CN106327490A - 一种基于白细胞检测的细胞核分割方法 - Google Patents
一种基于白细胞检测的细胞核分割方法 Download PDFInfo
- Publication number
- CN106327490A CN106327490A CN201610707481.9A CN201610707481A CN106327490A CN 106327490 A CN106327490 A CN 106327490A CN 201610707481 A CN201610707481 A CN 201610707481A CN 106327490 A CN106327490 A CN 106327490A
- Authority
- CN
- China
- Prior art keywords
- window
- gradient
- blood cell
- white blood
- leukocyte
- 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
- 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学图像处理领域,特别涉及一种基于白细胞检测的细胞核分割方法。首先统计各类白细胞的直径大小来设定滑动窗口的多个尺寸,然后根据白细胞图片的梯度信息,针对每个滑动窗口选取候选窗口,再根据白细胞图片颜色对比信息、边界密度对比信息和梯度对比信息,计算每个候选窗口的特征值,输入ε‑SVR模型,选取出最终检测窗口,截取白细胞图片中最终检测窗口的区域即为最终定位子图;然后用多项式曲线拟合子图灰度统计图的方法,来选取阈值分割细胞核,然后再用形态学处理进行孔洞填充和孤立点去除,使得分割结果更加精确。
Description
技术领域
本发明属于医学图像处理领域,特别涉及一种基于白细胞检测的细胞核分割方法。
背景技术
全自动白细胞形态学分析系统主要四大步骤:预处理,分割,特征提取和分类。许多学者都更多地关注后面三块的研究,却没有在预处理上投入很大的精力。预处理步骤包括很多方面的内容,比如细胞检测和图像增强等,好的预处理可以给后续的分割工作带来很大的影响。5类白细胞形状不一,大小各异,其染色图像往往又受到人为主观因素和各类细胞不同特性的客观因素的影响,等等,这些都会可能导致白细胞染色较淡或红细胞染色较深,染色和亮度不均匀等,使得白细胞的分割成为医学图像处理研究领域中的一个富有挑战性的工作。到目前为止,尽管已有大量成熟的分割算法被相继提出,但是,还没有一个足够有效并且快速的算法能很好地应用于白细胞图像的分割。然而白细胞检测的预处理却能够很好地解决这一问题,可以帮助去除红细胞、血小板和胞浆等背景对白细胞分割的影响,但是检测不准确同样会影响后续的分割效果。
目前,关于自然图像分割的方法主要有几个大类:基于阈值思想的分割方法、基于聚类思想的分割方法、基于边缘检测的分割方法、基于多种思想的组合方法。这些方法都曾经被尝试用于白细胞分割中,方法有利有弊,效果也不能很好地完全适用于白细胞分割。当然也有人考虑了借助预处理提升分割效果,其中Rezatofighi等人先用Gram-Schmidt方法提取出细胞核,然后把以细胞核的中心为中心的正方形窗口作为白细胞的检测窗口,之后在检测窗口的基础上再应用一些成熟的分割方法,但一些细胞核经常呈多叶状,U形或者W形的,细胞核的中心并不能代表白细胞的中心,所以并不能准确检测白细胞,进而也会影响白细胞的分割结果。
发明内容
本发明的目的是提供一种基于白细胞检测的细胞核分割方法,先根据白细胞特征检测白细胞,确定白细胞最终定位子图,然后利用多项式拟合曲线选取阈值实现细胞核的精确分割。
为了实现上述目的,本发明提供了如下技术方案:
本发明提供一种基于白细胞检测的细胞核分割方法,该方法包括如下步骤:
a、统计分析五类白细胞的直径大小,利用k均值聚类将其直径分为三类,选定聚类中心作为三个滑动窗口w1、w2和w3的尺寸;
b、计算白细胞图片的梯度强度图,三个滑动窗口w1、w2和w3分别在整张白细胞梯度强度图中从任意像素点开始,逐像素滑动,直至滑动窗口遍历整张白细胞图;根据图片的梯度信息,针对每个滑动窗口w1、w2和w3,分别计算其遍历窗口中的梯度幅值特征因子GM,并选取梯度幅值特征因子GM值最大的窗口作为候选检测窗口w1 *、w2 *和w3 *;
c、分别三个计算候选检测窗口w1 *、w2 *、w3 *的颜色对比特征因子值CC(w1 *)、CC(w2 *)、CC(w3 *);边界密度特征因子值ED(w1 *)、ED(w2 *)、ED(w3 *);梯度对比特征因子值GC(w1 *)、GC(w2 *)、GC(w3 *),用于选择最终检测窗口;
d、将每个候选窗口的颜色对比特征因子值CC、边界密度特征因子值ED、梯度对比特征因子值GC输入ε-SVR,输出值最大的候选检测窗口即为最终检测窗口;
e、截取最终检测窗口区域作为白细胞的最终定位子图,用多项式拟合灰度统计图的方法,找到第一个波谷作为阈值进行分割细胞核,然后再用形态学处理进行孔洞填充和孤立点去除;实现细胞核的精确分割。
所述步骤a中,所述滑动窗口w1、w2和w3的尺寸为聚类中心,分别为110×110、140×140和170×170像素。
所述步骤b中,计算白细胞图片的梯度图M(P),将梯度图进行阈值处理为二值图,即梯度强度图,梯度图阈值处理二值化的方法为:
其中p代表像素点,T是阈值;
针对每个滑动窗口w1、w2和w3,根据梯度信息计算梯度幅值特征因子GM,计算表示为:
其中w'是滑动窗口w的内切圆。
所述阈值T选取为13。
所述步骤c中,颜色对比特征CC的具体计算表达式为:
CC(w',θCC)=χ(h(w',h(Surr(w',θCC))))
其中,Surr(w',θCC)即为两个内切圆之间的区域,|Surr(w',θCC)|和|w'|分别表示Surr(w',θCC)和w'的像素个数,θCC是缩放参数;h代表窗口的颜色直方图,CC就是两个区域颜色直方图的卡方距离;
边界密度特征因子ED的计算表示为:
其中,边界密度图IED(p)∈{0,1},θED是缩放参数;
梯度对比特征因子GC的计算表示为:
其中,θGM是缩放参数;
所述步骤e中,先对白细胞的最终定位子图的灰度统计图进行中值滤波处理来去除离群点,然后多项式曲线拟合灰度统计图,选取拟合曲线的第一个波谷作为阈值,分割出细胞核区域;最后,对于分割后的孔洞和孤立点,借助形态学进行处理,实现细胞核的精确分割。
所述步骤e中,选取3-6次多项式曲线拟合灰度统计图。
与现有技术相比,本发明的有益效果在于:
由于白细胞自身复杂特性、红细胞和血小板的干扰以及染色不均与光照亮度等的影响,大多数成熟分割算法不能很好地应用于白细胞分割,分割效果不尽人意;并且背景技术中提及的基于白细胞检测的分割方法,不能完整准确的检测到白细胞,也就不能得到精确的分割结果。而本发明则通过细胞检测的预处理去除背景的影响,同时考虑了白细胞的本质特征,设计检测特征因子,提升检测效果;后续的细胞核分割采用多项式拟合曲线选取阈值,使细胞核分割更加精确。
本发明着手于分割的预处理阶段,提出了能够准确检测白细胞的框架,有效地避免后续白细胞细胞核直接在原图上分割受到红细胞等其他因素的影响,同时基于白细胞检测结果,提出了针对细胞核的有效分割算法。
综上所述,本发明的方法既考虑了基于白细胞检测的预处理,又针对白细胞设计特征因子,达到准确的检测效果;基于检测的子图,设计细胞核分割算法,实现细胞核的更加精确的分割。
附图说明
图1为五类白细胞图片示例;
图2a为第一示例白细胞图片;
图2b为白细胞图片的梯度图;
图2c为梯度图二值化后的梯度强度图;
图3a为颜色对比度特征因子取值最大的状态图;
图3b为canny算子检测的边界密度图;
图3c为边界密度特征因子取值最大的状态图;
图3d为梯度对比度特征因子取值最大的状态图;
图4为选取的三个候选白细胞检测窗口;
图5a为第二示例白细胞图片;
图5b为最终定位子图;
图5c为定位子图的灰度统计图;
图5d为统计图中值滤波处理图及曲线拟合图;
图5e为阈值分割细胞核结果;
图5f为分割细胞核孔洞填充效果图;
图5g为分割细胞核孤立点去除效果图;
图6为本发明基于白细胞检测的细胞核分割方法总体流程示意图。
具体实施方式
本发明基于白细胞检测的预处理进行后续分割,从而减少红细胞、血小板和其他背景对白细胞分割的影响,同时针对细胞核提出了有效的分割算法。针对白细胞的本质特征,设计特征因子进行检测;并且根据五类白细胞的大小的聚类分析结果,设定滑动窗口的三个尺寸;在分割过程中,提出曲线拟合选取阈值的方法分割细胞核,实现精确分割。
本发明的基本思路为:
如图6所示,首先,对五类白细胞的大小进行聚类分析,将三个聚类中心作为滑动窗口的尺寸;根据白细胞的梯度信息,计算梯度幅值特征因子GM,对每张图片每个滑动窗口选取GM值最大的窗口作为候选检测窗口,这样每张图片就能得到三张不同大小的候选检测窗口。
其次,根据白细胞的颜色对比信息、canny算子处理后的边界密度对比信息和梯度对比信息,计算颜色对比特征因子CC、边界密度对比特征因子ED和梯度对比特征因子GC,将这三个特征因子借助ε-SVR进行组合,从候选检测窗口中选出最终检测窗口。
最后,截取最终检测窗口中区域为白细胞的定位子图,基于定位子图,用多项式曲线拟合子图灰度统计图,选取阈值分割细胞核。
下面结合实施例对本发明进行进一步说明。
本发明提供一种基于白细胞检测的细胞核分割方法,包括如下步骤:
a、统计分析五类白细胞的直径大小,利用k均值聚类将其直径分为三类,选定聚类中心作为三个滑动窗口w1、w2和w3的尺寸;
统计分析每类白细胞的物理直径如表1所示,五类白细胞的大小不一,拍摄的白细胞示例图片如图1所示,由此可以看出大致可以分为三类,利用K均值进行聚类,则用于检测白细胞的滑动窗口w1、w2和w3的尺寸即选定为聚类中心,分别为110×110、140×140和170×170像素;
表1五类白细胞的物理直径统计表
b、计算白细胞图片的梯度强度图,三个滑动窗口分别在整张白细胞梯度强度图中从任意像素点开始,逐像素滑动,直至滑动窗口遍历整张白细胞图;根据图片的梯度信息,针对每个滑动窗口w1、w2和w3,分别计算其遍历窗口中的梯度幅值特征因子GM,并选取梯度幅值特征因子GM值最大的窗口作为候选检测窗口w1 *、w2 *和w3 *;
如图2a所示,对于一张第一示例白细胞图片,计算其梯度图M(P)如图2b所示,将梯度图进行阈值处理为二值图,即梯度强度图,如图2c所示,梯度图阈值处理二值化的方法为:
其中P代表像素点,T是阈值,这里根据实验经验选取T=13。
针对每个滑动窗口w1、w2和w3,根据梯度信息计算梯度幅值特征因子GM,计算表示为:
其中w'是滑动窗口w的内切圆;
图2c中所示,白色为1,黑色为0,白色集中区域是白细胞,则梯度幅值特征因子GM值越大的区域,即白细胞检测区域;由于白细胞大小不同,所以采用三个滑动窗口进行遍历白细胞图片,针对每个滑动窗口w1、w2和w3,选取梯度幅值特征因子GM值最大的窗口,则最终得到三个候选检测窗口w1 *、w2 *和w3 *。
c、分别计算三个候选检测窗口w1 *、w2 *、w3 *的颜色对比特征因子值CC(w1 *)、CC(w2 *)、CC(w3 *);边界密度特征因子值ED(w1 *)、ED(w2 *)、ED(w3 *);梯度对比特征因子值GC(w1 *)、GC(w2 *)、GC(w3 *),用于选择最终检测窗口。
如图3a所示,当候选检测窗口覆盖白细胞时,窗口内区域与周边区域的颜色对比度最大。
颜色对比特征CC的具体计算表达式为:
CC(w',θCC)=χ(h(w',h(Surr(w',θCC))))
其中,Surr(w',θCC)即为图3a中两个内切圆之间的区域,|Surr(w',θCC)和|w'|分别表示Surr(w',θCC)和w'的像素个数,θCC是缩放参数;h代表窗口的颜色直方图,CC就是两个区域颜色直方图的卡方距离。
对图2a所示的白细胞图片进行canny算子检测边界得到边界密度图3b,同样地,当候选检测窗口覆盖白细胞时,窗口内区域与周边区域的边界对比度最大,如图3c所示。
边界密度特征因子ED的计算表示为:
其中,边界密度图IED(p)∈{0,1},同样θED是缩放参数;
对于白细胞梯度图2c,当候选窗口覆盖白细胞时,如图3d所示,窗口内区域与周边区域的梯度对比度最大。
梯度对比特征因子GC的计算表示为:
其中,θGM是缩放参数;
d、将每个候选窗口的颜色对比特征因子值CC、边界密度特征因子值ED、梯度对比特征因子值GC输入ε-SVR,输出值最大的候选检测窗口即为最终检测窗口。
训练ε-SVR模型,将三个特征因子融合成一个判别指标,分别将候选窗口的三种特征因子值输入ε-SVR,选取输出最大的候选检测窗口作为最终检测窗口。如图4所示,在三个候选检测窗口中,虚线窗口为最终检测窗口。
e、截取最终检测窗口中区域为白细胞的最终定位子图,用多项式拟合灰度统计图的方法,找到第一个波谷作为阈值进行分割细胞核,然后再用形态学处理进行孔洞填充和孤立点去除;实现细胞核的精确分割。
优选地,步骤e中,先对白细胞的最终定位子图的灰度统计图进行中值滤波处理来去除离群点,然后用多项式曲线拟合灰度统计图,选取拟合曲线的第一个波谷作为阈值,分割出细胞核区域;最后,对于分割后的孔洞和孤立点,借助形态学进行处理,实现细胞核的精确分割。
优选地,选取3-6次多项式曲线拟合灰度统计图。
对于第二示例白细胞图片(图5a),经过上述步骤a-d的检测预处理得到最终定位子图(图5b),先将最终定位子图的灰度统计图(图5c)进行中值滤波处理,之后再用多项式曲线拟合,如图5d所示,然后选取固定步长d,采用差分的方法,根据后一点的灰度值h(i+1)减去前点的灰度值h(i)的正负值,寻找第一个左差值为负,右差值为正的点i*即为波谷,满足,
min{i*|h(i*+1)-h(i*)>0,h(i*)-h(i*-1)<0}
将其作为分割细胞核的阈值点,进而分割出细胞核,得到细胞核分割图像I,如图5e所示,由于阈值分割是基于像素点进行的,所以分割区域中存在很多孔洞和孤立点。
为了填充分割图中的孔洞,我们采用图像形态学处理中的孔洞填充算法,建立标记图像F,
其中p为像素点。
则即为孔洞填充之后的二值图像(图5f)。
其中,是标记图像F对模板图像Ic的膨胀形态学的重构后,反复迭代直至达到稳定的状态,Ic是图像I的补。
之后,经过形态学处理去除孤立点得到最终细胞核分割结果,如图5g所示。具体步骤如下:
E0=H
假设当n=k时,孤立点均已完全移除,则
D0=Ek
Dn=Dn-1⊕B(n=1,2,3...)
R=Dk+1∩H
其中,和⊕分别代表腐蚀和膨胀操作,B是结构元,R是最终分割结果(图5g)。
如图6所示,为本发明的白细胞检测方法及基于该检测方法的细胞核分割方法总体流程示意图。作为一个实施例,对于一张白细胞图片,首先设定滑动窗口的三个尺寸110×110、140×140、170×170像素,根据梯度幅值,选出三个尺寸的候选检测窗口;然后计算三个候选检测窗口的特征因子值,输入ε-SVR模型,选取输出最大值的窗口即为最终检测窗口。截取最终检测窗口区域为最终定位子图,用多项式曲线拟合子图灰度统计图的方法选取阈值进行分割细胞核,然后再用形态学处理进行孔洞填充和孤立点去除,实现细胞核的精确分割。
Claims (7)
1.一种基于白细胞检测的细胞核分割方法,其特征在于:该方法包括如下步骤:
a、统计分析五类白细胞的直径大小,利用k均值聚类将其直径分为三类,选定聚类中心作为三个滑动窗口w1、w2和w3的尺寸;
b、计算白细胞图片的梯度强度图,三个滑动窗口w1、w2和w3分别在整张白细胞梯度强度图中从任意像素点开始,逐像素滑动,直至滑动窗口遍历整张白细胞图;根据图片的梯度信息,针对每个滑动窗口w1、w2和w3,分别计算其遍历窗口中的梯度幅值特征因子GM,并选取梯度幅值特征因子GM值最大的窗口作为候选检测窗口w1 *、w2 *和w3 *;
c、分别三个计算候选检测窗口w1 *、w2 *、w3 *的颜色对比特征因子值CC(w1 *)、CC(w2 *)、CC(w3 *);边界密度特征因子值ED(w1 *)、ED(w2 *)、ED(w3 *);梯度对比特征因子值GC(w1 *)、GC(w2 *)、GC(w3 *),用于选择最终检测窗口;
d、将每个候选窗口的颜色对比特征因子值CC、边界密度特征因子值ED、梯度对比特征因子值GC输入ε-SVR,输出值最大的候选检测窗口即为最终检测窗口;
e、截取最终检测窗口区域作为白细胞的最终定位子图,用多项式拟合灰度统计图的方法,找到第一个波谷作为阈值进行分割细胞核,然后再用形态学处理进行孔洞填充和孤立点去除;实现细胞核的精确分割。
2.根据权利要求1所述的基于白细胞检测的细胞核分割方法,其特征在于:所述步骤a中,所述滑动窗口w1、w2和w3的尺寸为聚类中心, 分别为110×110、140×140和170×170像素。
3.根据权利要求1所述的基于白细胞检测的细胞核分割方法,其特征在于:所述步骤b中,计算白细胞图片的梯度图M(P),将梯度图进行阈值处理为二值图,即梯度强度图,梯度图阈值处理二值化的方法为:
其中p代表像素点,T是阈值;
针对每个滑动窗口w1、w2和w3,根据梯度信息计算梯度幅值特征因子GM,计算表示为:
其中w'是滑动窗口w的内切圆。
4.根据权利要求3所述的基于白细胞检测的细胞核分割方法,其特征在于:所述阈值T选取为13。
5.根据权利要求1所述的基于白细胞检测的细胞核分割方法,其特征在于:所述步骤c中,颜色对比特征CC的具体计算表达式为:
CC(w',θCC)=χ(h(w',h(Surr(w',θCC))))
其中,Surr(w',θCC)即为两个内切圆之间的区域,|Surr(w',θCC)|和|w'|分别表示Surr(w',θCC)和w'的像素个数,θCC是缩放参数;h代表窗口的颜色直方图,CC就是两个区域颜色直方图的卡方距离;
边界密度特征因子ED的计算表示为:
其中,边界密度图IED(p)∈{0,1},θED是缩放参数;
梯度对比特征因子GC的计算表示为:
其中,θGM是缩放参数。
6.根据权利要求1所述的基于白细胞检测的细胞核分割方法,其特征在于:所述步骤e中,先对白细胞的最终定位子图的灰度统计图进行中值滤波处理来去除离群点,然后多项式曲线拟合灰度统计图,选取拟合曲线的第一个波谷作为阈值,分割出细胞核区域;最后,对于分割后的孔洞和孤立点,借助形态学进行处理,实现细胞核的精确分割。
7.根据权利要求1或6所述的基于白细胞检测的细胞核分割方法,其特征在于:所述步骤e中,选取3-6次多项式曲线拟合灰度统计图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610707481.9A CN106327490A (zh) | 2016-08-22 | 2016-08-22 | 一种基于白细胞检测的细胞核分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610707481.9A CN106327490A (zh) | 2016-08-22 | 2016-08-22 | 一种基于白细胞检测的细胞核分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106327490A true CN106327490A (zh) | 2017-01-11 |
Family
ID=57742729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610707481.9A Pending CN106327490A (zh) | 2016-08-22 | 2016-08-22 | 一种基于白细胞检测的细胞核分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106327490A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805865A (zh) * | 2018-05-22 | 2018-11-13 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
CN109523568A (zh) * | 2018-10-12 | 2019-03-26 | 广东绿康源美环境科技有限公司 | 一种基于Canny算法的大体标本摄像系统 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN110766680A (zh) * | 2019-10-28 | 2020-02-07 | 闽江学院 | 一种基于几何约束的白细胞图像分割方法 |
Citations (5)
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 |
CN103985119A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法 |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104751462A (zh) * | 2015-03-29 | 2015-07-01 | 嘉善加斯戴克医疗器械有限公司 | 一种基于多特征非线性组合的白细胞分割方法 |
US20150213614A1 (en) * | 2014-01-29 | 2015-07-30 | Cellogy, Inc. | Method and system for characterizing cell motion |
-
2016
- 2016-08-22 CN CN201610707481.9A patent/CN106327490A/zh active Pending
Patent Citations (5)
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 |
US20150213614A1 (en) * | 2014-01-29 | 2015-07-30 | Cellogy, Inc. | Method and system for characterizing cell motion |
CN103985119A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法 |
CN104392460A (zh) * | 2014-12-12 | 2015-03-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104751462A (zh) * | 2015-03-29 | 2015-07-01 | 嘉善加斯戴克医疗器械有限公司 | 一种基于多特征非线性组合的白细胞分割方法 |
Non-Patent Citations (1)
Title |
---|
黄震: "外周血白细胞分割和识别的算法研究", 《万方数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805865A (zh) * | 2018-05-22 | 2018-11-13 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
CN108805865B (zh) * | 2018-05-22 | 2019-12-10 | 杭州智微信息科技有限公司 | 一种基于饱和度聚类的骨髓白细胞定位方法 |
TWI711008B (zh) * | 2018-05-22 | 2020-11-21 | 大陸商杭州智微信息科技有限公司 | 一種基於飽和度聚類的骨髓白血球細胞定位方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
CN109523568A (zh) * | 2018-10-12 | 2019-03-26 | 广东绿康源美环境科技有限公司 | 一种基于Canny算法的大体标本摄像系统 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN110766680A (zh) * | 2019-10-28 | 2020-02-07 | 闽江学院 | 一种基于几何约束的白细胞图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327490A (zh) | 一种基于白细胞检测的细胞核分割方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
Dubey et al. | Infected fruit part detection using K-means clustering segmentation technique | |
CN107451607B (zh) | 一种基于深度学习的典型人物的身份识别方法 | |
CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN103530600B (zh) | 复杂光照下的车牌识别方法及系统 | |
CN107945200A (zh) | 图像二值化分割方法 | |
CN103345748B (zh) | 一种人体组织细胞双光子显微图像的定位分割方法 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN107527343B (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
CN104778464A (zh) | 一种基于深度卷积神经网络的服装定位检测方法 | |
CN107316036A (zh) | 一种基于级联分类器的害虫识别方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN107194938A (zh) | 基于深度卷积神经网络的图像轮廓检测方法 | |
CN107330027A (zh) | 一种弱监督的深度台标检测方法 | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
CN107610138A (zh) | 一种票据印章区域序列分割方法 | |
CN108090928A (zh) | 一种检测与筛选类圆形细胞区域的方法及系统 | |
CN103955673B (zh) | 一种基于头肩模型的人体识别方法 | |
CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 | |
CN103714540B (zh) | 数字抠像处理中的基于svm的透明度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170111 |
|
WD01 | Invention patent application deemed withdrawn after publication |