的菌落图像的稀疏性：即所采集图像中菌落往往稀疏分布在培养皿环境中；
3)非均匀光照下背景对所采集原始图像的逼近性：菌落区域的稀疏分布往往使得图像的大部分区域仍就是培养皿所对应背景区域，因此所构建的非均匀光照下背景与原始图像各像素点的灰度差的总和应当越小越好。
非均匀光照分布消除：处理后的菌落图像与非均匀光照下背景对应元素做差，消除非均匀光照分布。
由于H-dome方法[10]能够实现所提出的非均匀光照下背景建模方法，因此本发明实施例以H-dome方法为例来构建非均匀光照下背景建模，从而重建理想菌落图像，具体实现时，还可以采用其他的方法来重建理想菌落图像，如曲面拟合法和基于小波重构法等，本发明实施例对此不做限制。
104：对理想菌落图像进行后处理，检测到菌落。
其中，该步骤具体包括：
1)对理想菌落图像进行图像二值化处理，获取二值图像；
图像二值化处理是将理想菌落图像上的像素点的灰度值设置为0或1，使得菌落图像呈现出明显的黑白效果，由于在步骤103中重建菌落图像，获取到了理想菌落图像，因此可以通过简单的全局阈值选取方法来对理想菌落图像进行图像二值化处理，获取二值图像。本发明实施例中的图像二值化处理采用大津法(OTSU)，具体实现时，还可以采用其他的图像二值化处理方法，如最大熵法、最小错误概率法和迭代阈值法等，本发明实施例对此不做限制。
2)对二值图像进行连通域提取，获取修改后的二值图像；
二值图像的连通区域标记是从仅由“0”像素(通常表示背景点)和“1”像素(通常表示模式图形点)组成的一幅点阵图像中，将相互邻接(4-邻域或8-邻域)的“1”值像素集合提取出来。本发明实施例中的连通域提取采用序贯法，具体实现时，还可以采用其他的连通域提取方法，如：区域标号法[11]、基于边缘点匹配的算法[12]，本发明实施例对此不做限制。
3)对修改后的二值图像的前景区域对应的理想菌落图像相应区域进行细分割，检测到菌落。
通过对二值图像进行连通域提取，获取到的修改后的二值图像往往会将粘连的菌落看作同一连通区域进行标记，所以要对修改后的二值图像对应的前景区域进行细分割。本发明实施例采用了分水岭处理对修改后的二值图像对应的前景区域进行精细分割。其中，分水岭处理，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把修改后的二值图像看作是测地学上的拓扑地貌，修改后的二值图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的计算过程是一个迭代标注过程，分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后再从低到高实现淹没过程，对每一个局部极小值在h阶高度的影响域采用先进先出结构进行判断及标注。具体实现时，还可以采用其他的细分割处理方法，如阈值分割法，模糊C-2均值算法，遗传算法等，本发明实施例对此不做限制。
通过步骤101-步骤104，可以准确的检测到菌落，将检测到的菌落的目标数加起来，可以方便的计算出菌落的总数。
综上所述，本发明实施例提供了一种菌落自动检测方法，当菌落图像是在不同条件下获取时，通过消除光照偏差，把输入的菌落图像转化为理想菌落图像，对理想菌落图像进行后处理，检测到菌落。本发明不依赖特定的图像采集装置、菌落类型、外界环境条件，在图像分割和菌落提取过程中不依赖于经验性阈值或先验知识，因此具有很高的普遍性，扩大了应用范围，并且通过大规模的实验证明了本发明的准确性和精密度。
下面采用一个简单的试验来验证本发明实施例提供的一种菌落自动检测方法的可行性，详见下文描述：
使用本发明实施例提供的一种菌落自动检测方法对地表水、地下水的水样进行检测，并与现有技术中的方法进行对比实验，实验结果如表1-2所示。
表1准确度对比实验的检测结果
表2精密度对比实验的统计结果
指标计算方法：
1、标准偏差
2、相对标准偏差
针对每个培养皿计数，菌落总数范围小于30个时，本发明实施例提供的一种菌落自动检测方法的相对标准偏差范围为3.8％-8.4％；菌落总数范围在30-300个的相对标准偏差范围为1.0％-7.8％；菌落总数范围大于300个的相对标准偏差范围为1.4％-8.2％。与现有技术提供的方法相比，准确度平均提高0.88％，精密度平均提高36.48％。因此本发明实施例提供的一种菌落自动检测方法具有准确性高、检测结果稳定的优点。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种菌落自动检测方法，其特征在于，所述方法包括以下步骤：
(1)输入菌落图像；
(2)对所述菌落图像进行图像灰度化处理和预处理，获取处理后的菌落图像；
(3)根据所述处理后的菌落图像，进行理想菌落图像重建；
(4)对所述理想菌落图像进行后处理，检测到菌落；
步骤(3)中所述根据所述处理后的菌落图像，进行理想菌落图像重建，具体包括：
非均匀光照下背景建模和非均匀光照分布消除；
其中，所述非均匀光照下背景建模具体为：
通过分析所述处理后的菌落图像的自身成像特性来构建所述非均匀光照下背景建模；
其中，所述自身成像特性具体包括：
所述处理后的菌落图像的平滑性；
所述处理后的菌落图像的稀疏性；
非均匀光照下背景对所采集原始图像的逼近性；
其中，所述非均匀光照分布消除具体为：
所述处理后的菌落图像与非均匀光照下背景对应元素做差，消除非均匀光照分布。
2.根据权利要求1所述的菌落自动检测方法，其特征在于，步骤(2)中所述预处理，具体为：图像平滑和直方图均衡化。
3.根据权利要求1所述的菌落自动检测方法，其特征在于，步骤(4)中所述对所述理想菌落图像进行后处理，检测到菌落，具体包括：
对所述理想菌落图像进行图像二值化处理，获取二值图像；
对所述二值图像进行连通域提取，获取修改后的二值图像；
对所述修改后的二值图像的前景区域对应的所述理想菌落图像相应区域进行细分割，检测到所述菌落。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010106048932A CN102024259B (zh) | 2010-12-24 | 2010-12-24 | 一种菌落自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010106048932A CN102024259B (zh) | 2010-12-24 | 2010-12-24 | 一种菌落自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102024259A CN102024259A (zh) | 2011-04-20 |
| CN102024259B true CN102024259B (zh) | 2012-06-20 |
Family
ID=43865522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010106048932A Expired - Fee Related CN102024259B (zh) | 2010-12-24 | 2010-12-24 | 一种菌落自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102024259B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794684B (zh) * | 2014-01-17 | 2018-02-27 | 复旦大学 | 一种基于病毒噬斑图像的自动噬斑测定方法 |
| CN104200431A (zh) * | 2014-08-21 | 2014-12-10 | 浙江宇视科技有限公司 | 图像灰度化的处理方法及处理装置 |
| US10696938B2 (en) * | 2015-04-23 | 2020-06-30 | Bd Kiestra B. V. | Method and system for automated microbial colony counting from streaked sample on plated media |
| CN105335982B (zh) * | 2015-11-02 | 2018-04-17 | 江苏大学 | 一种粘连菌落的分割方法 |
| CN105420107A (zh) * | 2015-11-11 | 2016-03-23 | 上海大学 | 一种基于菌落形态特征的菌落自动筛选方法 |
