CN104198355B - 一种粪便中红细胞自动检测方法 - Google Patents
一种粪便中红细胞自动检测方法 Download PDFInfo
- Publication number
- CN104198355B CN104198355B CN201410337904.3A CN201410337904A CN104198355B CN 104198355 B CN104198355 B CN 104198355B CN 201410337904 A CN201410337904 A CN 201410337904A CN 104198355 B CN104198355 B CN 104198355B
- Authority
- CN
- China
- Prior art keywords
- image
- unicellular
- centrage
- connected region
- erythrocyte
- 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
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
该发明公开了一种粪便中红细胞自动检测方法，属于图像处理领域,特别是一种基于细胞形态学灰度变化和模板匹配的粪便中红细胞辨识方法。通过对粪便显微图像进行反向二值化处理，辨识出一个类型的杂质图像，记录其所在的位置，然后在原图像中排除该杂质；再对排除一种杂质的原图像进行反向二值化处理，再辨识出一种杂质进行排除，重复该步骤排除多种杂质后进行模版匹配，复合匹配要求的图像认定其为红细胞，达到发明目的，从而具有操作简便，高效，准确的检测出粪便样本中红细胞的效果。
Description
技术领域
本发明属于图像处理领域,特别是一种基于细胞形态学灰度变化和模板匹配的粪便中红细胞辨识方法。
背景技术
正常的粪便中约3/4是水，剩下1/4为固体，而固体中成分主要为未消化的食物、消化道分泌物和有形成分、食物分解产物和细菌，其中细菌干重大约1/3。现今粪便中红细胞检测还是靠工作人员用显微镜肉眼检测，费时费力，工作量十分繁重，且识别受到工作人员的经验、疲劳程度等主观因素影响较大，随着计算机图像处理技术的发展，利用先进技术来辅助进行红细胞的形态识别和个数统计已经成为必然趋势。目前全世界现有的检测系统主要是针对血液，也涉及到尿液。血液的细胞检测环境影响较小，杂质较少，容易得到较为理想的结果，而粪便中含有大量杂质，从杂质中分离出要检测的红细胞变得比在血液和尿液中困难得多。
发明内容
本发明的目的是正对背景技术的不足设计了一种粪便中红细胞自动检测方法，从而达到操作简便，高效，准确的检测出粪便样本中红细胞的目的。
本发明技术方案是一种粪便中红细胞自动检测方法，该方法包括如下步骤:
步骤1：使用显微镜采集粪便稀释溶液的图像；
步骤2：对步骤1得到的显微图像变换为灰度图像，然后根据设定的灰度阈值将图像进行取反二值化处理得到二值图像；
步骤3：将步骤2得到的二值图像中白色连通区域进行标定，记录各标定连通区域的位置坐标；
步骤4：计算步骤3中所标定连通区域的面积，根据设定的面积阈值进行逐个判定，排除不为红细胞的连通区域；
步骤5：在步骤2得到的灰度图像中复制出步骤4判定为红细胞的连通区域所对应的区域，得到一个尽可能小并包含整个红细胞的单细胞图像；
步骤6：对步骤5得到的单细胞图像进行取反二值化处理得到单细胞二值图像，并排除只有一个连通区域的单细胞二值图像；
步骤7：计算剩余单细胞二值图像中面积最大连通区域的质心与其它连通区域质心的距离，将质心距离较远的小面积连通区域视为杂质，并在步骤5复制出的单细胞图像中将其排除掉，得到排除杂质的单细胞图像；
步骤8：对步骤7中排除掉杂质的单细胞图像进行取反二值化处理得到单细胞二值图像；
步骤9：计算步骤8得到的单细胞二值图像中连通区域个数，只保留连通区域个数为2或3的单细胞二值图像对应的步骤7中单细胞图像；
步骤10：取步骤9保留的单细胞图像的横、纵中心线上像素，根据红细胞的细胞形态进行灰度变换判定，排除不符合变换规律的单细胞图像；
步骤11：对经过步骤10后保留的单细胞图像与标准红细胞模版进行匹配,符合匹配标准的认定其为红细胞，分离出不符合匹配标准的单细胞图像；
步骤12：寻找出若干满足灰度变化次数，但与标准模板匹配值在0.46以下的红细胞，将这些红细胞与将步骤11分离出的单细胞图像进行匹配，达到匹配标准的认定其为红细胞，排除不符合匹配标准的单细胞图像；
步骤13：统计红细胞数量，输出结果数据。
步骤1中使用显微镜采集粪便稀释溶液放大40倍后的显微图像。
步骤2的具体步骤为：
步骤2-1：设定取反二值化处理过程中灰度阈值为整幅图像用最大类间方差法处理得到的阈值的0.8倍；
步骤2-2：将灰度图像各像素点灰度值与灰度阈值比较，若大于步骤2-1中计算得到的灰度阈值则对该点灰度赋值0，若阈值步骤2-1中计算得到的灰度阈值则对该点灰度赋值255，得到二值图像。
步骤4中像素面积为70～300的连通区域判定其为红细胞，排除其它面积的连通区域。
步骤7中对步骤5复制出的单细胞图像中找到视为杂质的小面积连通区域，并对该连通区域所有像素点赋值为255。
步骤10的具体步骤为：
步骤10-1：取步骤9保留的单细胞图像的横中心线的所有像素；
步骤10-2：判断横中心线像素值变化次数，为防止截取细胞时边框过大，计算变化次数时从中心线左端第一个值为255的像素开始，到中心线右端最后一个为255的像素结束，若在中心线的左半部分没有找到值为255的点，则从中心线左端点开始计算，右边同理，若在中心线的右半部分没有找到值为255的点，则以中心线右端点为计算的结点，若其像素值变化4次，认定横中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像横中心线上像素值第一次变化和最后一次变化为端点的线段的中垂线，取该中垂线上所有像素，以上述方法计算中垂线上像素的变化次数，若变化次数为4次，则也认定横中心线满足红细胞条件；
步骤10-3：取步骤9保留的单细胞图像的纵中心线的所有像素；
步骤10-4：判断纵中心线像素值变化次数，以步骤10-2中计算像素值变化次数的方法计算，若其像素值变化4次，认定纵中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像纵中心线上像素值第1次变化和最后1次变化为端点的线段的中垂线，取该中垂线上所有像素，若该中垂线像素值变化为4次，则也认定纵中心线满足红细胞条件；
步骤10-5：只有当横、纵中心线都满足红细胞条件时，才认定该单细胞图像可能为红细胞。
步骤11的具体步骤为：
步骤11-1：将单细胞图像拉伸为与模版图像大小相同的图像：
步骤11-2：匹配公式为：
其中：r为匹配值，A_j为拉伸后图像的灰度矩阵每个像素减去拉伸后图像的灰度平均值后的矩阵，B_j为拉伸后图像的灰度矩阵每个像素减去模板图像的灰度平均值后的矩阵；
步骤11-3：将匹配值在0.46以上的认定其符合匹配标准。
本发明一种粪便中红细胞自动检测方法，通过对粪便显微图像进行反向二值化处理，辨识出一个类型的杂质图像，记录其所在的位置，然后在原图像中排除该杂质；再对排除一种杂质的原图像进行反向二值化处理，再辨识出一种杂质进行排除，重复该步骤排除多种杂质后进行模版匹配，复合匹配要求的图像认定其为红细胞，达到发明目的，从而具有操作简便，高效，准确的检测出粪便样本中红细胞的效果。
附图说明
图1是本发明一种粪便中红细胞自动检测方法的流程图；
图2是本发明中灰度变换检测的流程图。
具体实施方式
下面结合附图，对本发明一种粪便中红细胞自动检测方法进行详细说明：
步骤1：使用显微镜采集粪便稀释溶液放大40倍后的显微图像。
步骤2：对步骤1得到的显微图像变换为灰度图像，然后根据设定的灰度阈值将图像进行取反二值化处理得到二值图像。
步骤2-1：设定取反二值化处理过程中灰度阈值为整幅图像用最大类间方差法处理得到的阈值的0.8倍；
步骤2-2：将灰度图像各像素点灰度值与灰度阈值比较，若大于步骤2-1中计算得到的灰度阈值则对该点灰度赋值0，若小于步骤2-1中计算得到的灰度阈值则对该点灰度赋值255，得到二值图像。
步骤3：将步骤2得到的二值图像中白色连通区域进行标定，记录各标定连通区域的位置坐标。
步骤4：计算步骤3中所标定连通区域的面积，根据设定的像素面积为70～300的连通区域判定其为红细胞，排除其它面积的连通区域。
步骤5：在步骤2得到的灰度图像中复制出步骤4判定为红细胞的连通区域所对应的区域，得到一个尽可能小并包含整个红细胞的单细胞图像。
步骤6：对步骤5得到的单细胞图像进行取反二值化处理得到单细胞二值图像，并排除只有一个连通区域的单细胞二值图像。
步骤7：计算剩余单细胞二值图像中面积最大连通区域的质心与其它连通区域质心的距离，将质心距离较远的小面积连通区域视为杂质，并对步骤5复制出的单细胞图像中找到视为杂质的小面积连通区域，并对该连通区域所有像素点赋值为255。
步骤8：对步骤7中排除掉杂质的单细胞图像进行取反二值化处理得到单细胞二值图像；
步骤9：计算步骤8得到的单细胞二值图像中连通区域个数，只保留连通区域个数为2或3的单细胞二值图像对应的步骤7中单细胞图像；
步骤10：取步骤9保留的单细胞图像的横、纵中心线上像素，根据红细胞的细胞形态进行灰度变换判定，排除不符合变换规律的单细胞图像；
步骤10-1：取步骤9保留的单细胞图像的横中心线的所有像素；
步骤10-2：判断横中心线像素值变化次数，为防止截取细胞时边框过大，计算变化次数时从中心线左端第一个值为255的像素开始，到中心线右端最后一个为255的像素结束，若在中心线的左半部分没有找到值为255的点，则从中心线左端点开始计算，右边同理，若在中心线的右半部分没有找到值为255的点，则以中心线右端点为计算的结点，若其像素值变化4次，认定横中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像横中心线上像素值第一次变化和最后一次变化为端点的线段的中垂线，取该中垂线上所有像素，以上述方法计算中垂线上像素的变化次数，若变化次数为4次，则也认定横中心线满足红细胞条件；
步骤10-3：取步骤9保留的单细胞图像的纵中心线的所有像素；
步骤10-4：判断纵中心线像素值变化次数，以步骤10-2中计算像素值变化次数的方法计算，若其像素值变化4次，认定纵中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像纵中心线上像素值第1次变化和最后1次变化为端点的线段的中垂线，取该中垂线上所有像素，若该中垂线像素值变化为4次，则也认定纵中心线满足红细胞条件；
步骤10-5：只有当横、纵中心线都满足红细胞条件时，才认定该单细胞图像可能为红细胞。
步骤11：对经过步骤10后保留的单细胞图像与标准红细胞模版进行匹配,符合匹配标准的认定其为红细胞，分离出不符合匹配标准的单细胞图像；
步骤11-1：将单细胞图像拉伸为与模版图像大小相同的图像：
步骤11-2：匹配公式为：
其中：r为匹配值，A_j为拉伸后图像的灰度矩阵每个像素减去拉伸后图像的灰度平均值后的矩阵，B_j为拉伸后图像的灰度矩阵每个像素减去模板图像的灰度平均值后的矩阵；
步骤11-3：将匹配值在0.46以上的认定其符合匹配标准。
步骤12：寻找出若干满足灰度变化次数，但与标准模板匹配值在0.46以下的红细胞，将这些红细胞与将步骤11分离出的单细胞图像进行匹配，达到匹配标准的认定其为红细胞，排除不符合匹配标准的单细胞图像；
步骤13：统计红细胞数量，输出结果数据。
Claims (7)
1.一种粪便中红细胞自动检测方法，该方法包括：
步骤1：使用显微镜采集粪便稀释溶液的图像；
步骤2：对步骤1得到的显微图像变换为灰度图像，然后根据设定的灰度阈值将图像进行取反二值化处理得到二值图像；
步骤3：将步骤2得到的二值图像中白色连通区域进行标定，记录各标定连通区域的位置坐标；
步骤4：计算步骤3中所标定连通区域的面积，根据设定的面积阈值进行逐个判定，排除不为红细胞的连通区域；
步骤5：在步骤2得到的灰度图像中复制出步骤4判定为红细胞的连通区域所对应的区域，得到一个尽可能小并包含整个红细胞的单细胞图像；
步骤6：对步骤5得到的单细胞图像进行取反二值化处理得到单细胞二值图像，并排除只有一个连通区域的单细胞二值图像；
步骤7：计算剩余单细胞二值图像中面积最大连通区域的质心与其它连通区域质心的距离，将质心距离较远的小面积连通区域视为杂质，并在步骤5复制出的单细胞图像中将其排除掉，得到排除杂质的单细胞图像；
步骤8：对步骤7中排除掉杂质的单细胞图像进行取反二值化处理得到单细胞二值图像；
步骤9：计算步骤8得到的单细胞二值图像中连通区域个数，只保留连通区域个数为2或3的单细胞二值图像对应的步骤7中单细胞图像；
步骤10：取步骤9保留的单细胞图像的横、纵中心线上像素，根据红细胞的细胞形态进行灰度变换判定，排除不符合变换规律的单细胞图像；
步骤11：对经过步骤10后保留的单细胞图像与标准红细胞模版进行匹配,符合匹配标准的认定其为红细胞，分离出不符合匹配标准的单细胞图像；
步骤12：寻找出若干满足灰度变化次数，但与标准模板匹配值在0.46以下的红细胞，将这些红细胞与将步骤11分离出的单细胞图像进行匹配，达到匹配标准的认定其为红细胞，排除不符合匹配标准的单细胞图像；
步骤13：统计红细胞数量，输出结果数据。
2.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤1中使用显微镜采集粪便稀释溶液放大40倍后的显微图像。
3.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤2的具体步骤为：
步骤2-1：设定取反二值化处理过程中灰度阈值为整幅图像用最大类间方差法处理得到的阈值的0.8倍；
步骤2-2：将灰度图像各像素点灰度值与灰度阈值比较，若大于步骤2-1中计算得到的灰度阈值则对该点灰度赋值0，若小于步骤2-1中计算得到的灰度阈值则对该点灰度赋值255，得到二值图像。
4.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤4中像素面积为70～300的连通区域判定其为红细胞，排除其它面积的连通区域。
5.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤7中对步骤5复制出的单细胞图像中找到视为杂质的小面积连通区域，并对该连通区域所有像素点赋值为255。
6.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤10的具体步骤为：
步骤10-1：取步骤9保留的单细胞图像的横中心线的所有像素；
步骤10-2：判断横中心线像素值变化次数，为防止截取细胞时边框过大，计算变化次数时从中心线左端第一个值为255的像素开始，到中心线右端最后一个为255的像素结束，若在中心线的左半部分没有找到值为255的点，则从中心线左端点开始计算，右边同理，若在中心线的右半部分没有找到值为255的点，则以中心线右端点为计算的结点，若其像素值变化4次，认定横中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像横中心线上像素值第一次变化和最后一次变化为端点的线段的中垂线，取该中垂线上所有像素，以上述方法计算中垂线上像素的变化次数，若变化次数为4次，则也认定横中心线满足红细胞条件；
步骤10-3：取步骤9保留的单细胞图像的纵中心线的所有像素；
步骤10-4：判断纵中心线像素值变化次数，以步骤10-2中计算像素值变化次数的方法计算，若其像素值变化4次，认定纵中心线满足红细胞条件，若其像素值变化不等于4次，计算单细胞图像纵中心线上像素值第1次变化和最后1次变化为端点的线段的中垂线，取该中垂线上所有像素，若该中垂线像素值变化为4次，则也认定纵中心线满足红细胞条件；
步骤10-5：只有当横、纵中心线都满足红细胞条件时，才认定该单细胞图像可能为红细胞。
7.如权利要求1所述的一种粪便中红细胞自动检测方法，其特征在于步骤11的具体步骤为：
步骤11-1：将单细胞图像拉伸为与模版图像大小相同的图像：
步骤11-2：匹配公式为：
其中：r为匹配值，A_j为拉伸后图像的灰度矩阵每个像素减去拉伸后图像的灰度平均值后的矩阵，B_j为拉伸后图像的灰度矩阵每个像素减去模板图像的灰度平均值后的矩阵；
步骤11-3：将匹配值在0.46以上的认定其符合匹配标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410337904.3A CN104198355B (zh) | 2014-07-16 | 2014-07-16 | 一种粪便中红细胞自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410337904.3A CN104198355B (zh) | 2014-07-16 | 2014-07-16 | 一种粪便中红细胞自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104198355A CN104198355A (zh) | 2014-12-10 |
| CN104198355B true CN104198355B (zh) | 2017-01-11 |
Family
ID=52083680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410337904.3A Active CN104198355B (zh) | 2014-07-16 | 2014-07-16 | 一种粪便中红细胞自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104198355B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700112B (zh) * | 2015-02-02 | 2018-07-27 | 电子科技大学 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
| CN104881679B (zh) * | 2015-05-22 | 2018-02-13 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
| CN106469305A (zh) * | 2016-09-23 | 2017-03-01 | 电子科技大学 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
| CN108564114B (zh) * | 2018-03-28 | 2022-05-27 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
| CN108596038B (zh) * | 2018-03-28 | 2022-03-15 | 电子科技大学 | 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 |
| CN110363745A (zh) * | 2019-06-11 | 2019-10-22 | 深圳市智影医疗科技有限公司 | 一种荧光显微图像的杆菌识别方法、装置及终端设备 |
| CN111504885B (zh) * | 2020-04-04 | 2022-03-15 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置的分析方法 |
| CN112288685A (zh) * | 2020-07-20 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 抗酸杆菌的检测方法、装置、终端设备及可读存储介质 |
| CN114305185B (zh) * | 2022-01-10 | 2023-01-06 | 中山东菱威力电器有限公司 | 一种具有防坠落功能的智能马桶盖 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013105245A (ja) * | 2011-11-11 | 2013-05-30 | Ikutoku Gakuen | 画像処理方法、装置及びプログラム |
| CN102819765B (zh) * | 2012-02-28 | 2016-01-20 | 浙江工业大学 | 一种基于计算机视觉的牛奶体细胞计数方法 |
| CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
| CN103543277B (zh) * | 2013-09-13 | 2016-03-16 | 中国科学院苏州生物医学工程技术研究所 | 一种基于灰度分析与种类识别的血型结果识别算法 |
| CN103778431B (zh) * | 2013-12-30 | 2017-01-11 | 温州医科大学 | 基于二维格子复杂性度量的医学图像特征提取和识别方法 |
-
2014
- 2014-07-16 CN CN201410337904.3A patent/CN104198355B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104198355A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104198355B (zh) | 一种粪便中红细胞自动检测方法 | |
| Chen et al. | Detection of aggressive behaviours in pigs using a RealSence depth sensor | |
| CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
| CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
| Shankar et al. | Automatic detection of acute lymphoblasitc leukemia using image processing | |
| Li et al. | Image recognition of grape downy mildew and grape powdery mildew based on support vector machine | |
| CN108764154B (zh) | 一种基于多特征机器学习的水面垃圾识别方法 | |
| CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
| Duan et al. | An automatic counting system for transparent pelagic fish eggs based on computer vision | |
| CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
| CN102024259B (zh) | 一种菌落自动检测方法 | |
| CN104846054A (zh) | 一种基于形态学特征的白带中霉菌的自动检测方法 | |
| CN101221118A (zh) | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 | |
| CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
| CN110110760A (zh) | 一种基于机器视觉的工件定位与识别方法 | |
| CN106295789A (zh) | 一种基于图像处理的作物种子计数方法 | |
| CN104881679A (zh) | 一种基于改进模糊识别的白带中红细胞自动检测方法 | |
| CN102663723A (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
| CN103245666B (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
| CN102073872A (zh) | 基于图像的寄生虫虫卵形状识别方法 | |
| Zhang et al. | An automated bacterial colony counting system | |
| CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
| Zhang et al. | Yeast cell detection and segmentation in bright field microscopy | |
| CN107516315A (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| CN113160109A (zh) | 反背景差分的细胞图像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |