CN106127264A - 一种控制水体系中微生物生长的方法 - Google Patents
一种控制水体系中微生物生长的方法 Download PDFInfo
- Publication number
- CN106127264A CN106127264A CN201610771919.XA CN201610771919A CN106127264A CN 106127264 A CN106127264 A CN 106127264A CN 201610771919 A CN201610771919 A CN 201610771919A CN 106127264 A CN106127264 A CN 106127264A
- Authority
- CN
- China
- Prior art keywords
- gray
- amine
- pixel
- cell
- sigma
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种控制水体系中微生物生长的方法,包括以下步骤:(1)采用细胞识别模块对确定微生物种类;(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。本发明的有益效果为:能够有效控制微生物生长。
Description
技术领域
本发明涉及微生物领域,具体涉及一种控制水体系中微生物生长的方法。
背景技术
为了控制工业制备用水中微生物引起的问题,众多抗微生物剂已经被用于消除、抑制或减少微生物生长。抗微生物剂被单独或组合使用以防止或控制由微生物生长引起的问题。通常将抗微生物剂直接加入制备用水流中或制备中使用的材料中。当用于防止生物膜形成时,典型的加入方法使得抗微生物剂分布遍及整个制备体系。这样,可以控制浮游微生物以及与制备用水接触的表面上的生物膜内的微生物。
发明内容
为解决上述问题,本发明旨在提供一种控制水体系中微生物生长的方法。
本发明的目的采用以下技术方案来实现:
一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
本发明的有益效果为:能够有效控制微生物生长。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明流程示意图;
图2是细胞识别模块的结构示意图。
附图标记:
细胞识别模块1、细胞图像分割单元11、特征提取单元12、分类识别单元13。
具体实施方式
结合以下应用场景对本发明作进一步描述。
应用场景1
参见图1、图2,本应用场景的一个实施例的一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
优选地,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
本优选实施例制备方法简单,便于工业上实现。
优选地,所述一卤代胺包括一氯代胺。
本优选实施例节约成本,效果好。
优选的,所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13;所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质;所述特征提取单元12用于对细胞图像的纹理特征进行提取;所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。
本优选实施例构建了细胞识别模块1的单元架构。
优选的,所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元,具体为:
(1)图像转换子单元,用于将采集的细胞图像转化为灰度图像;
(2)噪声去除子单元,用于对灰度图像进行去噪处理,包括:
对于像素点(x,y),选取其3×3的邻域Sx,y和(2N+1)×(2N+1)的邻域Lx,y,N为大于等于2的整数;
首先对像素点是否为边界点进行判断,设定阈值T,T∈[13,26],计算像素点(x,y)与其邻域Sx,y中每个像素点的灰度差值,并与阈值T进行比较,若灰度差值大于阈值T的个数大于等于6,则像素点(x,y)为边界点,否则,像素点(x,y)为非边界点;
若(x,y)为边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(x,y)为降噪前像素点(x,y)的灰度值,σ为像素点(x,y)邻域Lx,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点,k表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量;
若(x,y)为非边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(i,j)代表图像中点(i,j)处的灰度值,w(i,j)为邻域Lx,y内点(i,j)对应的高斯权重;
(3)粗分割子单元,用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分,具体为:
将每个像素(x,y)用一个四维特征向量表示:
式中,h(x,y)代表(x,y)的灰度值,have(x,y)代表其邻域Sx,y灰度均值,hmed(x,y)代表其邻域Sx,y灰度中值,hsta(x,y)代表其邻域Sx,y灰度方差;
采用K-means聚类法将其划分为背景、细胞质、细胞核三类;
(4)细胞核中心标定子单元,用于对细胞核中心进行标定:
由粗分割子单元得到细胞核大致区域,设细胞核区域包含n个点:(x1,y1),…,(xn,yn),对该区域进行灰度加权标定和几何中心标定,取其平均值作为细胞核中心(xz,yz):
(5)精确分割子单元,用于对细胞核、细胞质进行精确分割;
构建从细胞核中心(xz,yz)到细胞核和细胞质边界点(xp,yp)的有向线段的距离表示向下取整;
沿线段以单位长度进行采样可以得到disp个点若采样点的坐标不是整数,其灰度值通过周围像素线性插值得到;
点(xi,yi)处沿线段方向的灰度差:
hd(xi,yi)=h(xi-1,yi-1)-h(xi,yi)
定义灰度差抑制函数:
点(xi,yi)处沿线段方向的梯度gra(xi,yi):
选取梯度最大的值点作为细胞核和细胞质的精确边缘。
本优选实施例设置噪声去除子单元,有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理,在图像中的平坦区域,邻域内像素灰度值相差不大,采用高斯滤波器对灰度值进行加权滤波,在变化剧烈的边界区域,行边界保持滤波,有利于图像边缘的保持;采用K均值聚类提取细胞核和细胞质粗轮廓,可有效去除噪声的干扰;设置细胞核中心标定子单元,便于后续对细胞核和细胞质轮廓进行精确定位;精确分割子单元充分利用了方向信息,克服了炎症细胞对边缘图的干扰,能够准确提取出细胞核和细胞质边缘。
优选的,所述对细胞图像的纹理特征进行提取,包括:
(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵,所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征:
设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°),所对应的矩阵元素项目为X1、X2、X3、X4,则综合灰度共生矩阵的计算公式为:
H(x,y,d)=w1h(x,y,d,0°)+w2h(x,y,d,45°)+w3h(x,y,d,90°)+w4h(x,y,d,135°)
综合灰度共生矩阵元素数目为:
式中,d表示距离,d的取值范围为[2,4],wi为加权系数,i=1,2,3,4,其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算,设四个方向上的灰度共生矩阵对应的对比度参数分别为Di,均值为i=1,2,3,4,则加权系数wi的计算公式为:
(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数:对比度、方差和、能量和均值;
(3)对所述四个纹理特征参数进行归一化处理,最终获得归一化的纹理特征值。
本优选实施例基于改进的灰度共生矩阵法,采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵,进而提取细胞在指定四个方向上的纹理特征,解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题,提高了细胞图像纹理特征提取的精度;选定对比度、方差和、能量和均值四个纹理特征,去掉了冗余和重复的特征参数;对所述四个纹理特征参数进行归一化处理,方便了后续的细胞图像的分类识别处理。
在此应用场景中,设定阈值T=13,d=2,图像去噪效果相对提高了5%,细胞图像特征的提取精度提高了8%。
应用场景2
参见图1、图2,本应用场景的一个实施例的一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
优选地,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
本优选实施例制备方法简单,便于工业上实现。
优选地,所述一卤代胺包括一氯代胺。
本优选实施例节约成本,效果好。
优选的,所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13;所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质;所述特征提取单元12用于对细胞图像的纹理特征进行提取;所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。
本优选实施例构建了细胞识别模块1的单元架构。
优选的,所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元,具体为:
(1)图像转换子单元,用于将采集的细胞图像转化为灰度图像;
(2)噪声去除子单元,用于对灰度图像进行去噪处理,包括:
对于像素点(x,y),选取其3×3的邻域Sx,y和(2N+1)×(2N+1)的邻域Lx,y,N为大于等于2的整数;
首先对像素点是否为边界点进行判断,设定阈值T,T∈[13,26],计算像素点(x,y)与其邻域Sx,y中每个像素点的灰度差值,并与阈值T进行比较,若灰度差值大于阈值T的个数大于等于6,则像素点(x,y)为边界点,否则,像素点(x,y)为非边界点;
若(x,y)为边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(x,y)为降噪前像素点(x,y)的灰度值,σ为像素点(x,y)邻域Lx,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点,k表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量;
若(x,y)为非边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(i,j)代表图像中点(i,j)处的灰度值,w(i,j)为邻域Lx,y内点(i,j)对应的高斯权重;
(3)粗分割子单元,用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分,具体为:
将每个像素(x,y)用一个四维特征向量表示:
式中,h(x,y)代表(x,y)的灰度值,have(x,y)代表其邻域Sx,y灰度均值,hmed(x,y)代表其邻域Sx,y灰度中值,hsta(x,y)代表其邻域Sx,y灰度方差;
采用K-means聚类法将其划分为背景、细胞质、细胞核三类;
(4)细胞核中心标定子单元,用于对细胞核中心进行标定:
由粗分割子单元得到细胞核大致区域,设细胞核区域包含n个点:(x1,y1),…,(xn,yn),对该区域进行灰度加权标定和几何中心标定,取其平均值作为细胞核中心(xz,yz):
(5)精确分割子单元,用于对细胞核、细胞质进行精确分割;
构建从细胞核中心(xz,yz)到细胞核和细胞质边界点(xp,yp)的有向线段的距离表示向下取整;
沿线段以单位长度进行采样可以得到disp个点若采样点的坐标不是整数,其灰度值通过周围像素线性插值得到;
点(xi,yi)处沿线段方向的灰度差:
hd(xi,yi)=h(xi-1,yi-1)-h(xi,yi)
定义灰度差抑制函数:
点(xi,yi)处沿线段方向的梯度gra(xi,yi):
选取梯度最大的值点作为细胞核和细胞质的精确边缘。
本优选实施例设置噪声去除子单元,有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理,在图像中的平坦区域,邻域内像素灰度值相差不大,采用高斯滤波器对灰度值进行加权滤波,在变化剧烈的边界区域,行边界保持滤波,有利于图像边缘的保持;采用K均值聚类提取细胞核和细胞质粗轮廓,可有效去除噪声的干扰;设置细胞核中心标定子单元,便于后续对细胞核和细胞质轮廓进行精确定位;精确分割子单元充分利用了方向信息,克服了炎症细胞对边缘图的干扰,能够准确提取出细胞核和细胞质边缘。
优选的,所述对细胞图像的纹理特征进行提取,包括:
(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵,所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征:
设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°),所对应的矩阵元素项目为X1、X2、X3、X4,则综合灰度共生矩阵的计算公式为:
H(x,y,d)=w1h(x,y,d,0°)+w3h(x,y,d,45°)+w3h(x,y,d,90°)+w4h(x,y,d,135°)
综合灰度共生矩阵元素数目为:
式中,d表示距离,d的取值范围为[2,4],wi为加权系数,i=1,2,3,4,其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算,设四个方向上的灰度共生矩阵对应的对比度参数分别为Di,均值为i=1,2,3,4,则加权系数wi的计算公式为:
(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数:对比度、方差和、能量和均值;
(3)对所述四个纹理特征参数进行归一化处理,最终获得归一化的纹理特征值。
本优选实施例基于改进的灰度共生矩阵法,采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵,进而提取细胞在指定四个方向上的纹理特征,解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题,提高了细胞图像纹理特征提取的精度;选定对比度、方差和、能量和均值四个纹理特征,去掉了冗余和重复的特征参数;对所述四个纹理特征参数进行归一化处理,方便了后续的细胞图像的分类识别处理。
在此应用场景中,设定阈值T=15,d=2,图像去噪效果相对提高了6%,细胞图像特征的提取精度提高了8%。
应用场景3
参见图1、图2,本应用场景的一个实施例的一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
优选地,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
本优选实施例制备方法简单,便于工业上实现。
优选地,所述一卤代胺包括一氯代胺。
本优选实施例节约成本,效果好。
优选的,所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13;所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质;所述特征提取单元12用于对细胞图像的纹理特征进行提取;所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。
本优选实施例构建了细胞识别模块1的单元架构。
优选的,所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元,具体为:
(1)图像转换子单元,用于将采集的细胞图像转化为灰度图像;
(2)噪声去除子单元,用于对灰度图像进行去噪处理,包括:
对于像素点(x,y),选取其3×3的邻域Sx,y和(2N+1)×(2N+1)的邻域Lx,y,N为大于等于2的整数;
首先对像素点是否为边界点进行判断,设定阈值T,T∈[13,26],计算像素点(x,y)与其邻域Sx,y中每个像素点的灰度差值,并与阈值T进行比较,若灰度差值大于阈值T的个数大于等于6,则像素点(x,y)为边界点,否则,像素点(x,y)为非边界点;
若(x,y)为边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(x,y)为降噪前像素点(x,y)的灰度值,σ为像素点(x,y)邻域Lx,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点,k表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量;
若(x,y)为非边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(i,j)代表图像中点(i,j)处的灰度值,w(i,j)为邻域Lx,y内点(i,j)对应的高斯权重;
(3)粗分割子单元,用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分,具体为:
将每个像素(x,y)用一个四维特征向量表示:
式中,h(x,y)代表(x,y)的灰度值,have(x,y)代表其邻域Sx,y灰度均值,hmed(x,y)代表其邻域Sx,y灰度中值,hsta(x,y)代表其邻域Sx,y灰度方差;
采用K-means聚类法将其划分为背景、细胞质、细胞核三类;
(4)细胞核中心标定子单元,用于对细胞核中心进行标定:
由粗分割子单元得到细胞核大致区域,设细胞核区域包含n个点:(x1,y1),…,(xn,yn),对该区域进行灰度加权标定和几何中心标定,取其平均值作为细胞核中心(xz,yz):
(5)精确分割子单元,用于对细胞核、细胞质进行精确分割;
构建从细胞核中心(xz,yz)到细胞核和细胞质边界点(xp,yp)的有向线段的距离表示向下取整;
沿线段以单位长度进行采样可以得到disp个点若采样点的坐标不是整数,其灰度值通过周围像素线性插值得到;
点(xi,yi)处沿线段方向的灰度差:
hd(xi,yi)=h(xi-1,yi-1)-h(xi,yi)
定义灰度差抑制函数:
点(xi,yi)处沿线段方向的梯度gra(xi,yi):
选取梯度最大的值点作为细胞核和细胞质的精确边缘。
本优选实施例设置噪声去除子单元,有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理,在图像中的平坦区域,邻域内像素灰度值相差不大,采用高斯滤波器对灰度值进行加权滤波,在变化剧烈的边界区域,行边界保持滤波,有利于图像边缘的保持;采用K均值聚类提取细胞核和细胞质粗轮廓,可有效去除噪声的干扰;设置细胞核中心标定子单元,便于后续对细胞核和细胞质轮廓进行精确定位;精确分割子单元充分利用了方向信息,克服了炎症细胞对边缘图的干扰,能够准确提取出细胞核和细胞质边缘。
优选的,所述对细胞图像的纹理特征进行提取,包括:
(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵,所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征:
设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°),所对应的矩阵元素项目为X1、X2、X3、X4,则综合灰度共生矩阵的计算公式为:
H(x,y,d)=w1h(x,y,d,0°)+w2h(x,y,d,45°)+w3h(x,y,d,90°)+w4h(x,y,d,135°)
综合灰度共生矩阵元素数目为:
式中,d表示距离,d的取值范围为[2,4],wi为加权系数,i=1,2,3,4,其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算,设四个方向上的灰度共生矩阵对应的对比度参数分别为Di,均值为i=1,2,3,4,则加权系数wi的计算公式为:
(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数:对比度、方差和、能量和均值;
(3)对所述四个纹理特征参数进行归一化处理,最终获得归一化的纹理特征值。
本优选实施例基于改进的灰度共生矩阵法,采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵,进而提取细胞在指定四个方向上的纹理特征,解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题,提高了细胞图像纹理特征提取的精度;选定对比度、方差和、能量和均值四个纹理特征,去掉了冗余和重复的特征参数;对所述四个纹理特征参数进行归一化处理,方便了后续的细胞图像的分类识别处理。
在此应用场景中,设定阈值T=18,d=3,图像去噪效果相对提高了7%,细胞图像特征的提取精度提高了7%。
应用场景4
参见图1、图2,本应用场景的一个实施例的一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
优选地,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
本优选实施例制备方法简单,便于工业上实现。
优选地,所述一卤代胺包括一氯代胺。
本优选实施例节约成本,效果好。
优选的,所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13;所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质;所述特征提取单元12用于对细胞图像的纹理特征进行提取;所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。
本优选实施例构建了细胞识别模块1的单元架构。
优选的,所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元,具体为:
(1)图像转换子单元,用于将采集的细胞图像转化为灰度图像;
(2)噪声去除子单元,用于对灰度图像进行去噪处理,包括:
对于像素点(x,y),选取其3×3的邻域Sx,y和(2N+1)×(2N+1)的邻域Lx,y,N为大于等于2的整数;
首先对像素点是否为边界点进行判断,设定阈值T,T∈[13,26],计算像素点(x,y)与其邻域Sx,y中每个像素点的灰度差值,并与阈值T进行比较,若灰度差值大于阈值T的个数大于等于6,则像素点(x,y)为边界点,否则,像素点(x,y)为非边界点;
若(x,y)为边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(x,y)为降噪前像素点(x,y)的灰度值,σ为像素点(x,y)邻域Lx,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点,k表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量;
若(x,y)为非边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(i,j)代表图像中点(i,j)处的灰度值,w(i,j)为邻域Lx,y内点(i,j)对应的高斯权重;
(3)粗分割子单元,用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分,具体为:
将每个像素(x,y)用一个四维特征向量表示:
式中,h(x,y)代表(x,y)的灰度值,have(x,y)代表其邻域Sx,y灰度均值,hmed(x,y)代表其邻域Sx,y灰度中值,hsta(x,y)代表其邻域Sx,y灰度方差;
采用K-means聚类法将其划分为背景、细胞质、细胞核三类;
(4)细胞核中心标定子单元,用于对细胞核中心进行标定:
由粗分割子单元得到细胞核大致区域,设细胞核区域包含n个点:(x1,y1),…,(xn,yn),对该区域进行灰度加权标定和几何中心标定,取其平均值作为细胞核中心(xz,yz):
(5)精确分割子单元,用于对细胞核、细胞质进行精确分割;
构建从细胞核中心(xz,yz)到细胞核和细胞质边界点(xp,yp)的有向线段的距离表示向下取整;
沿线段以单位长度进行采样可以得到disp个点若采样点的坐标不是整数,其灰度值通过周围像素线性插值得到;
点(xi,yi)处沿线段方向的灰度差:
hd(xi,yi)=h(xi-1,yi-1)-h(xi,yi)
定义灰度差抑制函数:
点(xi,yi)处沿线段方向的梯度gra(xi,yi):
选取梯度最大的值点作为细胞核和细胞质的精确边缘。
本优选实施例设置噪声去除子单元,有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理,在图像中的平坦区域,邻域内像素灰度值相差不大,采用高斯滤波器对灰度值进行加权滤波,在变化剧烈的边界区域,行边界保持滤波,有利于图像边缘的保持;采用K均值聚类提取细胞核和细胞质粗轮廓,可有效去除噪声的干扰;设置细胞核中心标定子单元,便于后续对细胞核和细胞质轮廓进行精确定位;精确分割子单元充分利用了方向信息,克服了炎症细胞对边缘图的干扰,能够准确提取出细胞核和细胞质边缘。
优选的,所述对细胞图像的纹理特征进行提取,包括:
(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵,所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征:
设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°),所对应的矩阵元素项目为X1、X2、X3、X4,则综合灰度共生矩阵的计算公式为:
H(x,y,d)=w1h(x,y,d,0°)+w2h(x,y,d,45°)+w3h(x,y,d,90°)+w4h(x,y,d,135°)
综合灰度共生矩阵元素数目为:
式中,d表示距离,d的取值范围为[2,4],wi为加权系数,i=1,2,3,4,其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算,设四个方向上的灰度共生矩阵对应的对比度参数分别为Di,均值为i=1,2,3,4,则加权系数wi的计算公式为:
(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数:对比度、方差和、能量和均值;
(3)对所述四个纹理特征参数进行归一化处理,最终获得归一化的纹理特征值。
本优选实施例基于改进的灰度共生矩阵法,采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵,进而提取细胞在指定四个方向上的纹理特征,解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题,提高了细胞图像纹理特征提取的精度;选定对比度、方差和、能量和均值四个纹理特征,去掉了冗余和重复的特征参数;对所述四个纹理特征参数进行归一化处理,方便了后续的细胞图像的分类识别处理。
在此应用场景中,设定阈值T=20,d=4,图像去噪效果相对提高了8%,细胞图像特征的提取精度提高了6%。
应用场景5
参见图1、图2,本应用场景的一个实施例的一种控制水体系中微生物生长的方法,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
优选地,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
本优选实施例制备方法简单,便于工业上实现。
优选地,所述一卤代胺包括一氯代胺。
本优选实施例节约成本,效果好。
优选的,所述细胞识别模块1包括细胞图像分割单元11、特征提取单元12、分类识别单元13;所述细胞图像分割单元11用于区分由细胞图像采集模块采集的细胞图像中的背景、细胞核和细胞质;所述特征提取单元12用于对细胞图像的纹理特征进行提取;所述分类识别单元13用于根据纹理特征利用分类器实现对细胞图像分类识别。
本优选实施例构建了细胞识别模块1的单元架构。
优选的,所述细胞图像分割单元11包括图像转换子单元、噪声去除子单元、粗分割子单元、细胞核中心标定子单元、精确分割子单元,具体为:
(1)图像转换子单元,用于将采集的细胞图像转化为灰度图像;
(2)噪声去除子单元,用于对灰度图像进行去噪处理,包括:
对于像素点(x,y),选取其3×3的邻域Sx,y和(2N+1)×(2N+1)的邻域Lx,y,N为大于等于2的整数;
首先对像素点是否为边界点进行判断,设定阈值T,T∈[13,26],计算像素点(x,y)与其邻域Sx,y中每个像素点的灰度差值,并与阈值T进行比较,若灰度差值大于阈值T的个数大于等于6,则像素点(x,y)为边界点,否则,像素点(x,y)为非边界点;
若(x,y)为边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(x,y)为降噪前像素点(x,y)的灰度值,σ为像素点(x,y)邻域Lx,y内灰度值标差,q(i,j)∈[q(x,y)-1.5σ,q(x,y)+1.5σ]表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点,k表示邻域Lx,y内灰度值落于区间[q(x,y)-1.5σ,q(x,y)+1.5σ]的点的数量;
若(x,y)为非边界点,则进行如下降噪处理:
式中,h(x,y)为降噪后像素点(x,y)的灰度值,q(i,j)代表图像中点(i,j)处的灰度值,w(i,j)为邻域Lx,y内点(i,j)对应的高斯权重;
(3)粗分割子单元,用于对去噪后的细胞图像中的背景、细胞质、细胞核进行粗划分,具体为:
将每个像素(x,y)用一个四维特征向量表示:
式中,h(x,y)代表(x,y)的灰度值,have(x,y)代表其邻域Sx,y灰度均值,hmed(x,y)代表其邻域Sx,y灰度中值,hsta(x,y)代表其邻域Sx,y灰度方差;
采用K-means聚类法将其划分为背景、细胞质、细胞核三类;
(4)细胞核中心标定子单元,用于对细胞核中心进行标定:
由粗分割子单元得到细胞核大致区域,设细胞核区域包含n个点:(x1,y1),…,(xn,yn),对该区域进行灰度加权标定和几何中心标定,取其平均值作为细胞核中心(xz,yz):
(5)精确分割子单元,用于对细胞核、细胞质进行精确分割;
构建从细胞核中心(xz,yz)到细胞核和细胞质边界点(xp,yp)的有向线段的距离表示向下取整;
沿线段以单位长度进行采样可以得到disp个点若采样点的坐标不是整数,其灰度值通过周围像素线性插值得到;
点(xi,yi)处沿线段方向的灰度差:
hd(xi,yi)=h(xi-1,yi-1)-h(xi,yi)
定义灰度差抑制函数:
点(xi,yi)处沿线段方向的梯度gra(xi,yi):
选取梯度最大的值点作为细胞核和细胞质的精确边缘。
本优选实施例设置噪声去除子单元,有效融合了中心像素与邻域像素的空间临近性和灰度相似性来进行降噪处理,在图像中的平坦区域,邻域内像素灰度值相差不大,采用高斯滤波器对灰度值进行加权滤波,在变化剧烈的边界区域,行边界保持滤波,有利于图像边缘的保持;采用K均值聚类提取细胞核和细胞质粗轮廓,可有效去除噪声的干扰;设置细胞核中心标定子单元,便于后续对细胞核和细胞质轮廓进行精确定位;精确分割子单元充分利用了方向信息,克服了炎症细胞对边缘图的干扰,能够准确提取出细胞核和细胞质边缘。
优选的,所述对细胞图像的纹理特征进行提取,包括:
(1)基于改进的灰度共生矩阵法求取细胞图像的综合灰度共生矩阵,所述综合灰度共生矩阵体现了细胞在不同方向上的纹理特征:
设在0°、45°、90°、135°四个方向上的灰度共生矩阵分别为h(x,y,d,0°)、h(x,y,d,45°)、h(x,y,d,90°)、h(x,y,d,135°),所对应的矩阵元素项目为X1、X2、X3、X4,则综合灰度共生矩阵的计算公式为:
H(x,y,d)=w1h(x,y,d,0°)+w2h(x,y,d,45°)+w3h(x,y,d,90°)+w4h(x,y,d,135°)
综合灰度共生矩阵元素数目为:
式中,d表示距离,d的取值范围为[2,4],wi为加权系数,i=1,2,3,4,其由四个方向中的每个方向上的灰度共生矩阵对应的对比度参数计算,设四个方向上的灰度共生矩阵对应的对比度参数分别为Di,均值为i=1,2,3,4,则加权系数wi的计算公式为:
(2)利用所述综合灰度共生矩阵和矩阵元素项目获取所需的四个纹理特征参数:对比度、方差和、能量和均值;
(3)对所述四个纹理特征参数进行归一化处理,最终获得归一化的纹理特征值。
本优选实施例基于改进的灰度共生矩阵法,采用设置加权系数的方式求取细胞图像的综合灰度共生矩阵,进而提取细胞在指定四个方向上的纹理特征,解决了由于外部干扰(如细胞图像采集时光照角度造成的影响、气体的流动干扰等)造成的细胞的纹理特征参数值在不同方向上有较大差别的问题,提高了细胞图像纹理特征提取的精度;选定对比度、方差和、能量和均值四个纹理特征,去掉了冗余和重复的特征参数;对所述四个纹理特征参数进行归一化处理,方便了后续的细胞图像的分类识别处理。
在此应用场景中,设定阈值T=26,d=2,图像去噪效果相对提高了7.5%,细胞图像特征的提取精度提高了8%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种控制水体系中微生物生长的方法,其特征是,包括以下步骤:
(1)采用细胞识别模块对确定微生物种类;
(2)向水体系中加入有效量的一卤代胺和二卤代胺的混合物,其中选择一卤代胺对二卤代胺的比率以得到体系的协同指数小于1。
2.根据权利要求1所述的一种控制水体系中微生物生长的方法,其特征是,通过将铵或胺源与卤化氧化剂接触或者通过在卤素源存在下将该铵或胺源与氧化剂接触来制备一卤代胺。
3.根据权利要求2所述的一种控制水体系中微生物生长的方法,其特征是,所述一卤代胺包括一氯代胺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610771919.XA CN106127264A (zh) | 2016-08-30 | 2016-08-30 | 一种控制水体系中微生物生长的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610771919.XA CN106127264A (zh) | 2016-08-30 | 2016-08-30 | 一种控制水体系中微生物生长的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127264A true CN106127264A (zh) | 2016-11-16 |
Family
ID=57273196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610771919.XA Pending CN106127264A (zh) | 2016-08-30 | 2016-08-30 | 一种控制水体系中微生物生长的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127264A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111512316A (zh) * | 2017-10-05 | 2020-08-07 | 贝克顿·迪金森公司 | 用于生物样本评定处理的应用程序开发环境 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101296621A (zh) * | 2005-08-26 | 2008-10-29 | 赫尔克里士公司 | 一种协同性抗微生物剂以及控制微生物生长的方法 |
US20150356353A1 (en) * | 2013-01-10 | 2015-12-10 | Thomson Licensing | Method for identifying objects in an audiovisual document and corresponding device |
-
2016
- 2016-08-30 CN CN201610771919.XA patent/CN106127264A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101296621A (zh) * | 2005-08-26 | 2008-10-29 | 赫尔克里士公司 | 一种协同性抗微生物剂以及控制微生物生长的方法 |
US20150356353A1 (en) * | 2013-01-10 | 2015-12-10 | Thomson Licensing | Method for identifying objects in an audiovisual document and corresponding device |
Non-Patent Citations (1)
Title |
---|
李宽: "细胞图像的分割、纹理提取及识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111512316A (zh) * | 2017-10-05 | 2020-08-07 | 贝克顿·迪金森公司 | 用于生物样本评定处理的应用程序开发环境 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301636A (zh) | 一种基于高斯拟合的高密度电路板圆孔亚像素检测方法 | |
CN103927758B (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
CN102170526B (zh) | 散焦模糊核计算及其散焦模糊图像清晰化处理方法 | |
CN106127682B (zh) | 一种顾及海岸线地理特征约束的可控分形插值方法及系统 | |
Feriol et al. | A review of environmental context detection for navigation based on multiple sensors | |
Yue et al. | A novel adaptive federated filter for GNSS/INS/VO integrated navigation system | |
CN106097383A (zh) | 一种针对遮挡问题的目标跟踪方法及设备 | |
CN103544505A (zh) | 面向无人机航拍图像的船只识别系统及方法 | |
CN104134076B (zh) | 基于cs和svm决策级融合的sar图像目标识别方法 | |
CN106887012A (zh) | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
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. | Multipath/NLOS detection based on k-means clustering for GNSS/INS tightly coupled system in urban areas | |
Wu et al. | Robust orientation method based on atmospheric polarization model for complex weather | |
CN103839274A (zh) | 一种基于几何比例关系的扩展目标跟踪方法 | |
CN106127264A (zh) | 一种控制水体系中微生物生长的方法 | |
CN114463425A (zh) | 一种基于概率Hough直线检测的工件表面无特征点定位方法 | |
CN105844614B (zh) | 一种基于校对机器人角度的视觉指北方法 | |
CN108090898A (zh) | 基于字典表示的卫星遥感图像典型地标检测方法 | |
CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
Yao et al. | GNSS Urban Positioning with Vision-Aided NLOS Identification | |
CN106350447A (zh) | 一种弹性物品上微生物污染的检测系统 | |
Marchel et al. | Method for Determining Coastline Course Based on Low-Altitude Images Taken by a UAV | |
CN103413328A (zh) | 运动物体的跟踪方法和装置 | |
CN108109153A (zh) | 基于sar-kaze特征提取的sar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: 20161116 |