CN102384972B - 一种基于机器视觉的免疫层析结果判读方法 - Google Patents

Abstract

本发明公开一种基于机器视觉的免疫层析结果判读方法，其特征步骤是：一：采集免疫层析测试区显色特征区域及其周边非特征区的原始图像I，并获取免疫层析测试区显色特征区域的信息B；二：以非特征区的背景，采用最大似然法拟合出免疫层析测试区显色特征区域可能的背景图像信息C；三：根据背景差分方法，B与C差分，得到免疫层析测试区显色特征区域中前景的真实颜色信息D；四：根据息D统计出免疫层析测试区显色特征区域包含颜色信息熵的大小。其显著效果是：根据数字图像处理技术和仿人视觉技术，结合背景建模技术，剔除掉图像中的毛刺、瑕疵和噪声，精确提取出免疫层析测试区显色区域的颜色信息熵，以量化形式反应出显色的深浅程度。

Description

一种基于机器视觉的免疫层析结果判读方法

技术领域

本发明属于基于机器视觉在免疫层析测试技术领域，具体的是一种基于机器视觉的免疫层析结果判读方法。

技术背景

现代免疫学测定技术源于标记技术的发展。继1941年Coons等创立荧光素标记抗体技术(fIuoreseent antiboay teeh-nique)以来，上个世纪50年代末60年代初，Yalaw等创立了放射免疫分析(radlol Jnmunoass3y，RIA)技术，1966年南美国和法国学者又同时报道建立了酶免疫测定技术(enzyme im-Munoassay。EIA)，包括：酶免疫组化技术，固相酶免疫测定(如ELISA，westenl blotting)和均相酶免疫测定(又称酶放大免疫分析技术，EMIT)。另一传统标记技术为胶体金标记免疫分析始于上个世纪80年代，除应用于免疫电镜外，广泛用于免疫渗滤和免疫层析试验。除此之外，目前又相继报道建立了一些新型标记免疫技术，如元素标记免疫测定，核酸标记免疫测定和量子点标记免疫测定技术。这些技术衍生的实验方法有些已在临床免疫学检验中得到了广泛的应用，有些尚处于研究和探索阶段。具有快速、可靠、操作简便、价格低等优点的免疫层析测试方法近年来在临床诊断方面的应发展迅速，现已广泛应用于临床诊断、食品安全检测、环境检测等领域。

工作原理：当待测试液滴加到免疫层析反应测试条上时，试液通过免疫层析反应测试条上吸水膜的毛细作用，将胶体金带到吸附有抗体的测试反应线上。若试液中的抗原与此抗体相对应，则产生特异性结合胶体金滞留在测试反应线上，呈红色或紫红色，颜色的深浅与被测试样品的浓度是相对应的。

目前仅靠目测对免疫层析测试结果进行定性判断，当颜色很浅或边界不清楚时，目测就很难对测试结果进行判定，也不能用量化来表达，应用范围受到很大限制。研究表明，测试线颜色的深浅与测试液的浓度显著相关，可以根据测试线的灰度值或颜色分量与测试液的浓度建立统计函数关系，通过灰度值或颜色分量得到相应的测试液浓度，给出量化的指标，完成测试结果的定性到量化的转变。如何得到灰度值或颜色分量，一种是利用光敏二极管、光导纤维等传感器得到，而这一方法在尿液等检测设备上已经有成熟的应用。但免疫层析与尿液等化学检测方法在原理上有很大不同，得到测试线远不如化学检测那样显色深、整齐、均匀，判断测试线的边缘需要通算法米实现，给测试结果的量化带来很大的困难。另外一种方法是通过CCD、CMOS等成像器件，通过对这些成像原件的感应数据进行处理，得到测试线的灰度值，类似于一般的图像处理。这两种方法对设备仪器的照明设计、制造精度和软硬件设施要求都比较高，提高了制造成本，限制了推广，并且现有尚未报道。通过图像处理对免疫层析结果判读结果用量化来表达的方法国内还未见公开报到。

我们提出一种基于机器视觉的免疫层析结果判读方法，通过图像处理的方法得到测试线的颜色分量，根据数字图像处理技术和仿人视觉技术，结合背景建模技术，剔除掉生物试纸图像中的毛刺、瑕疵和图像形成过程中的噪声；精确提取出免疫层析测试区显色线位置及宽度，测定出测试区显色线显色信息熵的大小，并与标准色卡建立了显著相关函数关系，对测试区显色线的显色深浅用量化来表达，实现了免疫层析结果判读的量化检测。

但在如何根据数字图像处理技术和仿人视觉技术，结合背景建模技术，剔除掉生物试纸图像中的毛刺、瑕疵和图像形成过程中的噪声；精确提取出测试区显色线显色熵的大小，是技术的关键，在现有的免疫层析试条的测定领域，还没有一种方法能实现该技术。

发明内容

本发明的目的是提供一种基于机器视觉的免疫层析结果判读方法，能够根据数字图像处理技术和仿人视觉技术，结合背景建模技术，剔除掉测试显色区域图像中的毛刺、瑕疵和图像形成过程中的噪声，精确提取出测显色区显色线显色熵的大小。

为达到上述目的，本发明表述一种基于机器视觉的免疫层析结果判读方法，其关键在于按以下步骤进行：

步骤一：采集免疫层析测试区显色特征区域及其周边非特征区的原始图像I，并获取免疫层析测试区显色特征区域的信息B；

步骤二：以非特征区的背景，采用最大似然法，拟合出免疫层析测试区显色特征区域可能的背景图像信息C；

步骤三：根据背景差分方法，用所述免疫层析测试区显色特征区域的图像信息B与背景图像信息C进行差分，得到免疫层析测试区显色特征区域中前景的真实颜色信息D；

步骤四：然后根据真实颜色信息D统计出免疫层析测试区显色特征区域包含信息熵的大小。

所述原始图像I为：

I＝{f(x，y)|(0＜x＜＝width)&(0＜y＜＝height)}

其中，f(x，y)代表图像中在(x，y)像素点处的RGB三维向量，width为图像的宽度，height为图像的高度。

所述免疫层析测试区显色特征区域的信息B为：

B＝{Bⁱ|i∈1...n}

$B^i=\left\{B^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{right}}^i\}$

Bⁱ(x)＝(Bⁱ(x，1)，Bⁱ(x，2)，Bⁱ(x，3))

Bⁱ(x，m)＝{f(x，y，m)|0＜y＜＝height}

其中i为免疫层析测试区显色特征区域的个数，

为第i个免疫层析测试区显色特征区域的左边缘，为第i个特征区域的右边缘；

m的值为1、2、3，分别表示图像的R、G、B颜色分量，则f(x，y，m)表示图像上(x，y)点处的第m个颜色分量的值。

背景图像信息C：

由于采集的图像I包含的免疫层析测试区显色特征区域，其颜色信息对y轴有较好的独立性，所以将颜色信息投影到x轴，其避免局部噪声的影响，同时又能体现出颜色的总体分布情况。

将图像I的向x轴的投影设为E(x)，即使关于x轴方向的height×3二维向量，其表达式如下：

E(x)＝(E¹(x)′，E²(x)′，E³(x)′)

$E^m\left(x\right)=\frac{1}{\mathrm{height}}\&times;\underset{j=1}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}\left(f(x,j,m)\right)$

其中m的取值为1、2、3分别代表着R、G、B维度，f(x，j，m)代表着在图像I中(x，j)点处的第m分量的颜色值。

由于被测试样本有所差异，在免疫层析测试反应完成后会出现颜色，其颜色特征区域边界与背景之间存在作颜色差异，目前免疫层析测试结果的判读都是通过肉眼对显色的深浅程度来作出的，即能看见颜色的出现判定为阳性(负判定则相反)，反之为阴性，根据模拟人肉眼判读法则，假设能够模拟出没行反应物时免疫层析测试显色区域可能的背景，如此便可真实的反映出反应显色的真实情况。

所述免疫层析测试区显色特征区域建模过程如下：

第i个特征区域第m个颜色维度的左、右边缘非特征区采样点集合为：

$H_{\mathrm{left}}^i\left(m\right)=\left\{(x,E^m\left(x\right))\right|0<x_{\mathrm{left}}^i-\mathrm{\&Delta;}<x<x_{\mathrm{left}}^i\}$

$H_{\mathrm{right}}^i\left(m\right)=\left\{(x,E\left(x\right))\right|x_{\mathrm{right}}^i<x<x_{\mathrm{right}}^i+\mathrm{\&Delta;}<\mathrm{width}\}$

Δ值决定拟台采样点的多少，如果Δ过小，则由于采样样本过于简单，所以不能真实反映曲线的形状；如果过大，增加了运算复杂度，根据数理统计原理，在Δ取值在(15，25)为宜。

拟合背景所选取的曲线形式，则需要根据图像采集光源的具体情况进行分析，如采用单光源，则图像的背景程抛物线形式分布，即第i个特征区域第m个颜色维度关于x轴的函数表达式为：

cⁱ(x，m)＝k×(x-x0)²+a $x\&Element;\left(\begin{array}{cc}{x}_{\mathrm{left}}^i-\mathrm{\&Delta;}& ,x_{\mathrm{right}}^i+\mathrm{\&Delta;}\end{array}\right)$

其中k、x0、a为抛物线的形状控制参数；

假如采用平行光源，则可通过线性拟合便可进行背景建模，函数形式为：

cⁱ(x，m)＝k×x+a

在确定函数的形式后，由于集合

均满足函数形式，即采用常用的最小二乘法或者是最大似然法，可得到相关位置参数，然后便拟合出特征区域的背景函数。

所述免疫层析测试区显色特征区域叶前景的真实颜色信息D获取如下：

获取第i个免疫层析测试区显色特征区域x轴上第m个颜色维度的真实颜色信息Dⁱ(x，m)：

Dⁱ(x，m)＝Bⁱ(x，m)-cⁱ(x，m)

Dⁱ(x，y，m)＝f(x，y，m)-cⁱ(x，m)

Dⁱ(x)＝(Dⁱ(x，1)，Dⁱ(x，2)，Dⁱ(x，3))

$D^i=\left\{D^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{rightt}}^i\}$

D＝{Dⁱ|i＝1...n}

其中，D为图像上所有免疫层析测试区显色特征区域真实的颜色矩阵；

则总体的颜色信息熵Entropyⁱ包括R、G、B分别得颜色信息熵Entropy_R、Entropy_G、Entropy_B，其分别得表达式如下所示：

${\mathrm{Entropy}}_R^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,1)$

${\mathrm{Entropy}}_G^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,2)$

${\mathrm{Entropy}}_B^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,3)$

${\mathrm{Entropy}}^i=\mathrm{\&lambda;}1\&times;{\mathrm{Entropy}}_R^i+\mathrm{\&lambda;}2\&times;{\mathrm{Entropy}}_G^i+\mathrm{\&lambda;}3\&times;{\mathrm{Entropy}}_B^i$

上式中λ1、λ2、λ3分别为对总体颜色熵的作用，主要按照免疫层析测试区显色的颜色来进行适当的选择，大多数反应显色线为纤色或兰色线，而背景的颜色一般为白色，所以为了保证颜色信息熵的累加非负性，则选取λ1＝-2、λ2＝1、λ3＝1较为合适。

在拟合免疫层析测试区显色特征区域可能的背景图像信息B’？？时：

以图像的左下为坐标原点，设定水平方向为x轴，垂直方向为y轴，根据图像的低频信息，采用免疫层测试目标区域与y轴的独立性，可以利用颜色在x轴上y向的所有点的像素累加，然后，取该累加值的平均值去描述图像水平方向的像素信息分布情况，即向x轴将三维颜色垂直投影，其表达形式为关于x轴的颜色一维累加向量；

在免疫层析测试区显色特征区域的位置已经确定为前提下，在免疫层析测试区显色特征区域左右两侧的非特征区域各提取出20个背景信息(经验值，取少很难对背景进行建模；取多则会影响建模的速度，同时，离免疫层析测试区显色特征区越远对背景的建模影响越小)，得到S集合：

S＝{(x，x_background)|(x_detection_left＞x＞x_detection_left-20)or(x_detection_right＞x＞x_detection_right-20)}

利用S集合推导出免疫层析测试区显色特征区域中可能的背景信息。假定背景按照抛物线分布，则抛物线的方程为：x_background＝k*(x-x0)²，其中x0＝(x_detection_left+x_detection_right)/2。因为本发明是在图像采集环境相对恒定、平行光源的条件下进行，则一般图像的光照具有平滑(连续)特性，所以应当将k值的很小，因为集合S的点落在该抛物线上，根据最小二乘法则，求取参数k的最优解。具体如下：

假定特征区两端的40个采样向量为

ln(x_background_i)＝k′+2ln(x-x0)+ε_i

$\mathrm{dec}\_\mathrm{cha}=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i^2=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{(\ln (x\_{\mathrm{background}}_i)-k^{\&prime;}+2\ln (x-x0))}^2,$

k＝exp(k)

其中i∈1，2，3...40，因为抛物线方程具有非线性；则对两边ln得到：

ln(x_background)＝lnk+2ln(x-x0)

令lnk为k′则上为式：ln(x_background)＝k′+2ln(x-x0)

对于每组(x_i，x_background_i)，代入上式，可以得到ln(x_background_i)＝k′+2ln(x-x0)+ε_i，其中ε_i为观察的白噪声。得到偏差累计值为

根据最小二乘法原理，求取dec_cha为最小时对应的k′，k＝exp(k′).考虑到离免疫层析测试区显色特征区越远对背景建模作用越小，则可以引入隶属度函数，即规定了每个采样向量的作用程度。

本发明的显著效果是：提供了一种基于机器视觉的免疫层析结果判读方法，能够根据数字图像处理技术和仿人视觉技术，结合背景建模技术，剔除掉生物试纸图像中的毛刺、瑕疵和图像形成过程中的噪声，精确提取出免疫层析测试区显色区域的信息熵，能更准确的以量化形式反应出显色的深浅程度。

附图说明

图1是本发明的流程图；

图2是测试区原始图像I的显示状态图；

图3是拟合出显色特征区域可能的背景图像信息C后测试区的显示状态图。

具体实施方式

下面就具体实施例对本发明作进一步详细说明。

如图1所示：一种基于机器视觉的免疫层析结果判读方法，其关键在于按以下步骤进行：

步骤一：如图2所示：采集免疫层析测试区显色特征区域及其周边非特征区的原始图像I，并获取免疫层析测试区显色特征区域的信息B；

步骤二：如图3所示：以非特征区的背景，采用最大似然法，拟合出免疫层析测试区显色特征区域可能的背景图像信息C；

步骤三：根据背景差分方法，用所述免疫层析测试区显色特征区域的图像信息B与背景图像信息C进行差分，得到免疫层析测试区显色特征区域中前景的真实颜色信息D；

步骤四：然后根据真实颜色信息D统计出免疫层析测试区显色特征区域包含信息熵的大小。

所述原始图像I为：

I＝{f(x，y)|(0＜x＜＝width)&(0＜y＜＝height)}

其中，f(x，y)代表图像中在(x，y)像素点处的RGB三维向量，width为图像的宽度，height为图像的高度。

所述免疫层析测试区显色特征区域的信息B为：

B＝{Bⁱ|i∈1...n}

$B^i=\left\{B^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{right}}^i\}$

Bⁱ(x)＝(Bⁱ(x，1)，Bⁱ(x，2)，Bⁱ(x，3))

Bⁱ(x，m)＝{f(x，y，m)|0＜y＜＝height}

其中i为免疫层析测试区显色特征区域的个数，

为第i个免疫层析测试区显色特征区域的左边缘，为第i个特征区域的右边缘；

m的值为1、2、3，分别表示图像的R、G、B颜色分量，则f(x，y，m)表示图像上(x，y)点处的第m个颜色分量的值。

背景图像信息C：

由于采集的图像I包含的免疫层析测试区显色特征区域，其颜色信息对y轴有较好的独立性，所以将颜色信息投影到x轴，其避免局部噪声的影响，同时又能体现出颜色的总体分布情况。

将图像I的向x轴的投影设为E(x)，即使关于x轴方向的height×3二维向量，其表达式如下：

E(x)＝(E¹(x)′，E²(x)′，E³(x)′)

$E^m\left(x\right)=\frac{1}{\mathrm{height}}\&times;\underset{j=1}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}\left(f(x,j,m)\right)$

其中m的取值为1、2、3分别代表着R、G、B维度，f(x，j，m)代表着在图像I中(x，j)点处的第m分量的颜色值。

由于被测试样本有所差异，在免疫层析测试反应完成后会出现颜色，其颜色特征区域边界与背景之间存在作颜色差异，目前免疫层析测试结果的判读都是通过肉眼对显色的深浅程度来作出的，即能看见颜色的出现判定为阳性(负判定则相反)，反之为阴性，根据模拟人肉眼判读法则，假设能够模拟出没有反应物时免疫层析测试显色区域可能的背景，如此便可真实的反映出反应显色的真实情况。

所述免疫层析测试区显色特征区域建模过程如下：

第i个特征区域第m个颜色维度的左、右边缘非特征区采样点集合为：

$H_{\mathrm{left}}^i\left(m\right)=\left\{(x,E^m\left(x\right))\right|0<x_{\mathrm{left}}^i-\mathrm{\&Delta;}<x<x_{\mathrm{left}}^i\}$

$H_{\mathrm{right}}^i\left(m\right)=\left\{(x,E\left(x\right))\right|x_{\mathrm{right}}^i<x<x_{\mathrm{right}}^i+\mathrm{\&Delta;}<\mathrm{width}\}$

Δ值决定拟合采样点的多少，如果Δ过小，则由于采样样本过于简单，所以不能真实反映曲线的形状；如果过大，增加了运算复杂度，根据数理统计原理，在Δ取值在(15，25)为宜。

拟合背景所选取的曲线形式，则需要根据图像采集光源的具体情况进行分析，如采用单光源，则图像的背景程抛物线形式分布，即第i个特征区域第m个颜色维度关于x轴的函数表达式为：

cⁱ(x，m)＝k×(x-x0)²+a $x\&Element;\left(\begin{array}{cc}{x}_{\mathrm{left}}^i-\mathrm{\&Delta;}& ,x_{\mathrm{right}}^i+\mathrm{\&Delta;}\end{array}\right)$

其中k、x0、a为抛物线的形状控制参数；

假如采用平行光源，则可通过线性拟合便可进行背景建模，函数形式为：

cⁱ(x，m)＝k×x+a

在确定函数的形式后，由于集合

均满足函数形式，即采用常用的最小二乘法或者是最大似然法，可得到相关位置参数，然后便拟合出特征区域的背景函数。

所述免疫层析测试区显色特征区域中前景的真实颜色信息D获取如下：

获取第i个免疫层析测试区显色特征区域x轴上第m个颜色维度的真实颜色信息Dⁱ(x，m)：

Dⁱ(x，m)＝Bⁱ(x，m)-cⁱ(x，m)

Dⁱ(x，y，m)＝f(x，y，m)-cⁱ(x，m)

Dⁱ(x)＝(Dⁱ(x，1)，Dⁱ(x，2)，Dⁱ(x，3))

$D^i=\left\{D^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{rightt}}^i\}$

D＝{Dⁱ|i＝1...n}

其中，D为图像上所有免疫层析测试区显色特征区域真实的颜色矩阵；

则总体的颜色信息熵Entropyⁱ包括R、G、B分别得颜色信息熵Entropy_R、Entropy_G、Entropy_B，其分别得表达式如下所示：

${\mathrm{Entropy}}_R^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,1)$

${\mathrm{Entropy}}_G^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,2)$

${\mathrm{Entropy}}_B^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,3)$

${\mathrm{Entropy}}^i=\mathrm{\&lambda;}1\&times;{\mathrm{Entropy}}_R^i+\mathrm{\&lambda;}2\&times;{\mathrm{Entropy}}_G^i+\mathrm{\&lambda;}3\&times;{\mathrm{Entropy}}_B^i$

上式中λ1、λ2、λ3分别为对总体颜色熵的作用，主要按照免疫层析测试区显色的颜色来进行适当的选择，大多数反应显色线为红色或兰色线，而背景的颜色一般为白色，所以为了保证颜色信息熵的累加非负性，则选取λ1＝-2、λ2＝1、λ3＝1较为合适。

在拟合免疫层析测试区显色特征区域可能的背景图像信息B’时：

以图像的左下为坐标原点，设定水平方向为x轴，垂直方向为y轴，根据图像的低频信息，采用免疫层测试目标区域与y轴的独立性，可以利用颜色在x轴上y向的所有点的像素累加，然后，取该累加值的平均值去描述图像水平方向的像素信息分布情况，即向x轴将三维颜色垂直投影，其表达形式为关于x轴的颜色一维累加向量；

在免疫层析测试区显色特征区域的位置已经确定为前提下，在免疫层析测试区显色特征区域左右两侧的非特征区域各提取出20个背景信息(经验值，取少很难对背景进行建模；取多则会影响建模的速度，同时，离免疫层析测试区显色特征区越远对背景的建模影响越小)，得到S集合：

S＝{(x，x_background)|(x_detection_left＞x＞x_detection_left-20)or(x_detection_right＞x＞x_detection_right-20)}

利用S集合推导出免疫层析测试区显色特征区域中可能的背景信息。假定背景按照抛物线分布，则抛物线的方程为：x_background＝k*(x-x0)²，其中x0＝(x_detection_left+x_detection_right)/2。因为本发明是在图像采集环境相对恒定、平行光源的条件下进行，则一般图像的光照具有平滑(连续)特性，所以应当将k值的很小，因为集合S的点落在该抛物线上，根据最小二乘法则，求取参数k的最优解。具体如下：

假定特征区两端的40个采样向量为

ln(x_background_i)＝k′+2ln(x-x0)+ε_i

$\mathrm{dec}\_\mathrm{cha}=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i^2=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{(\ln (x\_{\mathrm{background}}_i)-k^{\&prime;}+2\ln (x-x0))}^2,$

k＝exp(k′)

其中i∈1，2，3...40，因为抛物线方程具有非线性；则对两边ln得到：

ln(x_background)＝lnk+2ln(x-x0)

令lnk为k′则上为式：

ln(x_background)＝k′+2ln(x-x0)

对于每组(x_i，x_background_i)，代入上式，可以得到ln(x_background_i)＝k′+2ln(x-x0)+ε_i，其中ε_i为观察的白噪声。得到偏差累计值为 $\mathrm{dec}\_\mathrm{cha}=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i^2=\underset{1}{\overset{40}{\mathrm{\&Sigma;}}}{(\ln (x\_{\mathrm{background}}_i)-k^{\&prime;}+2\ln (x-x0))}^2,$ 根据最小二乘法原理，求取dec_cha为最小时对应的k′，k＝exp(k′).考虑到离免疫层析测试区显色特征区越远对背景建模作用越小，则可以引入隶属度函数，即规定了每个采样向量的作用程度

当然，可以采用直线进行背景建模。

Claims (1)

1.一种基于机器视觉的免疫层析结果判读方法，其特征在于按以下步骤进行：

步骤一：采集免疫层析测试区显色特征区域及其周边非特征区的原始图像I，并获取免疫层析测试区显色特征区域的信息B；

步骤二：以非特征区的背景，采用最大似然法，拟合出免疫层析测试区显色特征区域可能的背景图像信息C；

步骤三：根据背景差分方法，用所述免疫层析测试区显色特征区域的图像信息B与背景图像信息C进行差分，得到免疫层析测试区显色特征区域中前景的真实颜色信息D；

步骤四：然后根据真实颜色信息D统计出免疫层析测试区显色特征区域包含信息熵的大小；

所述原始图像I为：

I＝{f(x,y)|(0＜x＜＝width)&(0＜y＜＝height)}

其中，f(x,y)代表图像中在(x,y)像素点处的RGB三维向量，width为图像的宽度，height为图像的高度；

所述免疫层析测试区显色特征区域的信息B为：

B＝{Bⁱ|i∈1…n}

$B^i=\left\{B^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{right}}^i\}$

Bⁱ(x)＝(Bⁱ(x,1),Bⁱ(x,2),Bⁱ(x,3))

Bⁱ(x,m)＝{f(x,y,m)|0＜y＜＝height}

其中i为免疫层析测试区显色特征区域的个数，

为第i个免疫层析测试区显色特征区域的左边缘，

为第i个免疫层析测试区显色特征区域的右边缘；

将图像I的向x轴的投影设为E(x)，即使关于x轴方向的height×3二维向量，其表达式如下：

E(x)＝(E¹(x)',E²(x)',E³(x)')

$E^m\left(x\right)=\frac{1}{\mathrm{height}}\&times;\underset{j=1}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}\left(f(x,j,m)\right)$

其中m的取值为1、2、3分别代表着R、G、B维度，f(x,j,m)代表着在图像I中(x,j)点处的第m分量的颜色值；

所述免疫层析测试区显色特征区域建模过程如下：

第i个免疫层析测试区显色特征区域第m个颜色维度的左、右边缘非特征区采样点集合为：

$H_{\mathrm{left}}^i\left(m\right)=\left\{(x,E^m\left(x\right))\right|0<x_{\mathrm{left}}^i-\mathrm{\&Delta;}<x<x_{\mathrm{left}}^i\}$

$H_{\mathrm{right}}^i\left(m\right)=\left\{(x,E\left(x\right))\right|x_{\mathrm{right}}^i<x<x_{\mathrm{right}}^i+\mathrm{\&Delta;}<\mathrm{width}\}$

Δ值决定拟合采样点的多少；

拟合背景所选取的曲线形式，则需要根据图像采集光源的具体情况进行分析，如采用单光源，则图像的背景程抛物线形式分布，即第i个免疫层析测试区显色特征区域第m个颜色维度关于x轴的函数表达式为：

cⁱ(x,m)＝k×(x-x0)²+a    $x\&Element;(x_{\mathrm{left}}^i-\mathrm{\&Delta;},x_{\mathrm{right}}^i+\mathrm{\&Delta;})$

其中k、x0、a为抛物线的形状控制参数；

假如采用平行光源，则可通过线性拟合便可进行背景建模，函数形式为：

cⁱ(x,m)＝k×x+a

在确定函数的形式后，由于集合

均满足函数形式，即采用常用的最小二乘法或者是最大似然法，可得到相关位置参数，然后便拟合出免疫层析测试区显色特征区域的背景函数；

所述免疫层析测试区显色特征区域中前景的真实颜色信息D获取如下:

获取第i个免疫层析测试区显色特征区域x轴上第m个颜色维度的真实颜色信息Dⁱ(x,m)：

Dⁱ(x,m)＝Bⁱ(x,m)-cⁱ(x,m)

Dⁱ(x,y,m)＝f(x,y,m)-cⁱ(x,m)

Dⁱ(x)＝(Dⁱ(x,1),Dⁱ(x,2),Dⁱ(x,3))

$D^i=\left\{D^i\left(x\right)\right|x_{\mathrm{left}}^i<x<x_{\mathrm{rightt}}^i\}$

D＝{Dⁱ|i＝1…n}

其中，D为图像上所有免疫层析测试区显色特征区域真实的颜色矩阵；

则总体的颜色信息熵Entropyⁱ包括R、G、B分别得颜色信息熵Entropy_R、Entropy_G、Entropy_B，其分别得表达式如下所示：

${\mathrm{Entropy}}_R^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,1)$

${\mathrm{Entropy}}_G^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,2)$

${\mathrm{Entropy}}_B^i=\underset{x=x_{\mathrm{left}}^i}{\overset{x_{\mathrm{right}}^i}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{\mathrm{height}}{\mathrm{\&Sigma;}}}{D}^i(x,y,3)$

${\mathrm{Entropy}}^i=\mathrm{\&lambda;}1\&times;{\mathrm{Entropy}}_R^i+\mathrm{\&lambda;}2\&times;{\mathrm{Entropy}}_G^i+\mathrm{\&lambda;}3\&times;{\mathrm{Entropy}}_B^i$

上式中λ1、λ2、λ3分别为对总体颜色信息熵的作用，选取λ1=-2、λ2＝1、λ3=1。

Images