CN104700112A - 一种基于形态特征的粪便中寄生虫虫卵检测方法 - Google Patents
一种基于形态特征的粪便中寄生虫虫卵检测方法 Download PDFInfo
- Publication number
- CN104700112A CN104700112A CN201510053000.2A CN201510053000A CN104700112A CN 104700112 A CN104700112 A CN 104700112A CN 201510053000 A CN201510053000 A CN 201510053000A CN 104700112 A CN104700112 A CN 104700112A
- Authority
- CN
- China
- Prior art keywords
- connected region
- pixel
- image
- ovum
- gray
- 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
Landscapes
- Image Analysis (AREA)
Abstract
该发明公开了一种基于形态特征的粪便样本中寄生虫虫卵检测方法,涉及一种粪便样本图像中寄生虫虫卵检测方法,预处理部分主要完成对图像的预处理,对图像进行灰度化、二值化、填充及连通区域面积筛选;检测部分则对预处理后的二值图像进行膨胀、腐蚀、计算连通区域面积、离心率、椭圆硬度及圆形度特征参数并检测出寄生虫虫卵。提供了基于形态特征的粪便样本图像中寄生虫虫卵检测的方法,该方法大大降低了粪便中寄生虫虫卵检测的漏检率和误检率,大大减小了人为的工作量。
Description
技术领域
本发明涉及一种粪便样本图像中寄生虫虫卵检测方法,尤其涉及一种基于形态特征的粪便样本图像中寄生虫虫卵检测方法。
背景技术
数字图像是生产生活各领域视觉信息的主要媒介,现阶段对粪便样本中寄生虫虫卵的检测方法,主要是通过人工观察的方式,人员通过显微镜观察粪便的稀释溶液,根据自身的经验和知识来计数寄生虫虫卵的数量,由于人的主观性和易疲劳,这导致了在检测过程中检测效率低、准确率低和劳动强度大的缺点。随着数字图像处理技术的发展,利用先进技术来辅助进行寄生虫虫卵的检测已经成为必然趋势。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,且图像的质量与粪便样本的稀释程度有很大的关系,这导致了从粪便样本图像中检测出寄生虫虫卵存在很大困难。
发明内容
针对人员在人工检测粪便中的寄生虫虫卵过程中的检测效率低、准确率低和劳动强度大等缺点,本发明提供了一种基于形态特征的粪便样本图像中寄生虫虫卵的检测方法,能够检测常见的寄生虫虫卵,包括肝吸虫虫卵、鞭虫虫卵、蛔虫卵、带绦虫卵、血吸虫虫卵、钩虫虫卵、姜片虫虫卵及肺吸虫虫卵,本方法利用计算机对粪便的稀释样本图像进行寄生虫虫卵检测,提高了检测效率、降低了漏检率和误检率,同时大大减轻了人为的工作量。
本发明的技术方案为:一种基于形态特征的粪便样本中寄生虫虫卵检测方法,包括以下步骤:
步骤1、通过向粪便样本中添加溶剂,将样本稀释,用显微镜将稀释后的样本进行放大,然后使用CCD相机拍摄经过显微镜放大后的彩色样本图片,如附图图2所示;
步骤2、对步骤1中得到的虫卵彩色放大样本图像进行灰度化处理,得到虫卵样本图像的灰度图像,如附图图3所示;
步骤3、对步骤2中得到的灰度图像进行灰度闭运算处理,得到经过灰度闭运算处理后的新灰度图像,如附图图4所示;
步骤4、将步骤3中得到的新灰度图像与原灰度图像进行相减,得到目标灰度图像,当像素点差值小于零时,将其置为零,如附图图5所示;
步骤5、采用固定阈值法对步骤4中得到的目标灰度图像进行二值化处理,得到二值图像,如附图图6所示;
步骤6、对步骤5中得到的二值图像进行孔洞填充处理,得到填充处理后的二值图像,如附图图7所示;
步骤7、对步骤6中填充后的二值图像进行连通区域标记,并统计连通区域的个数;
步骤8、对步骤7中得到的连通区域,计算每一个连通区域的面积和离心率参数;
步骤9、根据步骤8中得到的各连通区域的面积和离心率参数对连通区域进行初步筛选,对于符合条件的连通区域进行保留,不符合条件的连通区域包含的像素值全部置为零,得到初步筛选后的二值图像,如附图图8所示;
步骤10、对步骤9中得到的筛选后的二值图像进行腐蚀处理,得到腐蚀后的二值图像,如附图图9所示;
步骤11、对步骤10中得到的腐蚀后的二值图像进行膨胀处理,得到膨胀后的二值图像,如附图图10所示;
步骤12、对步骤11中得到的膨胀后的二值图像进行八连通区域标记,并统计连通区域个数;
步骤13、计算步骤12中标记后的各连通区域的面积、离心率、椭圆硬度和圆形度特征参数;
步骤14、根据步骤13中得到的四种特征参数对各连通区域进行识别判断,判断是否为虫卵,并判断所属虫卵的种类,识别虫卵结果图像如附图图11所示。
所述步骤1,具体通过以下过程实现:
首先获取粪便样本,然后向样本中添加稀释溶剂,以稀释后的样本中杂质与虫卵能够分离为标准,再对稀释后的样本使用放大倍数为10倍的显微镜进行放大,最后使用CCD相机拍摄经显微镜放大后的样本,获得样本图片。
所述步骤3灰度闭运算的具体方法为用半径为19的圆形结构元素对灰度图像进行灰度膨胀运算和灰度腐蚀运算。
所述步骤5,具体通过以下过程实现:
采用固定阈值对目标灰度图像进行二值化,固定阈值设为50,二值化时逐个比较所述灰度图像中的所有像素点的灰度值与二值化阈值,如果一个像素点的灰度值大于二值化阈值,则为该像素点赋值0,否则为该像素点赋值255。
所述步骤6,具体通过以下过程实现:
背景像素和连通区域内部的孔洞像素灰度值均为零,为了填充连通区域内的孔洞,使用种子生长法找到所有背景像素点进行标记,剩下的灰度值为0的点就是连通区域内的孔洞点,将不是背景像素点的所有灰度值为零的像素点的像素值赋值为255,就达到了对图像进行填充的目的。
所述步骤7,具体通过以下过程实现:
对于一个像素点,八连通区域指的是该像素点的上、下、左、右、左上、右上、左下和右下八个像素点组成的区域,是紧邻的位置和斜向相邻的位置。通过八连通区域算法将同一个连通区域内的像素点标记为相同的标号,不同的连通区域标记为不同的标号,这样就实现了对二值图像连通区域进行标记的目标;
八连通区域标记算法说明如下:
(1)判断此点八邻域中的最左、左上、最上和右上点的情况,如果都没有点,则表示一个新的区域的开始;
(2)如果此点八邻域中的最左有点,上右都有点,则标记此点为这两个中的最小的标记点,并修改大标记为小标记;
(3)如果此点八邻域中的左上有点,上右都有点,则标记此点为这两个中的最小的标记点,并修改大标记为小标记;
(4)否则按照最左,左上,最上,上右的顺序,标记此点为四个中的一个。
所述步骤9,具体通过以下过程实现:
在步骤8中已经得到了各连通区域的面积和离心率特征参数,设置条件为面积在200和600之间,离心率在0.4和0.9之间,通过将各个连通区域的特征参数与设定条件进行比较,符合设定条件的连通区域保留,不符合设定条件的连通区域像素点像素值全部置为0,初步筛选后,连通区域的个数大大减小,这样就减少了后续处理过程中的计算量。
所述步骤10为对步骤9中得到的筛选后的二值图像用半径为4的圆形结构体进行腐蚀处理具体通过以下过程实现:
二值图像腐蚀运算是逐点进行的,如果该点像素值为0,则不对该点进行处理,如果该点像素值为1,则扫描该点所在结构元素内的所有像素点,若结构元素内的所有像素点像素值全部为1,则该点像素值为1,否则像素值置为0。
步骤11为对步骤10中得到的腐蚀后的二值图像使用半径为5的圆形结构体元素进行膨胀处理,具体通过以下过程实现:
二值图像膨胀运算是逐点进行的,如果该点像素值为1,则不对该点进行处理,如果该点像素值为0,则扫描该点所在结构元素内的所有像素点,若结构元素内的所有像素点像素值全部为0,则该点像素值为0,否则像素值置为1。
所述步骤14,具体实现过程如下:
根据步骤13中计算得到的各连通区域的四个特征参数,对连通区域进行识别判断,面积在300和560之间,椭圆硬度参数在1.0和1.02之间,离心率在0.75和0.94之间,圆形度0.72和0.88之间判断连通区域是寄生虫虫卵;不同种类的虫卵形态特征参数也不同,根据各类虫卵的形态特征设定特征参数范围,判断虫卵类型。
本发明方法分为寄生虫虫卵检测图像预处理和寄生虫虫卵识别检测两部分。预处理部分主要完成对图像的预处理,对图像进行灰度化、二值化、填充及连通区域面积筛选;检测部分则对预处理后的二值图像进行膨胀、腐蚀、计算连通区域面积、离心率、椭圆硬度及圆形度特征参数并检测出寄生虫虫卵。提供了基于形态特征的粪便样本图像中寄生虫虫卵检测的方法,该方法大大降低了粪便中寄生虫虫卵检测的漏检率和误检率,大大减小了人为的工作量。
附图说明
图1为本发明的基于形态特征的粪便中寄生虫虫卵检测方法的流程图。
图2为检测方法步骤1中的寄生虫虫卵原图。
图3为检测方法步骤2中得到的虫卵灰度图。
图4为步骤3中经过灰度闭运算后的闭运算虫卵灰度图。
图5为步骤4中得到的目标灰度图像。
图6为步骤5中经过二值化后得到的二值图。
图7为步骤6中经过孔洞填充后得到的填充二值图。
图8为步骤9中经过离心率和面积筛选后得到的二值图。
图9为步骤10中经过腐蚀处理后的二值图。
图10为步骤11中经过膨胀处理后的二值图
图11为步骤14中识别出的虫卵结果图。
具体实施方式
下面结合附图,对本发明提出的基于形态特征的粪便中寄生虫虫卵检测方法进行详细说明。具体包括以下步骤:
步骤1、通过向粪便样本中添加溶剂,将样本稀释,用显微镜将稀释后的样本进行放大,放大倍数为十倍,然后使用CCD相机拍摄经过显微镜放大后的彩色样本图片,每个样本拍摄16个视野,每个视野拍摄3张不同焦距下的图片,以保证每个视野图片中至少有一张是清晰的,清晰的图片对于快速准确识别虫卵很重要,彩色图像如附图图2所示。
步骤2、对步骤1中得到的虫卵彩色放大样本图像进行灰度化处理,得到虫卵样本图像的灰度图像,如附图图3所示。
具体方法为:逐个处理所述原始彩色数字图像中所有的像素点,从而得到灰度图像,其中,对于所述原始彩色数字图像中的任一个像素点,灰度值的计算公式为:Gray(i,j)=0.299X R(i,j)+0.587XG(i,j)+0.114XB(i,j),其中,R(i,j)、G(i,j)和B(i,j)分别代表所述原始彩色数字图像中一个像素点(i,j)的R分量值、G分量值和B分量值,(i,j)代表一个像素点在所述原始彩色数字图像中的坐标。
步骤3、对步骤2中得到的灰度图像用半径为19的圆形结构元素对灰度图像进行灰度闭运算处理,得到经过灰度闭运算处理后的新的灰度图像,如附图图4所示。
其中灰度闭运算处理为先对灰度图像进行灰度膨胀运算再对其灰度膨胀运算:
灰度膨胀运算:灰度膨胀的运算是逐点进行的,求某点的膨胀运算结果,也就是计算该点局部范围内各点与结构元素中对应点的灰度值之和,并选取其中的最大值作为该点的膨胀结果,经膨胀运算,边缘得到了延伸,输出图像趋于比输入图像亮,当输入图像中的暗细节面积小于结构元素时,暗的效果将被削弱,削弱的程度取决于膨胀所用结构元素的形状与幅值。
灰度膨胀运算:灰度腐蚀运算是逐点进行的,求某点的腐蚀计算结果,也就是计算该点局部范围内各点与结构元素中对应点的灰度值之差,并选取其中的最小值作为该点的腐蚀结果,经腐蚀运算后图像边缘部分具有较大灰度值的点的灰度会降低,因此,边缘会向灰度值高的区域内部收缩,输出图像趋向比输入图像暗,当输入图像中的亮细节面积小于结构元素时,亮的效果将会被削弱,削弱的程度取决于亮细节周围的灰度值和结构元素的形状和幅值。
步骤说明:观察附图图3可以看出,在图像中,虫卵所在的区域偏暗,与明亮的背景形成强烈的对比,且背景像素灰度值整体变化较平缓,通过灰度闭运算后,虫卵会由暗变亮,为了保证所有虫卵像素均变亮,采用的圆形结构元素接近于虫卵大小。经过闭运算处理后的图像如附图图3所示,由图中可以看出,图像整体变亮了,虫卵和比虫卵小的杂质明显变亮,比虫卵大的杂质内部仍然较暗,而背景虽然也变亮但变化不大。
步骤4、用步骤3中闭运算处理后的灰度图像减去原始灰度图像得到目标灰度图像,如附图图5所示。
步骤说明:在步骤3中,原始灰度图像在经过灰度闭运算后,虫卵及比虫卵小的杂质明显变亮,即灰度值增长率高,而背景的灰度值增长率低,这样形成了在闭运算后的灰度图像与原始灰度图像相同位置的像素中,大范围的背景像素灰度值相差不大,虫卵和背景上比虫卵小的杂质灰度值差别较大,当两张图片相减后,背景像素的灰度值接近于零,虫卵和杂质灰度值则较大,即目标偏亮。观察附图图5可以看出,经过此步骤处理后,虫卵变成亮对象,背景则变为暗背景,虫卵与背景对比度明显增强,有利于后续的图像分割和目标提取处理。
步骤5、采用固定阈值法对步骤4中得到的目标灰度图像进行二值化处理,得到二值图像,如附图图6所示。
步骤说明:观察附图图5可以看出,在目标图像中,虫卵目标与背景对比度较大,且目标虫卵的灰度值相差不大,因此可以用固定阈值法对图像进行二值化处理,固定阈值法二值化不仅效果好而且处理速度快,这样可以提高处理速度,经过对大量图片进行实验,阈值设为50时二值化效果最好。
步骤6、对步骤5中得到的二值图像进行孔洞填充处理,得到填充处理后的二值图像,如附图图7所示。
步骤说明:观察经过步骤5所获得的二值化图像可以看出,二值化后的图像中有的虫卵内部有孔洞,有的虫卵内部没有孔洞,这就造成了在统计连通区域面积的时候,大小接近的虫卵的连通区域面积差异较大,在该项目的处理过程中,以虫卵的连通区域的面积代表虫卵对象的面积,因此,为了保证能够用连通区域面积表征虫卵的面积,就要求连通区域内部没有孔洞,通过对图像进行填充处理,每个虫卵二值化图像内部都是填充的,使得连通区域的面积能够代表虫卵的面积大小。
步骤7、对步骤6中填充后的二值图像进行连通区域标记,并统计连通区域的个数。
步骤8、对步骤7中得到的连通区域,计算每一个连通区域的面积和离心率参数。
步骤说明:连通区域的面积用来代表虫卵在图像中的实际大小。离心率参数可以刻画连通区域的扁平程度,离心率越大,连通区域越扁,离心率越小,连通区域越接近于圆,肝吸虫虫卵外形似椭圆,通过离心率参数可以表征虫卵外形的扁平程度,因此选择离心率作为虫卵的特征参数。
步骤9、根据步骤8中得到的各连通区域的面积和离心率参数对连通区域进行初步筛选,设置连通区域面积和离心率条件,面积在300和800之间,离心率在0.6和1.0之间,保留填充二值图像中符合条件的连通区域,不符合条件的连通区域包含的像素值全部置为零,得到筛选后的二值图像,如附图图8所示。
步骤说明:由于二值化后的图像中连通区域数目较大,在后续处理过程中需要对每一个连通区域进行处理,这样算法的计算量就大大增加,算法的处理速度就会大大降低,实际上,大多数连通区域与虫卵连通区域面积和离心率特征差异很大,可以将面积和离心率过大或过小的连通区域剔除。比较图8和图7可以看出,经过筛选后的图8中连通区域比图7中连通区域数目少了很多。因此为了减少后续过程中的计算量,先通过连通区域的面积和离心率特征对连通区域进行初步筛选,将不符合条件的连通区域剔除,这样就可以大大减少后续处理过程中的计算量,提高处理速度。
步骤10、对步骤9中得到的筛选后的二值图像用半径为4的圆形结构体进行腐蚀处理,得到腐蚀后的二值图像,如附图图9所示。
步骤说明:人体粪便中的杂质较多,杂质很容易与虫卵相连,与杂质相连后的虫卵形态特征将发生很大变化,形态特征不再符合一般虫卵的形态特征,在后续识别检测过程中就会将与杂质相连的虫卵剔除,这样就会造成漏检。因此,该项目中需要将杂质与虫卵进行分离,通过腐蚀处理可以将与虫卵相连的小的杂质腐蚀掉,将大的杂质与虫卵进行分离,从而保持虫卵的形态特征,减小漏检。对比图9和图8中的虫卵对象可以看出,图8中的虫卵与小的线型的毛刺和小的凸起相连,在图9中与虫卵相连的小的毛刺和凸起已经被腐蚀掉了,虫卵恢复了正常的形态。
步骤11、对步骤10中得到的腐蚀后的二值图像使用半径为5的圆形结构体元素进行膨胀处理,得到膨胀后的二值图像,如附图图10所示。
步骤说明:在步骤10的处理过程中,虽然达到了将与虫卵相连的杂质剔除的目的,但在剔除杂质的同时改变了虫卵二值图像的形态特征,虽然虫卵的形态特征变化不大,但对于虫卵的识别精度有影响,可能会造成误检率和漏检率的提高,因此使用膨胀处理,使得虫卵的形态特征恢复,尽可能保持虫卵的形态不变。
步骤12、对步骤11中得到的膨胀后的二值图像进行八连通区域标记,并统计连通区域个数。
步骤13、计算步骤12中标记后的各连通区域的面积、离心率、椭圆硬度和圆形度特征参数。
步骤说明:所有这些特征都是用来表征虫卵的形态特征,这些特征参数在后续步骤中作为判断连通区域是否是虫卵的判断条件。
步骤13、具体通过以下过程实现:
计算步骤12中标记后的各连通区域的面积、离心率、圆形度、椭圆硬度参数,用于对寄生虫虫卵的识别分类。
各参数说明如下
(1)离心率:表征与虫卵连通区域具有相同二阶矩的椭圆的的扁平程度,大小在0~1,离心率越大,说明连通区域越扁,离心率越小,说明连通区域越接近于圆。
(2)椭圆硬度参数:表征连通区域接近于椭圆形状的程度,该特征参数最小值为1,当椭圆硬度等于1时,说明该连通区域为椭圆,该特征参数越大,说明该连通区域与椭圆形状相差越大。
(3)圆形度:表征连通区域与圆的接近程度,大小范围为0~1,圆形度越接近1,说明连通区域形状越接近于圆形。
圆形度C=(4*pi*S)/L^2
其中pi为圆周率,S为连通区域面积,L为连通区域周长。
步骤14、根据步骤13中得到的四种特征参数对各连通区域进行识别判断,判断是否为虫卵,识别结果如附图图11所示。
步骤说明:设定的条件是:面积在300和560之间,椭圆硬度参数在1.0和1.02之间,离心率在0.75和0.94之间,圆形度0.72和0.88之间,对于符合条件的连通区域判定为虫卵。
本发明基于形态特征的粪便样本图像中寄生虫虫卵检测方法,达到了同时保证高效率和高准确率的检测目标。
Claims (10)
1.一种基于形态特征的粪便样本中寄生虫虫卵检测方法,包括以下步骤:
步骤1、通过向粪便样本中添加溶剂,将样本稀释,用显微镜将稀释后的样本进行放大,然后使用CCD相机拍摄经过显微镜放大后的彩色样本图片;
步骤2、对步骤1中得到的虫卵彩色放大样本图像进行灰度化处理,得到虫卵样本图像的灰度图像;
步骤3、对步骤2中得到的灰度图像进行灰度闭运算处理,得到经过灰度闭运算处理后的新灰度图像;
步骤4、将步骤3中得到的新灰度图像与原灰度图像进行相减,得到目标灰度图像,当像素点差值小于零时,将其置为零;
步骤5、采用固定阈值法对步骤4中得到的目标灰度图像进行二值化处理,得到二值图像;
步骤6、对步骤5中得到的二值图像进行孔洞填充处理,得到填充处理后的二值图像;
步骤7、对步骤6中填充后的二值图像进行连通区域标记,并统计连通区域的个数;
步骤8、对步骤7中得到的连通区域,计算每一个连通区域的面积和离心率参数;
步骤9、根据步骤8中得到的各连通区域的面积和离心率参数对连通区域进行初步筛选,对于符合条件的连通区域进行保留,不符合条件的连通区域包含的像素值全部置为零,得到初步筛选后的二值图像;
步骤10、对步骤9中得到的筛选后的二值图像进行腐蚀处理,得到腐蚀后的二值图像,如附图图9所示;
步骤11、对步骤10中得到的腐蚀后的二值图像进行膨胀处理,得到膨胀后的二值图像;
步骤12、对步骤11中得到的膨胀后的二值图像进行八连通区域标记,并统计连通区域个数;
步骤13、计算步骤12中标记后的各连通区域的面积、离心率、椭圆硬度和圆形度特征参数;
步骤14、根据步骤13中得到的四种特征参数对各连通区域进行识别判断,判断是否为虫卵,并判断所属虫卵的种类,识别虫卵结果图像。
2.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤1,具体通过以下过程实现:
首先获取粪便样本,然后向样本中添加稀释溶剂,以稀释后的样本中杂质与虫卵能够分离为标准,再对稀释后的样本使用放大倍数为10倍的显微镜进行放大,最后使用CCD相机拍摄经显微镜放大后的样本,获得样本图片。
3.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤3灰度闭运算的具体方法为用半径为19的圆形结构元素对灰度图像进行灰度膨胀运算和灰度腐蚀运算。
4.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤5,具体通过以下过程实现:
采用固定阈值对目标灰度图像进行二值化,固定阈值设为50,二值化时逐个比较所述灰度图像中的所有像素点的灰度值与二值化阈值,如果一个像素点的灰度值大于二值化阈值,则为该像素点赋值0,否则为该像素点赋值255。
5.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤6,具体通过以下过程实现:
背景像素和连通区域内部的孔洞像素灰度值均为零,为了填充连通区域内的孔洞,使用种子生长法找到所有背景像素点进行标记,剩下的灰度值为0的点就是连通区域内的孔洞点,将不是背景像素点的所有灰度值为零的像素点的像素值赋值为255,就达到了对图像进行填充的目的。
6.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤7,具体通过以下过程实现:
对于一个像素点,八连通区域指的是该像素点的上、下、左、右、左上、右上、左下和右下八个像素点组成的区域,是紧邻的位置和斜向相邻的位置。通过八连通区域算法将同一个连通区域内的像素点标记为相同的标号,不同的连通区域标记为不同的标号,这样就实现了对二值图像连通区域进行标记的目标;
八连通区域标记算法说明如下:
(1)判断此点八邻域中的最左、左上、最上和右上点的情况,如果都没有点,则表示一个新的区域的开始;
(2)如果此点八邻域中的最左有点,上右都有点,则标记此点为这两个中的最小的标记点,并修改大标记为小标记;
(3)如果此点八邻域中的左上有点,上右都有点,则标记此点为这两个中的最小的标记点,并修改大标记为小标记;
(4)否则按照最左,左上,最上,上右的顺序,标记此点为四个中的一个。
7.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤9,具体通过以下过程实现:
在步骤8中已经得到了各连通区域的面积和离心率特征参数,设置条件为面积在200和600之间,离心率在0.4和0.9之间,通过将各个连通区域的特征参数与设定条件进行比较,符合设定条件的连通区域保留,不符合设定条件的连通区域像素点像素值全部置为0,初步筛选后,连通区域的个数大大减小,这样就减少了后续处理过程中的计算量。
8.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤10为对步骤9中得到的筛选后的二值图像用半径为4的圆形结构体进行腐蚀处理具体通过以下过程实现:
二值图像腐蚀运算是逐点进行的,如果该点像素值为0,则不对该点进行处理,如果该点像素值为1,则扫描该点所在结构元素内的所有像素点,若结构元素内的所有像素点像素值全部为1,则该点像素值为1,否则像素值置为0。
9.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于步骤11为对步骤10中得到的腐蚀后的二值图像使用半径为5的圆形结构体元素进行膨胀处理,具体通过以下过程实现:
二值图像膨胀运算是逐点进行的,如果该点像素值为1,则不对该点进行处理,如果该点像素值为0,则扫描该点所在结构元素内的所有像素点,若结构元素内的所有像素点像素值全部为0,则该点像素值为0,否则像素值置为1。
10.如权利要求1所述的一种基于形态特征的粪便样本中寄生虫虫卵检测方法,其特征在于所述步骤14,具体实现过程如下:
根据步骤13中计算得到的各连通区域的四个特征参数,对连通区域进行识别判断,面积在300和560之间,椭圆硬度参数在1.0和1.02之间,离心率在0.75和0.94之间,圆形度0.72和0.88之间判断连通区域是寄生虫虫卵;不同种类的虫卵形态特征参数也不同,根据各类虫卵的形态特征设定特征参数范围,判断虫卵类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510053000.2A CN104700112B (zh) | 2015-02-02 | 2015-02-02 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510053000.2A CN104700112B (zh) | 2015-02-02 | 2015-02-02 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700112A true CN104700112A (zh) | 2015-06-10 |
CN104700112B CN104700112B (zh) | 2018-07-27 |
Family
ID=53347210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510053000.2A Expired - Fee Related CN104700112B (zh) | 2015-02-02 | 2015-02-02 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700112B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105344620A (zh) * | 2015-10-14 | 2016-02-24 | 合肥安晶龙电子股份有限公司 | 基于物料形状的色选方法 |
CN105403989A (zh) * | 2015-10-28 | 2016-03-16 | 清华大学 | 线虫识别系统及线虫识别方法 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
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 |
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
CN106815602A (zh) * | 2017-01-10 | 2017-06-09 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
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 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108805101A (zh) * | 2018-06-28 | 2018-11-13 | 陈静飞 | 一种基于深度学习的寄生虫虫卵的识别方法 |
CN110363056A (zh) * | 2018-12-29 | 2019-10-22 | 上海北昂医药科技股份有限公司 | 动力学视频图像中的精子识别方法 |
CN111462143A (zh) * | 2020-03-22 | 2020-07-28 | 华中科技大学 | 一种基于分水岭算法的虫体识别计数方法和系统 |
Citations (3)
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 |
CN104156951A (zh) * | 2014-07-30 | 2014-11-19 | 电子科技大学 | 一种针对支气管肺泡灌洗涂片的白细胞检测方法 |
CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
-
2015
- 2015-02-02 CN CN201510053000.2A patent/CN104700112B/zh not_active Expired - Fee Related
Patent Citations (3)
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 |
CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
CN104156951A (zh) * | 2014-07-30 | 2014-11-19 | 电子科技大学 | 一种针对支气管肺泡灌洗涂片的白细胞检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105344620A (zh) * | 2015-10-14 | 2016-02-24 | 合肥安晶龙电子股份有限公司 | 基于物料形状的色选方法 |
CN105403989A (zh) * | 2015-10-28 | 2016-03-16 | 清华大学 | 线虫识别系统及线虫识别方法 |
CN105403989B (zh) * | 2015-10-28 | 2018-03-27 | 清华大学 | 线虫识别系统及线虫识别方法 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
CN106097368B (zh) * | 2016-06-22 | 2019-05-31 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
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 |
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
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 |
CN106815602A (zh) * | 2017-01-10 | 2017-06-09 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN106815602B (zh) * | 2017-01-10 | 2019-12-10 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108805101A (zh) * | 2018-06-28 | 2018-11-13 | 陈静飞 | 一种基于深度学习的寄生虫虫卵的识别方法 |
CN110363056A (zh) * | 2018-12-29 | 2019-10-22 | 上海北昂医药科技股份有限公司 | 动力学视频图像中的精子识别方法 |
CN111462143A (zh) * | 2020-03-22 | 2020-07-28 | 华中科技大学 | 一种基于分水岭算法的虫体识别计数方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104700112B (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700112A (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
JP7015001B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
EP3633605A1 (en) | Information processing device, information processing method, and program | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN105334219A (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN107093174B (zh) | 一种pcb设计缺陷检测方法 | |
JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
US20120207379A1 (en) | Image Inspection Apparatus, Image Inspection Method, And Computer Program | |
CN106932408B (zh) | 一种基于图像处理的方格蔟污染蚕茧检测方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN104122271A (zh) | 一种基于aoi的子弹表观缺陷检测方法 | |
Samarawickrama et al. | Matlab based automated surface defect detection system for ceremic tiles using image processing | |
CN105678737B (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN105404869A (zh) | 一种基于计算机视觉的水果外形分级方法 | |
CN107967681A (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN107545572A (zh) | 图像中目标的处理方法和装置 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180727 Termination date: 20220202 |
|
CF01 | Termination of patent right due to non-payment of annual fee |