CN106295588B - 一种白带显微图像中白细胞的自动识别方法 - Google Patents

一种白带显微图像中白细胞的自动识别方法 Download PDF

Info

Publication number
CN106295588B
CN106295588B CN201610676970.2A CN201610676970A CN106295588B CN 106295588 B CN106295588 B CN 106295588B CN 201610676970 A CN201610676970 A CN 201610676970A CN 106295588 B CN106295588 B CN 106295588B
Authority
CN
China
Prior art keywords
image
region
connected region
leucocyte
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.)
Active
Application number
CN201610676970.2A
Other languages
English (en)
Other versions
CN106295588A (zh
Inventor
张静
胡静蓉
郝如茜
王强
张正龙
刘娟秀
倪光明
杜晓辉
刘霖
刘永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610676970.2A priority Critical patent/CN106295588B/zh
Publication of CN106295588A publication Critical patent/CN106295588A/zh
Application granted granted Critical
Publication of CN106295588B publication Critical patent/CN106295588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

该发明公开了一种白带显微图像中白细胞的自动识别方法，属于医学数字图像处理领域，具体指的是一种白带显微图像中白细胞的自动识别算法。该方法通过对显微图像进行灰度处理，再寻找图像中的连通区域，根据白细胞实际的形态，对图像中连通区域进行依次筛选，最终识别出白带中的白细胞图像，从而极大的减少了工作人员的工作时间，及认为误差，提高了工作效率。

Description

一种白带显微图像中白细胞的自动识别方法
技术领域
本发明属于医学数字图像处理领域，具体指的是一种白带显微图像中白细胞的自动识别算法。
背景技术
白带是女性阴道的分泌物，白带中白细胞的检测是判定女性生殖系统是否健康的重要条件。传统的显微细胞检测大多为人工镜检，这种方法操作时间长、工作强度大、易污染环境、受主观的影响，不利于临床诊断。近年来，随着人工智能研究的发展和生物医学图像处理技术的提高，对显微细胞图像采用图像处理技术进行有形成分的自动识别已成为现实。在面对细胞成分复杂、粘连严重、散焦严重、对比度不高的情况下，提出了与之对应的图像预处理、图像分割、特征提取和自动识别技术算法。这大大降低了医务人员的工作强度，提高了诊断的有效性。本算法通过研究和比较传统的图像预处理方法、阈值分割法和边缘检测法以及数学形态学等方法在显微细胞特征提取中的应用，提出了一种基于Sobel算子边缘提取结合形态学操作的特征分割方法，并利用BP神经网络误差训练方法对白带中白细胞的特征进行自动识别。
发明内容
本发明的目的是针对医院白带检测中现有技术的不足，设计了一种基于白带显微图像中白细胞的自动识别的算法，从而达到快速、准确的识别出细胞的目的。
本发明技术方案是一种白带显微图像中白细胞的自动识别方法，该方法包括如下步骤：
步骤1：使用显微成像系统采集有形细胞图像；
步骤2：对细胞图像进行灰度处理，得到灰度图像；
步骤3：对步骤2得到的灰度图像采用中值滤波去噪，得到去噪后的图像；
步骤4：对步骤3的图像利用直方图均衡化的方法增强图像的对比度，得到灰度增强后的图像；
步骤5：对步骤4得到的图像采用Sobel算子提取边缘，得到边缘图像；
步骤6：对步骤5得到的图像进行膨胀，得到膨胀后的图像；
步骤7：对步骤6得到的图像进行闭运算，得到闭运算后的图像；
步骤8：对步骤7得到的闭运算后的图像进行连通区域标记，获取每个连通区域的坐标并根据标号提取相应的区域；
步骤9：对步骤8标记后的图像，计算各个连通区域的面积和外接矩形的长以及宽；
步骤10：根据白细胞的实际大小，利用步骤9计算出来的连通区域的面积和外接矩形的长、宽对闭运算后的图像进行初步筛选；
步骤11：根据步骤10保留下来连通区域的坐标，在步骤4得到的图像中裁剪出对应的各连通区域小图；
步骤12：对步骤11得到的各连通区域小图二值化，得到二值化的图；
步骤13：将步骤12得到的图取反，得到二值化取反后的图；
步骤14：对步骤13得到的各连通区域小图进行连通区域标记并找到各连通区域小图中的最大连通区域；
步骤15：计算步骤14得到各连通区域小图对应的最大连通区域的面积、周长、离心率；
步骤16：根据白细胞的实际大小，利用步骤15计算的最大连通区域面积、周长、离心率，对各连通区域小图内最大连通区域进行筛选；
步骤17：对步骤16筛选后保留的连通区域小图进行填充并闭运算；
步骤18：对步骤17得到的图进行连通区域标记，并找到最大的连通区域；
步骤19：计算步骤18得到的最大的连通区域的圆形度A；
步骤20:对步骤16筛选后的图进行膨胀，得到膨胀后的图；
步骤21：对步骤20得到的图进行连通区域标记，并找到最大的连通区域；
步骤22：计算步骤21得到的最大的连通区域的圆形度B；
步骤23：根据白细胞的实际大小，利用步骤19和步骤22计算出来的圆形度进行筛选；
步骤24：计算步骤23保留下来的图的第二大连通区域的圆形度以及其面积占连通区域小图的二值化图像的比例；
步骤25：根据白细胞的实际大小，利用步骤24计算出来的所占图像比例进行筛选；
步骤26：计算步骤25保留下来的图的灰度平均值、灰度方差、对比度和熵；
步骤27：根据实际情况，利用步骤26算出来的特征值进行筛选；
步骤28：对步骤27保留下来的区域特征输入BP神经网络，由BP神经网络判断是否为白细胞；
步骤29：统计数量，输出结果；
其中步骤1获得放大倍数为35～40倍，分辨率为1360*1024的细胞图像。
其中步骤10的具体步骤为：
步骤10-1：用面积的特征值进行筛选，保留连通区域的像素面积在350～2500的区域；
步骤10-2：用外接的长和宽进行筛选，保留长和宽的最小值在25～68以及最大值在30～80的区域。
步骤12的具体步骤为：
步骤12-1：对每个小连通区域采用最大类间方差法得到灰度阈值；
步骤12-2：将灰度图像各像素点的灰度值与灰度阈值比较，若大于阈值则该点的灰度值赋值为255，若小于阈值则该点的灰度值赋值为0，得到二值化后的图。
步骤14的具体步骤为：
步骤14-1：对每个小图进行连通区域标记；
步骤14-2：计算每个连通区域的面积，找到面积最大的区域。
步骤16的具体步骤为：
步骤16-1：根据面积进行筛选，保留面积在260～1160之间的区域；
步骤16-1：根据周长进行筛选，保留周长在90～380之间的区域；
步骤16-3：根据离心率进行筛选，保留离心率在0.4～0.97之间的区域。
步骤23的具体步骤为：
步骤23-1：筛选出圆形度A在0.35～1和圆形度B在0.4～1的区域；
步骤23-2：筛选出圆形度A和圆形度B之差的绝对值在0.06～0.45之间的区域。
步骤25的具体步骤为：
步骤25-1：筛选出第二大连通区域的圆形度小于0.7的区域；
步骤25-2：筛选出第二大连通区域的面积占连通区域小图二值化图像的比例在0.35～1之间的区域。
步骤26的具体步骤为：
步骤26-1：计算图的灰度平均值，灰度平均值的计算公式为:
其中，m是灰度值平均值，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目；
步骤26-2：计算图的灰度方差，灰度方差的计算公式为:
其中，σ是灰度方差，m是灰度的平均值；
步骤26-3：计算图的对比度和熵，熵的计算公式为：
其中，e是熵，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目。
步骤27的具体步骤为：
步骤27-1：筛选出灰度平均值在110～140之间和灰度方差在300～2000之间的区域；
步骤27-2：筛选出对比度在3.1～4之间和熵在4.2～5.1之间的区域。
步骤28的具体步骤为：
步骤28-1：设计BP神经网络模型，包括输入层、隐藏层和输出层，输入层和隐藏层的神经元个数都设置为9，输出层的神经元个数设置为5，初始化神经网络的阈值；
步骤28-2：将提取的显微细胞样本的特征量送入BP神经网络识别器，采用Levenberg-Marquardt的改进算法对其进行训练，先计算各层输出，再计算网络输出的误差和各层误差型号，调整各层权值，直到期望输出与实际输出的误差小于0.0001时结束这一轮的训练；
步骤28-3：将需要检测的样本输入已经训练完成的BP神经网络，保留识别为白细胞的区域。
本发明一种白带显微图像中白细胞的自动识别方法，该方法通过对显微图像的处理，识别出白带中的白细胞图像，从而极大地减少了工作人员的工作时间，及人为误差，提高了工作效率。
附图说明
图1是本发明的一种白带显微图像中白细胞自动识别算法的流程图。
图2是BP神经网络训练流程图。
具体实施方式
下面结合附图，对本发明的一种白带白细胞的自动识别算法进行详细说明：
步骤1：使用显微成像系统自动采集细胞有形成分图像；
步骤2：对图像进行灰度处理，得到灰度图像；
步骤3：对步骤2得到的灰度图像采用中值滤波去噪，得到去噪后的图像；
步骤4：对步骤3得到的图像利用直方图均衡化的方法增强图像的对比度，得到灰度增强后的图像；
步骤5：对步骤4得到的图像采用Sobel算子提取边缘，得到边缘图像；
步骤6：对步骤5得到的图像进行膨胀，得到膨胀后的图像；
步骤7：对步骤6得到的图像进行闭运算，得到闭运算后的图像；
步骤8：对步骤7得到的闭运算后的图像进行连通区域标记，获取每个连通区域的坐标并根据标号提取相应的区域；
步骤9：对步骤8标记后的图像，计算各个连通区域的面积和外接矩形的长以及宽；
步骤10：根据步骤9计算出来的特征值对闭运算后的图像进行初步筛选；
步骤10-1：用面积的特征值进行筛选，保留连通区域的面积在350～2500的区域；
步骤10-2：用外接的长和宽进行筛选，保留长和宽的最小值在25～68以及最大值在30～80的区域；
步骤11：根据步骤10保留下来的连通区域，在步骤4得到的图像中裁剪出每个小连通区域；
步骤12：对步骤11得到的每个小连通区域二值化，得到二值化的图；
步骤12-1：对每个小连通区域采用最大类间方差法得到灰度阈值；
步骤12-2：将灰度图像各像素点的灰度值与灰度阈值比较，若大于阈值则该点的灰度值赋值为255，若小于阈值则该点的灰度值赋值为0，得到二值化后的图；
步骤13：将步骤12得到的图并取反，得到二值化取反后的图；
步骤14：对步骤13得到的每个小图进行连通区域标记并找到最大的连通区域；
步骤14-1：对每个小图进行连通区域标记；
步骤14-2：计算每个连通区域的面积，找到面积最大的区域；
步骤15：计算步骤14得到的每个最大的连通区域的面积、周长、离心率；
步骤16：根据步骤15计算的特征值，对每个连通区域进行筛选；
步骤16-1：根据面积进行筛选，保留面积在260～1160之间的区域；
步骤16-1：根据周长进行筛选，保留周长在90～380之间的区域；
步骤16-3：根据离心率进行筛选，保留离心率在0.4～0.97之间的区域；
步骤17：对步骤16筛选后的图进行填充并闭运算，得到闭运算后的图；
步骤18：对步骤17得到的图进行连通区域标记，并找到最大的连通区域；
步骤19：计算步骤18得到的最大的连通区域的圆形度A；
步骤20:对步骤16筛选后的图进行膨胀，得到膨胀后的图；
步骤21：对步骤19得到的图进行连通区域标记，并找到最大的连通区域；
步骤22：计算步骤21得到的最大的连通区域的圆形度B；
步骤23：根据步骤19和步骤22计算出来的圆形度进行筛选；
步骤23-1：筛选出圆形度A在0.35～1和圆形度B在0.4～1的区域；
步骤23-2：筛选出圆形度A和圆形度B之差的绝对值在0.06～0.45之间的区域；
步骤24：计算步骤23保留下来的图的第二大连通区域的圆形度以及其面积占二值化图像的比例；
步骤25：根据步骤24计算出来的特征值进行筛选；
步骤25-1：筛选出第二大连通区域的圆形度小于0.7的区域；
步骤25-2：筛选出第二大连通区域的面积占二值化图像的比例在0.35～1之间的区域；
步骤26：计算步骤25保留下来的图的灰度平均值、灰度方差、对比度和熵；
步骤26-1：计算图的灰度平均值，灰度平均值的计算公式为:
其中，m是灰度值平均值，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目；
步骤26-2：计算图的灰度方差，灰度方差的计算公式为:
其中，σ是灰度方差，m是灰度的平均值；
步骤26-3：计算图的对比度和熵，熵的计算公式为：
其中，e是熵，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目；
步骤27：根据步骤26算出来的特征值进行筛选；
步骤27-1：筛选出灰度平均值在110～140之间和灰度方差在300～2000之间的区域；
步骤27-2：筛选出对比度在3.1～4之间和熵在4.2～5.1之间的区域；
步骤28：对步骤27保留下来的区域特征输入BP神经网络，由BP神经网络判断是否为白细胞；
步骤28-1：设计BP神经网络模型，包括输入层、隐藏层和输出层，输入层和隐藏层的神经元个数都设置为9，输出层的神经元个数设置为5；
步骤28-2：将提取的显微细胞样本的特征量送入BP神经网络识别器，采用Levenberg-Marquardt的改进算法对其进行训练，先计算各层输出，再计算网络输出误差和各层误差信号，调整各层权值，直到期望输出与实际输出的误差小于0.0001时结束这一轮的训练；
步骤28-3：将需要检测的样本输入已经训练完成的BP神经网络，保留识别为白细胞的区域；
步骤29：统计数量，输出结果。

Claims (10)

1.一种白带显微图像中白细胞的自动识别方法，该方法包括如下步骤：
步骤1：使用显微成像系统采集有形细胞图像；
步骤2：对细胞图像进行灰度处理，得到灰度图像；
步骤3：对步骤2得到的灰度图像采用中值滤波去噪，得到去噪后的图像；
步骤4：对步骤3的图像利用直方图均衡化的方法增强图像的对比度，得到灰度增强后的图像；
步骤5：对步骤4得到的图像采用Sobel算子提取边缘，得到边缘图像；
步骤6：对步骤5得到的图像进行膨胀，得到膨胀后的图像；
步骤7：对步骤6得到的图像进行闭运算，得到闭运算后的图像；
步骤8：对步骤7得到的闭运算后的图像进行连通区域标记，获取每个连通区域的坐标并根据标号提取相应的区域；
步骤9：对步骤8标记后的图像，计算各个连通区域的面积和外接矩形的长以及宽；
步骤10：根据白细胞的实际大小，利用步骤9计算出来的连通区域的面积和外接矩形的长、宽对闭运算后的图像进行初步筛选；
步骤11：根据步骤10保留下来连通区域的坐标，在步骤4得到的图像中裁剪出对应的各连通区域小图；
步骤12：对步骤11得到的各连通区域小图二值化，得到二值化的图；
步骤13：将步骤12得到的图取反，得到二值化取反后的图；
步骤14：对步骤13得到的各连通区域小图进行连通区域标记并找到各连通区域小图中的最大连通区域；
步骤15：计算步骤14得到各连通区域小图对应的最大连通区域的面积、周长、离心率；
步骤16：根据白细胞的实际大小，利用步骤15计算的最大连通区域面积、周长、离心率，对各连通区域小图内最大连通区域进行筛选；
步骤17：对步骤16筛选后保留的连通区域小图进行填充并闭运算；
步骤18：对步骤17得到的图进行连通区域标记，并找到最大的连通区域；
步骤19：计算步骤18得到的最大的连通区域的圆形度A；
步骤20:对步骤16筛选后的图进行膨胀，得到膨胀后的图；
步骤21：对步骤20得到的图进行连通区域标记，并找到最大的连通区域；
步骤22：计算步骤21得到的最大的连通区域的圆形度B；
步骤23：根据白细胞的实际大小，利用步骤19和步骤22计算出来的圆形度进行筛选；
步骤24：计算步骤23保留下来的图的第二大连通区域的圆形度以及其面积占连通区域小图的二值化图像的比例；
步骤25：根据白细胞的实际大小，利用步骤24计算出来的所占图像比例进行筛选；
步骤26：计算步骤25保留下来的图的灰度平均值、灰度方差、对比度和熵；
步骤27：根据实际情况，利用步骤26算出来的特征值进行筛选；
步骤28：对步骤27保留下来的区域特征输入BP神经网络，由BP神经网络判断是否为白细胞；
步骤29：统计数量，输出结果。
2.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤12的具体步骤为：
步骤12-1：对每个小连通区域采用最大类间方差法得到灰度阈值；
步骤12-2：将灰度图像各像素点的灰度值与灰度阈值比较，若大于阈值则该点的灰度值赋值为255，若小于阈值则该点的灰度值赋值为0，得到二值化后的图。
3.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤14的具体步骤为：
步骤14-1：对每个小图进行连通区域标记；
步骤14-2：计算每个连通区域的面积，找到面积最大的区域。
4.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤23的具体步骤为：
步骤23-1：筛选出圆形度A在0.35～1和圆形度B在0.4～1的区域；
步骤23-2：筛选出圆形度A和圆形度B之差的绝对值在0.06～0.45之间的区域。
5.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤25的具体步骤为：
步骤25-1：筛选出第二大连通区域的圆形度小于0.7的区域；
步骤25-2：筛选出第二大连通区域的面积占连通区域小图二值化图像的比例在0.35～1之间的区域。
6.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤26的具体步骤为：
步骤26-1：计算图的灰度平均值，灰度平均值的计算公式为:
其中，m是灰度值平均值，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目；
步骤26-2：计算图的灰度方差，灰度方差的计算公式为:
其中，σ是灰度方差，m是灰度的平均值；
步骤26-3：计算图的对比度和熵，熵的计算公式为：
其中，e是熵，p(zi)是一个区域中的灰度值直方图，i＝1,2,3,...L-1为对应的直方图，L是可区分的灰度级数目。
7.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤27的具体步骤为：
步骤27-1：筛选出灰度平均值在110～140之间和灰度方差在300～2000之间的区域；
步骤27-2：筛选出对比度在3.1～4之间和熵在4.2～5.1之间的区域。
8.如权利要求1所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤28的具体步骤为：
步骤28-1：设计BP神经网络模型，包括输入层、隐藏层和输出层，输入层和隐藏层的神经元个数都设置为9，输出层的神经元个数设置为5,初始化神经网络的阈值；
步骤28-2：将提取的显微细胞样本的特征量送入BP神经网络识别器，采用Levenberg-Marquardt的改进算法对其进行训练，先计算各层输出，再计算网络输出的误差和各层误差型号，调整各层权值，直到期望输出与实际输出的误差小于0.0001时结束这一轮的训练；
步骤28-3：将需要检测的样本输入已经训练完成的BP神经网络，保留识别为白细胞的区域。
9.如权利要求2所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤1获得放大倍数为35～40倍，分辨率为1360*1024的细胞图像；
步骤10的具体步骤为：
步骤10-1：用面积的特征值进行筛选，保留连通区域的像素面积在350～2500的区域；
步骤10-2：用外接的长和宽进行筛选，保留长和宽的最小值在25～68以及最大值在30～80的区域。
10.如权利要求2所述的一种白带显微图像中白细胞的自动识别方法，其特征在于步骤1获得放大倍数为35～40倍，分辨率为1360*1024的细胞图像；
步骤16的具体步骤为：
步骤16-1：根据面积进行筛选，保留面积在260～1160之间的区域；
步骤16-1：根据周长进行筛选，保留周长在90～380之间的区域；
步骤16-3：根据离心率进行筛选，保留离心率在0.4～0.97之间的区域。
CN201610676970.2A 2016-08-17 2016-08-17 一种白带显微图像中白细胞的自动识别方法 Active CN106295588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610676970.2A CN106295588B (zh) 2016-08-17 2016-08-17 一种白带显微图像中白细胞的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610676970.2A CN106295588B (zh) 2016-08-17 2016-08-17 一种白带显微图像中白细胞的自动识别方法

Publications (2)

Publication Number Publication Date
CN106295588A CN106295588A (zh) 2017-01-04
CN106295588B true CN106295588B (zh) 2019-10-01

Family

ID=57679242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610676970.2A Active CN106295588B (zh) 2016-08-17 2016-08-17 一种白带显微图像中白细胞的自动识别方法

Country Status (1)

Country Link
CN (1) CN106295588B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875404A (zh) * 2017-01-18 2017-06-20 宁波摩视光电科技有限公司 一种白带显微图像中上皮细胞的智能识别方法
CN106897682A (zh) * 2017-02-15 2017-06-27 电子科技大学 一种基于卷积神经网络的白带中白细胞自动识别方法
CN106991375A (zh) * 2017-03-09 2017-07-28 电子科技大学 一种基于形态学特征的白带中线索细胞自动识别方法
CN106960444A (zh) * 2017-03-31 2017-07-18 宁波摩视光电科技有限公司 一种基于Hopfield神经网络的白带中球菌的自动检测方法
CN107862689A (zh) * 2017-11-21 2018-03-30 广东工业大学 皮革表面明显破损自动识别方法及计算机可读存储介质
CN108171683B (zh) * 2017-12-12 2021-12-14 杭州键一生物科技有限公司 一种采用软件自动识别的细胞计数方法
CN108416344B (zh) * 2017-12-28 2021-09-21 中山大学中山眼科中心 眼底彩照视盘与黄斑定位识别方法
CN108334835B (zh) * 2018-01-29 2021-11-19 华东师范大学 基于卷积神经网络的阴道分泌物显微图像有形成分检测方法
CN108305251A (zh) * 2018-02-01 2018-07-20 四川大学 一种乳腺癌检测方法与装置
CN108520499B (zh) * 2018-03-28 2020-02-18 电子科技大学 一种基于白带显微成像的图像偏移矫正方法
CN108564114B (zh) * 2018-03-28 2022-05-27 电子科技大学 一种基于机器学习的人体粪便白细胞自动识别方法
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
CN108846312B (zh) * 2018-05-07 2021-03-12 深圳市恒扬数据股份有限公司 一种细菌有效活动区域的识别方法、装置及终端设备
CN108961301B (zh) * 2018-07-12 2021-11-02 中国海洋大学 一种基于无监督逐像素分类的角毛藻图像分割方法
CN109142356A (zh) * 2018-08-06 2019-01-04 王鲁生 一种白带显微图像菌丝自动识别设备及方法
CN112037853B (zh) * 2019-10-30 2021-12-10 深圳太力生物技术有限责任公司 筛选能够表达期望产物细胞株的方法
CN110838126B (zh) * 2019-10-30 2020-11-17 东莞太力生物工程有限公司 细胞图像分割方法、装置、计算机设备和存储介质
CN111062346A (zh) * 2019-12-21 2020-04-24 电子科技大学 一种白细胞自动定位检测及分类识别系统及方法
CN111504885B (zh) * 2020-04-04 2022-03-15 电子科技大学 一种基于机器视觉的全自动血涂片形态分析装置的分析方法
CN113822839B (zh) * 2020-06-18 2024-01-23 飞依诺科技股份有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN112669304B (zh) * 2021-01-05 2023-02-28 天津大学 一种基于数字图像处理技术的花粉检测方法
CN113205533A (zh) * 2021-05-10 2021-08-03 江苏硕世生物科技股份有限公司 一种革兰染色白带涂片彩色显微图像分割方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745210A (zh) * 2014-01-28 2014-04-23 爱威科技股份有限公司 一种白细胞分类方法及装置
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
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745210A (zh) * 2014-01-28 2014-04-23 爱威科技股份有限公司 一种白细胞分类方法及装置
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
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 (1)

* Cited by examiner, † Cited by third party
Title
显微细胞图像有形成分自动识别;漆鹏杰 等;《计算机系统应用》;20150515;第24卷(第5期);正文第11页右栏第1段，第12页左栏第2-3段，第14页右栏第2-3段，第15页左栏第1-3段，第16页左栏第1-2段，第17页左栏第1-2段，右栏第1-3段，图1,17 *

Also Published As

Publication number Publication date
CN106295588A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN106295588B (zh) 一种白带显微图像中白细胞的自动识别方法
CN110084156B (zh) 一种步态特征提取方法及基于步态特征的行人身份识别方法
CN107204006B (zh) 一种基于双背景差分的静止目标检测方法
Savkare et al. Automatic system for classification of erythrocytes infected with malaria and identification of parasite's life stage
CN107316311B (zh) 细胞核图像轮廓捕获设备及其方法
CN104299008B (zh) 基于多特征融合的车型分类方法
CN107092884B (zh) 一种快速粗精级联行人检测方法
CN110648342B (zh) 基于nsst显著性检测及图割的泡沫红外图像分割方法
CN108564114B (zh) 一种基于机器学习的人体粪便白细胞自动识别方法
CN107610104A (zh) 一种基于机器视觉的电梯补偿链r处裂纹检测方法
Win et al. Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
Ni et al. Automatic detection and counting of circular shaped overlapped objects using circular hough transform and contour detection
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN110659649A (zh) 一种基于近红外光成像的图像处理与字符识别算法
CN106875404A (zh) 一种白带显微图像中上皮细胞的智能识别方法
CN109003275A (zh) 焊缝缺陷图像的分割方法
CN106682665A (zh) 一种基于计算机视觉的七段式数显仪表数字识别方法
CN107169996A (zh) 一种视频中动态人脸识别方法
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
CN114494318A (zh) 基于大津算法的角膜动态形变视频提取角膜轮廓的方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
Tian et al. Pedestrian detection based on laplace operator image enhancement algorithm and faster R-CNN
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN101404062A (zh) 一种基于决策树的数字乳腺图像自动筛查方法

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