CN102073872B - 基于图像的寄生虫虫卵形状识别方法 - Google Patents

基于图像的寄生虫虫卵形状识别方法 Download PDF

Info

Publication number
CN102073872B
CN102073872B CN201110022426A CN201110022426A CN102073872B CN 102073872 B CN102073872 B CN 102073872B CN 201110022426 A CN201110022426 A CN 201110022426A CN 201110022426 A CN201110022426 A CN 201110022426A CN 102073872 B CN102073872 B CN 102073872B
Authority
CN
China
Prior art keywords
image
edge
parasite egg
region
space distribution
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.)
Active
Application number
CN201110022426A
Other languages
English (en)
Other versions
CN102073872A (zh
Inventor
沈玉娟
陈盛霞
金红
李峰
潘雨青
孙启艳
吴亮
曹建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hua Kai Biotechnology Co., Ltd.
Original Assignee
Jiangsu University
National Institute of Parasitic Diseases of Chinese Center for Disease Control and Prevention
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University, National Institute of Parasitic Diseases of Chinese Center for Disease Control and Prevention filed Critical Jiangsu University
Priority to CN201110022426A priority Critical patent/CN102073872B/zh
Publication of CN102073872A publication Critical patent/CN102073872A/zh
Application granted granted Critical
Publication of CN102073872B publication Critical patent/CN102073872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明了公开了一种基于图像的寄生虫虫卵形状识别方法。该方法包括：建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板、图像的灰度归一化处理、边缘信息提取、边缘合并、边缘区域二次过滤和基于边缘空间直方图的形状判断，即依据所建立的要识别寄生虫虫卵形状边缘空间分布直方图和边缘区域信息，对每个候选的边缘区域进行边缘空间分布直方图相似性的判断，其相似度小于Th的则判定为要识别的人体寄生虫卵。本发明的基于图像的寄生虫虫卵形状识别方法，引入二次边缘区域过滤机制，提高了识别算法的计算速度和实时性；引入了边缘空间分布直方图的方法进行边缘形状的判断，能较好地克服各种干扰因素的影响，提高了识别的准确性和可靠性，使其能更好地适用于干扰因素较多的实际检测场合。

Description

基于图像的寄生虫虫卵形状识别方法
技术领域
本发明属于图像识别技术领域，具体涉及一种基于图像的寄生虫虫卵形状识别方法。
背景技术
计算机在医学中的广泛应用及数字图像处理技术与显微技术的紧密结合，产生了现代图像处理的重要分支—显微医学图像处理。该技术已应用于血球分类、细胞诊断、染色体核型分析和微循环参数检测等医学领域。显微医学图像处理技术有利于提高医学诊断的准确性；特别是模式识别技术与该技术的结合，形成的显微医学图像自动识别技术，更是减轻了医务人员繁重的劳动，为医务人员提供了可靠的诊断依据，大大提高了他们的工作效率。基于图像的寄生虫虫卵识别便是显微医学图像处理技术中的一个重要领域。到目前为止，国内外都有学者对寄生虫病原体的自动识别进行了研究，然而这些研究往往都是基于比较理想化的状态下进行，其实验方法难于胜任实际的检测需要，特别是在杂质较多的情况下，难于获取稳定的识别结果，同时识别效率不高。
发明内容
发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于图像的寄生虫虫卵形状识别方法，针对实际检测的状况，以满足基于图像的寄生虫虫卵自动识别系统的应用需求，取得较好的识别效果和效率。
技术方案：为了实现上述发明目的，本发明采用的技术方案为：
一种基于图像的寄生虫虫卵形状识别方法，包括以下步骤：
（1）建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板。
（2）图像的灰度归一化处理，即将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像。
（3）边缘信息提取，即对归一化灰度图像采用canny算子提取边缘信息，同时滤除长度不在[L1，L2]之间的边缘信息，其中L1和L2为可调参数。
（4）边缘合并，即根据边缘最小包围框是否相交的原则对过滤后的边缘信息进行合并，以形成更完整的若干边缘区域。
（5）边缘区域二次过滤，即将边缘区域大小不在[L3，L4]之间的进行滤除，其中L3和L4为可调参数。
（6）基于边缘空间直方图的形状判断，即依据所建立的要识别寄生虫虫卵形状边缘空间分布直方图和边缘区域信息，对每个候选的边缘区域进行边缘空间分布直方图相似性的判断，其相似度小于Th的则判定为要识别的人体寄生虫卵。
步骤（1）中，建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板，步骤如下：
（1）从要识别的包含寄生虫虫卵的图像中挑选若干幅具有典型不同形状特征的图像；
（2）将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像；
（3）交互式勾绘出其边缘轮廓，根据所绘出其边缘轮廓提取该虫卵区域，并进行二值化处理，即虫卵区域位1，其余部分为0；
（4）对二值化图像中的虫卵区域进行对齐处理；
（5）依据二值化后的若干幅具有典型不同形状特征的虫卵图像按公式（1-1）提取边缘区域E，并求出边缘区域E最小正方形区域S；
Figure 645335DEST_PATH_IMAGE001
              （1-1）
其中N为所挑选的图像数量，Bi为第i幅二值化图像，即所有二值化后的虫卵区域的并集减去所有二值化后的虫卵区域的交集，以获取该虫卵的边缘区域。
（6）获取包围边缘E的最小正方形区域S，并以S为边框剪切边缘区域E，得到Et；
（7）将边缘Et按角度相等原则等分为36等份，并分别保存这36个等份区域的二值化图像，同时根据每个等份所包含的值为1的象素个数获取其归一化空间分布累计直方图并保存，即保存了要识别的寄生虫卵图像模板和归一化边缘空间分布累计直方图。
步骤（6）中，基于边缘空间直方图的形状判断过程，包括如下步骤：
（1）将表示要识别的寄生虫虫卵边缘轮廓区域的36幅区域图像以中心点为原点从0度旋转到359度，步长为10度；
（2）每次旋转后都做如公式（1-2）提取各候选区域的边缘区域。
Figure 844235DEST_PATH_IMAGE002
                      （1-2）
其中Ck为第k个候选区域，Ei为寄生虫虫卵边缘轮廓中第i个区域，ei则为在第k个候选区域中提取的第i等份边缘区域。依据ei获取第k个候选区域在该旋转角度下的归一化边缘空间分布累计直方图；
（3）根据公式(1-3)求出每个候选区域与要识别的虫卵边缘信息最相似的角度，如果该角度下的直方图相似度小于Th的则判定该区域为要识别的寄生虫虫卵形状区域；
Figure 198600DEST_PATH_IMAGE003
                        （1-3）
式中，Hi是第i个候选区域的直方图，而Ht是模板的直方图。
有益效果：本发明的基于图像的寄生虫虫卵形状识别方法，引入二次边缘区域过滤机制，提高了识别算法的计算速度和实时性；引入了边缘空间分布直方图的方法进行边缘形状的判断，能较好地克服各种干扰因素的影响，提高了识别的准确性和可靠性。通过二次过滤技术，大大提高了识别效率，同时通过引入归一化边缘空间分布直方图进行边缘相似性的判断，提高了相似性判断的稳健性和可靠性，使其能更好地适用于干扰因素较多的实际检测场合。
附图说明
图1为本发明基于图像的寄生虫虫卵形状识别方法的流程图。
图2交互提取要识别的寄生虫虫卵典型形状特征的示意图。
图3若干寄生虫卵典型形状区域的对齐处理示意图。
图4要识别的寄生虫虫卵边缘轮廓提取的示意图。
图5要识别的寄生虫虫卵边缘轮廓等分的示意图。
