CN105447527A - 采用图像识别技术将环境微生物进行分类的方法和系统 - Google Patents
采用图像识别技术将环境微生物进行分类的方法和系统 Download PDFInfo
- Publication number
- CN105447527A CN105447527A CN201511015943.2A CN201511015943A CN105447527A CN 105447527 A CN105447527 A CN 105447527A CN 201511015943 A CN201511015943 A CN 201511015943A CN 105447527 A CN105447527 A CN 105447527A
- Authority
- CN
- China
- Prior art keywords
- environmental microorganism
- microorganism
- classification
- environmental
- classifying
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及环境微生物分类技术领域,本发明公开了一种采用图像识别技术将环境微生物进行分类的方法,具体为:步骤一、构建环境微生物分类模型;步骤二、获取需要分类的环境微生物的显微图片,选定环境微生物所在的区域,采用边缘检测获得环境微生物的边缘分布;步骤三、获取全局形状特征和局部形状特征,分类模型根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。通过构建分类模型,根据图片就可以实现环境微生物的分类,避免DNA检测的复杂性,在分类的过程中既判断图像的全局形状特征,也判断图像的局部形状特征,提高了最终的微生物分类的准确率。
Description
技术领域
本发明涉及环境微生物分类技术领域,尤其涉及一种采用图像识别技术将环境微生物进行分类的方法和系统。
背景技术
微生物在自然界中是无处不在,无处不有的,数目巨大。微生物对于地球上的生命是至关重要的,它们可以将重要的元素转换为能量,保持大气中的化学平衡,为植物和动物提供养分。微生物还可以用于实现许多商业目的,如制造抗生素、提高农业效率以及生产生物燃料。此外还有一小部分微生物对人有害,导致各种疾病的发生。从历史观点来看,微生物研究主要集中于研究个体物种。
现有技术中要将环境微生物进行分类通常采用的方法是:将DNA标签序列与已知数据库中的已知序列进行比对,并根据比对结果确定DNA标签序列的所属分类。从而实现环境微生物的分类,但这样的分类方法需要检测DNA的序列,导致分类过程复杂,难以实现。
发明内容
本发明的目的是针对现有技术中的分类方法实现过程复杂的技术问题,本发明公开了一种采用图像识别技术将环境微生物进行分类的方法和系统。
本发明的技术方案如下:
本发明公开了一种采用图像识别技术将环境微生物进行分类的方法,其具体包括以下的步骤:步骤一、构建环境微生物分类模型,采用原始环境微生物显微图片对分类模型进行训练;步骤二、获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域,在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;步骤三、获取二值图的全局形状特征和局部形状特征,分类模型根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。通过构建分类模型,根据图片就可以实现环境微生物的分类,在分类的过程中既判断图像的全局形状特征,也判断图像的局部形状特征,提高了最终的微生物分类的准确率。
更进一步地,上述边缘检测具体为Sobel边缘检测或者Canny边缘检测。通过边缘检测检测出环境微生物的图像边缘,以便于后续的分类。
更进一步地,上述全局形状特征为:边缘柱状图描述子、几何特征、傅里叶描述子和内部结构柱状图其中的一种、或其中任意两种或任意三种的结合、或者四种全部包括。全局形状特征结合局部形状特征,提高了分类的准确性。
更进一步地,上述方法还包括对形状签名进行傅里叶变换,形状签名中的主要信息通过低阶傅里叶系数表示出来,高阶傅里叶系数则用于表示细节信息,经过傅里叶变换的形状签名呈镜面对称的结构。
更进一步地,上述局部形状特征为SIFT特征、RGB-SIFT特征、成对的SIFT特征、或者快速SIFT其中的一种。
更进一步地,上述SIFT特征采用以下的方式进行提取:首先在尺度空间中寻找极值点,接着提取出这些极值点的位置、尺度和旋转不变参数,最后形成一个128维度的特征向量:SIFT=[s1,s2,…,s128]T。
更进一步地,上述分类采用SVM分类器实现。
更进一步地,上述分类器为“两类SVM分类器”(,英文为Two-classSVMClassifier,而不是说有两种类型的分类器)。由于分类结果明确,所以更适合进行后期特征融合来增环境微生物分类结果。
更进一步地,上述合并过程具体如下:首先,利用五个独立的特征向量与两类SVM分类器进行环境微生物分类并得到相应分类分数,其次,利用网格式方法对SVM分数进行优化,并得到能够产生最佳分类结果的权重组合,最后,这个最优的权重组合被应用在整个环境微生物分类之中。
本发明还公开了一种采用图像识别技术将环境微生物进行分类的系统,其具体包括模型构建单元、模型训练单元、环境微生物显微图片获取单元、边缘检测单元、全局形状特征获取单元、局部形状特征获取单元和分类器;所述模型构建单元用于构建环境微生物分类模型;所述模型训练单元用于采用原始环境微生物显微图片对分类模型进行训练;所述环境微生物显微图片获取单元用于获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域;所述边缘检测单元用于在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;所述全局形状特征获取单元用于获取二值图的全局形状特征;所述局部形状特征获取单元用于获取局部形状特征;所述分类模型中的分类器用于根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。通过构建分类模型,根据图片就可以实现环境微生物的分类,避免DNA检测的复杂,在分类的过程中既判断图像的全局形状特征,也判断图像的局部形状特征,提高了最终的微生物分类的准确率。
通过采用以上的技术方案,本发明的有益效果是:本发明的方法和系统加强了环境微生物形状特征提取的技术,进而提高了最终的微生物分类准确率。五种形状特征(四种全局形状特征加一种局部形状特征)提取方法被结合使用,避免只使用全局形状特征无法描述微生物局部形状细节的问题。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为本发明的具体实现流程图。
图2环境微生物分类结果散点图,纵轴:ω1,ω2,……ω15为EMDS中15类环境微生物的样本,μ为15类微生物分类结果的平均值;横轴:平均精确度,在[0,1]之间,越接近1说明分类结果越好。
具体实施方式
下面结合说明书附图,详细说明本发明的具体实施例。
本发明公开了一种采用图像识别技术将环境微生物进行分类的方法,其具体包括以下的步骤:步骤一、构建环境微生物分类模型,采用原始环境微生物显微图片对分类模型进行训练;步骤二、获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域,在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;步骤三、获取二值图的全局形状特征和局部形状特征,分类模型根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。通过构建分类模型,根据图片就可以实现环境微生物的分类,避免DNA检测的复杂,在分类的过程中既判断图像的全局形状特征,也判断图像的局部形状特征,提高了最终的微生物分类的准确率。对于EMDS环境微生物数据库的15类微生物(每类10个样本)进行分类测试,本发明的方法获得了96%的总体平均精确度,大大高于每个单独特征的分类结果。
本发明中采用北京科技大学土木与环境工程学院提供的EMDS环境微生物显微图片数据库进行系统训练。EMDS数据库包含15类(太阳虫、表壳虫、钟虫等),300张常见环境微生物图片,涵盖了环境工程实践工作中经常可见的环境微生物形态。
更进一步地,上述边缘检测具体为Sobel边缘检测或者Canny边缘检测。首先人工光标选定微生物所在的区域,其次,利用均值滤波法对图像进行去噪,再次,利用Sobel边缘检测获得微生物的边缘分布,接着,通过膨胀、腐蚀等形态学处理手段对微生物内部的孔隙进行填充并对微生物轮廓进行光滑处理,最后,再次人工选定最终的微生物所在区域,并将得到的图片保存为二值图作为最终分割结果。
更进一步地,上述全局形状特征为:边缘柱状图描述子、几何特征、形状签名和内部结构柱状图其中的一种、或其中任意两种或任意三种的结合、或者四种全部包括,具体采用哪一种全局特征或者组合根据需要或者图像的特点进行适应性的选择。
边缘柱状图描述子(EHD)是一种全局形状特征,通过对连续边缘数量的统计达到形状特征描述的目的。在一个形状的边缘中,存在大量离散的边缘,这种方法将这些边缘按照像素的数量进行统计,比如以(1-10,11-20,…,111-120,>120像素)作为分组统计区间构成柱状图。每个柱值对应特征向量的一个维度,比如1-10对应I1,11-20对应I2,依次类推,111-120对应I13,I13对应>120,EHD可以表示为一个13维的特征向量:EHD=[I1,I2,…,I13]T。
几何特征(GF)由常用的几何度量值构成,包括形状的周长(P)、面积(A)、复杂度(C=P2/4πA)、长轴长度(L)、短轴长度(S)和延伸率(E=S/L)等。本发明应用以上六个基础几何特征构成了一个六维特征向量:GF=[P,A,C,L,S,E]T。
形状签名是一种精确但不健壮的形状描述方法,它利用形状中心到边缘的距离构成一条曲线,该曲线是形状边缘的精确变形,能够完全地描述形状边缘的特征。但由于形状签名对于测距起始点非常敏感,因此,一旦形状发生旋转,则形状签名的描述能力会大幅下降。
因此,更进一步地,上述方法还包括对形状签名进行傅里叶变换,形状签名中的主要信息通过低阶傅里叶系数表示出来,高阶傅里叶系数则用于表示细节信息,经过傅里叶变换的形状签名呈镜面对称的结构。本发明使用傅里叶描述子(FD)来解决形状签名的旋转敏感问题。FD利用傅里叶变换消除形状签名对于图像旋转的敏感性,并保持大部分形状信息。FD在对形状签名进行傅里叶变换的过程中,将形状签名中的主要信息通过低阶傅里叶系数表示出来,而高阶傅里叶系数则用于表示细节信息。本发明定义了100个边缘样本点,每两个相邻的样本点之间具有相同的距离,由于经过傅里叶变换的形状签名呈镜面对称的结构,所以最终得到了一个50维度的特征向量:FD=[F1,F2,…,F50]T。
内部结构柱状图(ISH)是一种基于形状边缘的形状描述方法,能够稳定地描述形状的结构特征。ISH首先提取形状边缘样本点,然后在每三个样本点之间得到三个角度,最后把这些角度按照度数进行统计分组并构成柱状图。本发明定义了100个边缘样本点,每两个相邻的样本点之间具有相同的距离,并按照(0-18°,19-36°,…,343-360°)对所有角度进行分组并构成柱状图。每个柱值对应一个维度,则得到一个20维度的特征向量:ISH=[i1,i2,…,i20]T。
更进一步地,上述局部形状特征为SIFT特征、RGB-SIFT特征、成对的SIFT特征、或者快速SIFT其中的一种。
SIFT特征是一种用来检测与描述图像中的局部形状特征的计算机视觉算法,它首先在尺度空间中寻找极值点(尺度空间指:物体能够发生尺度变化的空间。尺度变化包括:位移变化,尺度变化和旋转变换等。本实施例所在的尺度空间是一个二维的平面尺度空间。尺度空间中的极值点:在一个尺度空间中,物体形态发生突变的位置就是尺度空间的极值点。本专利的极值点多发生在微生物与背景间的边缘上。寻找极值点:可以使用边缘检测、角点检测等方法来找到物体形态发生突变的位置。),接着提取出这些极值点的位置、尺度、旋转不变参数等特征值,最后形成一个128维度(128维度:SIFT算法定义的特征向量标准维度,也可以是64维度,32维度,或16维度。随着维度的下降,SIFT的计算速度不断提高,但是计算精度却会下降。为了保证计算精度,本专利选择使用标准的128维度SFIT特征向量。128维度包含的信息:图片的方向信息和极值点分布信息)的特征向量:SIFT=[s1,s2,…,s128]T。
更进一步地,上述分类采用SVM分类器实现。因为本发明采用了高维度的特征向量,所以应用SVM作为分类器。高维度的特征向量,必须是SVM作为分类器么。因为,与人工神经网络(ANN)分类器相比,SVM分类对于高维度特征向量的处理速度更快;与K-最邻近(KNN)分类器相比,SVM分类器的分类精确度更高;与贝叶斯(Bayesian)分类器相比,SVM分类器所需要的训练样本更少。综合考察各种分类器的性能,所以最终选择了SVM分类器。
特别地,本专利使用了“两类SVM分类器”(英文为Two-classSVMClassifier)的设计思路,以便采取后期融合的方法加强环境微生物图片的分类效果。后期融合目的在于通过合并各个独立的SVM分类器的分类结果,使各个独立的形状特征的描述性能可以互补,并使最终的分类结果得到增强。本发明通过赋予各个独立的两类SVM分类器的输出分数相应权重的方式来完成以上特征融合的过程。例如,边缘柱状图特征在第一类微生物中获得了0.15的分数,类似地,其他四种特征分别获得了如下分数:几何特征0.8,傅里叶描述子0.4,内部结构柱状图0.7,SIFT0.5。那么,系统可以给他们分别的权重W1,W2...W5。之后,利用以下公式计算:0.15xW1+0.8xW2+0.4xW3+0.7xW4+0.5xW5。这个公式的优化结果,就是最终的分类分数。为了获得以上的优化权重,首先,利用五个独立的特征向量与两类SVM分类器进行环境微生物分类并得到相应分类分数(SVM分数)。其次,利用网格(grid)式方法对SVM分数进行优化,并得到能够产生最佳分类结果的权重组合。网格式优化方法:首先,给定[0,1]的区间,其中,每隔0.05步长取一个值,一共可取21个权重[0,0.05,0.10,0.15,...,0.90,0.95,1]。接着,从这21个数值中选择和为1的组合(约9500组),并将它们作为备选权重W1,W2...W5。最后,将其中提供了最优值的一组选择出来作为最终的权重。最后,这个最优的权重组合被应用在整个环境微生物分类系统之中。本发明还可以采用人工神经网络(ANN)分类器代替支持向量机(SVM)分类器,进行环境微生物分类,或者用K-最邻近(KNN)分类器代替支持向量机(SVM)分类器,进行环境微生物分类,或者用贝叶斯(Bayesian)分类器代替支持向量机(SVM)分类器,进行环境微生物分类。
本发明还可以用生成算法代替网格方法,进行SVM分数权重的优化计算。
本发明利用模式识别技术进行环境微生物分类,用局部特征比如SIFT特征提取技术对环境微生物进行局部形状细节的描绘,用后期特征融合技术对环境微生物的形态特征进行描述,融入了局部形状特征提取的方法,打破了现有技术中单一依靠全局形态特征的局限。
本发明还公开了一种采用图像识别技术将环境微生物进行分类的系统,其具体包括模型构建单元、模型训练单元、环境微生物显微图片获取单元、边缘检测单元、全局形状特征获取单元、局部形状特征获取单元和分类器;所述模型构建单元用于构建环境微生物分类模型;所述模型训练单元用于采用原始环境微生物显微图片对分类模型进行训练;所述环境微生物显微图片获取单元用于获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域;所述边缘检测单元用于在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;所述全局形状特征获取单元用于获取二值图的全局形状特征;所述局部形状特征获取单元用于获取局部形状特征;所述分类模型中的分类器用于根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。通过构建分类模型,根据图片就可以实现环境微生物的分类,避免DNA检测的复杂,在分类的过程中既判断图像的全局形状特征,也判断图像的局部形状特征,提高了最终的微生物分类的准确率。
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (9)
1.一种采用图像识别技术将环境微生物进行分类的方法,其具体包括以下的步骤:步骤一、构建环境微生物分类模型,采用原始环境微生物显微图片对分类模型进行训练;步骤二、获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域,在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;步骤三、获取二值图的全局形状特征和局部形状特征,分类模型根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。
2.如权利要求1所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述边缘检测具体为Sobel边缘检测或者Canny边缘检测。
3.如权利要求1所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述全局形状特征为:边缘柱状图描述子、几何特征、形状签名和内部结构柱状图其中的一种、或其中任意两种或任意三种的结合、或者四种全部包括。
4.如权利要求3所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述方法还包括对形状签名进行傅里叶变换,形状签名中的主要信息通过低阶傅里叶系数表示出来,高阶傅里叶系数则用于表示细节信息,经过傅里叶变换的形状签名呈镜面对称的结构。
5.如权利要求1所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述局部形状特征为SIFT特征、RGB-SIFT特征、成对的SIFT特征、或者快速SIFT特征其中的一种。
6.如权利要求5所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述SIFT特征采用以下的方式进行提取:首先在尺度空间中寻找极值点,接着提取出这些极值点的位置、尺度和旋转不变参数,最后形成一个128维度的特征向量:SIFT=[s1,s2,…,s128]T。
7.如权利要求1所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述分类采用SVM分类器实现。
8.如权利要求1所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所分类所使用的分类器为“两类SVM分类器”
如权利要求8所述的采用图像识别技术将环境微生物进行分类的方法,其特征在于所述合并过程具体如下:首先,利用五个独立的特征向量与两类SVM分类器进行环境微生物分类并得到相应分类分数,其次,利用网格式方法对SVM分数进行优化,并得到能够产生最佳分类结果的权重组合,最后,这个最优的权重组合被应用在整个环境微生物分类之中。
9.一种采用图像识别技术将环境微生物进行分类的系统,其特征在于具体包括模型构建单元、模型训练单元、环境微生物显微图片获取单元、边缘检测单元、全局形状特征获取单元、局部形状特征获取单元和分类器;所述模型构建单元用于构建环境微生物分类模型;所述模型训练单元用于采用原始环境微生物显微图片对分类模型进行训练;所述环境微生物显微图片获取单元用于获取新的需要分类的环境微生物的显微图片,人工选定环境微生物所在的区域;所述边缘检测单元用于在环境微生物所在的区域内采用边缘检测获得环境微生物的边缘分布,然后再次人工选定最终的环境微生物所在的区域,并将该区域保存为二值图;所述全局形状特征获取单元用于获取二值图的全局形状特征;所述局部形状特征获取单元用于获取局部形状特征;所述分类模型中的分类器用于根据全局形状特征和局部形状特征进行环境微生物的分类,所述局部形状特征采用尺度不变特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511015943.2A CN105447527A (zh) | 2015-12-31 | 2015-12-31 | 采用图像识别技术将环境微生物进行分类的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511015943.2A CN105447527A (zh) | 2015-12-31 | 2015-12-31 | 采用图像识别技术将环境微生物进行分类的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447527A true CN105447527A (zh) | 2016-03-30 |
Family
ID=55557686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511015943.2A Pending CN105447527A (zh) | 2015-12-31 | 2015-12-31 | 采用图像识别技术将环境微生物进行分类的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447527A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600608A (zh) * | 2016-11-28 | 2017-04-26 | 四川木牛流马智能科技有限公司 | 一种人机互动的环境微生物显微图像分割方法 |
CN106897991A (zh) * | 2017-01-05 | 2017-06-27 | 浙江大学 | 基于Live‑Wire分割的微生物群落识别方法 |
CN109856140A (zh) * | 2019-01-09 | 2019-06-07 | 满洲里国际旅行卫生保健中心 | 一种用于国际直通列车上的医学媒介生物监测系统及方法 |
CN113345514A (zh) * | 2021-06-01 | 2021-09-03 | 辽宁工程技术大学 | 一种基于超图聚类模型的微生物高阶网络建立方法及装置 |
CN116109915A (zh) * | 2023-04-17 | 2023-05-12 | 济宁能源发展集团有限公司 | 一种集装箱箱门状态智能识别方法 |
CN117495851A (zh) * | 2023-12-29 | 2024-02-02 | 陕西中医药大学 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103080331A (zh) * | 2010-06-23 | 2013-05-01 | 株式会社N-Tech | 微生物检测方法、微生物检测设备和程序 |
CN104040561A (zh) * | 2011-12-02 | 2014-09-10 | 生物梅里埃有限公司 | 通过质谱术和分数规整识别微生物的方法 |
CN104185850A (zh) * | 2012-04-04 | 2014-12-03 | 生物梅里埃有限公司 | 利用谱测量法的微生物的鉴定和结构化分类 |
-
2015
- 2015-12-31 CN CN201511015943.2A patent/CN105447527A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103080331A (zh) * | 2010-06-23 | 2013-05-01 | 株式会社N-Tech | 微生物检测方法、微生物检测设备和程序 |
CN104040561A (zh) * | 2011-12-02 | 2014-09-10 | 生物梅里埃有限公司 | 通过质谱术和分数规整识别微生物的方法 |
CN104185850A (zh) * | 2012-04-04 | 2014-12-03 | 生物梅里埃有限公司 | 利用谱测量法的微生物的鉴定和结构化分类 |
Non-Patent Citations (5)
Title |
---|
CHEN LI 等: ""Application of content-based image analysis to environmental microorganism classification"", 《BIOCYBERNETICS AND BIOMEDICAL ENGINEERING》 * |
CHEN LI 等: ""Environmental microbiology aided by content-based image analysis"", 《PATTERN ANALYSIS AND APPLICATIONS》 * |
CONG YANG 等: ""Shape-Based Classification of Environmental Microorganisms"", 《2014 22ND INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
DIMITRI A. LISIN 等: ""Combining Local and Global Image Features for Object Class Recognition"", 《IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION-WORKSHOPS,2005. CVPR WORKSHOPS》 * |
张 宪 等: ""支持向量机在显微图像分类中的应用研究"", 《计算机应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600608A (zh) * | 2016-11-28 | 2017-04-26 | 四川木牛流马智能科技有限公司 | 一种人机互动的环境微生物显微图像分割方法 |
CN106897991A (zh) * | 2017-01-05 | 2017-06-27 | 浙江大学 | 基于Live‑Wire分割的微生物群落识别方法 |
CN109856140A (zh) * | 2019-01-09 | 2019-06-07 | 满洲里国际旅行卫生保健中心 | 一种用于国际直通列车上的医学媒介生物监测系统及方法 |
CN113345514A (zh) * | 2021-06-01 | 2021-09-03 | 辽宁工程技术大学 | 一种基于超图聚类模型的微生物高阶网络建立方法及装置 |
CN116109915A (zh) * | 2023-04-17 | 2023-05-12 | 济宁能源发展集团有限公司 | 一种集装箱箱门状态智能识别方法 |
CN117495851A (zh) * | 2023-12-29 | 2024-02-02 | 陕西中医药大学 | 一种基于图像轮廓处理的水环境微生物检测方法 |
CN117495851B (zh) * | 2023-12-29 | 2024-04-05 | 陕西中医药大学 | 一种基于图像轮廓处理的水环境微生物检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447527A (zh) | 采用图像识别技术将环境微生物进行分类的方法和系统 | |
Wang et al. | A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification | |
CN102663409B (zh) | 一种基于hog-lbp描述的行人跟踪方法 | |
Munoz et al. | Directional associative markov network for 3-d point cloud classification | |
CN105046688B (zh) | 一种三维点云中的多平面自动识别方法 | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN101807258B (zh) | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 | |
CN104599275A (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN103699902A (zh) | 一种地基可见光云图的分类方法 | |
CN104778242A (zh) | 基于图像动态分割的手绘草图图像检索方法及系统 | |
CN107784657A (zh) | 一种基于颜色空间分类的无人机遥感图像分割方法 | |
CN101976348A (zh) | 图像聚类方法和系统 | |
CN105550688B (zh) | 点云数据的分类方法及装置 | |
CN103886330A (zh) | 基于半监督svm集成学习的分类方法 | |
CN104463856A (zh) | 基于法向量球的室外场景三维点云数据的地面提取方法 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
CN104616319A (zh) | 基于支持向量机的多特征选择目标跟踪方法 | |
CN106096628A (zh) | 基于局部子空间学习的多视角聚类方法 | |
Li et al. | Environmental microbiology aided by content-based image analysis | |
CN103295026B (zh) | 基于空间局部聚合描述向量的图像分类方法 | |
Tong et al. | Point set multi-level aggregation feature extraction based on multi-scale max pooling and LDA for point cloud classification | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
Yuan et al. | Fast QR code detection based on BING and AdaBoost-SVM | |
CN102436645A (zh) | 基于mod字典学习采样的谱聚类图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160330 |