CN104484876B - 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 - Google Patents
基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 Download PDFInfo
- Publication number
- CN104484876B CN104484876B CN201410741684.0A CN201410741684A CN104484876B CN 104484876 B CN104484876 B CN 104484876B CN 201410741684 A CN201410741684 A CN 201410741684A CN 104484876 B CN104484876 B CN 104484876B
- Authority
- CN
- China
- Prior art keywords
- image
- aquatic products
- parasite
- segmentation
- ultraviolet fluorescence
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 46
- 244000045947 parasite Species 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 37
- 241000251468 Actinopterygii Species 0.000 claims description 22
- 235000013372 meat Nutrition 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000000799 fluorescence microscopy Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 241000244023 Anisakis Species 0.000 description 8
- 241001480224 Heterodera Species 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000009659 non-destructive testing Methods 0.000 description 6
- 241001098054 Pollachius pollachius Species 0.000 description 4
- 241000244206 Nematoda Species 0.000 description 3
- 241000276498 Pollachius virens Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010170 biological method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000294569 Aphelenchoides Species 0.000 description 1
- 241000134843 Aphelenchoides besseyi Species 0.000 description 1
- 241001641310 Cunea Species 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000253999 Phasmatodea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006862 enzymatic digestion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000004222 sensilla Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法,包括以下步骤:首先,通过紫外光对水产品进行照射,获取水产品的紫外荧光图像;其次,对水产品紫外荧光图像进行预处理,然后用一维自动阈值分割技术把水产品和其周围环境背景分割开来;再次,把水产品自身区域当作背景,把寄生虫当作目标,将得到的水产品区域的图像,进行二维自动阈值分割将两者分开;最后,从水产品紫外荧光图像中分离出寄生虫图像。本发明的算法简单快速,工作量小、一致性好、效率高、准确性好,同时降低了劳动力成本,特别适用于大规模水产品加工生产实践的需求。
Description
技术领域
本发明涉及一种水产品寄生虫检测方法,属于水产品质量无损检测技术领域。
背景技术
水产品生产加工过程中寄生虫等危害因素的检测与识别是提高水产品加工质量安全的关键环节。异尖线虫(anisakid larvae)属于线虫动物门(Nematode)尾感器纲(Phasmida)蛔目(Ascaridida),是一种广泛分布于海洋动物体内具有较大危害的寄生虫,严重影响着水产品的食用安全性,其潜在危害已引起世界各国广泛关注。
目前,异尖线虫的检测方法主要包括物理学方法(烛光法、电磁波法、超声波法等)、生物学方法(基因鉴定、酶联免疫法等、酶解消化法)等。水产品加工企业主要采用烛光法(紫外灯烛光法、日光灯烛光法)对水产加工品中的寄生虫进行在线筛选检测,该方法操作简单,但是漏检率高,在准确度和灵敏度上不易达到国际标准,且耗费大量劳动力。生物学方法虽然检测率较高,但是属于破坏性检测范畴,且耗费大量时间和人工成本,难以满足工厂在线检测的要求。
而水产品异杂物无损检测技术正以全面、动态、非破坏性等优点成为国际海洋水产品质量安全领域的前沿热点。基于成像技术的无损检测方法,如近红外检测、超声波成像、可见光检测、X射线成像、高光谱成像、CT成像、磁共振成像技术(MRI)、紫外线技术等,正在用于尝试解决一系列无损检测问题。然而,现有成像技术在寄生虫无损检测中的应用比较有限,科学研究也仍然处于实验室研究阶段,传统无损检测方法或工作量大,或检测成功率低,无法满足水产品加工过程中寄生虫快速检测的需求,检测结果受人为主观因素影响大,具有随意性,一致性差,还没有广泛应用于工厂实践。事实上,异尖线虫的紫外荧光性质早在1970年即被Pippy等人报道。此后,众多研究人员对寄生虫的紫外荧光性质进行了研究,然而基于紫外荧光的寄生虫检测方法仅仅停留在利用该性质的直接观察。
由于水产品本身与寄生虫的紫外荧光成像特性之间存在明显差异,可以利用基于灰度阈值的分割方法对水产品紫外荧光图像进行无损检测。传统的基于固定阈值的图像分割方法特别适用于目标和背景占据不同灰度级范围的图像,具有实现简单、计算量小、运算效率高等特点。然而,在实际水产品加工过程中,由于水产品拍摄环境、成像设备、紫外光照强度、生产线材质、拍摄条件等的不同,基于固定阈值的图像分割方法往往较难获取具有一致性和统一性的标准检测效果,可能导致检测结果性能不稳定,水产品寄生虫判别准确率降低。
发明内容
针对上述问题,本发明的目的是借助紫外荧光成像技术,提供一种基于自动阈值分割技术的快速、高效、准确、智能的水产品寄生虫无损检测方法,以适应大规模水产品加工生产实践的需求,降低劳动力成本,实现在线检测水产品危害因子的目的。
本发明将紫外光源设置于暗箱内,安装在暗箱顶部,将水产品样品放置于载物托盘中央区域,通过紫外光照射激发产生荧光,利用图像采集设备获取水产品紫外荧光图像,并传输至图像分析处理系统进行处理。
本发明通过以下具体步骤实现:
(1)样品采集:采集水产品样品共K批次,每批次包含H个样品;
(2)图像获取:通过紫外光源照射水产样品激发产生荧光,拍摄获取水产品紫外荧光图像I;
(3)预处理:对水产品紫外荧光采集图像I进行灰度变换、平滑降噪、背景消除、数学形态学变换等图像处理;
(4)一维阈值分割处理:在水产品紫外荧光灰度化图像J中,以水产品本身区域为目标,以周围环境区域为背景,基于一维阈值分割算法自动分割水产品自身与环境背景区域:
a)水产品紫外荧光图像灰度化后,设其像素灰度级为L,总灰度频数为M*N,灰度值i的频数为ni,则灰度值i出现的概率为pi=ni/N,由此建立水产品图像的灰度直方图;
b)假设存在一维分割阈值T(1≤T<L),将紫外荧光灰度化图像J分为两部分:环境背景区域Ab和水产品区域Af,分别计算环境背景Ab和水产品自身区域Af的灰度均值μb(T)、μf(T)和对应方差并设整幅图像的灰度均值为水产品和环境背景区域Af、Ab的类间距平方为类内距方差为
c)基于最大类间距准则,求解水产品和环境背景区域Af、Ab的分割阈值T1 *,基于最小类内方差准则,求解水产品和环境背景区域Af、Ab的分割阈值 由此,同时满足最大类间距和最小类内距的阈值即为最优阈值T*,根据T*即可得到水产品自身Af和环境背景Ab的分割图像;
(5)二维阈值分割处理:在水产品自身灰度图像区域中,以被激发荧光的寄生虫为目标,以其他水产品肉质作为背景,基于二维阈值分割算法自动分割水产品肉质与寄生虫区域;
a)在鱼片自身的紫外荧光灰度图像区域中,以图像坐标(x,y)为中心取邻域内像素点的平均灰度值构建邻域平滑图像,设像素灰度级为L,总灰度频数为M′*N′,像素点灰度值i和邻域平均灰度值j组成的二元组(i,j)出现的频数为nij,则其对应的联合概率密度为分别建立像素灰度值i和邻域灰度值j的一维直方图H1i、H1j,根据分布比例计算对应概率Ui、Uj,i,j=0,1,...,L-1;
b)鱼片自身的紫外荧光灰度图像区域中,设由像素点灰度值i计算的分割阈值为s,由邻域平均灰度值j计算的分割阈值为t,0≤s,t≤L-1,根据鱼片紫外荧光灰度化图像二维阈值对(s,t)将鱼片自身紫外荧光灰度图像区域分成鱼肉区域Afm和异尖线虫区域Ap;
c)计算像素灰度值i对应的一维直方图H1i中寄生虫自身区域Ap和水产品肉质区域Afm所占的比例Pi1、Pi2,矢量均值μi1、μi2,总体均值矢量
d)计算邻域平均灰度值j对应的一维直方图H1j中寄生虫自身区域Ap和水产品肉质区域Afm所占的比例Pj1、Pj2,矢量均值μj1、μj2,总体均值矢量
e)求解像素灰度值i和邻域平均灰度值j分别对应的一维类间方差为σmi(s)、σmj(t),使一维类间方差最小的鱼片紫外荧光灰度化图像二维阈值对(s,t)即为最佳分割阈值s*和t*;
f)计算像素点灰度值i和邻域平均灰度值j分别对应的分类离散测度λdi、λdj;
g)根据鱼片自身紫外荧光灰度化图像区域像素点灰度值i和邻域平均灰度值j重新构建阈值分割识别函数θi和θj,当θi和θj取最大值,即λdi和λdj取最小值时,寄生虫自身区域Ap和水产品肉质区域Afm达到最佳分割效果。
由以上操作步骤,即可实现水产品中寄生虫的无损检测,将水产品肉质与寄生虫分开,从而标记水产品中寄生虫的位置。
(6)检测效果评估:根据各批次水产品样本中寄生虫检测结果,计算寄生虫检测准确率和检测效率,并与酶解法的检测结果对比分析。
本发明基于自动阈值分割技术,通过紫外荧光成像检测方法,达到实时在线检测水产品中寄生虫等危害因子的目的。本发明不仅考虑将寄生虫自身区域和水产品肉质区域的分割效果在类间达到最大,同时通过类内离散度的概念,使类内一致性得到充分体现。由于本发明的算法简单快速,工作量小、一致性好、效率高、准确性好,同时降低了劳动力成本,特别适用于大规模水产品加工生产实践的需求。
附图说明
图1为本发明的整体流程图。
图2为本发明具体实施例中狭鳕鱼片原始紫外荧光灰度图像。
图3为本发明具体实施例中狭鳕鱼片紫外荧光灰度图像的一维阈值分割直方图。
图4为本发明具体实施例中狭鳕鱼片和环境背景分割图。
图5为本发明具体实施例中去噪的狭鳕鱼片图像的二维阈值分割直方图。
图6为本发明具体实施例中狭鳕鱼片肉质与寄生虫分割图。
图7为本发明具体实施例中狭鳕鱼片寄生虫位置标记图。
具体实施方式
下面以开展鳕鱼片中异尖线虫为主的寄生虫检测为例,结合附图详细说明本发明的具体实施过程。实验原料采用青岛龙和公司由俄罗斯进口的冷冻狭鳕鱼(TheragraChalcogramma),捕捞自太平洋西北海域。本发明的整体流程如图1所示,具体详细过程如下:
1.将紫外光源设置于暗箱内,安装在暗箱顶部,将鱼片样品放置于黑色载物托盘中央,通过紫外光照射激发产生荧光,利用数码相机在固定机位拍摄鱼片紫外荧光图像I;
2.将鱼片紫外荧光图像I通过数据线传输至图像分析处理系统内,自动存储至海产鱼片异尖线虫无损检测特征综合信息数据库,并完成灰度变换、平滑降噪、背景消除、数学形态学变换等一系列基本图像处理功能的实现;
3.在鱼片紫外荧光灰度化图像J(如图2所示)中,以鱼片为目标,以周围环境为背景,基于一维阈值分割方法自动分割鱼片和周围环境,具体实施过程如下:
a)设待处理的鱼片紫外荧光灰度化图像J的尺寸为M*N,首先建立紫外荧光图像的一维灰度直方图H1(如图3所示),若鱼片紫外荧光灰度化图像J共有L个像素灰度级,f(x,y)表示图像坐标(x,y)处的像素灰度值,且设像素灰度值f(x,y)=i的频数为ni,i=0,1,...,L-1,总灰度频数为则灰度值i出现的概率为
b)假设存在某一特定灰度阈值T,将鱼片紫外荧光灰度化图像分割为环境背景区域Ab和鱼片区域Af两部分,灰度为[0,1,...,T]的像素点集合构成背景区域类Ab,灰度为[T+1,...,L-1]的像素点集合构成鱼片区域类Af。
c)背景区域Ab和鱼片区域Af出现的概率分别为:
d)背景区域Ab和鱼片区域Af的灰度均值分别为:
e)背景区域Ab和鱼片区域Af的灰度方差分别为:
f)鱼片紫外荧光灰度化图像的整体均值为:
g)背景区域Ab和鱼片区域Af的类间距离平方为:
h)背景区域Ab和鱼片区域Af的类内灰度方差为:
i)基于最大类间距准则,背景区域Ab和鱼片区域Af的分割阈值T1 *为:
j)基于最小类内方差准则,背景区域Ab和鱼片区域Af的分割阈值T2 *为:
同时满足最大类间距和最小类内方差的阈值T*被选为最佳阈值,根据T*即可分割鱼片区域Af和环境背景区域Ab(如图4所示)。
4.在鱼片自身的紫外荧光灰度图像区域中,以被激发荧光的异尖线虫为目标,以鱼肉为背景,基于二维阈值分割方法自动分割鱼肉与异尖线虫,具体实施过程如下:
4.1鱼肉与异尖线虫的二维阈值分割
a)设待处理的鱼片自身紫外荧光灰度化图像区域尺寸为M′*N′,共有L个灰度级,f(x,y)表示图像坐标(x,y)处的像素灰度值;
b)对于紫外荧光灰度化图像的每个像素点构建邻域平滑图像,其相应的像素邻域灰度级也为L个,设正方形邻域尺寸为k*k,则以图像坐标(x,y)为中心的邻域内像素的平均灰度值g(x,y)为:
c)依据上述像素点灰度值f(x,y)及其邻域平均灰度值g(x,y)双重判定准则,构建鱼片紫外荧光灰度化图像的二维灰度直方图H2(i,j)(如图5所示),表示像素点灰度值f(x,y)=i与像素邻域平均灰度值g(x,y)=j的像素点个数。
d)设鱼片紫外荧光灰度化图像像素点灰度值和其邻域平均灰度值组成的二元组(i,j)出现的频数为nij,则相应的联合概率密度pij为:
其中0≤i,j≤L-1且
e)设由图像像素点灰度值计算的分割阈值为s,由邻域平均灰度值计算的分割阈值为t,且0≤s,t≤L-1,根据鱼片紫外荧光灰度化图像二维阈值对(s,t)将图像分成鱼肉Afm和异尖线虫区域Ap,两类所占比例分别是Pfm和Pp:
f)计算鱼肉Afm的均值矢量:
g)计算异尖线虫区域Ap的均值矢量:
h)若远离二维直方图H2(i,j)对角线的概率忽略不计,即Pfm+Pp≈1,鱼片自身紫外荧光灰度化图像总体均值为:
i)鱼肉区域Afm和异尖线虫区域Ap之间离散度矩阵为Hd:
j)鱼肉区域Afm和异尖线虫区域Ap之间的核心测度函数为tr(Hd):
则鱼肉区域Afm和异尖线虫区域Ap之间的最佳分割阈值为tr(Hd)取最大值时对应的阈值。
4.2鱼肉与异尖线虫快速阈值分割:
a)通过鱼片自身紫外荧光灰度化图像区域的二维直方图H2(i,j)出现的频数nij。由鱼片自身紫外荧光灰度化图像区域的联合概率分布比例pij,计算像素灰度值i和邻域灰度值j的一维直方图分布比例,其概率分别为i,j=0,1,...,L-1;
b)假设鱼片自身紫外荧光灰度化图像区域中噪声和边缘对应的分布概率比例近似为0,则像素灰度值i对应的一维直方图H1i中异尖线虫和鱼肉对应的比例分别为:
c)根据像素灰度值的一维直方图H1i计算异尖线虫区域Ap和鱼肉区域Afm的均值矢量分别为:
总体均值矢量为:
d)鱼片自身紫外荧光灰度化图像区域中像素灰度值i对应的一维类间方差为:
同理,根据邻域灰度值j对应的一维直方图H1j,分别计算异尖线虫和鱼肉对应的比例Pj1、Pj2和均值μj1、μj2,得到邻域平滑图像的总体均值故邻域灰度值j对应的一维类间方差为:
因此,像素点灰度值i的分割阈值s*和邻域平均灰度值j的分割阈值t*分别为:
e)异尖线虫区域Ap和鱼肉区域Afm的像素点灰度值i对应的分类离散测度为:
λdi=Pi1di1+Pi2di2 (30)
其中,
同理,邻域灰度值j对应的分类离散测度为:
λdj=Pj1dj1+Pj2dj2 (31)
其中,
f)根据鱼片自身紫外荧光灰度化图像区域像素点灰度值i和邻域灰度平均值j所构成的一维分布直方图H1i、H1j,重新构建异尖线虫区域Ap和鱼肉区域Afm的阈值分割识别函数:
θi=Pi1(1-Pi1)*σmi/λdi (32)
θj=Pj1(1-Pj1)*σmj/λdj (33)
鱼片自身紫外荧光灰度化图像区域最佳阈值分割效果是在θi和θj的最大值处获得,对应λdi和λdj的最小值。
通过以上操作,即可得到鱼片中寄生虫的分割效果(如图6所示),并标记寄生虫位置(如图7所示)。
5.鱼片紫外荧光图像异尖线虫检测和检测效率验证
本发明对3批次60条鳕鱼样品的180幅紫外荧光图像进行异尖线虫无损检测,通过与酶解法检测结果对比,检出率均在89.6%以上,平均检测时间为1.2ms,总体检出率和检测效率明显优于目前工厂采用的烛光法等常见检测方法。基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法具有无损、快速、简便、实时等诸多优点,同时能够有效确定水产品样品中寄生虫个数、面积、坐标、相似度等检测特征分析数据,这是烛光法、酶解法等常见检测技术所不具备的。本发明的方法综合了一维和二维阈值分割的特点,检测计算的时间复杂度仅为O(L),检测效率大幅度提高,能够更好的适用于水产品大规模生产的实时在线检测。
Claims (3)
1.一种基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法,其特征在于它包括以下步骤:
(1)利用紫外光源照射水产品激发产生荧光,由图像采集设备拍摄水产品紫外荧光图像;
(2)对水产品紫外荧光采集图像进行灰度变换、平滑降噪、背景消除、数学形态学变换图像处理;
(3)以水产品为目标,以周围环境为背景,基于一维阈值分割处理算法,在最大类间距准则和最小类内距准则下,自动分割水产品自身区域与环境背景区域;所述一维阈值分割处理算法,通过以下约束条件自动选取最优分割阈值T*:(a)最大类间距准则:由水产品和环境背景区域类间距平方求解分割阈值 其中L表示图像像素灰度最大值;(b)最小类内距准则:由水产品和环境背景区域类内距方差求解分割阈值
(4)以寄生虫为目标,以水产品肉质为背景,基于二维阈值分割处理算法,由水产品自身紫外荧光灰度图像和其邻域平滑图像共同确定二维分割阈值对,以类间距方差和类内离散测度构建分割识别函数,自动分割水产品肉质和寄生虫区域,从而实现对水产品寄生虫的检测。
2.根据权利要求1所述的检测方法,其特征在于:紫外荧光图像的获取是利用暗箱顶部安装的紫外光源对水产品照射激发产生荧光,利用图像采集设备在暗箱内的固定机位拍摄和存储水产品紫外荧光图像,并同步传输至图像分析处理系统进行预处理。
3.根据权利要求1所述的检测方法,其特征在于所述基于二维阈值分割处理算法确定最优二维分割阈值对(s*,t*),满足下列约束条件:
(1)最大类间距准则:通过鱼片自身紫外荧光灰度化图像区域和其邻域平滑图像,分别计算水产品与寄生虫的类间方差σmi(s)、σmj(t)并求取最大值,
(2)最小类内距准则:通过鱼片自身紫外荧光灰度化图像区域和其邻域平滑图像,分别计算水产品与寄生虫的类内离散测度λdi、λdj并求取最小值,
其中Ui、Uj分别为鱼片自身紫外荧光灰度化图像区域像素灰度值i和邻域平滑图像灰度值j一维直方图分布比例,Pi1、Pi2、Pj1、Pj2分别为由像素灰度值i和邻域平均灰度值j计算的水产品和寄生虫区域对应比例,μi1、μi2、μj1、μj2分别为由像素灰度值i和邻域平均灰度值j计算的水产品和寄生虫区域均值,i,j=0,1,...,L-1;
(3)阈值分割识别函数:通过鱼片自身紫外荧光灰度化图像区域和其邻域平滑图像,分别构建水产品与寄生虫区域分割函数并取最大值,
θi=Pi1(1-Pi1)*σmi/λdi,θj=Pj1(1-Pj1)*σmj/λdj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741684.0A CN104484876B (zh) | 2014-12-05 | 2014-12-05 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741684.0A CN104484876B (zh) | 2014-12-05 | 2014-12-05 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484876A CN104484876A (zh) | 2015-04-01 |
CN104484876B true CN104484876B (zh) | 2017-07-11 |
Family
ID=52759416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410741684.0A Active CN104484876B (zh) | 2014-12-05 | 2014-12-05 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484876B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545557A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 粪便图像中的虫卵检测方法和装置 |
CN106444849A (zh) * | 2016-12-02 | 2017-02-22 | 上海巽晔计算机科技有限公司 | 一种基于图像识别的无人机自主飞行系统 |
CN106815819B (zh) * | 2017-01-24 | 2019-08-13 | 河南工业大学 | 多策略粮虫视觉检测方法 |
GB2578144A (en) * | 2018-10-18 | 2020-04-22 | The Univ Of Durham | Method and apparatus for tracking nematode worms |
CN110334664B (zh) * | 2019-07-09 | 2021-06-04 | 中南大学 | 一种合金析出相分数的统计方法、装置、电子设备及介质 |
CN110632613A (zh) * | 2019-08-19 | 2019-12-31 | 中国科学院西安光学精密机械研究所 | 一种基于紫外波段的爆炸场景中的目标识别装置及方法 |
CN111815614B (zh) * | 2020-07-17 | 2021-04-06 | 中国人民解放军军事科学院军事医学研究院 | 基于人工智能的寄生虫检测方法、系统及终端设备 |
CN115760826B (zh) * | 2022-11-29 | 2023-08-11 | 江苏满锐精密工具有限公司 | 一种基于图像处理的轴承磨损状况诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030257A (zh) * | 2007-04-13 | 2007-09-05 | 中国传媒大学 | 基于汉字特征的文档图像分割方法 |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN102147922A (zh) * | 2011-05-05 | 2011-08-10 | 河南工业大学 | 灰度图像二维Otsu折线阈值分割法 |
CN103618882A (zh) * | 2013-12-12 | 2014-03-05 | 湖南理工学院 | 一种基于鱼眼镜头的多路视频智能监控系统 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
-
2014
- 2014-12-05 CN CN201410741684.0A patent/CN104484876B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030257A (zh) * | 2007-04-13 | 2007-09-05 | 中国传媒大学 | 基于汉字特征的文档图像分割方法 |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN102147922A (zh) * | 2011-05-05 | 2011-08-10 | 河南工业大学 | 灰度图像二维Otsu折线阈值分割法 |
CN103618882A (zh) * | 2013-12-12 | 2014-03-05 | 湖南理工学院 | 一种基于鱼眼镜头的多路视频智能监控系统 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
Non-Patent Citations (1)
Title |
---|
Detection of anisakid larvaein cod fillets by UV fluorescent imaging based on principal component analysisand gray value analysis;Yang, Xianlin等;《Journal of Food Protection》;20131231;第76卷(第7期);1288-1292 * |
Also Published As
Publication number | Publication date |
---|---|
CN104484876A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484876B (zh) | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 | |
Li et al. | Nonintrusive methods for biomass estimation in aquaculture with emphasis on fish: a review | |
Yu et al. | Nondestructive freshness discriminating of shrimp using visible/near-infrared hyperspectral imaging technique and deep learning algorithm | |
Davis et al. | Real-time observation of taxa-specific plankton distributions: an optical sampling method | |
Li et al. | Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method | |
Marchant et al. | Automated analysis of foraminifera fossil records by image classification using a convolutional neural network | |
Lin et al. | The identification and filtering of fertilized eggs with a thermal imaging system | |
Lainez et al. | Automated fingerlings counting using convolutional neural network | |
Ghosh et al. | Potato Leaf Disease Recognition and Prediction using Convolutional Neural Networks | |
Ma et al. | Identification of double-yolked duck egg using computer vision | |
Misimi et al. | Quality grading of Atlantic salmon (Salmo salar) by computer vision | |
Park et al. | Line-scan imaging analysis for rapid viability evaluation of white-fertilized-egg embryos | |
CN113588596A (zh) | 一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统 | |
Zhao et al. | Visualization accuracy improvement of spectral quantitative analysis for meat adulteration using Gaussian distribution of regression coefficients in hyperspectral imaging | |
Vasileva et al. | Assessing exterior egg quality indicators using machine vision | |
Mejias et al. | Automated marine mammal detection from aerial imagery | |
Ni et al. | Convolution neural network based automatic corn kernel qualification | |
Cai et al. | Beef marbling assessment by structured-illumination reflectance imaging with deep learning | |
Liu et al. | Evaluation of body weight of sea cucumber Apostichopus japonicus by computer vision | |
Aniyan et al. | An android app scanner for detecting the freshness and age of poultry eggs using image processing | |
CN113588571B (zh) | 一种基于高光谱成像的水产品的腥味识别方法及系统 | |
Kumar et al. | An efficient Rice variety identification scheme using shape, Harlick\& color feature extraction and multiclass SVM | |
Zhao et al. | A real‐time classification and detection method for mutton parts based on single shot multi‐box detector | |
AlSaaidah et al. | Zebrafish larvae classification based on decision tree model: a comparative analysis | |
Chen et al. | Nondestructive testing of runny salted egg yolk based on improved ConvNeXt‐T |
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 |