CN103336943B - 用于判定动物饲料中所添加药物的显微图像识别方法 - Google Patents
用于判定动物饲料中所添加药物的显微图像识别方法 Download PDFInfo
- Publication number
- CN103336943B CN103336943B CN201310220099.1A CN201310220099A CN103336943B CN 103336943 B CN103336943 B CN 103336943B CN 201310220099 A CN201310220099 A CN 201310220099A CN 103336943 B CN103336943 B CN 103336943B
- Authority
- CN
- China
- Prior art keywords
- image
- microscopic image
- gray
- extracting
- value
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000007781 pre-processing Methods 0.000 claims description 18
- 229940079593 drug Drugs 0.000 claims description 15
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000002203 pretreatment Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000003321 atomic absorption spectrophotometry Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000002477 conductometry Methods 0.000 description 1
- 238000003255 drug test Methods 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000004442 gravimetric analysis Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000004204 optical analysis method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004313 potentiometry Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004809 thin layer chromatography Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 229940043263 traditional drug Drugs 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于判定动物饲料中所添加药物的显微图像识别方法，包括：采集被测样品的显微图像，并对得到的显微图像进行标准化处理；对标准化处理后的显微图像进行预处理；对预处理后的显微图像进行特征提取；使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定。本发明对操作人员要求较低，而且分析成本低，便于进行大规模的现场分析检测，简单、便捷而且快速。本发明作为一种性能优良的用于判定动物饲料中所添加药物的显微图像识别方法可广泛应用于饲料检测中。
Description
技术领域
本发明涉及图像识别领域，特别是用于判定动物饲料中所添加药物的显微图像识别方法。
背景技术
传统的药物检测方法一般是先通过样品预处理，然后通过化学或仪器分析手段进行进一步的分析检测，例如通过化学分析法中的重量分析、容量分析法；通过光学分析法中的紫外-可见光分光光度法、红外光分光光度法、近红外光谱法、荧光分光光度法、原子吸收分光光度法、有机质谱法或旋光与折光分析法；通过色谱分析法中的薄层色谱法、气象色谱法、高效液相色谱法或电泳法，通过电化学分析法中的电位分析法或电导分析法等方法来进行药物检验。目前针对动物饲料中添加违禁药物的情况，也是采用前述的方法进行检验，但是这些方法一般对操作人员要求比较高，操作方法复杂且操作周期长，或需要大型贵重仪器来进行分析，成本居高不下，不利于大规模试样的快速分析。
发明内容
为了解决上述的技术问题，本发明的目的是提供一种简单、便捷、快速且低成本的用于判定动物饲料中所添加药物的显微图像识别方法。
本发明解决其技术问题所采用的技术方案是：
用于判定动物饲料中所添加药物的显微图像识别方法，包括：
S11、采集被测样品的显微图像，并对得到的显微图像进行标准化处理；
S12、对标准化处理后的显微图像进行预处理；
S13、对预处理后的显微图像进行特征提取；
S14、使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定。
进一步，在所述步骤S14中所述训练好的神经网络是通过以下步骤得到的：
S01、采集不同的药物标准品的显微图像，并对得到的显微图像进行标准化处理；
S02、对标准化处理后的显微图像进行预处理；
S03、对预处理后的显微图像进行特征提取；
S04、进行神经网络初始化后，将提取得到的显微图像的特征作为神经网络的训练样本，对神经网络进行识别训练。
进一步，所述步骤S12，其具体为：
对标准化处理后的显微图像，提取得到灰度通道值和色相通道值后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归一化；
其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级数据；
灰度通道值为：
Gray＝0.299R+0.587G+0.114B；
色相通道值为：
其中，max＝Max(R,G,B),min＝Min(R,G,B)。
进一步，所述步骤S13，包括：
A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计特征；
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后，提取二阶统计特征；
A3、提取灰度级行程长度特征；
A4、提取几何不变矩特征；
A5、针对预处理后得到的显微图像的二值化图像，根据预设的窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征；
A6、针对预处理后得到的显微图像的二值化图像，计算出图像的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
进一步，所述步骤A5，包括：
A51、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征。
进一步，所述步骤A6，包括：
A61、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A62、根据下式算出图像的质心坐标
A63、计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
进一步，所述步骤A1中所述一阶统计特征包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵。
进一步，所述步骤A2中所述二阶统计特征包括角二阶矩、对比度、相关系数、方差、倒数差分矩、和均值、差均值、和方差、和的熵、熵、差分方差、差分熵、信息测度I、信息测度II以及最大相关系数。
进一步，所述步骤A3中所述灰度级行程长度特征包括短行程加重、长行程加重、灰度级非均匀性、行程长度非均匀性以及行程百分比。
进一步，所述步骤A4中所述几何不变矩采用Hu的7种矩。
本发明的有益效果是：本发明的用于判定动物饲料中所添加药物的显微图像识别方法，通过采集被测样品的显微图像，然后依次进行标准化处理、预处理以及特征提取后，可使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定，从而判定被测样品所添加的药物，本方法对操作人员要求较低，而且分析成本低，便于进行大规模的现场分析检测，简单、便捷而且快速。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的用于判定动物饲料中所添加药物的显微图像识别方法的流程图；
图2是一个二值化图像矩阵；
图3是根据图2的二值化图像矩阵所生成的目标相关矩阵。
具体实施方式
参照图1，本发明提供了一种用于判定动物饲料中所添加药物的显微图像识别方法，包括：
S11、采集被测样品的显微图像，并对得到的显微图像进行标准化处理；
S12、对标准化处理后的显微图像进行预处理；
S13、对预处理后的显微图像进行特征提取；
S14、使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定。
进一步作为优选的实施方式，在所述步骤S14中所述训练好的神经网络是通过以下步骤得到的：
S01、采集不同的药物标准品的显微图像，并对得到的显微图像进行标准化处理；
S02、对标准化处理后的显微图像进行预处理；
S03、对预处理后的显微图像进行特征提取；
S04、进行神经网络初始化后，将提取得到的显微图像的特征作为神经网络的训练样本，对神经网络进行识别训练。
进一步作为优选的实施方式，所述步骤S12，其具体为：
对标准化处理后的显微图像，提取得到灰度通道值和色相通道值后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归一化；
其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级数据；
灰度通道值为：
Gray＝0.299R+0.587G+0.114B；
色相通道值为：
其中，max＝Max(R,G,B),min＝Min(R,G,B)。
进一步作为优选的实施方式，所述步骤S13，包括：
A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计特征；
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后，提取二阶统计特征；
A3、提取灰度级行程长度特征；
A4、提取几何不变矩特征；
A5、针对预处理后得到的显微图像的二值化图像，根据预设的窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征；
A6、针对预处理后得到的显微图像的二值化图像，计算出图像的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
进一步作为优选的实施方式，所述步骤A5，包括：
A51、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征。
进一步作为优选的实施方式，所述步骤A6，包括：
A61、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A62、根据下式算出图像的质心坐标
A63、计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
进一步作为优选的实施方式，所述步骤A1中所述一阶统计特征包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵。
进一步作为优选的实施方式，所述步骤A2中所述二阶统计特征包括角二阶矩、对比度、相关系数、方差、倒数差分矩、和均值、差均值、和方差、和的熵、熵、差分方差、差分熵、信息测度I、信息测度II以及最大相关系数。
进一步作为优选的实施方式，所述步骤A3中所述灰度级行程长度特征包括短行程加重、长行程加重、灰度级非均匀性、行程长度非均匀性以及行程百分比。
进一步作为优选的实施方式，所述步骤A4中所述几何不变矩采用Hu的7种矩。
本发明的一具体实施例如下：
首先，根据以下步骤得到训练好的神经网络：
S01、采集不同的药物标准品的显微图像，并对得到的显微图像进行统一图像格式或分辨率等标准化处理；
S02、对标准化处理后的显微图像进行预处理，具体为：
对标准化处理后的显微图像，提取得到灰度通道值和色相通道值后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归一化；
其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级数据，N的取值范围为4～256，这里得到两个灰度级数据，即实际上得到了显微图像的二值化图像以及N阶灰度图像；
灰度通道值为：
Gray＝0.299R+0.587G+0.114B；
色相通道值来源于HSV颜色系统，其计算公式为：
其中，Gray为灰度通道值，Hue为色相通道值，R、G、B分别为红、绿、蓝颜色值，max＝Max(R,G,B),min＝Min(R,G,B)，即max为红、绿、蓝颜色值中的最大值，min为红、绿、蓝颜色值中的最小值；
将色相通道值进行归一化实际上为将0～360表示的色相通道值归一化为用0～1表示。
这里的图像预处理相当于进行阈值分割预处理，实际上在图像处理中，还需要用到常用的图像滤波、锐化、边缘检测等预处理，这里不做详细描述。
S03、对预处理后的显微图像进行特征提取，包括：
A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计特征，包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵；
一阶直方图P(I)的定义为：相应的，其k阶矩mk的定义为：其中Ng表示灰度级总数；其k阶中心矩μk的定义为：其k阶绝对矩的定义为：
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后，提取二阶统计特征，包括角二阶矩(ASM)、对比度(Contrast)、相关系数(Correlation)、方差(Variance)、倒数差分矩(InverseDifferenceMoment)、和均值(SumAverage)、差均值(DiffenerceAverage)、和方差(SumVariance)、和的熵(SumEntropy)、熵(Entropy)、差分方差(DifferenceVariance)、差分熵(DifferenceEntropy)、信息测度I(InformationMeasuresofCorrelationI)、信息测度II(InformationMeasuresofCorrelationII)和最大相关系数(MaximalCorrelationCoefficient)，前述各个参数值为二阶共生矩阵的四个方向的参数值的平均值；
二阶共生矩阵P(i,j)的定义为：
其中，d为像素对的距离。
基于二阶共生矩阵，角二阶矩ASM的定义为：
倒数差分矩IDF的定义为：
信息测度I用f12表示，其定义如下：
上式中各项的定义为：
信息测度I用f13表示，其定义如下：
其中，
A3、提取灰度级行程长度特征，包括短行程加重(ShortRunEmphasis，SRE)、长行程加重(LongRunEmphasis，LRE)、灰度级非均匀性(GrayLevelNonuniformity，GLNU)、行程长度非均匀性(RunLengthNonuniformity，RLN)以及行程百分比(RunPercentage，RP)；
要提取灰度级行程长度特征，须先建立灰度级行程长度矩阵QRL：
对于灰度级总数为Ng的灰度图，对其4个方向0度、45度、90度和135度中的每一个方向，建立相应的灰度级行程长度矩阵QRL，元素QRL(i,j)表示灰度级(i-1)(i＝1,...,Ng)在指定方向上连续出现j(j＝1,2,...,Nr)次(即行程长度为j)的总次数，各个灰度级行程长度特征的定义如下：
短行程加重SRE的定义为：
长行程加重LRE的定义为：
灰度级非均匀性GLNU的定义为：
行程长度非均匀性RLN的定义为：
行程百分比RP的定义为：
以上各式中，Nr是图像指定方向上的最大可能行程长度，L是图像中行程的全部可能数量。
A4、提取几何不变矩特征，几何不变矩采用Hu的7种矩(φ1～φ7)；
A5、针对预处理后得到的显微图像的二值化图像，根据预设的窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征，包括：
A51、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征；一阶统计特征、二阶统计特征及提取灰度级行程长度特征的具体内容参照步骤A1～A3的描述。
A6、针对预处理后得到的显微图像的二值化图像，计算出图像的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征，包括：
A61、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A62、根据下式算出图像的质心坐标
上式中，I(i,j)中表示灰度值，其中，i表示横坐标，j表示纵坐标；
A63、计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征；一阶统计特征的具体内容参照步骤A1的描述。向量距离指用向量形式表示的距离，包括方向以及距离值。
S04、进行神经网络初始化后，将提取得到的显微图像的特征作为神经网络的训练样本，对神经网络进行识别训练。
然后，采用以下步骤对被测样品进行识别判定：
S11、采集被测样品的显微图像，并对得到的显微图像进行统一图像格式或分辨率等标准化处理；
S12、对标准化处理后的显微图像进行预处理，具体为：
对标准化处理后的显微图像，提取得到灰度通道值和色相通道值后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归一化；
其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级数据，N的取值范围为4～256；
灰度通道值为：
Gray＝0.299R+0.587G+0.114B；
色相通道值来源于HSV颜色系统，其计算公式为：
其中，Gray为灰度通道值，Hue为色相通道值，R、G、B分别为红、绿、蓝颜色值，max＝Max(R,G,B),min＝Min(R,G,B)，即max为红、绿、蓝颜色值中的最大值，min为红、绿、蓝颜色值中的最小值；
将色相通道值进行归一化实际上为将0～360表示的色相通道值归一化为用0～1表示。
这里的图像预处理相当于进行阈值分割预处理，实际上在图像处理中，还需要用到常用的图像滤波、锐化、边缘检测等预处理，这里不做详细描述。
S13、对预处理后的显微图像进行特征提取，包括：
A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计特征，包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵；
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后，提取二阶统计特征，包括角二阶矩(ASM)、对比度(Contrast)、相关系数(Correlation)、方差(Variance)、倒数差分矩(InverseDifferenceMoment)、和均值(SumAverage)、差均值(DiffenerceAverage)、和方差(SumVariance)、和的熵(SumEntropy)、熵(Entropy)、差分方差(DifferenceVariance)、差分熵(DifferenceEntropy)、信息测度I(InformationMeasuresofCorrelationI)、信息测度II(InformationMeasuresofCorrelationII)和最大相关系数(MaximalCorrelationCoefficient)，前述各个参数值为二阶共生矩阵的四个方向的参数值的平均值；
A3、提取灰度级行程长度特征，包括短行程加重(ShortRunEmphasis，SRE)、长行程加重(LongRunEmphasis，LRE)、灰度级非均匀性(GrayLevelNonuniformity，GLNU)、行程长度非均匀性(RunLengthNonuniformity，RLN)以及行程百分比(RunPercentage，RP)；
A4、提取几何不变矩特征，几何不变矩采用Hu的7种矩(φ1～φ7)；
A5、针对预处理后得到的显微图像的二值化图像，根据预设的窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征，包括：
A51、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；这里，预设的窗口是边长为奇数的正方形窗口；如图2所示，图中是采用矩阵表示的5×5的二值化图像，假设预设的窗口为3×3的正方形窗口，在二值化图像中，第一行第一列的像素点的值为背景灰度值0，则令该像素点在目标相关矩阵中对应的矩阵元素值为0，而第三行第三列的像素点的值为目标灰度值1，则以该像素点为中心，计算出图2中所示3×3的正方形窗口所覆盖范围内的像素点中像素值为1的总数量为6，进而令该像素点对应的矩阵元素值为6。根据本步骤结合图2所示的二值化图像所生成的目标相关矩阵如图3所示。
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征；一阶统计特征、二阶统计特征及提取灰度级行程长度特征的具体内容参照步骤A1～A3的描述。
A6、针对预处理后得到的显微图像的二值化图像，计算出图像的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征，包括：
A61、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A62、根据下式算出图像的质心坐标
A63、计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征；一阶统计特征的具体内容参照步骤A1的描述。
S14、使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定，从而可获得被测样品中所添加药物的信息。
实际上，步骤S02与步骤S12、步骤S03与步骤S13执行的是相应的操作，区别只是处理对象的来源不同，步骤S02及步骤03针对的处理对象是来源于采集标准样品所得到的显微图像，而步骤S12及S13针对的处理对象是来源于采集被测样品所得到的显微图像。
对于本实施例，还可以有进一步的改进，例如，对步骤S02及S12中的灰色通道值，可对其进行二维快速傅里叶变换后，对生成的二维复数能量谱，计算出各复数值的模并建立矩阵，进而基于此矩阵进行步骤A1～A6的特征提取。而考虑到某些参数可能因图像旋转而发生较大的变化，因此进行处理时，可先对显微图像均匀旋转n次，每次旋转角度为360/n度，然后将每个参数值修正为根据旋转所得到每个参数值对应的n个参数值的平均值后进行分析处理。或者，还可以对步骤S04中的神经网络，采用反向传播学习算法为基础，加入动量项以避免训练后期出现震荡。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，包括：
S11、采集被测样品的显微图像，并对得到的显微图像进行标准化处理；
S12、对标准化处理后的显微图像进行预处理；
S13、对预处理后的显微图像进行特征提取；
S14、使用训练好的神经网络对提取得到的显微图像的特征进行识别和判定；
在所述步骤S14中所述训练好的神经网络是通过以下步骤得到的：
S01、采集不同的药物标准品的显微图像，并对得到的显微图像进行标准化处理；
S02、对标准化处理后的显微图像进行预处理；
S03、对预处理后的显微图像进行特征提取；
S04、进行神经网络初始化后，将提取得到的显微图像的特征作为神经网络的训练样本，对神经网络进行识别训练；
所述步骤S12，其具体为：
对标准化处理后的显微图像，提取得到灰度通道值和色相通道值后，将灰度通道值转换为两个灰度级数据，同时将色相通道值进行归一化；
其中，两个灰度级数据包括二值化灰度级数据以及N阶灰度级数据；
灰度通道值为：
Gray＝0.299R+0.587G+0.114B；
色相通道值为：
其中，max＝Max(R,G,B),min＝Min(R,G,B)；
所述步骤S13，包括：
A1、对预处理后的显微图像生成一阶直方图后，提取一阶统计特征；
A2、对预处理后的显微图像生成四个方向的二阶共生矩阵后，提取二阶统计特征；
A3、提取灰度级行程长度特征；
A4、提取几何不变矩特征；
A5、针对预处理后得到的显微图像的二值化图像，根据预设的窗口，生成目标相关矩阵，进而对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征；
A6、针对预处理后得到的显微图像的二值化图像，计算出图像的质心坐标，然后计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
2.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A5，包括：
A51、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A52、生成一个与二值化图像尺寸相同的矩阵后，根据预设的窗口，采用以下方式对该矩阵的元素赋值，进而生成目标相关矩阵：若二值化图像中像素点的值为背景灰度值，则令像素点对应的矩阵元素值为0；若二值化图像中像素点的值为目标灰度值，则以此像素点为中心，计算出在预设的窗口所覆盖范围内的像素点中像素值为目标灰度值的总数量，然后将该总数量作为像素点对应的矩阵元素值；
A53、对目标相关矩阵提取一阶统计特征、二阶统计特征及提取灰度级行程长度特征。
3.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A6，包括：
A61、针对预处理后得到的显微图像的二值化图像，设定图像背景灰度值为0，目标灰度值为1；
A62、根据下式算出二值化图像的质心坐标
A63、计算得到二值化图像中所有目标像素点的坐标与质心坐标的向量距离，并对所有向量距离进行归一化，进而对归一化后的向量距离提取一阶统计特征。
4.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A1中所述一阶统计特征包括1～3阶矩、2～4阶中心矩、1～3阶绝对矩及熵。
5.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A2中所述二阶统计特征包括角二阶矩、对比度、相关系数、方差、倒数差分矩、和均值、差均值、和方差、和的熵、熵、差分方差、差分熵、信息测度I、信息测度II以及最大相关系数。
6.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A3中所述灰度级行程长度特征包括短行程加重、长行程加重、灰度级非均匀性、行程长度非均匀性以及行程百分比。
7.根据权利要求1所述的用于判定动物饲料中所添加药物的显微图像识别方法，其特征在于，所述步骤A4中所述几何不变矩采用Hu的7种矩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310220099.1A CN103336943B (zh) | 2013-06-04 | 2013-06-04 | 用于判定动物饲料中所添加药物的显微图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310220099.1A CN103336943B (zh) | 2013-06-04 | 2013-06-04 | 用于判定动物饲料中所添加药物的显微图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103336943A CN103336943A (zh) | 2013-10-02 |
| CN103336943B true CN103336943B (zh) | 2016-06-08 |
Family
ID=49245100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310220099.1A Expired - Fee Related CN103336943B (zh) | 2013-06-04 | 2013-06-04 | 用于判定动物饲料中所添加药物的显微图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103336943B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109612888B (zh) * | 2018-12-12 | 2021-06-22 | 太原理工大学 | 基于图像技术的粉体混合均匀性检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
| CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
| CN102147867A (zh) * | 2011-05-20 | 2011-08-10 | 北京联合大学 | 一种基于主体的国画图像和书法图像的识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101713776B (zh) * | 2009-11-13 | 2013-04-03 | 长春迪瑞医疗科技股份有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
| CN102799860A (zh) * | 2012-06-28 | 2012-11-28 | 济南大学 | 一种用于显微图像全息识别的方法 |
| CN103054563B (zh) * | 2013-01-06 | 2016-02-24 | 深圳先进技术研究院 | 一种血管壁图像纹理特征的量化和提取方法 |
-
2013
- 2013-06-04 CN CN201310220099.1A patent/CN103336943B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
| CN101916382A (zh) * | 2010-07-30 | 2010-12-15 | 广州中医药大学 | 一种植物叶片的图像识别方法 |
| CN102147867A (zh) * | 2011-05-20 | 2011-08-10 | 北京联合大学 | 一种基于主体的国画图像和书法图像的识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| A neural network classifier capable of recognizing the patterns of all major subcellular structures in fluorescence microscope images of HeLa cells;Macheal V et al;《bioinformatics》;20010831;第17卷(第12期);全文 * |
| 基于BP神经网络的结核杆菌目标识别;孙涵璇 等;《中国体视学与图像分析》;20100325;第15卷(第1期);全文 * |
| 基于BP神经网络的血液细胞自动识别技术的研究与实现;郑辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070915(第9期);7-8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103336943A (zh) | 2013-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
| CN104374738B (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
| CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
| CN105931253B (zh) | 一种基于半监督学习相结合的图像分割方法 | |
| EP3053138B1 (en) | Systems and methods for adaptive histopathology image unmixing | |
| Liu et al. | A robust automated flower estimation system for grape vines | |
| CN103824088B (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| Wang et al. | A sparse representation-based method for infrared dim target detection under sea–sky background | |
| CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
| CN106682675B (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
| CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
| CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
| CN108073895A (zh) | 一种基于解混预处理的高光谱目标检测方法 | |
| CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
| CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
| Pan et al. | Siamese network based metric learning for SAR target classification | |
| CN107392237A (zh) | 一种基于迁移视觉信息的交叉域地基云图分类方法 | |
| CN105913073A (zh) | 基于深度增量支持向量机的sar图像目标识别方法 | |
| CN114982846B (zh) | 适用于咖啡烘焙的控制方法、装置及电子设备 | |
| CN107122799A (zh) | 基于扩展形态学和导向滤波的高光谱图像分类方法 | |
| CN111213052A (zh) | 频谱分析装置及频谱分析方法 | |
| Paeng et al. | A unified framework for tumor proliferation score prediction in breast histopathology | |
| CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
| CN103336943B (zh) | 用于判定动物饲料中所添加药物的显微图像识别方法 |
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 | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| GR01 | Patent grant | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160517 Address after: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280 Applicant after: Guangdong Pharmaceutical University Applicant after: GuangDong Animal Medicine and Forage Quality Inspection Institute Address before: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280 Applicant before: Guangdong Pharmaceutical University |
|
| CP01 | Change in the name or title of a patent holder |
Address after: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280 Co-patentee after: GuangDong Animal Medicine and Forage Quality Inspection Institute Patentee after: GUANGDONG PHARMACEUTICAL University Address before: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280 Co-patentee before: GuangDong Animal Medicine and Forage Quality Inspection Institute Patentee before: Guangdong Pharmaceutical University |
|
| CP01 | Change in the name or title of a patent holder | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160608 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |