CN105420107A - 一种基于菌落形态特征的菌落自动筛选方法 - Google Patents
一种基于菌落形态特征的菌落自动筛选方法 Download PDFInfo
- Publication number
- CN105420107A CN105420107A CN201510765311.1A CN201510765311A CN105420107A CN 105420107 A CN105420107 A CN 105420107A CN 201510765311 A CN201510765311 A CN 201510765311A CN 105420107 A CN105420107 A CN 105420107A
- Authority
- CN
- China
- Prior art keywords
- bacterium colony
- region
- colony
- value
- formula
- 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.)
- Pending
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N1/00—Microorganisms, e.g. protozoa; Compositions thereof; Processes of propagating, maintaining or preserving microorganisms or compositions thereof; Processes of preparing or isolating a composition containing a microorganism; Culture media therefor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Organic Chemistry (AREA)
- Zoology (AREA)
- Biotechnology (AREA)
- Wood Science & Technology (AREA)
- Microbiology (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Virology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tropical Medicine & Parasitology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于菌落形态特征的菌落自动筛选方法,其步骤为:(1).输入菌落图像;(2).建立菌落图像像素坐标系同世界空间坐标系的转换模型;(3).对上述获取后的菌落图像进行预处理,获取预处理后的菌落图像;(4).对上述处理后的菌落图像进行图像二值化处理,得到二值菌落图像,对二值菌落图像按照连通原则分割图像,分割后得到二值菌落区域;(5).计算二值菌落区域的形态特征;(6).对上述步骤(5)中获取的菌落进行筛选。该方法根据菌落个体的形态特征对菌落进行筛选,并与优良菌落形态特征样本库进行比较,以保证菌落的筛选准确率,因此具有很高的普遍性,同时通过在菌落挑选仪上的大量菌落筛选实验,证明了本发明的方法对菌落筛选的准确性与精密度。
Description
技术领域
本发明涉及一种生物医学图像处理领域,具体涉及一种基于菌落形态特征的菌落自动筛选方法。
背景技术
菌落培养是农业、食品、医药卫生分析中进行质量检测以及抗生素类药品制作中一项基本的工作,而菌落筛选与统计又是其中最重要的一个环节。通过菌落筛选可以为制药挑选出优质高产菌种。菌落筛选工作的经验表明,菌落的优劣与其生物学特性有一定关系,而菌落形态正是重要的生物学特征之一。以往菌落筛选与统计的工作大都是工作人员通过肉眼对培养皿的观察,得到大概的菌落大小、形状和颜色,进而对菌落进行分类、筛选和统计。这种做法对工作人员的专业性要求高、工作繁琐、具有较强的主观性、误差大、重现性不好。此外,一般菌落筛选所用试验样品量往往比较大,传统的人工筛选的方法周期长、效率低、工序繁杂,需要一种更为有效的筛选方法。
现有方式大多采用全局阈值法作为菌落识别筛选方式,依然存在图像处理时间长、对培养基颜色近似的菌落识别率低、误筛选率较大的缺点。
发明内容
本发明的目的在于针对现在菌落筛选技术存在的不足,提供一种基于菌落形态特征的菌落自动筛选方法,该方法能克服人工观察的主观性,不仅提高菌落筛选效率,还能提高菌落筛选的准确率,具有广泛的应用前景。
为达到上述目的,本发明采用下述技术方案:
一种基于菌落形态特征的菌落自动筛选方法,其步骤为:
(1).输入菌落图像;
(2).建立菌落图像像素坐标系同世界空间坐标系的转换模型;
(3).对上述获取后的菌落图像进行预处理,获取预处理后的菌落图像;
(4).对上述处理后的菌落图像进行图像二值化处理,得到二值菌落图像,对二值菌落图像按照连通原则分割图像,分割后得到二值菌落区域;
(5).计算二值菌落区域的形态特征;
(6).对上述步骤(5)中获取的菌落进行筛选。
上述步骤(3)中所述预处理包括:对菌落图像进行图像灰度化、图像缩放、图像滤波、图像锐化。
上述步骤(5)中所述的计算二值菌落区域的形态特征,具体是:分别计算二值菌落区域的面积、二值菌落区域的周长、二值菌落区域的最大长径、二值菌落区域的最小短径、二值菌落区域的形状特征参数,其中,
所述的计算二值菌落区域的面积,记为S,其计算式为:
式(1)中, g(x,y)为坐标(x,y)的梯度值,r为设定的分割阈值;
所述的计算二值菌落区域的周长,记为L,其计算公式为:
式(2)中,
所述的计算二值菌落区域的最大长径,记为Dmax,其计算式为:
式(3)中,(xa,ya)、(xb,yb)分别为二值菌落区域的最大长径两端端点的坐标;
所述的计算二值菌落区域的最小短径,记为Dmin,其计算式为:
式(4)中,(xa,ya)、(xb,yb)分别为二值菌落区域的最大长径两端端点的坐标,(xi,yi)为二值菌落边缘上第i个点的坐标;
所述的计算二值菌落的区域的形状特征具体是分别定义二值菌落的区域偏心率、二值菌落的区域矩形度、二值菌落的区域形状参数,其中,
所述的二值菌落的区域偏心率为椭圆的焦距与主轴长度间距离之比,记为e,其表达式为:
e=c/a(5)
式(5)中,a为二值菌落的区域半长径,a=Dmax/2,c为二值菌落的区域焦距,其计算公式如下:
式(6)中,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的定义二值菌落的区域矩形度,记为R,其表达式为:
R=S/(Dmax·Dmin)(7)
式(7)中,S为二值菌落的区域面积,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的二值菌落的区域形状参数,记为C2,其表达式为:
C2=L2/4πS(8)
式(8)中,S为二值菌落的区域面积,L为二值菌落的区域周长。
上述步骤(6)中对上述步骤(5)中获取的菌落进行筛选,具体包括:
(6-1).预先建立优良菌落形态特征样本库,设定样本库中的优良菌落形态特征参数为优良菌落样本参数;
(6-2).将上述步骤(5)中获取的菌落特征参数与上述示范样本库中优良菌落参数相比较,当上述步骤(5)中获取的菌落特征参数与预选设定的示范样本库中菌落参数匹配一致时,则认定该菌落为优良菌落,筛选出优良菌落。
本发明方法与现有技术相比,具有如下显而易见的突出实质性特点和显著优点:
本发明的一种基于菌落形态特征的菌落自动筛选方法,该方法根据菌落个体的形态特征对菌落进行筛选,并与优良菌落形态特征样本库进行比较,以保证菌落的筛选准确率,因此具有很高的普遍性,同时通过在菌落挑选仪上的大量菌落筛选实验,证明了本发明的方法对菌落筛选的准确性与精密度。因此在生物医学图像处理和生物制药领域中,均有广泛的应用前景。
附图说明
图1为本发明的一种基于菌落形态特征的菌落自动筛选方法的流程图;
具体实施方式
下面结合附图对本发明实施方式做进一步地详细描述。
如图1所示,本发明的一种基于菌落形态特征的菌落自动筛选方法,其具体步骤如下:
(1).输入菌落图像
使用高分辨率摄像头采集菌落图像,采集的菌落图像为彩色数字图像,图像中的每个像素点用R、G、B三个颜色分量来表征;
(2).建立菌落图像像素坐标系同世界空间坐标系的转换模型;
(3).对上述获取后的菌落图像进行预处理,获取预处理后的菌落图像,具体包括:对菌落图像进行图像灰度化处理、图像缩放、图像滤波、图像锐化;
(4).对上述处理后的菌落图像进行图像二值化处理,得到二值菌落图像,对二值菌落图像按照连通原则分割图像,分割后得到二值菌落区域;
(5).计算二值菌落区域的形态特征,具体为分别计算二值菌落区域的面积、二值菌落区域的周长、二值菌落区域的最大长径、二值菌落区域的最小短径、二值菌落区域的形状特征参数,其具体如下:
所述的计算二值菌落区域的面积,记为S,其计算式为:
式(1)中, g(x,y)为坐标(x,y)的梯度值,r为设定的分割阈值;
所述的计算二值菌落区域的周长,记为L,其计算公式为:
式(2)中,
所述的计算二值菌落区域的最大长径,记为Dmax,其计算式为:
式(3)中,(xa,ya)、(xb,yb)分别为二值菌落区域的最大长径两端端点的坐标;
所述的计算二值菌落区域的最小短径,记为Dmin,其计算式为:
式(4)中,(xa,ya)、(xb,yb)分别为二值菌落区域的最大长径两端端点的坐标,(xi,yi)为二值菌落边缘上第i个点的坐标;
所述的计算二值菌落的区域的形状特征参数,具体是分别定义二值菌落的区域偏心率、二值菌落的区域矩形度、二值菌落的区域形状参数,其中,
所述的计算二值菌落的区域的形状特征参数,其具体是,分别定义二值菌落的区域偏心率、二值菌落的区域矩形度、二值菌落的区域形状参数,其中:所述的二值菌落的区域偏心率定义为椭圆的焦距与主轴长度间距离之比,记为e,其表达式为:
e=c/a(5)
式(5)中,a为二值菌落的区域半长径,其计算式为:a=Dmax/2;c为二值菌落的区域焦距,其计算公式如下:
式(6)中,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的定义二值菌落的区域矩形度定义为二值菌落的区域面积与二值菌落的区域长径与二值菌落的区域短径相乘积之比,记为R,其表达式为:
R=S/(Dmax·Dmin)(7)
式(7)中,S为二值菌落的区域面积,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的二值菌落的区域形状参数定义为二值菌落的区域面积与二值菌落的区域周长之比,记为记为C2,其计算式如下:
C2=L2/4πS(8)
式(8)中,S为二值菌落的区域面积,L为二值菌落的区域周长;
(6).对上述步骤(5)中获取的菌落进行筛选,具体包括:
(6-1).预先建立优良菌落形态特征样本库,设定样本库中的优良菌落形态特征参数为优良菌落样本参数;
(6-2).将上述步骤(5)中获取的菌落特征参数与上述示范样本库中优良菌落参数相比较,当上述步骤(5)中获取的菌落特征参数与预选设定的示范样本库中菌落参数匹配一致时,则认定该菌落为优良菌落,筛选出优良菌落。
本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。
Claims (4)
1.一种基于菌落形态特征的菌落自动筛选方法,其特征在于,该方法具体步骤为:
(1).输入菌落图像;
(2).建立菌落图像像素坐标系同世界空间坐标系的转换模型;
(3).对上述获取后的菌落图像进行预处理,获取预处理后的菌落图像;
(4).对上述处理后的菌落图像进行图像二值化处理,得到二值菌落图像,对二值菌落图像按照连通原则分割图像,分割后得到二值菌落区域;
(5).计算二值菌落区域的形态特征;
(6).对上述步骤(5)中获取的菌落进行筛选。
2.根据权利要求1所述的一种基于菌落形态特征的菌落自动筛选方法,其特征在于,上述步骤(3)中所述预处理包括:对菌落图像进行图像灰度化、图像缩放、图像滤波、图像锐化。
3.根据权利要求1所述的一种基于菌落形态特征的菌落自动筛选方法,其特征在于,上述步骤(5)中所述的计算二值菌落区域的形态特征,具体是:
分别计算二值菌落区域的面积、二值菌落区域的周长、二值菌落区域的最大长径、二值菌落区域的最小短径、二值菌落区域的形状特征参数,其中,
所述的计算二值菌落区域的面积,记为S,其计算式为:
式(1)中, g(x,y)为坐标(x,y)的梯度值,r为设定的分割阈值;
所述的计算二值菌落区域的周长,记为L,其计算公式为:
式(2)中,
所述的计算二值菌落区域的最大长径,记为Dmax,其计算式为:
式(3)中,(xa,ya)、(xb,yb)分别为最大长径两端端点的坐标;
所述的计算二值菌落区域的最小短径,记为Dmin,其计算式为:
式(4)中,(xa,ya)、(xb,yb)分别为二值菌落区域的最大长径两端端点的坐标,(xi,yi)为二值菌落边缘上第i个点的坐标;
所述的计算二值菌落的区域的形状特征具体是分别定义二值菌落的区域偏心率、二值菌落的区域矩形度、二值菌落的区域形状参数,其中,
所述的二值菌落的区域偏心率为椭圆的焦距与主轴长度间距离之比,记为e,其表达式为:
e=c/a(5)
式(5)中,a为二值菌落的区域半长径,其计算式为:a=Dmax/2,c为二值菌落的区域焦距,其计算公式如下:
式(6)中,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的定义二值菌落的区域矩形度,记为R,其表达式为:
R=S/(Dmax·Dmin)(7)
式(7)中,S为二值菌落的区域面积,Dmax为二值菌落的区域长径,Dmin为二值菌落的区域短径;
所述的二值菌落的区域形状参数,记为C2,其表达式为:
C2=L2/4πS(8)
式(8)中,S为二值菌落的区域面积,L为二值菌落的区域周长。
4.根据权利要求1所述的一种基于菌落形态特征的菌落自动筛选方法,其特征在于,上述步骤(6)中对上述步骤(5)中获取的菌落进行筛选,具体包括:
(6-1).预先建立优良菌落形态特征样本库,设定样本库中的优良菌落形态特征参数为优良菌落样本参数;
(6-2).将上述步骤(5)中获取的菌落特征参数与上述示范样本库中优良菌落参数相比较,当上述步骤(5)中获取的菌落特征参数与预选设定的示范样本库中菌落参数匹配一致时,则认定该菌落为优良菌落,筛选出优良菌落。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510765311.1A CN105420107A (zh) | 2015-11-11 | 2015-11-11 | 一种基于菌落形态特征的菌落自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510765311.1A CN105420107A (zh) | 2015-11-11 | 2015-11-11 | 一种基于菌落形态特征的菌落自动筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105420107A true CN105420107A (zh) | 2016-03-23 |
Family
ID=55498651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510765311.1A Pending CN105420107A (zh) | 2015-11-11 | 2015-11-11 | 一种基于菌落形态特征的菌落自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105420107A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204560A (zh) * | 2016-07-02 | 2016-12-07 | 上海大学 | 菌落挑选仪自动标定方法 |
CN106295572A (zh) * | 2016-03-30 | 2017-01-04 | 李辰 | 细菌鉴定方法及装置 |
CN106447020A (zh) * | 2016-09-13 | 2017-02-22 | 上海海事大学 | 一种智能菌落计数方法 |
CN106485313A (zh) * | 2016-10-18 | 2017-03-08 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种菌落快速记数方法 |
CN109948544A (zh) * | 2019-03-20 | 2019-06-28 | 南京师范大学 | 一种目标菌落自动定位与识别方法 |
CN110088263A (zh) * | 2016-11-04 | 2019-08-02 | 伯克顿迪金森公司 | 用于选择菌落的系统和方法 |
CN111178173A (zh) * | 2019-12-14 | 2020-05-19 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
CN111968174A (zh) * | 2020-09-03 | 2020-11-20 | 山东省蚕业研究所 | 一种菌落面积的测量方法及其应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN102024259A (zh) * | 2010-12-24 | 2011-04-20 | 刘安安 | 一种菌落自动检测方法 |
CN103865786A (zh) * | 2014-03-27 | 2014-06-18 | 程涛 | 细菌检测方法及系统 |
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
-
2015
- 2015-11-11 CN CN201510765311.1A patent/CN105420107A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
CN102024259A (zh) * | 2010-12-24 | 2011-04-20 | 刘安安 | 一种菌落自动检测方法 |
CN103865786A (zh) * | 2014-03-27 | 2014-06-18 | 程涛 | 细菌检测方法及系统 |
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
Non-Patent Citations (4)
Title |
---|
任秀: "食品中沙门氏菌快速检测方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
张超楠: "食品中金黄色葡萄球菌的快速检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
殷涌光 等: "基于计算机视觉的蔬菜中活菌总数快速检测", 《农业工程学报》 * |
门洪 等: "基于图像处理的异养菌菌落计数方法研究", 《化工自动化及仪表》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295572A (zh) * | 2016-03-30 | 2017-01-04 | 李辰 | 细菌鉴定方法及装置 |
CN106204560A (zh) * | 2016-07-02 | 2016-12-07 | 上海大学 | 菌落挑选仪自动标定方法 |
CN106204560B (zh) * | 2016-07-02 | 2019-04-16 | 上海大学 | 菌落挑选仪自动标定方法 |
CN106447020B (zh) * | 2016-09-13 | 2018-11-23 | 上海海事大学 | 一种智能菌落计数方法 |
CN106447020A (zh) * | 2016-09-13 | 2017-02-22 | 上海海事大学 | 一种智能菌落计数方法 |
CN106485313A (zh) * | 2016-10-18 | 2017-03-08 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种菌落快速记数方法 |
CN106485313B (zh) * | 2016-10-18 | 2018-09-28 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种菌落快速记数方法 |
CN110088263A (zh) * | 2016-11-04 | 2019-08-02 | 伯克顿迪金森公司 | 用于选择菌落的系统和方法 |
CN110088263B (zh) * | 2016-11-04 | 2023-09-29 | 伯克顿迪金森公司 | 用于选择菌落的系统和方法 |
CN109948544A (zh) * | 2019-03-20 | 2019-06-28 | 南京师范大学 | 一种目标菌落自动定位与识别方法 |
CN111178173A (zh) * | 2019-12-14 | 2020-05-19 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
CN111178173B (zh) * | 2019-12-14 | 2022-02-11 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
CN111968174A (zh) * | 2020-09-03 | 2020-11-20 | 山东省蚕业研究所 | 一种菌落面积的测量方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105420107A (zh) | 一种基于菌落形态特征的菌落自动筛选方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN102024259B (zh) | 一种菌落自动检测方法 | |
CN106295789B (zh) | 一种基于图像处理的作物种子计数方法 | |
CN104751117B (zh) | 一种用于采摘机器人的莲蓬目标图像识别方法 | |
CN103955937A (zh) | 基于数字图像处理微藻自动计数方法 | |
CN104846054A (zh) | 一种基于形态学特征的白带中霉菌的自动检测方法 | |
CN109284771A (zh) | 一种番茄生长模型判定方法及装置 | |
CN104198355A (zh) | 一种粪便中红细胞自动检测方法 | |
CN106157266A (zh) | 一种果园果实图像获取方法 | |
CN109215040A (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
CN105447860B (zh) | 一种麦苗计数方法 | |
CN103729621A (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN105300302A (zh) | 布氏硬度压痕圆直径的测量方法 | |
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 | |
CN107808396A (zh) | 易于图像分割的线虫识别方法及系统 | |
CN103955925B (zh) | 基于分块固定最小采样的改进概率霍夫变换曲线检测方法 | |
CN106951824A (zh) | 基于无人机遥感影像提取玉米植株叶色的方法及系统 | |
CN109657578A (zh) | 基于变分模态分解与拉普拉斯特征映射的特征提取方法 | |
Minoi et al. | Mobile vision-based automatic counting of bacteria colonies | |
CN108918398A (zh) | 一种循环肿瘤细胞检测方法 | |
CN113627329A (zh) | 基于混合卷积网络的小麦种子高光谱图像分类方法及系统 | |
CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
CN103235935A (zh) | 一种白粉虱种群密度的估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |