CN106469305A - 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 - Google Patents
一种基于图像处理的粪便中夏科雷登晶体自动检测方法 Download PDFInfo
- Publication number
- CN106469305A CN106469305A CN201610844281.8A CN201610844281A CN106469305A CN 106469305 A CN106469305 A CN 106469305A CN 201610844281 A CN201610844281 A CN 201610844281A CN 106469305 A CN106469305 A CN 106469305A
- Authority
- CN
- China
- Prior art keywords
- connected region
- crystal
- xia
- keleideng
- image
- 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
- 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
-
- 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
Abstract
该发明公开了一种基于图像处理的粪便中夏科雷登晶体自动检测方法，属于图像识别技术领域。该方法首先对样本图像进行预处理，然后根据夏科雷登晶体特有的特征对目标对象进行特征提取，最后使用识别算法对目标进行识别，识别检测粪便样本图像中的夏科雷登晶体。通过使用本方法进行粪便中的夏科雷登晶体识别检测，提高了检测效率和准确率，同时大大减轻了医务检验人员的劳动强度。通过使用本方法进行粪便中的夏科雷登晶体识别检测，提高了检测效率和准确率，同时大大减轻了医务检验人员的劳动强度。
Description
技术领域
本发明属于图像识别技术领域，具体是一种基于图像处理技术的粪便中的夏科雷登晶体自动识别检测方法。
背景技术
粪便的显微镜检查是当前临床常规化验检查三大项目之一，夏科雷登晶体常见于阿米巴痢疾、钩虫病以及过敏性肠炎等疾病患者的粪便中，粪便中夏科雷登晶体的识别结果，可以作为医生诊断和分析患者所患疾病的依据。目前，国内大多数医院的粪便显微镜检查使用的都是人工处理的方式，医务检验人员通过自身经验进行诊断，检测速度慢，检测工作量大。在检测工作量变大时，医务检验人员容易疲劳，同时掺杂了较多的主观因素而缺乏客观的定量标准，进而影响医生对病人病情的准确诊断。随着图像处理技术的发展，利用图像识别技术来辅助进行夏科雷登晶体的识别检测已经成为必然趋势，与传统的依靠检验人员进行人工检测粪便中夏科雷登晶体的方法相比，基于图像处理技术的夏科雷登晶体自动识别检测方法具有检测效率高、准确率高及检测标准客观等优点，同时大大减轻了医务检验人员的劳动强度。
发明内容
针对目前国内大多数医院的粪便显微镜检查人工处理的方式存在的缺点和不足，本发明提供了一种利用计算机基于图像处理技术的粪便中的夏科雷登晶体自动识别检测方法。该方法首先对样本图像进行预处理，然后根据夏科雷登晶体特有的特征对目标对象进行特征提取，最后使用识别算法对目标进行识别，识别检测粪便样本图像中的夏科雷登晶体。通过使用本方法进行粪便中的夏科雷登晶体识别检测，提高了检测效率和准确率，同时大大减轻了医务检验人员的劳动强度。
本发明的技术方案为：一种基于图像处理的粪便中夏科雷登晶体自动检测方法，具体包括以下步骤：
步骤1：使用CCD相机拍摄经过显微镜放大后的人体粪便样本彩色图片；
步骤2：对夏科雷登晶体样本的彩色图片进行灰度化处理，得到样本灰度图像；
步骤3：使用大津法计算步骤2中灰度样本图像的阈值；
步骤4：利用步骤3得打偶的阈值使用单阈值法对步骤2中的灰度图像进行二值化，对得到的二值图像进行非运算；
步骤5：对步骤4中的二值图像进行图像填充处理，得到填充后的二值图像；
步骤6：对步骤5中的二值图像进行连通区域标记并统计连通区域个数；
步骤7：计算各连通区域面积；
步骤8：根据夏科雷登晶体实际大小与步骤7获得的连同区域面积作对比，对连通区域进行筛选，符合夏科雷登晶体实际大小条件的连通区域保留，不符合夏科雷登晶体实际大小条件的连通区域像素点灰度值赋值为0，得到面积筛选后的二值图像；
步骤9：对步骤8中的二值图像进行连通区域标记，并统计连通区域个数LabelNum；
步骤10：判断连通区域个数LabelNum是否大于0，若大于0，则进入到步骤11，否则表示未检测出夏科雷登晶体；
步骤11：计算各连通区域椭圆硬度参数，离心率及最小外接矩形；
步骤12：对各连通区域进行处理，判断是否为夏科雷登晶体，并统计夏科雷登晶体个数；
步骤13：在原图中用红色矩形框对识别检测到的夏科雷登晶体进行标记，标记结果并结束当前图像的识别检测。
其中，步骤12的具体步骤为：
步骤12-1：对当前连通区域进行判断，是否符合夏科雷登晶体的椭圆硬度参数和离心率条件，若符合，则进入到步骤12-2，否则进入到步骤12-8；
步骤12-2：图像剪切，根据当前连通区域的最小外接矩形，将当前连通区域从步骤8中的二值图像中剪切出来，得到二值小图；
步骤12-3：对步骤12-2中的二值小图进行连通区域标记，并统计连通区域个数Count；
步骤12-4：若连通区域个数Count等于1，进入到步骤12-6，否则进入到步骤12-5；
步骤12-5：面积筛选，只保留面积最大的连通区域，其它连通区域像素灰度值赋值为0；
步骤12-6：计算与当前连通区域所对应的步骤1获得的原图中绿色像素点所占比例；
步骤12-7：根据步骤12-6中的计算结果判断当前连通区域是否为夏科雷登晶体；
步骤12-8：判断是否有未进行判断的连通区域，若有，则继续对下一个连通区域进行识别判断，进入到步骤12-1，若无，则步骤12结束。
进一步的，所述步骤1中显微放大倍数为400倍。
本发明通过一种利用计算机基于图像处理技术的粪便中的夏科雷登晶体自动识别检测方法。该方法首先对样本图像进行预处理，然后根据夏科雷登晶体特有的特征对目标对象进行特征提取，最后使用识别算法对目标进行识别，识别检测粪便样本图像中的夏科雷登晶体。通过使用本方法进行粪便中的夏科雷登晶体识别检测，提高了检测效率和准确率，同时大大减轻了医务检验人员的劳动强度。
附图说明
图1是夏科雷登晶体自动识别检测流程图。
图2是夏科雷登晶体原图。
图3是夏科雷登晶体灰度图。
图4是夏科雷登晶体二值图。
图5是夏科雷登晶体填充后的二值图。
图6是夏科雷登晶体面积筛选后的二值图。
图7是夏科雷登晶体剪切小图。
图8是夏科雷登晶体识别检测结果图。
具体实施方式
下面结合附图，对本发明中的夏科雷登晶体的自动识别检测方法进行详细说明：
步骤1：使用CCD相机拍摄经过显微镜放大后的粪便样本彩色图片，获得粪便样本后，首先向样本中添加稀释溶剂，并进行搅拌，使得样本溶液稀释均匀，再使用样本溶液和载玻片制作标本，将载玻片放于显微镜下，放大倍数为400倍，然后使用CCD相机拍摄经过显微镜放大后的彩色样本图片，每个样本拍摄25个视野，每个视野拍摄5张不同焦距下的图片，以保证每个视野图片中至少有一张是清晰的，夏科雷登晶体彩色样本图像如附图2所示。
步骤2：对夏科雷登晶体样本的彩色图片进行灰度化处理，得到样本256级灰度图像，如附图3所示。
灰度化处理过程详述如下：
对原始彩色图像中的像素点逐个进行处理，根据彩色图像中像素点的R、G和B分量计算该像素点的灰度值，灰度值的计算公式为：
Gray＝R×0.299+G×0.587+B×0.114
其中，R、G和B分别代表原始彩色数字图像中特定像素点的R分量值、G分量值和B分量值，Gray即为该像素点的灰度值。
步骤3：使用大津法计算步骤2中灰度样本图像的阈值。大津法是一种自适应的计算全局阈值方法，在一幅灰度图像中，检测的目标与背景具有不同的特性。大津法用于确定一个阈值，将图像分为目标和背景两类，然后计算目标和背景的类间方差，当类间方差最大时，即认为该阈值很好的将目标与背景分割开来，在多数情况下，可以将图像良好的分为目标和背景两个区域，因此，使用大津法获取灰度图像的阈值。
步骤4：使用单阈值法对步骤2中的灰度图像进行二值化，对得到的二值图像进行非运算，即亮像素点变为暗像素点，暗像素点变为亮像素点，进行非运算后的二值图像如附图4所示，阈值使用步骤3中计算得到的阈值。
步骤5：对步骤4中的二值图像进行图像填充处理，得到填充后的二值图像，如附图5所示。观察经过步骤4所获得的二值图像可以看出，二值图像中连通区域内部有孔洞，这会造成在统计连通区域面积时，无法使用连通区域面积代表其所对应对象的大小，因此，为了保证能够用连通区域面积表征其对应对象的大小，就要求连通区域内部没有孔洞，通过对图像进行填充处理，每个对象对应连通区域内部都是填充的，使得连通区域的面积能够表征对象的大小。
步骤6：对步骤5中的二值图像进行连通区域标记并统计连通区域个数，连通区域标记是为了将属于同一连通区域的像素点标记相同的标号，即相同标号的像素点属于同一个连通区域。
步骤7：计算各连通区域面积，连通区域面积指的是该连通区域内所包含的像素点的个数，通过统计步骤6中所获得的连通区域标记矩阵，统计对应的相同标号的像素点的个数，即可获得各连通区域的面积。
步骤8：根据连通区域面积对连通区域进行筛选，符合条件的连通区域保留，不符合条件的连通区域像素点灰度值赋值为0，得到面积筛选后的二值图像，如附图6所示，通过比较附图5和附图6可以看出，面积较大和较小的连通区域被筛选掉，其它的连通区域则被保留。
步骤9：对步骤8中的二值图像进行连通区域标记，并统计连通区域个数LabelNum。
步骤10：判断连通区域个数LabelNum是否大于0，若大于0，则进入到步骤11，否则进入步骤13，如果LabelNum等于0，则说明经过筛选后的二值图像中没有符合条件的对象，即判断当前图像中没有夏科雷登晶体，此时应停止对当前图像继续进行识别检测，进入到步骤13，反之，说明当前图像中可能含有夏科雷登晶体，此时应进入到步骤12继续进行判断。
步骤11：计算各连通区域椭圆硬度参数，离心率及最小外接矩形，夏科雷登晶体呈指南针状，两头尖中间粗，形态特征明显，根据椭圆硬度参数和离心率特征可以将夏科雷登晶体和形状差异较大的杂质进行区分，下面详细解释所选择的几个特征：
(1)离心率：表征与连通区域具有相同二阶矩的椭圆的的扁平程度，大小在0～1，离心率越大，说明连通区域越扁，离心率越小，说明连通区域越接近于圆。
(2)椭圆硬度参数：表征连通区域接近于椭圆形状的程度，大小在0～1，当椭圆硬度参数等于1时，说明该连通区域为椭圆，该特征参数越大，说明该连通区域与椭圆形状相差越大。
(3)最小矩形：表征能够包含该连通区域所有像素点的最小外接矩形，通过外接矩形，可以确定将整个连通区域的所在位置，对连通区域尽心精准定位。
步骤12：对各连通区域进行处理，判断是否为夏科雷登晶体，并统计夏科雷登晶体个数。详细步骤如下所示：
步骤12-1：对当前连通区域进行判断，是否符合椭圆硬度参数和离心率条件，若符合，则进入到步骤12-2，若不符合则进入到步骤12-8，夏科雷登晶体外形呈指南针状，通过椭圆硬度参数和离心率可以将不符合夏科雷登晶体形状特征的连通区域排除；
步骤12-2：图像剪切，根据当前连通区域的最小外接矩形，将当前连通区域从步骤8中的二值图像中剪切出来，得到二值小图，如附图7所示；
步骤12-3：对步骤11-2中的二值小图进行连通区域标记，并统计连通区域个数Count；
步骤12-4：若连通区域个数Count等于1，说明剪切小图中只包含需要的连通区域的像素点，进入到步骤12-6，否则进入到步骤12-5；
步骤12-5：当剪切小图中连通区域个数大于1时，说明此时剪切图中包含非当前连通区域的像素点，需要将其剔除，默认剪切小图中当前连通区域的面积是最大的，因此通过面积筛选，只保留面积最大的连通区域，其它连通区域像素灰度值赋值为0，即可剔除其它连通区域；
步骤12-6：计算与当前连通区域相同位置所对应的彩色样本原图像中绿色像素点所占比例，当像素点的G分量比R和B分量都大时，认为该像素点为绿色像素点；
步骤12-7：根据步骤12-6中的计算结果判断当前连通区域是否为夏科雷登晶体，夏科雷登晶体偏绿色，其绿色像素点所占比例较大，当绿色像素点比例较高时，认为该连通区域对应的对象为夏科雷登晶体，反之，则不是；
步骤12-8：判断当前图像中是否有未进行识别判断的连通区域，若有，则继续对下一个连通区域进行识别判断，进入到步骤12-1，若无，则步骤12结束。
步骤13：在原图中用红色矩形框对识别检测到的夏科雷登晶体进行标记并结束当前图像的识别检测，标记结果如附图8所示，图中红色矩形框标记的对象即为识别检测到的夏科雷登晶体。
本发明基于图像处理技术的粪便中的夏科雷登晶体自动识别检测方法，具有准确率高和效率高的特点，大大减轻医务检验人员的劳动强度，同时为医生对病人病情的诊断提供了准确的依据。
Claims (3)
1.一种基于图像处理的粪便中夏科雷登晶体自动检测方法，具体包括以下步骤：
步骤1：使用CCD相机拍摄经过显微镜放大后的人体粪便样本彩色图片；
步骤2：对夏科雷登晶体样本的彩色图片进行灰度化处理，得到样本灰度图像；
步骤3：使用大津法计算步骤2中灰度样本图像的阈值；
步骤4：利用步骤3得打偶的阈值使用单阈值法对步骤2中的灰度图像进行二值化，对得到的二值图像进行非运算；
步骤5：对步骤4中的二值图像进行图像填充处理，得到填充后的二值图像；
步骤6：对步骤5中的二值图像进行连通区域标记并统计连通区域个数；
步骤7：计算各连通区域面积；
步骤8：根据夏科雷登晶体实际大小与步骤7获得的连同区域面积作对比，对连通区域进行筛选，符合夏科雷登晶体实际大小条件的连通区域保留，不符合夏科雷登晶体实际大小条件的连通区域像素点灰度值赋值为0，得到面积筛选后的二值图像；
步骤9：对步骤8中的二值图像进行连通区域标记，并统计连通区域个数LabelNum；
步骤10：判断连通区域个数LabelNum是否大于0，若大于0，则进入到步骤11，否则表示未检测出夏科雷登晶体；
步骤11：计算各连通区域椭圆硬度参数，离心率及最小外接矩形；
步骤12：对各连通区域进行处理，判断是否为夏科雷登晶体，并统计夏科雷登晶体个数；
步骤13：在原图中用红色矩形框对识别检测到的夏科雷登晶体进行标记，标记结果并结束当前图像的识别检测。
2.如权利要求1所述的一种基于图像处理的粪便中夏科雷登晶体自动检测方法，其特征在于所述步骤12的具体步骤为：
步骤12-1：对当前连通区域进行判断，是否符合夏科雷登晶体的椭圆硬度参数和离心率条件，若符合，则进入到步骤12-2，否则进入到步骤12-8；
步骤12-2：图像剪切，根据当前连通区域的最小外接矩形，将当前连通区域从步骤8中的二值图像中剪切出来，得到二值小图；
步骤12-3：对步骤12-2中的二值小图进行连通区域标记，并统计连通区域个数Count；
步骤12-4：若连通区域个数Count等于1，进入到步骤12-6，否则进入到步骤12-5；
步骤12-5：面积筛选，只保留面积最大的连通区域，其它连通区域像素灰度值赋值为0；
步骤12-6：计算与当前连通区域所对应的步骤1获得的原图中绿色像素点所占比例；
步骤12-7：根据步骤12-6中的计算结果判断当前连通区域是否为夏科雷登晶体；
步骤12-8：判断是否有未进行判断的连通区域，若有，则继续对下一个连通区域进行识别判断，进入到步骤12-1，若无，则步骤12结束。
3.如权利要求1所述的一种基于图像处理的粪便中夏科雷登晶体自动检测方法，其特征在于所述步骤1中显微放大倍数为400倍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610844281.8A CN106469305A (zh) | 2016-09-23 | 2016-09-23 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610844281.8A CN106469305A (zh) | 2016-09-23 | 2016-09-23 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106469305A true CN106469305A (zh) | 2017-03-01 |
Family
ID=58230602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610844281.8A Pending CN106469305A (zh) | 2016-09-23 | 2016-09-23 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106469305A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520498A (zh) * | 2018-03-19 | 2018-09-11 | 大连理工大学 | 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
| CN104091170A (zh) * | 2014-06-13 | 2014-10-08 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
| CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
| CN104700112A (zh) * | 2015-02-02 | 2015-06-10 | 电子科技大学 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
-
2016
- 2016-09-23 CN CN201610844281.8A patent/CN106469305A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
| CN104091170A (zh) * | 2014-06-13 | 2014-10-08 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
| CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
| CN104700112A (zh) * | 2015-02-02 | 2015-06-10 | 电子科技大学 | 一种基于形态特征的粪便中寄生虫虫卵检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| LIN LIU等: "Automatic identification of fungi under complex microscopic fecal images", 《JOURNAL OF BIOMEDICAL OPTICS》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520498A (zh) * | 2018-03-19 | 2018-09-11 | 大连理工大学 | 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法 |
| CN108520498B (zh) * | 2018-03-19 | 2020-11-03 | 大连理工大学 | 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DK2973397T3 (en) | Tissue-object-based machine learning system for automated assessment of digital whole-slide glass | |
| Jardine et al. | Imaging and quantification of endothelial cell loss in eye bank prepared DMEK grafts using trainable segmentation software | |
| CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
| CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
| CN104700112B (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
| CN110458821A (zh) | 一种基于深度神经网络模型的精子形态分析方法 | |
| CN110032985A (zh) | 一种血细胞自动检测识别方法 | |
| Kareem et al. | A novel method to count the red blood cells in thin blood films | |
| CN107328776A (zh) | 一种免疫层析试纸卡的快速检测方法 | |
| López et al. | Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression | |
| CN111179273A (zh) | 一种基于深度学习的白细胞核质自动分割方法及系统 | |
| CN103345654A (zh) | 一种基于形态学分类计数白细胞的方法 | |
| CN110473167A (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
| CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
| CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
| CN107735838A (zh) | 在多种设置下用于医学样品的异常检测 | |
| CN102297833A (zh) | 一种测定人体血液或骨髓中各类细胞含量的方法 | |
| CN113450317A (zh) | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 | |
| CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
| CN106469305A (zh) | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 | |
| WO2012126346A1 (zh) | 一种快速测定细胞核内dna含量的方法 | |
| Mustafa et al. | Malaria parasite diagnosis using computational techniques: a comprehensive review | |
| Saraswat et al. | Malarial parasites detection in RBC using image processing | |
| CN112213503A (zh) | 样本分析系统、图像分析系统及其处理样本图像的方法 | |
| CN1226609C (zh) | 分析生物样品用的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170301 |
|
| RJ01 | Rejection of invention patent application after publication |