图6是候选区域相似性判断的示意图。
具体实施方式
下面结合具体实施例对本发明做进一步的解释。
实施例1
如图1所示，为本发明的基于图像的寄生虫虫卵形状识别方法的流程。
一种基于图像的寄生虫虫卵形状识别方法，包括以下步骤：
（1）建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板：第一步，从要识别的包含寄生虫虫卵的图像中挑选若干幅具有典型不同形状特征的图像；第二步，将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像；第三步，交互式勾绘出其边缘轮廓，如图2所示，根据所绘出其边缘轮廓提取该虫卵区域，并进行二值化处理，即虫卵区域位1，其余部分为0；第四步，对二值化图像中的虫卵区域进行对齐处理；如图3所示，首先是获取该区域的长轴方向，然后将其旋转为水平方向，最后是将其质心位置与第1幅二值化图像虫卵区域的质心位置对齐；第五步，依据二值化后的若干幅具有典型不同形状特征的虫卵图像按公式（1-1）提取边缘区域E，并求出边缘区域E最小正方形区域S；
Figure 191963DEST_PATH_IMAGE001
              （1-1）
其中N为所挑选的图像数量，Bi为第i幅二值化图像，即所有二值化后的虫卵区域的并集减去所有二值化后的虫卵区域的交集，以获取该虫卵的边缘区域；第六步，获取包围边缘E的最小正方形区域S，并以S为边框剪切边缘区域E，得到Et；即如图4所示，以第五步中获取的边缘区域的最小包围矩形的中心点为中心获取包围该区域的最小正方形；第七步，将边缘Et按角度相等原则等分为36等份，并分别保存这36个等份区域的二值化图像，同时根据每个等份所包含的值为1的象素个数获取其归一化空间分布累计直方图并保存，即保存了要识别的寄生虫卵图像模板和归一化边缘空间分布累计直方图，作为该寄生虫虫卵的边缘特征模板。
（2）图像的灰度归一化处理，即将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像。图像的灰度化按公式（2-1）进行，而灰度归一化则通过求出该图像所有象素的最大值Lmax和最小值Lmin，然后按公式（2-2）将所有象素值映射到[0,1]区间。
Figure 883976DEST_PATH_IMAGE004
                 （2-1）
Figure 620988DEST_PATH_IMAGE005
                （2-2）。
（3）边缘信息提取，即对归一化灰度图像采用canny算子提取边缘信息，同时滤除长度不在[L1，L2]之间的边缘信息，其中L1和L2为可调参数。首先对灰度归一化的图像按canny算子提取边缘信息，然后按8邻域连通方法获取边线对象，并去除长度不在[L1，L2]之间的边缘信息，其中L1和L2为可调参数，通常L1设置为特征模板最小正方形边长的0.1倍以下，而L2设置为最小正方形边长的1.2倍以上。
（4）边缘合并，即根据边缘最小包围框是否相交的原则对过滤后的边缘信息进行合并，以形成更完整的若干边缘区域。将根据所剩余的边线对象最小包围框是否相交的原则对过滤后的边线进行合并，即相交则合并为一个大区域。
（5）边缘区域二次过滤，即将边缘区域大小不在[L3，L4]之间的进行滤除，其中L3和L4为可调参数。将边缘区域二次过滤，即将边缘区域大小不在[L3，L4]之间的进行滤除，其中L3和L4为可调参数，通常L3设置为特征模板最小正方形边长的0.5倍左右，而L4设置为最小正方形边长的1.2倍以上。
（6）基于边缘空间直方图的形状判断，即依据所建立的要识别寄生虫虫卵形状边缘空间分布直方图和边缘区域信息，对每个候选的边缘区域进行边缘空间分布直方图相似性的判断，其相似度小于Th的则判定为要识别的人体寄生虫卵。完成了对过滤所得的边缘区域进行边缘空间分布直方图相似性的判断，以确定该区域是否存在要识别的寄生虫虫卵。为了进一步考虑到寄生虫虫卵分布的随意性，在进行直方图相似性判断时首先旋转模板，然后对模板区域内的边缘信息进行求其归一化边缘空间分布累计直方图，旋转的范围为0-359，步长为10。如果其中与模板相似度最小的相似度小于设定阈值Th，则说明在该区域该角度存在该寄生虫虫卵，如图6所示。
实施例2
基于边缘空间直方图的形状判断过程，包括如下步骤：
（1）将表示要识别的寄生虫虫卵边缘轮廓区域的36幅区域图像以中心点为原点从0度旋转到359度，步长为10度；
（2）每次旋转后都做如公式（1-2）提取各候选区域的边缘区域。
Figure 331324DEST_PATH_IMAGE002
                      （1-2）
其中Ck为第k个候选区域，Ei为寄生虫虫卵边缘轮廓中第i个区域，ei则为在第k个候选区域中提取的第i等份边缘区域。依据ei获取第k个候选区域在该旋转角度下的归一化边缘空间分布累计直方图；
（3）根据公式(1-3)求出每个候选区域与要识别的虫卵边缘信息最相似的角度，如果该角度下的直方图相似度小于Th的则判定该区域为要识别的寄生虫虫卵形状区域；
Figure 761168DEST_PATH_IMAGE003
                        （1-3）
式中，Hi是第i个候选区域的直方图，而Ht是模板的直方图。
从上述具体实施例可以看出，本发明基于图像的寄生虫虫卵形状识别方法的形状识别是依据边缘空间分布直方图，提高了识别算法的抗干扰能力和健壮性，同时结合二次滤波的边缘提取方法，大大提高了识别效率。

Claims (2)

1.一种基于图像的寄生虫虫卵形状识别方法，其特征在于，包括以下步骤：
（1）建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板；
（2）图像的灰度归一化处理，即将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像；
（3）边缘信息提取，即对归一化灰度图像采用canny算子提取边缘信息，同时滤除长度不在[L1，L2]之间的边缘信息，其中L1和L2为可调参数；
（4）边缘合并，即根据边缘最小包围框是否相交的原则对过滤后的边缘信息进行合并，以形成更完整的若干边缘区域；
（5）边缘区域二次过滤，即将边缘区域大小不在[L3，L4]之间的进行滤除，其中L3和L4为可调参数；
（6）基于边缘空间直方图的形状判断，即依据所建立的要识别寄生虫虫卵形状边缘空间分布直方图和边缘区域信息，对每个候选的边缘区域进行边缘空间分布直方图相似性的判断，当相似度小于设定阈值Th时，则判定该候选区域为要识别的寄生虫虫卵；
步骤（1）中，所述的建立要识别的寄生虫虫卵形状归一化边缘空间分布直方图和边缘轮廓区域模板，步骤如下：
1）从要识别的包含寄生虫虫卵的图像中挑选若干幅具有典型不同形状特征的图像；
2）将显微照相设备所获取的检查图像信息进行灰度化处理，对灰度图像进行亮度归一化处理，生成归一化灰度图像；
3）交互式勾绘出其边缘轮廓，根据所绘出其边缘轮廓提取该虫卵区域，并进行二值化处理，即虫卵区域位1，其余部分为0；
4）对二值化图像中的虫卵区域进行对齐处理；
5）依据二值化后的若干幅具有典型不同形状特征的虫卵图像按公式（1-1）提取边缘区域E，并求出边缘区域E最小正方形区域S；
E = Y i = 1 N B i - I i = 1 N B i - - - ( 1 - 1 )
其中N为所挑选的图像数量，Bi为第i幅二值化图像，即所有二值化后的虫卵区域的并集减去所有二值化后的虫卵区域的交集，以获取该虫卵的边缘区域；
（6）获取包围边缘E的最小正方形区域S，并以S为边框剪切边缘区域E，得到Et；
（7）将边缘Et按角度相等原则等分为36等份，并分别保存这36个等份区域的二值化图像，同时根据每个等份所包含的值为1的象素个数获取其归一化空间分布累计直方图并保存，即保存了要识别的寄生虫卵图像模板和归一化边缘空间分布累计直方图。
2.根据权利要求1所述的基于图像的寄生虫虫卵形状识别方法，其特征在于：步骤（6）中，基于边缘空间直方图的形状判断，包括如下步骤：
（1）将表示要识别的寄生虫虫卵边缘轮廓区域的36幅区域图像以中心点为原点从0度旋转到359度，步长为10度；
（2）每次旋转后都做如公式（1-2）提取各候选区域的边缘区域，
ei＝CkI Ei  （1-2）
其中Ck为第k个候选区域，Ei为寄生虫虫卵边缘轮廓中第i个区域，ei则为在第k个候选区域中提取的第i等份边缘区域；依据ei获取第k个候选区域在该旋转角度下的归一化边缘空间分布累计直方图；
（3）根据公式(1-3)求出每个候选区域与要识别的虫卵边缘信息最相似的角度，如果任一角度下的直方图相似度小于Th，则判定所述角度下的直方图对应的区域为要识别的寄生虫虫卵形状区域；
P ( H i , H t ) = Σ k = 0 35 min ( [ H i ( k ) , H t ( k ) ] Σ k = 0 35 H i ( k ) ( i = 0 . . 35 ) - - - ( 1 - 3 )
式中，Hi是第i个候选区域的直方图，而Ht是模板的直方图。
CN201110022426A 2011-01-20 2011-01-20 基于图像的寄生虫虫卵形状识别方法 Active CN102073872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110022426A CN102073872B (zh) 2011-01-20 2011-01-20 基于图像的寄生虫虫卵形状识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110022426A CN102073872B (zh) 2011-01-20 2011-01-20 基于图像的寄生虫虫卵形状识别方法

Publications (2)

Publication Number Publication Date
CN102073872A CN102073872A (zh) 2011-05-25
CN102073872B true CN102073872B (zh) 2012-10-10

Family

ID=44032406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110022426A Active CN102073872B (zh) 2011-01-20 2011-01-20 基于图像的寄生虫虫卵形状识别方法

Country Status (1)

Country Link
CN (1) CN102073872B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268494B (zh) * 2013-05-15 2016-06-15 江苏大学 基于稀疏表示的寄生虫虫卵识别方法
JP6654624B2 (ja) 2014-04-10 2020-02-26 エムイーピー・イークワイン・ソリューションズ・エルエルシー 糞便中の寄生虫卵の定量法
CN104392240A (zh) * 2014-10-28 2015-03-04 中国疾病预防控制中心寄生虫病预防控制所 一种基于多特征融合的寄生虫虫卵识别方法
CN106447683B (zh) * 2016-08-09 2019-08-02 上海柏楚电子科技股份有限公司 一种圆的特征提取方法
TWI703513B (zh) * 2019-01-31 2020-09-01 國立成功大學 蟲卵計數裝置以及方法
CN110381652A (zh) * 2019-07-08 2019-10-25 武汉诚信卓远科技发展有限公司 智能灯光控制方法、设备及计算机可读存储介质
CN111582276B (zh) * 2020-05-29 2023-09-29 北京语言大学 一种基于多特征融合的寄生虫虫卵的识别方法及系统
CN114299494B (zh) * 2022-01-20 2022-07-22 广东省农业科学院动物科学研究所 一种水产品图像虫卵圆形特征检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1258058A (zh) * 1998-12-14 2000-06-28 佳能株式会社 图像处理方法和装置,图像处理系统以及存储介质
US6897015B2 (en) * 2000-03-07 2005-05-24 Bioforce Nanosciences, Inc. Device and method of use for detection and characterization of pathogens and biological materials
CN101299268A (zh) * 2008-07-01 2008-11-05 上海大学 适于低景深图像的语义对象分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1258058A (zh) * 1998-12-14 2000-06-28 佳能株式会社 图像处理方法和装置,图像处理系统以及存储介质
US6897015B2 (en) * 2000-03-07 2005-05-24 Bioforce Nanosciences, Inc. Device and method of use for detection and characterization of pathogens and biological materials
CN101299268A (zh) * 2008-07-01 2008-11-05 上海大学 适于低景深图像的语义对象分割方法

Also Published As

Publication number Publication date
CN102073872A (zh) 2011-05-25

Similar Documents

Publication Publication Date Title
CN102073872B (zh) 基于图像的寄生虫虫卵形状识别方法
CN104700072B (zh) 基于车道线历史帧的识别方法
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN104766078B (zh) 目标图像的倾斜角检测方法及倾斜角检测设备
CN104036516B (zh) 基于对称性分析的摄像机标定棋盘图像角点检测方法
CN101667137B (zh) 使用方向滤波技术的手指静脉纹路提取方法
CN107993488A (zh) 一种基于鱼眼相机的车位识别方法、系统及介质
CN105205821A (zh) 一种焊接图像分割方法
CN105588845A (zh) 一种焊接缺陷特征参数提取方法
CN104021382A (zh) 一种眼部图像采集方法及其系统
CN104361314A (zh) 基于红外与可见光图像融合的变电设备定位方法及装置
CN103413119A (zh) 基于人脸稀疏描述子的单样本人脸识别方法
CN102629318B (zh) 一种基于支持向量机的指纹图像分割方法
CN105046252A (zh) 一种人民币冠字码识别方法
CN101739549B (zh) 人脸检测方法及系统
CN103218605A (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN104537342B (zh) 一种结合山脊边界检测及霍夫变换的快速车道线检测方法
CN103971092B (zh) 人脸轨迹跟踪的方法
CN102855617A (zh) 自适应图像处理方法及系统
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN104112139A (zh) 一种lpr车牌精确定位的方法和系统
CN105404868A (zh) 一种基于交互平台的复杂背景中文本的快速检测方法
CN102750531A (zh) 用于票据文档定位格的手写体标记符号检测方法
CN103699876B (zh) 一种基于线阵ccd图像识别车号的方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20191206

Address after: 200020 No. 207 Ruijin Second Road, Huangpu District, Shanghai

Patentee after: Prevention & Control Station of Parasitic Disease, China Diseases Prevention & C

Address before: 200025, No. two, 207, Ruijin Road, Shanghai, Luwan District

Co-patentee before: jiangsu university

Patentee before: Prevention & Control Station of Parasitic Disease, China Diseases Prevention & C

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191211

Address after: 211800 office building 909, No.19, Qiaolin Industrial Park, Pukou District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Hua Kai Biotechnology Co., Ltd.

Address before: 200020 No. 207 Ruijin Second Road, Huangpu District, Shanghai

Patentee before: Prevention & Control Station of Parasitic Disease, China Diseases Prevention & C

TR01 Transfer of patent right