CN103984964A - 一种试纸条图像识别方法及系统 - Google Patents

Abstract

本发明公开了一种试纸条图像识别方法及系统，通过获取与待测样本反应后的试纸的试纸图像，对试纸图像进行颜色特征的提取，将提取的颜色特征输入至BP识别模型，获取待测样本的浓度。本方案通过试纸图像的颜色特征以及BP识别模型实现对试纸所测试的待测样本的浓度的获取，实现了通过试纸图像自动获取待测样本的浓度，避免了人眼对试纸图像进行识别，造成的效率低下、且容易受到主观因素影响的问题。

Description

一种试纸条图像识别方法及系统

技术领域

本发明涉及图像识别领域，尤其涉及一种试纸条图像识别方法及系统。

背景技术

在医学领域，疾病的诊断通常需要对多种参数进行衡量，这些参数大多来自对样本的检测结果，试纸检测是应用比较广泛的检测方法。

尽管目前电子设备已进入到医学领域，但是，对于试纸的检测结果的识别工作基本还是使用人眼观察，与试纸垫标准样本对比来判断其浓度。

但是，传统的人眼对比识别的方法效率低，并且容易受到工作人员主观因素的影响，因此，亟需一种自动识别试纸条图像的方法来解决目前人眼对比所带来的效率低下的问题。

发明内容

有鉴于此，本发明提供一种试纸条图像识别方法及系统，以解决现有技术中人眼识别试纸条图像效率低下，判断结果容易受到主观因素的影响的问题，其具体方案如下：

一种试纸条图像识别方法，包括：

获取与待测样本反应后的试纸的试纸图像；

对所述试纸图像进行颜色特征提取，所述颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度；

将所述颜色特征输入至BP识别模型，获取所述试纸测试的所述待测样本的浓度。

进一步的，对所述试纸图像进行颜色特征提取之前，还包括：

对所述试纸图像进行坐标变化，将所述试纸图像转换为HSI色域空间图像。

进一步的，将所述颜色特征输入至BP识别模型之前，还包括：

建立所述待测样本对应的BP识别模型。

进一步的，对所述试纸图像进行主色平均色调的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取色调H的频度；

对预定数量的相邻色调的频度进行相加，获取色调能量，其中，所述预定数量为用于获取色调能量的色调维数；

获取主色调能量，即色调能量的最大值；

将预定数量的主色调值与所述主色调值对应频度的积的和与主色调能量作商，获取主色平均色调。

进一步的，对所述试纸图像进行频度最高饱和度的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取饱和度S的频度；

获取频度最高饱和度。

进一步的，对所述试纸图像进行主色平均饱和度的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取饱和度S的频度；

获取色调对应的饱和度，即对色调每次出现对应的饱和度值进行累加，得到的和再与色调出现的次数的商；

获取主色平均饱和度，即对每个主色调对应的饱和度与主色调频度的乘积进行累加，得到的和再与主色调能量的商。

进一步的，对所述试纸图像进行平均亮度的提取，具体包括

获取所述HSI色域空间图像的H值、S值、I值；

依据图片亮度I获取图片的亮度和；

将所述图片的亮度和与所述HSI色域空间图像的像素点个数做商，获取所述试纸图像的平均亮度。

一种试纸条图像识别系统，包括：图像获取单元，与所述图像获取单元相连的特征提取单元，与所述特征提取单元相连的图像识别单元，

所述图像获取单元获取与待测样本反应后的试纸的试纸图像；

所述特征提取单元对所述试纸图像进行颜色特征提取，所述颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度；

所述图像识别单元将所述颜色特征输入至BP识别模型，获取所述试纸测试的所述待测样本的浓度。

进一步的，还包括：与所述图像获取单元及特征提取单元分别相连的图像转换单元，

所述图像转换单元对所述图像获取单元获取的试纸图像进行坐标变化，将所述试纸图像转变为HSI色域空间图像，并将所述HSI色域空间图像发送至所述特征提取单元。

进一步的，还包括：与所述特征提取单元及所述图像识别单元相连的模型建立单元，

所述模型建立单元用于建立所述待测样本对应的BP识别模型，并将所述BP识别模型发送至所述图像识别单元。

从上述技术方案可以看出，本发明公开的试纸条图像识别方法及系统，通过获取与待测样本反应后的试纸的试纸图像，对试纸图像进行颜色特征的提取，将提取的颜色特征输入至BP识别模型，获取待测样本的浓度。本方案通过试纸图像的颜色特征以及BP识别模型实现对试纸所测试的待测样本的浓度的获取，实现了通过试纸图像自动获取待测样本的浓度，提高了识别效率，避免了人眼对试纸图像进行识别，造成的效率低下、且容易受到主观因素影响的问题。

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试纸条图像识别方法的流程图；

图2为本发明实施例公开的一种试纸条图像识别方法的流程图；

图3为本发明实施例公开的一种试纸图像进行主色平均色调提取的方法的流程图；

图4为本发明实施例公开的一种试纸图像进行主色平均饱和度提取的方法的流程图；

图5为本发明实施例公开的一种试纸图像进行平均亮度提取的方法的流程图；

图6为本发明实施例公开的一种试纸条图像识别系统的结构示意图。

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。

本实施例公开了一种试纸条图像识别方法，其流程图如图1所示，包括：

步骤S11、获取与待测样本反应后的试纸的试纸图像；

待测样本可以为尿液样本。

步骤S12、对试纸图像进行颜色特征提取；

其中，颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度。

步骤S13、将颜色特征输入至BP识别模型，获取试纸测试的待测样本的浓度。

以待测样本为尿液为例，根据尿液分析项目标准，一般对胆红素、尿胆原、酮体、维生素C、葡萄糖、蛋白质、隐血、亚硝酸盐、PH值、尿比重、白细胞等11个项目作检测。

因此，在将颜色特征值输入至BP识别模型后，会对尿液中的11个项目作检测，并分别获取上述11个检测项目的浓度，通过对上述11个检测项目浓度的获取，判断被检测人员的各项指标是否正常。

其中，胆红素的浓度可以用neg.、+、++、+++来表示；尿胆原的浓度可以用norm.、2(35)、4(70)、8(140)、12(200)mg/dl(μmol/l)来表示；酮体的浓度可以用neg.、trace.、+、++、+++来表示；维生素C的浓度可以用neg.、+、++来表示；葡萄糖的浓度可以用norm、50(2，8)、100(5，6)250(14)、500(28)、≥1000(56)mg/dl(mmol/l)来表示；蛋白质的浓度可以用neg.、trace.、30、100、500mg/dl来表示；隐血的浓度可以用neg.、+ca.5-10、++ca.50、+++ca.300Ery/μl来表示；亚硝酸盐的浓度可以用neg.、pos.来表示；PH值的浓度可以用5、6、6.5、7、8、9来表示；尿比重的浓度可以用1.000、1.005、1.010、1.015、1.020、1.025、1.030来表示；白细胞的浓度可以用neg.、ca.25、ca.75、ca.500Leuko/μl来表示。

本实施例公开的试纸条图像识别方法，通过获取与待测样本反应后的试纸的试纸图像，对试纸图像进行颜色特征的提取，将提取的颜色特征输入至BP识别模型，获取待测样本的浓度。本方案通过试纸图像的颜色特征以及BP识别模型实现对试纸所测试的待测样本的浓度的获取，实现了通过试纸图像自动获取待测样本的浓度，提高了识别效率，避免了人眼对试纸图像进行识别造成的效率低下、且容易受到主观因素影响的问题。

本实施例公开了一种试纸条图像识别方法，其流程图如图2所示，包括：

步骤S21、获取与待测样本反应后的试纸的试纸图像；

步骤S22、对试纸图像进行颜色特征提取；

其中，颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度。

步骤S23、建立待测样本对应的BP识别模型；

以待测样本为尿液为例，根据尿液分析项目标准，一般对胆红素、尿胆原、酮体、维生素C、葡萄糖、蛋白质、隐血、亚硝酸盐、PH值、尿比重、白细胞等11个项目作检测。

那么，在进行检测之前，就需要针对这11个检测项目中的每一个检测项目，建立BP识别模型。

其中，BP识别模型由3层网络组成，第一层为输入层，共4个神经元，第二层为隐含层，共9个神经元，第三层为输出层。

第一层网络输入特征矢量为X＝(x₁,x₂,x₃,x₄)^T，第二层的输出为Y＝(y₁,y₂,y₃,y₄,y₅,y₆,y₇,y₈,y₉)^T，第三层有k个神经元，其中，k为输出浓度类型，Z＝(z₁,z₂,z₃,…,z_k)^T。

其中，第一层的输出为其中，X为输入状态；

当第一层的输出结果输入第二层时，第二层的各神经元的输出关系可以表示为：

其中，w_ij是第一层x_i对应于第二层y_j的权值的系数，θ_j为第二层的第j个单元的域值。

当第二层的输出结果输入第三层时，第三层的各神经元的输出关系为：

其中，w_jk是第二层y_j对应于第三层z_k的权值的系数，λ_k为第三层的第k个单元的域值。

其中，当将检测到的颜色特征输入至BP识别模型时，z_k的输出结果即为获取的待测样本的检测项目的浓度值。

步骤S24、将颜色特征输入至BP识别模型，获取试纸测试的待测样本的浓度。

本实施例公开的试纸条图像识别方法，通过获取与待测样本反应后的试纸的试纸图像，对试纸图像进行颜色特征的提取，将提取的颜色特征输入至BP识别模型，获取待测样本的浓度。本方案通过试纸图像的颜色特征以及BP识别模型实现对试纸所测试的待测样本的浓度的获取，实现了通过试纸图像自动获取待测样本的浓度，提高了识别效率，避免了人眼对试纸图像进行识别，造成的效率低下，且容易受到主观因素影响的问题。

优选的，本实施例公开的试纸条图像识别方法，在步骤S22之前，还可以包括：

步骤S25、对试纸图像进行坐标变化，将试纸图像转换为HSI色域空间图像。

其中，HSI色域空间图像即为色调、饱和度、强度图像，通过色调、饱和度、强度来感知图像。

本实施例公开了一种对试纸图像进行主色平均色调的提取方法，其流程图如图3所示，包括：

步骤S31、依据HSI色域空间图像的H值、S值、I值，获取色调H的频度；

设HSI色域空间图像的大小为M×N，令H_(m,n)为图像(m,n)处的色调值，F_(h)是色调h的频度(0≤F_(h)≤1)，那么，

步骤S32、对预定数量的相邻色调的频度进行相加，获取色调能量；

其中，色调能量是k个相邻色调对应频度的和，色调能量可以表示为：

其中，k为用于计算色调能量的色调维数，即预定数量。

步骤S33、获取主色调能量，即色调能量的最大值；

主色调能量的计算公式如下：

${\mathrm{MH}}_{\mathrm{eng}}=\underset{t}{\overset{(t+k-1)/L}{\mathrm{\Σ}}}{F}_{\left(h\right)}.$

步骤S34、将预定数量的主色调值与主色调值对应频度的积的和与主色调能量作商，获取主色平均色调。

主色平均色调是主色调能量对应k个相邻色调值的平均值，其计算公式如下：

${\mathrm{MH}}_{\mathrm{avg}}=\frac{\underset{i=t}{\overset{(t+k-1)L}{\mathrm{\Σ}}}(t\×F_{\left(h\right)})}{{\mathrm{MH}}_{\mathrm{eng}}}.$

本实施例公开了一种对试纸图像进行主色平均色调的提取方法，通过上述计算过程，实现了自动提取数据，为准确检测浓度做出了基础。

本实施例公开了一种对试纸图像进行主色平均饱和度的提取的方法，其流程图如图4所示，包括：

步骤S41、依据HSI色域空间图像的H值、S值、I值，获取饱和度S的频度；

设HSIH值、S值、I值图像的大小为M×N，令S_(m,n)为图像(m,n)处的饱和度值，F_(s)是饱和度s的频度(0≤F_(h)≤1)，那么，

$F_{\left(s\right)}=\frac{\underset{i=0}{\overset{M}{\mathrm{\Σ}}}\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{S}_{(m,n)}}{M\×N}.$

步骤S42、对色调每次出现对应的饱和度进行累加，得到的和再与色调出现的次数作商，获取色调对应的饱和度；

设s_i为色调h第i次出现时与之对应的饱和度值，H_s为色调h对应的饱和度，则：

$H_s=\frac{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{S}_i}{\underset{i=0}{\overset{M}{\mathrm{\Σ}}}\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{H}_{(m,n)}},$ 其中， $\underset{i=0}{\overset{M}{\mathrm{\Σ}}}\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{H}_{(m,n)}$ 为图片中色调h出现的次数。

步骤S43、对每个主色调对应的饱和度与主色调频度的乘积进行累加，得到的和再与主色调能量作商，获取主色平均饱和度。

主色平均饱和度为：

其中，t,(t+1)L,…，(t+k-1)L为主色调，H_s为主色调h(t≤h≤(t+k-1)/L)对应的饱和度，F_(h)为主色调h的频度，MH_eng为主色调能量。

本实施例公开了一种对试纸图像进行主色平均饱和度的提取方法，通过上述计算过程，实现了自动提取数据，为准确检测浓度做出了基础。

进一步的，对频度最高饱和度的获取为：

依据HSI色域空间图像的H值、S值、I值，获取饱和度的频度，选取其中的最大值即为频度最高饱和度。

本实施例公开了一种对试纸图像进行平均亮度的提取的方法，其流程图如图5所示，包括：

步骤S51、获取HSI色域空间图像的大小H值、S值、I值；

设HSI色域空间图像的大小为M×N，m∈M,n∈N，I_(m,n)＝i(i＝0,1,…，255),其中，i是图像I_(m,n)处的亮度值，平均亮度为I_avg，

步骤S52、依据图片亮度I，获取图片的亮度和；

为图片的亮度和。

步骤S53、将图片的亮度和与HSI色域空间图像的像素点个数做商，获取试纸图像的平均亮度。

平均亮度为I_avg，则

$I_{\mathrm{avg}}=\frac{\underset{i=0}{\overset{M}{\mathrm{\Σ}}}\underset{j=0}{\overset{N}{\mathrm{\Σ}}}{I}_{(m,n)}}{M\×N}.$

本实施例公开了一种对试纸图像进行平均亮度的提取方法，通过上述计算过程，实现了自动提取数据，为准确检测浓度做出了基础。

本实施例公开了一种试纸条图像识别系统，其结构示意图如图6所示，包括：

图像获取单元61，与图像获取单元61相连的特征提取单元62，与特征提取单元62相连的图像识别单元63。

其中，图像获取单元61获取与待测样本反应后的试纸的试纸图像。

特征提取单元62对试纸图像进行颜色特征提取，其中，颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度。

图像识别单元63将颜色特征输入至BP识别模型，获取试纸测试的待测样本的浓度。

以待测样本为尿液为例，根据尿液分析项目标准，一般对胆红素、尿胆原、酮体、维生素C、葡萄糖、蛋白质、隐血、亚硝酸盐、PH值、尿比重、白细胞等11个项目作检测。

因此，在将颜色特征值输入至BP识别模型后，会对尿液中的11个项目作检测，并分别获取上述11个检测项目的浓度，通过对上述11个检测项目浓度的获取，判断被检测人员的各项指标是否正常。

其中，胆红素的浓度可以用neg.、+、++、+++来表示；尿胆原的浓度可以用norm.、2(35)、4(70)、8(140)、12(200)mg/dl(μmol/l)来表示；酮体的浓度可以用neg.、trace.、+、++、+++来表示；维生素C的浓度可以用neg.、+、++来表示；葡萄糖的浓度可以用norm、50(2，8)、100(5，6)250(14)、500(28)、≥1000(56)mg/dl(mmol/l)来表示；蛋白质的浓度可以用neg.、trace.、30、100、500mg/dl来表示；隐血的浓度可以用neg.、+ca.5-10、++ca.50、+++ca.300Ery/μl来表示；亚硝酸盐的浓度可以用neg.、pos.来表示；PH值的浓度可以用5、6、6.5、7、8、9来表示；尿比重的浓度可以用1.000、1.005、1.010、1.015、1.020、1.025、1.030来表示；白细胞的浓度可以用neg.、ca.25、ca.75、ca.500Leuko/μl来表示。

本实施例公开的试纸条图像识别系统，通过获取与待测样本反应后的试纸的试纸图像，对试纸图像进行颜色特征的提取，将提取的颜色特征输入至BP识别模型，获取待测样本的浓度。本方案通过试纸图像的颜色特征以及BP识别模型实现对试纸所测试的待测样本的浓度的获取，实现了通过试纸图像自动获取待测样本的浓度，提高了识别效率，避免了人眼对试纸图像进行识别造成的效率低下、且容易受到主观因素影响的问题。

优选的，本实施例公开的试纸条图像识别系统，还包括：与图像获取单元61及特征提取单元62分别相连的图像转换单元64。

图像转换单元64对图像获取单元61获取的试纸图像进行坐标变化，将试纸图像转变为HSI色域空间图像，并将HSI色域空间图像发送至特征提取单元62。

其中，HSI色域空间图像即为色调、饱和度、强度图像，通过色调、饱和度、强度来感知图像。

进一步的，本实施例公开的试纸条图像识别系统，还包括：与特征提取单元62及图像识别单元63相连的模型建立单元65。

模型建立单元65用于建立待测样本对应的BP识别模型，并将BP识别模型发送至图像识别单元63。

以待测样本为尿液为例，根据尿液分析项目标准，一般对胆红素、尿胆原、酮体、维生素C、葡萄糖、蛋白质、隐血、亚硝酸盐、PH值、尿比重、白细胞等11个项目作检测。

那么，在进行检测之前，就需要针对这11个检测项目中的每一个检测项目，建立BP识别模型。

其中，BP识别模型由3层网络组成，第一层为输入层，共4个神经元，第二层为隐含层，共9个神经元，第三层为输出层。

当将检测到的颜色特征输入至BP识别模型时，第三层的输出结果即为获取的待测样本的检测项目的浓度值。

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)

1.一种试纸条图像识别方法，其特征在于，包括：

获取与待测样本反应后的试纸的试纸图像；

对所述试纸图像进行颜色特征提取，所述颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度；

将所述颜色特征输入至BP识别模型，获取所述试纸测试的所述待测样本的浓度。

2.根据权利要求1所述的方法，其特征在于，对所述试纸图像进行颜色特征提取之前，还包括：

对所述试纸图像进行坐标变化，将所述试纸图像转换为HSI色域空间图像。

3.根据权利要求1所述的方法，其特征在于，将所述颜色特征输入至BP识别模型之前，还包括：

建立所述待测样本对应的BP识别模型。

4.根据权利要求2所述的方法，其特征在于，对所述试纸图像进行主色平均色调的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取色调H的频度；

对预定数量的相邻色调的频度进行相加，获取色调能量，其中，所述预定数量为用于获取色调能量的色调维数；

获取主色调能量，即色调能量的最大值；

将预定数量的主色调值与所述主色调值对应频度的积的和与主色调能量作商，获取主色平均色调。

5.根据权利要求2所述的方法，其特征在于，对所述试纸图像进行频度最高饱和度的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取饱和度S的频度；

获取频度最高饱和度。

6.根据权利要求2所述的方法，其特征在于，对所述试纸图像进行主色平均饱和度的提取，具体包括：

依据所述HSI色域空间图像的H值、S值、I值，获取饱和度S的频度；

对色调每次出现对应的饱和度进行累加，得到的和再与色调出现的次数作商，获取色调对应的饱和度；

对每个主色调对应的饱和度与主色调频度的乘积进行累加，得到的和再与主色调能量作商，获取主色平均饱和度。

7.根据权利要求2所述的方法，其特征在于，对所述试纸图像进行平均亮度的提取，具体包括

获取所述HSI色域空间图像的H值、S值、I值；

依据图片亮度I获取图片的亮度和；

将所述图片的亮度和与所述HSI色域空间图像的像素点个数做商，获取所述试纸图像的平均亮度。

8.一种试纸条图像识别系统，其特征在于，包括：图像获取单元，与所述图像获取单元相连的特征提取单元，与所述特征提取单元相连的图像识别单元，

所述图像获取单元获取与待测样本反应后的试纸的试纸图像；

所述特征提取单元对所述试纸图像进行颜色特征提取，所述颜色特征包括：主色平均色调，主色平均饱和度，平均亮度，频度最高饱和度；

所述图像识别单元将所述颜色特征输入至BP识别模型，获取所述试纸测试的所述待测样本的浓度。

9.根据权利要求8所述的系统，其特征在于，还包括：与所述图像获取单元及特征提取单元分别相连的图像转换单元，

所述图像转换单元对所述图像获取单元获取的试纸图像进行坐标变化，将所述试纸图像转变为HSI色域空间图像，并将所述HSI色域空间图像发送至所述特征提取单元。

10.根据权利要求8所述的系统，其特征在于，还包括：与所述图像识别单元相连的模型建立单元，

所述模型建立单元用于建立所述待测样本对应的BP识别模型，并将所述BP识别模型发送至所述图像识别单元。