CN106350447B - 一种弹性物品上微生物污染的检测系统 - Google Patents

一种弹性物品上微生物污染的检测系统 Download PDF

Info

Publication number
CN106350447B
CN106350447B CN201610781833.5A CN201610781833A CN106350447B CN 106350447 B CN106350447 B CN 106350447B CN 201610781833 A CN201610781833 A CN 201610781833A CN 106350447 B CN106350447 B CN 106350447B
Authority
CN
China
Prior art keywords
pixel
gray
point
neighborhood
value
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
CN201610781833.5A
Other languages
English (en)
Other versions
CN106350447A (zh
Inventor
不公告发明人
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.)
Taizhou Shenwei new Mstar Technology Ltd
Original Assignee
Taizhou Shenwei New Mstar Technology Ltd
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 Taizhou Shenwei New Mstar Technology Ltd filed Critical Taizhou Shenwei New Mstar Technology Ltd
Priority to CN201610781833.5A priority Critical patent/CN106350447B/zh
Publication of CN106350447A publication Critical patent/CN106350447A/zh
Application granted granted Critical
Publication of CN106350447B publication Critical patent/CN106350447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Molecular Biology (AREA)
  • Toxicology (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。本发明的有益效果为：有效地对微生物污染进行检测。

Description

一种弹性物品上微生物污染的检测系统
技术领域
本发明涉及微生物领域，具体涉及一种弹性物品上微生物污染的检测系统。
背景技术
弹性物品的微生物污染在许多应用中是有问题的。例如，在医疗应用中(例如手术)，由于感染的可能性和向大量的患者和/或其他医护人员传播感染的潜在性的增加，医护人员戴的弹性手套的微生物污染特别危险。因此，一般采取几个步骤以确保手套无细菌和其他微生物。手术期间，例如，外科医生用强杀菌肥皂和刷子或海绵用力擦洗他的/她的手，以排除有害微生物的存在。然后，外科医生戴上预消毒手套进行操作。在某些情况下，然而，手套的一部分或多个部分可能仍然被微生物污染。例如，手术期间外科医生可能无意间接触了被污染的表面。同样，存在于皮肤毛孔深处的微生物可能在戴上手套后再感染手，如果手套的完整性受到影响，例如当戴手套时手套被钩破或者被器械或骨头碎片戳破，因此将对患者产生危险。
发明内容
为解决上述问题，本发明旨在提供一种弹性物品上微生物污染的检测系统。
本发明的目的采用以下技术方案来实现：
一种弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
本发明的有益效果为：有效地对微生物污染进行检测。
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是本发明弹性材料示意图；
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弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
优选地，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
本优选实施例能够全面检测微生物污染。
优选地，所述微生物敏感性色原存在的量基于所述弹性物品干重计为约0.001％重量至约20％重量，并且优选基于所述弹性物品干重计为约0.01％重量至约10％重量。
本优选实施例有助于节约成本，提高检测效率。
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弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
优选地，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
本优选实施例能够全面检测微生物污染。
优选地，所述微生物敏感性色原存在的量基于所述弹性物品干重计为约0.001％重量至约20％重量，并且优选基于所述弹性物品干重计为约0.01％重量至约10％重量。
本优选实施例有助于节约成本，提高检测效率。
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弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
优选地，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
本优选实施例能够全面检测微生物污染。
优选地，所述微生物敏感性色原存在的量基于所述弹性物品干重计为约0.001％重量至约20％重量，并且优选基于所述弹性物品干重计为约0.01％重量至约10％重量。
本优选实施例有助于节约成本，提高检测效率。
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弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
优选地，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
本优选实施例能够全面检测微生物污染。
优选地，所述微生物敏感性色原存在的量基于所述弹性物品干重计为约0.001％重量至约20％重量，并且优选基于所述弹性物品干重计为约0.01％重量至约10％重量。
本优选实施例有助于节约成本，提高检测效率。
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,(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弹性物品上微生物污染的检测系统，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在。
优选地，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
本优选实施例能够全面检测微生物污染。
优选地，所述微生物敏感性色原存在的量基于所述弹性物品干重计为约0.001％重量至约20％重量，并且优选基于所述弹性物品干重计为约0.01％重量至约10％重量。
本优选实施例有助于节约成本，提高检测效率。
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,＝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)

1.一种弹性物品上微生物污染的检测系统，其特征是，包括细胞识别模块和检测系统，所述细胞识别模块用来确定微生物种类，所述检测系统包括弹性材料和微生物敏感性色原，其中所述微生物敏感性色原以在一种或多种微生物的存在下有效地进行可检测颜色变化的量存在；
所述细胞识别模块包括细胞图像分割单元、特征提取单元、分类识别单元；所述细胞图像分割单元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；所述特征提取单元用于对细胞图像的纹理特征进行提取；所述分类识别单元用于根据纹理特征利用分类器实现对细胞图像分类识别；
所述细胞图像分割单元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(x1,y1)，…，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。
2.根据权利要求1所述的一种弹性物品上微生物污染的检测系统，其特征是，所述微生物敏感性色原存在于所述弹性物品的一个或多个表面上。
3.根据权利要求2所述的一种弹性物品上微生物污染的检测系统，其特征是，所述微生物敏感性色原存在的量基于所述弹性物品干重计为0.001％重量至20％重量。
CN201610781833.5A 2016-08-30 2016-08-30 一种弹性物品上微生物污染的检测系统 Active CN106350447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610781833.5A CN106350447B (zh) 2016-08-30 2016-08-30 一种弹性物品上微生物污染的检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610781833.5A CN106350447B (zh) 2016-08-30 2016-08-30 一种弹性物品上微生物污染的检测系统

Publications (2)

Publication Number Publication Date
CN106350447A CN106350447A (zh) 2017-01-25
CN106350447B true CN106350447B (zh) 2018-09-21

Family

ID=57856765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610781833.5A Active CN106350447B (zh) 2016-08-30 2016-08-30 一种弹性物品上微生物污染的检测系统

Country Status (1)

Country Link
CN (1) CN106350447B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4162268A4 (en) * 2020-06-08 2024-03-13 Kimberly-Clark Worldwide, Inc. METHOD FOR DETERMINING RESIDUAL CARBAMAT COMPOUNDS ON AN ELASTOMERIC ARTICLE

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816452A (zh) * 2021-01-19 2021-05-18 昆明理工大学 一种量化生物干化颗粒污泥中微生物分布深度的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101080497A (zh) * 2003-12-16 2007-11-28 金伯利-克拉克环球有限公司 微生物检测与定量
CN101080498A (zh) * 2003-12-16 2007-11-28 金伯利-克拉克环球有限公司 弹性物品上微生物污染的检测
CN103984939A (zh) * 2014-06-03 2014-08-13 爱威科技股份有限公司 一种样本有形成分分类方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101080497A (zh) * 2003-12-16 2007-11-28 金伯利-克拉克环球有限公司 微生物检测与定量
CN101080498A (zh) * 2003-12-16 2007-11-28 金伯利-克拉克环球有限公司 弹性物品上微生物污染的检测
CN103984939A (zh) * 2014-06-03 2014-08-13 爱威科技股份有限公司 一种样本有形成分分类方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4162268A4 (en) * 2020-06-08 2024-03-13 Kimberly-Clark Worldwide, Inc. METHOD FOR DETERMINING RESIDUAL CARBAMAT COMPOUNDS ON AN ELASTOMERIC ARTICLE

Also Published As

Publication number Publication date
CN106350447A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
CN107798679B (zh) 乳腺钼靶图像乳房区域分割与钙化点检测方法
Garg et al. Unsupervised curvature-based retinal vessel segmentation
CN103455991B (zh) 一种多聚焦图像融合方法
CN108510491B (zh) 虚化背景下人体骨骼关键点检测结果的过滤方法
CN102024259B (zh) 一种菌落自动检测方法
CN103049906A (zh) 一种图像深度提取方法
CN103578092A (zh) 一种多聚焦图像融合方法
Cheng et al. Stereo matching by using the global edge constraint
CN110223331B (zh) 一种大脑mr医学图像配准方法
CN106350447B (zh) 一种弹性物品上微生物污染的检测系统
Poornimadevi et al. Automatic detection of pulmonary tuberculosis using image processing techniques
CN117495851B (zh) 一种基于图像轮廓处理的水环境微生物检测方法
CN103745231B (zh) 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法
CN109509163A (zh) 一种基于fgf的多聚焦图像融合方法及系统
CN108305247B (zh) 一种基于ct图像灰度值检测组织硬度的方法
Rijal et al. Determining features for discriminating PTB and normal lungs using phase congruency model
CN110176020A (zh) 一种融合2d和3d图像的燕窝杂质分拣方法
Mazurek et al. From the slit-island method to the ising model: Analysis of irregular grayscale objects
CN104766293A (zh) 从图像中检测血管的方法和设备
Punarselvam et al. Segmentation of Lumbar spine image using Watershed Algorithm
Riza et al. Automated segmentation procedure for Ziehl-Neelsen stained tissue slide images
Lawankar et al. Segmentation of liver using marker watershed transform algorithm for CT scan images
CN106108832B (zh) 一种生物体内信息获取装置
CN114240853A (zh) 基于计算机视觉的细胞计数方法
CN102289666A (zh) 一种基于中值滤波和Hu矩向量的手语识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180813

Address after: 225314 1 building, 98 Ying Chun East Road, hailing Industrial Park, Taizhou, Jiangsu, China. 1

Applicant after: Taizhou Shenwei new Mstar Technology Ltd

Address before: 315200 No. 555 north tunnel road, Zhenhai District, Ningbo, Zhejiang

Applicant before: Meng Ling

GR01 Patent grant
GR01 Patent grant