| CN105491279A (zh) * | 2015-11-19 | 2016-04-13 | 北京工业大学 | 一种菌落的图像采集和识别方法 |
| CN105671122A (zh) * | 2016-03-30 | 2016-06-15 | 李辰 | 细菌鉴定方法及装置 |
| CN106485313B (zh) * | 2016-10-18 | 2018-09-28 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种菌落快速记数方法 |
| CN107862697B (zh) * | 2017-10-27 | 2021-03-23 | 陕西科技大学 | 一种用于茯茶质量检测的金花菌计数方法 |
| CN108830858B (zh) * | 2018-06-20 | 2021-08-03 | 天津大学 | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 |
| CN112614062B (zh) * | 2020-12-17 | 2024-04-26 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
| CN117274293B (zh) * | 2023-11-17 | 2024-03-15 | 广东省农业科学院动物科学研究所 | 基于图像特征的细菌菌落精确划分方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01296974A (ja) * | 1988-05-23 | 1989-11-30 | Toyo Jozo Co Ltd | コロニー計数装置 |
| US6381353B1 (en) * | 1996-08-30 | 2002-04-30 | Marvin Weiss | System for counting colonies of micro-organisms in petri dishes and other culture media |
| US7298885B2 (en) * | 2002-11-27 | 2007-11-20 | 3M Innovative Properties Company | Biological growth plate scanner with automated image processing profile selection |
| JP4863932B2 (ja) * | 2007-06-04 | 2012-01-25 | 株式会社エヌテック | コロニー数の計数方法 |
-
2010
- 2010-12-24 CN CN2010106048932A patent/CN102024259B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN102024259A (zh) | 2011-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102024259B (zh) | 一种菌落自动检测方法 | |
| CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
| CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN104075965B (zh) | 一种基于分水岭分割的显微图像颗粒粒度测量方法 | |
| Mandal et al. | Segmentation of blood smear images using normalized cuts for detection of malarial parasites | |
| CN107403435B (zh) | 一种基于rgb颜色空间的彩色图像边缘提取方法 | |
| Mishra et al. | The quality identification of fruits in image processing using Matlab | |
| CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
| CN111882561A (zh) | 一种癌细胞识别诊断系统 | |
| Li et al. | A salt & pepper noise filter based on local and global image information | |
| Gutzeit et al. | Automatic segmentation of wood logs by combining detection and segmentation | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
| Deshmukh et al. | Segmentation of microscopic images: A survey | |
| Sun et al. | Algorithm of adaptive fast clustering for fish swarm color image segmentation | |
| Zhang et al. | An automated bacterial colony counting system | |
| CN116524269A (zh) | 一种视觉识别检测系统 | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
| CN110853030B (zh) | 生物反应器病毒感染细胞质量评价方法 | |
| Ram et al. | Symmetry-based detection of nuclei in microscopy images | |
| Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
| Rege et al. | Automatic leukemia identification system using otsu image segmentation and mser approach for microscopic smear image database | |
| Liu et al. | Adaptive ideal image reconstruction for bacteria colony detection | |
| CN117475432A (zh) | 面向菌株筛选分选的智能处理方法 | |
| CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| ASS | Succession or assignment of patent right |
Owner name: TSITSIHAR GREEN ENVIRONMENTAL PROTECTION TECHNOLOG Free format text: FORMER OWNER: LIU ANAN Effective date: 20130321 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20130321 Address after: 161005, room 3, unit 8, group 101, Italy Garden District, Qigihar, Heilongjiang Patentee after: QIQIHAR GREEN ENVIRONMENTAL PROTECTION TECHNOLOGY DEVELOPMENT CO., LTD. Address before: 161005 Qigihar city of Heilongjiang Province, Longsha district group Italy Garden District 8 Building 3 unit 101 room Patentee before: Liu Anan |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120620 Termination date: 20151224 |