CN104778711B - 一种卵裂阶段的细胞计数定位方法 - Google Patents
一种卵裂阶段的细胞计数定位方法 Download PDFInfo
- Publication number
- CN104778711B CN104778711B CN201510202661.7A CN201510202661A CN104778711B CN 104778711 B CN104778711 B CN 104778711B CN 201510202661 A CN201510202661 A CN 201510202661A CN 104778711 B CN104778711 B CN 104778711B
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- cleavage
- localization method
- cleavage stage
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种卵裂阶段的细胞计数定位方法,包括如下步骤:1.获取卵裂阶段的细胞显微放大图像;2.将显微放大图像转换为灰度图像,并进行图像预处理,包括灰度变换,图像二值化和形态学变换;3.检测预处理后的图像的轮廓并进行多边形逼近;4.检测质心点,并计算轮廓上的近心点和远心点,远心点个数即为细胞凸包数,通过细胞凸包数即可判定卵裂细胞处于第几个发育阶段。本发明能够判断生物早期胚胎处于早期卵裂的几细胞发育阶段,识别精度高、对实际需求高的部位如凸包、卵核等细节部位同样能达到较高精度。
Description
技术领域
本发明涉及图像处理技术及细胞识别领域,具体地涉及一种生物胚胎卵裂阶段的细胞计数定位方法。
背景技术
传统的对于细胞的观察分析都是观察者采用显微镜直接进行的,这样不仅容易使观察者眼睛疲劳,而且参杂了较强的主观因素和缺少客观的定量标准,会产生较大的误差。
近年来,人们研制了许多用于细胞分析和自动识别的系统,对细胞图象进行自动分析,统计细胞个数和测量各个细胞的有关参数。这些细胞分析和自动识别系统减少了主观干扰,减轻了相关人员的工作负担,提高了分析的准确性。但这些算法用在卵裂阶段的细胞计数定位,则存在着以下缺点:识别精度不高,对细节的处理不够,特别对实际需求高的部位如凸包、卵核等细节部位处理较差。
发明内容
本发明目的在于为克服上述问题而提供一种具有识别精度高、对实际需求高的部位如凸包、卵核等细节部位处理同样能达到高精度的卵裂阶段的细胞计数定位方法。
为此,本发明公开了一种卵裂阶段的细胞计数定位方法,包括如下步骤:
S1:获取卵裂阶段的细胞显微放大图像;
S2:将显微放大图像转换为灰度图像,并进行灰度变换;
S3:利用Otsu算法寻找灰度变换后的图像的最佳阈值;
S4:利用求得的最佳阈值将灰度变换后的图像二值化;
S5:对二值化图像进行形态学变换;
S6:对形态学变换后的图像进行轮廓检测;
S7:对检测到的轮廓进行多边形逼近;
S8:检测质心点,并计算轮廓上每一点到质心的距离;
S9:比较轮廓上各点到质心距离的变化情况,将连续增加到连续减小的拐点标记为远心点,将连续减小到连续增加的拐点标记为近心点,将近心点中距离最远的点标记为针尖,远心点个数即为细胞凸包数,通过细胞凸包数即可判定卵裂细胞处于第几个发育阶段。
进一步的,所述步骤S2中的灰度变换为灰度线性拉伸。
进一步的,所述步骤S3中Otsu算法是利用类间方差作为判据,选取使类间方差最大的图像灰度作为最佳阈值。
进一步的,所述步骤S4中二值化变换函数为:
其中,T为最佳阈值。
进一步的,所述步骤S5中形态学变换为腐蚀和膨胀,使用的结构元素为3×3。
进一步的,所述步骤S7中多边形逼近的具体方法为:设原来的数字曲线为P={p1,p2,p3,p4,…,pn};指定的逼近误差门限阈值为ε,逼近多边形的顶点上界为μ,逼近后多边形为P’={p1’,p2’,p3’,p4’,···,pm’},则逼近后的多边形应该满足以下条件:
其中,Value(P)表示多边形的边长。
进一步的,所述步骤S8中质心检测的原理如下:不规则区域的矩,表示把一个归一化的灰度级图像函数理解为一个二维随机变量的概率密度。这个随机变量的属性可以用统计特征--矩来描述。通过假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述:其中x,y,i,j是区域点的坐标,具体是在数字图像中的像素坐标,f(i,j)是图像区域的灰度值。令Xc,Yc表示区域重心的坐标,则:
其中,在二值图像的情况下,M00表示区域的面积。
本发明的有益技术效果:
本发明能够自动识别出生物早期胚胎卵裂阶段细胞的位置及卵裂个数,为生物胚胎实验提供信息。具有识别精度高、且对实际需求高的部位如凸包、卵核等细节部位同样能达到高精度。同时,本发明使用阈值法与多种预处理方法结合,分割速度快,无需人为介入,降低细胞形态观察中的主观因素;采用优化的多边形逼近算法,增加质心检测环节可进行细胞图像精确定位。
附图说明
图1为本发明实施例的处理流程图;
图2为本发明实施例的细胞显微放大图;
图3为本发明实施例的二值化图;
图4为本发明实施例的形态变换后图;
图5为本发明实施例的标定结果图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
斑马鱼是一种常见的热带鱼,由于个体小,养殖花费少,能大规模繁育,且具有许多优点,吸引了众多研究者的注意。斑马鱼胚胎突变体是研究胚胎发育分子机制的优良资源,是人类疾病模型的理想模式动物。斑马鱼已经成为最受重视的脊椎动物发育生物学模式之一,在其它学科上的利用也显示很大的潜力。由于斑马鱼基因与人类基因的相似度达到87%,这意味着在其身上做药物实验所得到的结果在多数情况下也适用于人体,因此它受到生物学家的重视。斑马鱼胚胎共有七个发育阶段--合子、卵裂、囊胚、原肠、分节、咽囊,以及孵化期,每个阶段在科学研究中均具有不同的作用。因此,对斑马鱼胚胎卵裂阶段的细胞的发育情况进行分析研究就显得非常有必要。
采用本发明来对斑马鱼胚胎卵裂阶段的细胞进行定位和卵裂计数从而判断出胚胎当前所处的发育阶段具有显著效果,下面就以斑马鱼卵裂细胞为例介绍本发明,但不以此为限。
如图1所示,一种斑马鱼卵裂阶段的细胞计数定位方法,包括如下步骤:
S1:利用显微镜和CCD摄像机(或COMS摄像机)获取斑马鱼卵裂阶段的细胞显微放大图像,如图2所示。
S2:将显微放大图像转换为灰度图像,并进行灰度变换,目的是改善图像的画质从而使得目标图像的显示效果更为理想,本实施例采用OpenCV开源代码库函数进行灰度线性拉伸,增加图像对比度。其原理是:设原始的图像的像素的灰度值D=f(x,y),则处理后的图像的像素的灰度值D′=g(x,y),则灰度变换可表示为:
g(x,y)=T(f(x,y))
这个函数我们把它叫做灰度变换函数。
S3:利用Otsu算法(大津法或最大类间方差法)寻找灰度变换后的图像的最佳阈值。Otsu算法依据的原理是利用类间方差作为判据,选取使类间方差最大的图像灰度值作为最佳阈值,具体方法为:记t为前景与背景的分割阈值,前景平均灰度为u0,背景平均灰度为u1,前景点数占图像比例为w0,背景点数占图像比例为w1。则图像的总平均灰度为:u=w0×u0+w1×u1。背景和物体图象的方差:g=w0×(u0-u)2+w1×(u1-u)2=w0×w1×(u0-u1)2,当方差g取最大值的时候,我们便可以认为此时背景和物体的差异是最大的,则此时的灰度t便是最佳的阈值。
S4:利用求得的最佳阈值T将灰度变换后的图像二值化,二值化后如图3所示,二值化变换函数为:
S5:对得到的二值化图像进行形态学变换,形态学变换是指利用数字形态学提取对于描绘和表达区域形状有帮助的图像分量,比如边缘、骨架以及凸包等特征,还包含了预处理或者后处理的形态学方面的过滤、细化和修剪工作等。本实施例中,使用3×3结构元素对二值图进行腐蚀和膨胀操作,变换后的图像如图4所示。
S6:对形态学变换后的图像进行轮廓检测;
S7:对检测到的轮廓进行多边形逼近,具体方法为:设原来的数字曲线为P={p1,p2,p3,p4,…,pn};指定的逼近误差门限阈值为ε,逼近多边形的顶点上界为μ,逼近后多边形为P’={p1’,p2’,p3’,p4’,···,pm’},则逼近后的多边形应该满足以下条件:
其中Value(P)表示多边形的边长。
S8:检测图像质心点,具体方法为:不规则区域的矩,表示把一个归一化的灰度级图像函数理解为一个二维随机变量的概率密度。这个随机变量的属性可以用统计特征--矩(Moments)来描述。通过假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述:其中x,y,i,j是区域点的坐标(在数字图像中的像素坐标),f(i,j)是图像区域的灰度值。令Xc,Yc表示区域重心的坐标,则:
其中,在二值图像的情况下,M00表示区域的面积。
通过以上得到图像质心之后,再通过两点间距离公式计算轮廓上每一点到质心的距离。两点间距离公式如下所示:
∣AB∣=√(∣XA∣-∣XB∣)2+(∣YA∣-∣YB∣)2
S9:比较轮廓上各点到质心距离的变化情况,将连续增加到连续减小的拐点标记为远心点,将连续减小到连续增加的拐点标记为近心点,将近心点中距离最远的点标记为针尖,如图5所示,■为远心点,●为近心点,▲为质心。远心点个数即为细胞凸包数(卵裂个数),通过细胞凸包数即可判定卵裂细胞处于第几个发育阶段;通过质心点即可对卵裂细胞进行定位。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (7)
1.一种卵裂阶段的细胞计数定位方法,其特征在于,包括如下步骤:
S1:获取卵裂阶段的细胞显微放大图像;
S2:将显微放大图像转换为灰度图像,并进行灰度变换;
S3:利用Otsu算法寻找灰度变换后的图像的最佳阈值;
S4:利用求得的最佳阈值将灰度变换后的图像二值化;
S5:对二值化图像进行形态学变换;
S6:对形态学变换后的图像进行轮廓检测;
S7:对检测到的轮廓进行多边形逼近;
S8:检测质心点,并计算轮廓上每一点到质心的距离;
S9:比较轮廓上各点到质心距离的变化情况,将连续增加到连续减小的拐点标记为远心点,将连续减小到连续增加的拐点标记为近心点,将近心点中距离最远的点标记为针尖,远心点个数即为细胞凸包数,通过细胞凸包数即可判定卵裂细胞处于第几个发育阶段。
2.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S2中的灰度变换为灰度线性拉伸。
3.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S3中Otsu算法是利用类间方差作为判据,选取使类间方差最大的图像灰度值作为最佳阈值。
4.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S4中二值化变换函数为:
其中,T为最佳阈值。
5.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S5中形态学变换为腐蚀和膨胀,使用的结构元素为3×3。
6.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S7中多边形逼近的具体方法为:设原来的数字曲线为P={p1,p2,p3,p4,…,pn};指定的逼近误差门限阈值为ε,逼近多边形的顶点上界为μ,逼近后多边形为P’={p1’,p2’,p3’,p4’,···,pm’},则逼近后的多边形应该满足以下条件:
其中Value(P)表示多边形的边长。
7.根据权利要求1所述的卵裂阶段的细胞计数定位方法,其特征在于:所述步骤S8中质心检测的原理如下:不规则区域的矩,表示把一个归一化的灰度级图像函数理解为一个二维随机变量的概率密度,这个随机变量的属性可以用统计特征--矩来描述,通过假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述:其中x,y,i,j是区域点的坐标,具体是在数字图像中的像素坐标,f(i,j)是图像区域的灰度值,令Xc,Yc表示区域重心的坐标,则:
其中,在二值图像的情况下,M00表示区域的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202661.7A CN104778711B (zh) | 2015-04-27 | 2015-04-27 | 一种卵裂阶段的细胞计数定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202661.7A CN104778711B (zh) | 2015-04-27 | 2015-04-27 | 一种卵裂阶段的细胞计数定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778711A CN104778711A (zh) | 2015-07-15 |
CN104778711B true CN104778711B (zh) | 2018-06-08 |
Family
ID=53620157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510202661.7A Expired - Fee Related CN104778711B (zh) | 2015-04-27 | 2015-04-27 | 一种卵裂阶段的细胞计数定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778711B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106289187A (zh) * | 2016-07-20 | 2017-01-04 | 广东大仓机器人科技有限公司 | 一种通过图像识别实现机器人室内定位的方法 |
CN106251695B (zh) * | 2016-09-29 | 2019-07-09 | 成都通甲优博科技有限责任公司 | 基于车位状态监控的目的地停车位智能推荐系统及方法 |
CN106485708B (zh) * | 2016-10-11 | 2018-12-28 | 南京航空航天大学 | 一种基于图像识别的圆木计数方法 |
CN107561264B (zh) * | 2017-09-05 | 2020-03-27 | 齐鲁工业大学 | 基于图像处理的β淀粉样斑块识别和测量方法 |
CN109685783B (zh) * | 2018-12-18 | 2021-06-01 | 东北大学 | 一种基于骨架提取的细胞计数方法 |
CN110132823A (zh) * | 2019-05-15 | 2019-08-16 | 林伟阳 | 一种基于模板匹配与查找轮廓的细胞计数方法 |
CN111126329A (zh) * | 2019-12-30 | 2020-05-08 | 杭州原生生物科技有限公司 | 一种自动识别多能干细胞群的方法 |
CN111242014A (zh) * | 2020-01-10 | 2020-06-05 | 天津理工大学 | 尿沉渣细胞显微图像的液滴成像方法及装置 |
CN111681209B (zh) * | 2020-05-15 | 2022-06-07 | 武汉互创联合科技有限公司 | 卵裂球分裂状态智能检测系统 |
CN114495098B (zh) * | 2022-01-30 | 2023-04-18 | 中国南水北调集团中线有限公司 | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 |
CN116869489A (zh) * | 2023-09-06 | 2023-10-13 | 武汉互创联合科技有限公司 | 基于形态学特征分析的胚胎发育阶段预测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104531827A (zh) * | 2014-12-17 | 2015-04-22 | 厦门大学 | 细胞质量评价的方法 |
-
2015
- 2015-04-27 CN CN201510202661.7A patent/CN104778711B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104531827A (zh) * | 2014-12-17 | 2015-04-22 | 厦门大学 | 细胞质量评价的方法 |
Non-Patent Citations (1)
Title |
---|
基于视觉反馈的自动化显微操作方法研究;王一了;《南开大学硕士学位伦文》;20131231;第2.3.2节,第4.2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778711A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778711B (zh) | 一种卵裂阶段的细胞计数定位方法 | |
Versari et al. | Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform | |
CN114220124A (zh) | 一种近红外-可见光跨模态双流行人重识别方法及系统 | |
CN102663406A (zh) | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 | |
Lomte et al. | Plant leaves image segmentation techniques: a review | |
AU2020100301A4 (en) | Method and system for recognizing and tracing river crab based on computer implemented image recognition | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN108985339A (zh) | 一种基于目标识别与knn算法的超市仓库货物识别分类方法 | |
CN110533648A (zh) | 一种黑头识别处理方法及系统 | |
Abdulazeez et al. | Leaf identification based on shape, color, texture and vines using probabilistic neural network | |
CN115731282A (zh) | 基于深度学习的水下鱼类重量估计方法、系统及电子设备 | |
CN101777122B (zh) | 一种角毛藻显微图像细胞目标提取方法 | |
CN110532941A (zh) | 一种常见藻类的特征图像提取方法 | |
CN106326914B (zh) | 一种基于svm的珍珠多分类方法 | |
Yang et al. | Shape-based classification of environmental microorganisms | |
CN117495851B (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
CN105243390B (zh) | 昆虫图像检测方法以及昆虫分类方法 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
CN107194319B (zh) | 基于支持向量机排序的有丝分裂定位和识别的方法 | |
Du et al. | Cell cycle phase classification in 3D in vivo microscopy of Drosophila embryogenesis | |
Hu et al. | Image segmentation method for crop nutrient deficiency based on fuzzy C-Means clustering algorithm | |
CN109472797A (zh) | 基于计算机视觉技术的水产养殖鱼三维坐标获取方法 | |
Niemisto et al. | A K-means segmentation method for finding 2-D object areas based on 3-D image stacks obtained by confocal microscopy | |
Rahali et al. | New foreground markers for Drosophila cell segmentation using marker-controlled watershed. | |
Kaiyan et al. | A real time image segmentation approach for crop leaf |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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: 20180608 Termination date: 20200427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |