CN103745219A - 一种尿液管型分类方法及系统 - Google Patents
一种尿液管型分类方法及系统 Download PDFInfo
- Publication number
- CN103745219A CN103745219A CN201410041772.XA CN201410041772A CN103745219A CN 103745219 A CN103745219 A CN 103745219A CN 201410041772 A CN201410041772 A CN 201410041772A CN 103745219 A CN103745219 A CN 103745219A
- Authority
- CN
- China
- Prior art keywords
- image
- cast
- particle
- feature
- urine
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种尿液管型分类方法及装置,在显微镜下,对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集,将采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像,对内部特征颗粒图像进行形态学特征提取,将提取到的形态学特征进行归一化降维处理,得到形态学特征的一维特征向量,将形态学特征的一维特征向量输入分类器,得到管型内部颗粒的类型,根据管型内部颗粒的类型,对管型进行分类。上述过程实现了对尿液管型的自动识别并分类,无需人工操作,提高了临床应用的便利性。
Description
技术领域
本发明涉及尿液管型分类领域,尤其涉及一种尿液管型分类方法及系统。
背景技术
管型是指在肾小管内由蛋白质凝固而成的圆柱体。在正常人尿内可有少量透明及细胞颗粒管型,如管型数量增加或尿中出现其他种类管型时,称为管型尿。管型是尿沉渣中有重要意义的成分,管型尿的出现往往提示有肾实质性损害。
管型分为细胞管型、颗粒管型、蜡样和脂肪管型、透明管型,其中,细胞管型又分为:红细胞管型、白细胞管型、上皮细胞管型。不同的管型标明身体出现不同的病变。因此,对尿液中管型的识别及分类,在临床上具有十分重要的意义。
而现有的尿液有形成分自动分析的技术中,只是对尿液管型进行识别,并没有对其进行分类、计数。这就需要人工通过显微镜观察管型的类型。给临床应用带来了不便。
发明内容
有鉴于此,本发明提供一种尿液管型分类方法及系统,以解决现有技术中尿液有形成分分析仪器在临床应用上的不便,其具体方案如下:
一种尿液管型分类方法,包括:在显微镜下,
对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集;
对采集到的图像进行内部特征颗粒的分割,得到内部特征颗粒图像;
将所述内部特征颗粒图像进行形态学特征参数提取;
将所述提取到的形态学特征参数进行归一化降维处理,得到所述形态学特征的一维特征向量;
将所述形态学特征参数的一维特征向量输入分类器,得到管型内部颗粒的类型;
根据所述管型内部颗粒的类型,对所述管型进行分类。
进一步的,所述对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集具体包括:
采集低倍物镜下的尿液图像,对尿液图像中的管型进行初步识别;
对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
在高倍物镜下对所述定位的管型图像进行放大,并采集。
进一步的,所述对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集具体包括:
采集高倍物镜下的放大的尿液图像,得到第一图像;
将所述第一图像缩小,得到第二图像;
对所述第二图像中的管型进行初步识别;
对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
将所述第二图像的定位结果映射到所述第一图像中,并对定位映射区域的图像进行采集。
进一步的,还包括:对所述分类后的管型进行计数。
进一步的,所述形态学特征包括:大小特征参数、形状特征参数、色度特征参数、纹理特征参数。
进一步的,所述对管型图像进行放大,并采集之前,还包括:
对尿液样本中的管型进行染色。
一种尿液管型分类系统,包括:
显微镜,对管型图像进行放大;
与所述显微镜相连的图像采集单元,对所述放大后的图像进行采集;
与所述图像采集单元相连的图像分割单元,对采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像;
与所述图像分割单元相连的图像提取单元,对所述内部特征颗粒图像进行形态学特征参数提取;
与所述图像提取单元相连的特征融合单元,将所述提取到的形态学特征参数进行归一化降维处理,得到所述形态学特征的一维特征向量;
与所述特征融合单元相连的分类器,输入所述形态学特征的一维特征向量,得到管型内部颗粒的类型;
与所述分类器相连的管型分类单元,对显微镜获取的尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位,管型分类单元根据所述管型内部颗粒的类型,对所述管型进行分类。
进一步的,所述显微镜包括:低倍物镜和高倍物镜,
所述图像采集单元采集低倍物镜下的尿液样本图像,使管型分类单元对尿液样本图像中的管型进行初步识别,并对识别的管型内部所含的代表其分类的特征颗粒进行定位;
所述高倍物镜下对所述定位的管型图像进行放大,所述图像采集单元采集高倍放大后的特征颗粒图像。
进一步的,所述显微镜包括:高倍物镜,
所述图像采集单元采集高倍物镜下放大的尿液样本图像,得到第一图像,将所述第一图像缩小,得到第二图像,管型分类单元在所述第二图像中对管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位,将所述定位结果映射到第一图像中,并采集定位映射区域的图像。
进一步的,还包括:计数器,
所述计数器对所述分类后的管型进行计数。
从上述技术方案可以看出,在显微镜下,对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集,将采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像,对内部特征颗粒图像进行形态学特征提取,将提取到的形态学特征进行归一化降维处理,得到形态学特征的一维特征向量,将形态学特征的一维特征向量输入分类器,得到管型内部颗粒的类型,根据管型内部颗粒的类型,对管型进行分类。上述过程实现了对尿液管型的自动识别并分类,无需人工操作,提高了临床应用的便利性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种尿液管型分类方法的流程图;
图2为本发明实施例公开的一种尿液管型分类方法的流程图;
图3为本发明实施例公开的一种尿液管型分类方法的流程图;
图4为本发明实施例公开的一种尿液管型分类系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开的尿液管型分类方法的流程图,如图1所示,包括:
步骤S11、对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集;
利用显微镜对尿液样本图像中的管型进行观察,对能够识别出管型类型的管型内部特征颗粒进行定位,利用显微镜的物镜对管型图像进行放大,并利用图像采集单元对放大后的管型图像进行采集。其中,图像采集单元可以为摄像机或CCD感光元件,即电荷耦合元件。
步骤S12、对采集到的图像进行内部特征颗粒的分割,得到内部特征颗粒图像;
步骤S13、将内部特征颗粒图像进行形态学特征参数提取;
其中,形态学特征包括:大小特征参数、形状特征参数、色度特征参数、纹理特征参数。
进一步的,大小特征包括:面积、周长、等效直径、长轴、短轴、平均半径等。其中,对物体周长的计算可以通过轮廓线的像素数得到,但由于在倾斜方向上会产生误差,要乘以加以修正,更有效的办法是从图像中物体的边界链码中计算得到。
进一步的,形状特征包括:圆率、框率、离心率、归一化的弦方图、边界点对称率、区域弦平行度、区域弦面积、主弦长度、区域弦方框率等。
色度特征包括:红色色度频度、背景左边点频度、背景右边点频度、平均色调与背景色调之差、对平均色调方差、对背景色调方差、色调直方图偏度对均值、对背景偏度、对背景峰度、色调能量、色调熵、背景色调两头峰值之间的距离跨度、右边峰值频度、左边峰值频度、背景饱和度左边频度、背景饱和度右边频度、背景饱和度与平均饱和度之差。
纹理特征包括:灰度图均值、灰度图方差、灰度图偏度、灰度图峰度、灰度图能量、对背景图均值、对背景图方差、对背景图偏度、对背景图峰度、对背景图能量、梯度图方差、梯度图偏度、梯度图峰度、梯度图能量、内部图均值、内部图方差、内部图偏度、内部图峰度、内部图能量、共生矩阵特征、拓扑特征、中心点对背景特征等。
步骤S14、将提取到的形态学特征参数进行归一化降维处理,得到形态学特征的一维特征向量;
步骤S15、将形态学特征参数的一维特征向量输入分类器,得到管型内部颗粒的类型;
分类器建立在神经网络基础上,其中,分类器包括一反馈过程,该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数,并建立相应的数学模型,对神经网络进行训练,神经网络自动学习并记忆这些细化、分类、补充的特征参数进入模型数据库,再返回基于神经网络的分类器进行细胞分类。
步骤S16、根据管型内部颗粒的类型,对管型进行分类。
已知管型内部颗粒的类型,那么管型的类型也必然可以知晓。
在本实施例公开的技术方案中,在显微镜下,对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集,将采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像,对内部特征颗粒图像进行形态学特征提取,将提取到的形态学特征进行归一化降维处理,得到形态学特征的一维特征向量,将形态学特征的一维特征向量输入分类器,得到管型内部颗粒的类型,根据管型内部颗粒的类型,对管型进行分类。上述过程实现了对尿液管型的自动识别并分类,无需人工操作,提高了临床应用的便利性。
进一步的,本实施例公开的尿液管型分类方法,还包括:
步骤S17、对分类后的管型进行计数。
实现了对分类后管型的计数,使得到的结果更数据化、标准化。
进一步的,本实施例公开的尿液管型分类方法,还包括:对管型进行染色,对染色后的管型图像进行放大,并采集图像。
对管型进行染色,可以分为:对管型本身进行染色;对管型内部特征颗粒进行染色。
对管型内部颗粒的染色,可以采用普通试剂染色,也可以采用荧光标记的方式进行染色。
对管型或管型内部颗粒进行染色,能够便于对管型的识别。
本实施例公开了一种尿液管型分类方法,其流程图如图2所示,包括:
步骤S21、采集低倍物镜下的尿液图像,对尿液图像中的管型进行初步识别;
在显微镜中,利用低倍物镜进行管型的观察,并将低倍物镜下的管型图像进行采集,识别低倍物镜下的管型。
在低倍物镜下能够识别并分类的是透明管型、蜡样管型等内部无颗粒特征的管型,其它种类管型能够与其它细胞区分出。
步骤S22、对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
步骤S23、在高倍物镜下对定位的管型图像进行放大,并采集;
针对在低倍物镜下不能识别分类的管型,采用高倍物镜对管型图像进行放大,使能够采集到管型内部的图像。
步骤S24、对采集到的图像进行内部特征颗粒的分割,得到内部特征颗粒图像;
步骤S25、将内部特征颗粒图像进行形态学特征参数提取;
步骤S26、将提取到的形态学特征参数进行归一化降维处理,得到形态学特征的一维特征向量;
步骤S27、将形态学特征参数的一维特征向量输入分类器,得到管型内部颗粒的类型;
步骤S28、根据管型内部颗粒的类型,对管型进行分类。
本实施例公开的尿液管型分类方法,通过采用低倍物镜及高倍物镜两种对管型图像进行放大并采集,为尿液管型分类创造了基础,使本实施例公开的方案实现了对尿液管型的分类,提高了临床应用的便利性。
本实施例公开了一种尿液管型分类方法,其流程图如图3所示,包括:
步骤S31、采集高倍物镜下放大的尿液图像,得到第一图像;
步骤S32、将第一图像缩小,得到第二图像;
第一图像为放大后的管型图像,且图像的像素数很高,对管型进行识别需要处理的数据量相应的很大,对管型的识别速度受到一定的限制,因此,将第一图像缩小,得到第二图像。
步骤S33对第二图像中的管型进行初步识别,并对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
步骤S34、将第二图像的定位结果映射到第一图像中,并对定位映射区域的图像进行采集;
步骤S35、对采集到的图像进行内部特征颗粒的分割,得到内部特征颗粒图像;
步骤S36、将内部特征颗粒图像进行形态学特征参数提取;
步骤S37、将提取到的形态学特征参数进行归一化降维处理,得到形态学特征的一维特征向量;
步骤S38、将形态学特征参数的一维特征向量输入分类器,得到管型内部颗粒的类型;
步骤S39、根据管型内部颗粒的类型,对管型进行分类。
本实施例公开的尿液管型分类方法,通过一个高倍物镜和高像素的摄像机和CCD感光元件,实现对管型图像的放大、缩小、再图像映射,从而为管型的精确分类提供了基础,并且,提高了分类速度,使本实施例公开的方案实现了对尿液管型的分类,提高了临床应用的便利性。
本实施例公开了一种尿液管型分类系统,具体结构示意图如图4所示,包括:
显微镜41,与显微镜41相连的图像采集单元42,与图像采集单元42相连的图像分割单元43,与图像分割单元43相连的图像提取单元44,与图像提取单元44相连的特征融合单元45,与特征融合单元45相连的分类器46,与分类器46相连的管型分类单元47。
显微镜41用于对管型图像进行放大。
图像采集单元42对放大后的图像进行采集。图像采集单元42可以为摄像机或CCD感光元件,即电荷耦合元件。
图像分割单元43对采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像。
图像提取单元44对内部特征颗粒图像进行形态学特征参数提取。
特征融合单元45将提取到的形态学特征参数进行归一化降维处理,得到形态学特征的一维特征向量。
分类器46,用于输入形态学特征参数的一维特征向量,得到管型内部颗粒的类型。
管型分类单元47用于对显微镜41获取的尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位,并根据管型内部颗粒的类型,对管型进行分类。
进一步的,本实施例公开的尿液管型分类系统还包括:计数器48,计数器48对分类后的管型进行计数。
进一步的,显微镜41可以包括低倍物镜和高倍物镜;
图像采集单元采集低倍物镜下的尿液样本图像,使管型分类单元对尿液样本图像中的管型进行初步识别,并对识别的管型内部所含的代表其分类的特征颗粒进行定位,高倍物镜对定位的管型图像进行放大,图像采集单元采集高倍放大后的特征颗粒图像。
显微镜41还可以只包括一个高倍物镜。
图像采集单元采集高倍物镜下放大的尿液样本图像,得到第一图像,将第一图像缩小,得到第二图像,管型分类单元在第二图像中对管型进行初步识别,并对识别出的管型内部所含的代表其分类的特征颗粒进行定位,将定位结果映射到第一图像中,并对定位映射区域的图像进行采集。
本实施例公开的尿液管型分类系统,通过物镜对管型图像进行放大,图像采集单元进行采集,图像分割单元将采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像,图像提取单元对内部特征颗粒图像进行形态学特征提取,特征融合单元将提取到的形态学特征进行归一化降维处理,得到形态学特征的一维特征向量,将形态学特征的一维特征向量输入分类器,得到管型内部颗粒的类型,根据管型内部颗粒的类型,对管型进行分类。上述过程实现了对尿液管型的自动识别并分类,无需人工操作,提高了临床应用的便利性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种尿液管型分类方法,其特征在于,包括:在显微镜下,
对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集;
对采集到的图像进行内部特征颗粒的分割,得到内部特征颗粒图像;
将所述内部特征颗粒图像进行形态学特征参数提取;
将所述提取到的形态学特征参数进行归一化降维处理,得到所述形态学特征的一维特征向量;
将所述形态学特征参数的一维特征向量输入分类器,得到管型内部颗粒的类型;
根据所述管型内部颗粒的类型,对所述管型进行分类。
2.根据权利要求1所述的方法,其特征在于,所述对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集具体包括:
采集低倍物镜下的尿液图像,对尿液图像中的管型进行初步识别;
对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
在高倍物镜下对所述定位的管型图像进行放大,并采集。
3.根据权利要求1所述的方法,其特征在于,所述对尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位、放大,并采集具体包括:
采集高倍物镜下的放大的尿液图像,得到第一图像;
将所述第一图像缩小,得到第二图像;
对所述第二图像中的管型进行初步识别;
对识别出的管型内部所含的代表其分类的特征颗粒进行定位;
将所述第二图像的定位结果映射到所述第一图像中,并对定位映射区域的图像进行采集。
4.根据权利要求1所述的方法,其特征在于,还包括:对所述分类后的管型进行计数。
5.根据权利要求1所述的方法,其特征在于,所述形态学特征包括:大小特征参数、形状特征参数、色度特征参数、纹理特征参数。
6.根据权利要求1所述的方法,其特征在于,所述对管型图像进行放大,并采集之前,还包括:
对尿液样本中的管型进行染色。
7.一种尿液管型分类系统,其特征在于,包括:
显微镜,对管型图像进行放大;
与所述显微镜相连的图像采集单元,对所述放大后的图像进行采集;
与所述图像采集单元相连的图像分割单元,对采集到的图像中的管型内部特征颗粒进行图像分割,得到内部特征颗粒图像;
与所述图像分割单元相连的图像提取单元,对所述内部特征颗粒图像进行形态学特征参数提取;
与所述图像提取单元相连的特征融合单元,将所述提取到的形态学特征参数进行归一化降维处理,得到所述形态学特征的一维特征向量;
与所述特征融合单元相连的分类器,输入所述形态学特征的一维特征向量,得到管型内部颗粒的类型;
与所述分类器相连的管型分类单元,对显微镜获取的尿液样本图像中的管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位,管型分类单元根据所述管型内部颗粒的类型,对所述管型进行分类。
8.根据权利要求7所述的系统,其特征在于,所述显微镜包括:低倍物镜和高倍物镜,
所述图像采集单元采集低倍物镜下的尿液样本图像,使管型分类单元对尿液样本图像中的管型进行初步识别,并对识别的管型内部所含的代表其分类的特征颗粒进行定位;
所述高倍物镜对所述定位的管型图像进行放大,所述图像采集单元采集高倍放大后的特征颗粒图像。
9.根据权利要求7所述的系统,其特征在于,所述显微镜包括:高倍物镜,
所述图像采集单元采集高倍物镜下放大的尿液样本图像,得到第一图像,将所述第一图像缩小,得到第二图像,管型分类单元在所述第二图像中对管型进行初步识别,对识别出的管型内部所含的代表其分类的特征颗粒进行定位,将所述定位结果映射到第一图像中,并采集定位映射区域的图像。
10.根据权利要求7所述的系统,其特征在于,还包括:计数器,
所述计数器对所述分类后的管型进行计数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410041772.XA CN103745219B (zh) | 2014-01-28 | 2014-01-28 | 一种尿液管型分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410041772.XA CN103745219B (zh) | 2014-01-28 | 2014-01-28 | 一种尿液管型分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745219A true CN103745219A (zh) | 2014-04-23 |
CN103745219B CN103745219B (zh) | 2018-06-08 |
Family
ID=50502236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410041772.XA Active CN103745219B (zh) | 2014-01-28 | 2014-01-28 | 一种尿液管型分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745219B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067520A (zh) * | 2015-07-28 | 2015-11-18 | 爱威科技股份有限公司 | 一种镜检识别方法及装置 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN109998364A (zh) * | 2019-05-16 | 2019-07-12 | 珠海格力电器股份有限公司 | 分类烹饪控制方法、控制设备、烹饪设备、终端和系统 |
CN110007068A (zh) * | 2019-03-25 | 2019-07-12 | 桂林优利特医疗电子有限公司 | 一种尿液漏滴检测方法 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090154814A1 (en) * | 2007-12-12 | 2009-06-18 | Natan Y Aakov Ben | Classifying objects using partitions and machine vision techniques |
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN102707425A (zh) * | 2012-06-21 | 2012-10-03 | 长沙高新技术产业开发区爱威科技实业有限公司 | 图像处理方法和装置 |
-
2014
- 2014-01-28 CN CN201410041772.XA patent/CN103745219B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090154814A1 (en) * | 2007-12-12 | 2009-06-18 | Natan Y Aakov Ben | Classifying objects using partitions and machine vision techniques |
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN102707425A (zh) * | 2012-06-21 | 2012-10-03 | 长沙高新技术产业开发区爱威科技实业有限公司 | 图像处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
赵少敏: "《尿沉渣图像的分割与识别算法的研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067520A (zh) * | 2015-07-28 | 2015-11-18 | 爱威科技股份有限公司 | 一种镜检识别方法及装置 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN110007068A (zh) * | 2019-03-25 | 2019-07-12 | 桂林优利特医疗电子有限公司 | 一种尿液漏滴检测方法 |
CN110007068B (zh) * | 2019-03-25 | 2022-07-08 | 桂林优利特医疗电子有限公司 | 一种尿液漏滴检测方法 |
CN109998364A (zh) * | 2019-05-16 | 2019-07-12 | 珠海格力电器股份有限公司 | 分类烹饪控制方法、控制设备、烹饪设备、终端和系统 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103745219B (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
Jayakody et al. | Microscope image based fully automated stomata detection and pore measurement method for grapevines | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN105445170B (zh) | 识别生物样品目标组分的方法和分析生物流体样品的装置 | |
CN103745219A (zh) | 一种尿液管型分类方法及系统 | |
Shrivastava et al. | Color sensing and image processing-based automatic soybean plant foliar disease severity detection and estimation | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN103984939A (zh) | 一种样本有形成分分类方法及系统 | |
CN103745210A (zh) | 一种白细胞分类方法及装置 | |
Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
CN103345617A (zh) | 中药识别的方法及其系统 | |
US10769432B2 (en) | Automated parameterization image pattern recognition method | |
Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
Kour et al. | Fruit disease detection using rule-based classification | |
Madhloom et al. | Computer-aided acute leukemia blast cells segmentation in peripheral blood images | |
CN110634118A (zh) | 基于人工智能的乳腺影像识别系统及方法 | |
CN101555515A (zh) | 基于轮廓标记图的硅藻特征描述及其分类方法 | |
Mbiki et al. | Classifying changes in LN-18 glial cell morphology: a supervised machine learning approach to analyzing cell microscopy data via FIJI and WEKA | |
Sulaiman et al. | Semi-automated pseudo colour features extraction technique for cervical cancer's pap smear images | |
CN112432948A (zh) | 一种外周血细胞形态学自动检测方法 | |
Sulaiman et al. | Overlapping cells separation method for cervical cell images | |
CN107194319A (zh) | 基于支持向量机排序的有丝分裂定位和识别的方法 | |
CN109697450B (zh) | 细胞分类方法 | |
Pushpa et al. | Tomato leaf disease detection and classification using CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |