CN106960424B - 基于优化分水岭的结核杆菌图像分割识别方法及装置 - Google Patents
基于优化分水岭的结核杆菌图像分割识别方法及装置 Download PDFInfo
- Publication number
- CN106960424B CN106960424B CN201710205964.3A CN201710205964A CN106960424B CN 106960424 B CN106960424 B CN 106960424B CN 201710205964 A CN201710205964 A CN 201710205964A CN 106960424 B CN106960424 B CN 106960424B
- Authority
- CN
- China
- Prior art keywords
- image
- tubercle bacillus
- watershed
- gradient
- boundary
- 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
Links
- 241000193830 Bacillus <bacterium> Species 0.000 title claims abstract description 139
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 238000004040 coloring Methods 0.000 claims abstract description 18
- 239000012535 impurity Substances 0.000 claims description 24
- 230000002093 peripheral effect Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 241000894006 Bacteria Species 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 201000008827 tuberculosis Diseases 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 239000012472 biological sample Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 241001062009 Indigofera Species 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000000879 optical micrograph Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/92—
-
- G06T5/70—
-
- G06T5/77—
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种基于优化分水岭的结核杆菌图像分割识别方法及装置，该方法包括：获取结核杆菌RGB图像，把该结核杆菌图像RGB模式转为Lab模式，并计算其a分量的梯度的模图像g；根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，对得到的图像使用分水岭算法得到分水岭图像L；依次判断分水岭图像L的每个区域，根据颜色信息和结核杆菌的形状信息，删除杂质区域，保留结核杆菌。本发明能够有效地提高显微成像下结核杆菌的分类识别精度与速度。
Description
技术领域
本发明涉及一种结核杆菌图像分割识别方法及装置，特别是涉及一种基于优化分水岭的结核杆菌图像分割识别方法及装置。
背景技术
目前结核杆菌的检测主要依靠人工使用光学显微镜观察结核杆菌并计数，由于国家的要求是300个视野内有效计数，这非常耗时耗力。因此光学显微成像下结核杆菌的自动检测就显得尤为重要。基于光学显微镜的结核杆菌检测与识别的计算机辅助诊断成为近年来医学图像处理和模式识别领域中的研究热点，而结核杆菌图像目标分割与识别质量的高低是该方法成功与否的关键和基础，良好的目标分割结果可以提高目标检测与识别的准确率，增强计算机辅助诊断方法的可靠性和实用性。
由于所使用的试剂、染色手法、显微镜和拍摄环境等各种因素的不同，得到的光学显微结核杆菌图片有极大的差异。虽然结核杆菌在经过染色后都大多都呈现红色，但红色的深浅不同，若仅用颜色阈值来判断是否是结核杆菌，很难适合所有的图片，往往会留下许多杂质，而一些真正的结核杆菌却被删除了，这可能造成漏检或误判。因此在尽量保证前期痰涂片染色有效及镜检机高质量采集显微结核杆菌图像的基础上，后续图像中结核杆菌分割识别的方法尤为重要。
分水岭算法是模式识别中一种常用的分割方法，但若直接应用到结核杆菌的分类上，分类识别的效果却不明显，经常会有误判，且分水岭的过分割现象将使后续计算非常耗时。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种基于优化分水岭的结核杆菌图像分割识别方法及装置，其能够有效地提高显微成像下结核杆菌的分类识别精度与速度。
为达上述目的，本发明提出一种基于优化分水岭的结核杆菌图像分割识别方法，包括如下步骤：
步骤一，获取结核杆菌RGB图像，把该结核杆菌图像RGB模式转为Lab模式,并计算其a分量的梯度的模图像g；
步骤二，根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，对得到的图像使用分水岭算法得到分水岭图像L；
步骤三，依次判断分水岭图像L的每个区域，根据颜色信息，删除杂质区域。
进一步地，于步骤三之后，还包括：
步骤四，根据结核杆菌的特点确定长宽比和圆形度信息，并通过背景均衡化算法确定颜色信息，再利用该些信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
进一步地，步骤一进一步包括：
步骤S11，将该结核杆菌RGB图像转为Lab模式，并分离出a分量；
步骤S12，用不同方向的梯度算子k1、k2、k3……kn，对a分量进行卷积滤波得到不同方向的图像梯度g1、g2、g3……gn；
步骤S13，对获得的不同方向的图像梯度g1、g2、g3……gn取模，得到梯度的模图像g。
进一步地，步骤二进一步包括：
步骤S21，根据梯度的模图像g中数值的分布范围，进行多阈值判断并将模图像g中数值小于阈值t的像素点的数值均置为0；
步骤S22，对结核杆菌边界断裂处进行边界线段连接；
步骤S23，对线段连接后的图像使用分水岭变换，得到分水岭图像L。
进一步地，步骤S22进一步包括：
得到该梯度模图像g的连通域；
遍历所有连通域，依次判断该连通域的像素点最大值是否大于预设值，删除不满足要求的连通域；
对完成删除操作的梯度的模图像g，进行闭操作，得到图像g_close。
对图像g_close进行二值化，再计算它的边界图像g_edge，叠加边界图像g_edge到梯度的模图像g上，得到线段连接后的图像。
进一步地，步骤三进一步包括：
步骤S31，删除分水岭的边界线；
步骤S32，计算RGB图像的R分量与G分量的差值，删除该差值均值低于周围范围背景均值的区域，周围范围为当前区域坐标向外扩展n个像素点；
步骤S33，进行顶帽底帽变换，增强a分量图像对比度，删除a分量数值均值低于背景均值的区域。
步骤S34，计算区域周围范围背景的a分量数值均值与该区域的a分量数值均值的比值，删除该比值小于预设阈值的区域。
进一步地，步骤四进一步包括：
步骤S41，使用连通域，将相邻非背景区域融合为一个区域；
步骤S42，删除面积过小的噪声区域；
步骤S43，删除长宽比小且圆形度高的杂质区域；
步骤S44，采用背景均衡化算法，计算待检测区域的周围背景的RGB三维均值，并求得其中的最大值，再利用该数值消除背景色影响；
步骤S45，消除背景色影响后，判断待检测区域的RGB三维均值组成的颜色是否为粉红色；
步骤S46，利用上述信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
进一步地，于步骤一之前，还包括如下步骤：
读取结核杆菌RGB图像，对该结核杆菌RGB图像进行预处理，去除系统光照改变的影响以及RGB图像的异常点。
为达到上述目的，本发明还提供一种基于优化分水岭的结核杆菌图像分割识别装置，包括：
模图像获取单元，用于获取结核杆菌RGB图像，把该结核杆菌图像RGB模式转为Lab模式，并计算其a分量的梯度的模图像g；
线段连接及分水岭图像获取单元，用于根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，对得到的图像使用分水岭算法得到分水岭图像L；
杂质区域删除单元，用于依次判断分水岭图像L的每个区域，根据颜色信息，删除杂质区域。
进一步地，该装置还包括：
颜色信息和形状信息确定处理单元，用于根据结核杆菌的特点确定长宽比和圆形度信息，并通过背景均衡化算法确定颜色信息，再利用该些信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
与现有技术相比，本发明一种基于优化分水岭的结核杆菌图像分割识别方法及装置在分割方法上基于分水岭算法，通过图像增强方法提高结核杆菌的特征信息，通过图像的颜色空间变换，突出结核杆菌的红色特性，从而提高后续分割精度；通过将合适的梯度算子获得梯度图像，并设定阈值删除背景图像，边界线段连接消除断裂影响，进一步提高后续的分割精度；在分水岭算法分割结核杆菌方法上，判断分水岭每个区域，根据图像颜色信息，删除杂质背景，进一步提高后续的识别精度；在分水岭算法分割结核杆菌方法上，根据结核杆菌的特点确定长宽比信息和圆形度信息，还有颜色信息，删除杂质背景，保留结核杆菌区域，有效提高结核杆菌的分割识别精度。
附图说明
图1为本发明一种基于优化分水岭的结核杆菌图像分割识别方法的步骤流程图；
图2为本发明具体实施例中梯度算子K1的示意图；
图3为本发明具体实施例中步骤102的细部流程图；
图4为本发明具体实施例中线段连接的细部流程图；
图5为本发明具体实施例中步骤103的细部流程图；
图6为本发明具体实施例中步骤104的细部流程图；
图7为本发明一种基于优化分水岭的结核杆菌图像分割识别装置的系统架构图；
图8为本发明具体实施例中线段连接及分水岭图像获取单元71的细部结构图；
图9为本发明具体实施例中杂质区域删除单元72的细部结构图；
图10为本发明具体实施例中预处理单元74的细部结构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于优化分水岭的结核杆菌图像分割识别方法的步骤流程图。如图1所示，本发明一种基于优化分水岭的结核杆菌图像分割识别方法，包括如下步骤：
步骤101，获取结核杆菌RGB图像，把图像RGB模式转为Lab模式(Lab模式由光度分量(L)和两个色度分量组成，这两个分量即a分量(从绿到红)和b分量(从蓝到黄))，并计算a分量的梯度的模图像g。
具体地，步骤101进一步包括：
步骤S11，将结核杆菌RGB图像转为Lab模式，并分离出a分量；
步骤S12，用不同方向的梯度算子k1、k2、k3……kn，对a分量进行卷积滤波得到不同方向的图像梯度g1、g2、g3……gn。其中，梯度算子k1可如图2所示，其他梯度算子则分别由k1旋转一定角度获得；
步骤S13，对这n张梯度图取模，得到梯度的模图像g。模图像g的计算公式为：
步骤102，根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，再对结核杆菌边界断裂处进行边界线段连接，然后对得到的图像使用分水岭算法。具体地，根据梯度的模图像g的数值分布情况设定合适的阈值t，以删除背景并保留结核杆菌边界，再对结核杆菌边界断裂处进行边界线段连接，然后对得到的图像使用分水岭算法得到分水岭图像L。
在本发明具体实施例中，如图3所示，步骤102进一步包括：
步骤S21，根据梯度的模图像g中数值的分布范围，进行多阈值判断并将模图像g中数值小于阈值t的像素点的数值均置为0。使用多阈值法可适应各种背景的图像，减少后续分水岭算法的过分割问题。
步骤S22，对结核杆菌边界断裂处进行边界线段连接。为防止阈值的轻微偏差导致结核杆菌边界梯度的一部分被删除从而导致后续分水岭算法无法把结核杆菌正确分割出来，需要将断掉的边界线连接。
线段连接的具体步骤为(如图4所示)：
(1)得到梯度模图像g的连通域；
(2)遍历所有连通域，依次判断该连通域的像素点最大值是否大于预设值，如t+50，删除不满足要求的连通域以减少后续分水岭算法产生的杂质区域；
(3)对完成删除操作的梯度的模图像g，进行闭操作，得到图像g_close。
(4)对图像g_close进行二值化，再计算它的边界图像g_edge，叠加边界图像g_edge到梯度的模图像g上，得到图像g_watershed。
步骤S23，对图像g_watershed使用分水岭变换，得到分水岭图像L。将分水岭图像L中面积最大的区域设为背景区域。
步骤103，依次判断分水岭图像L的每个区域，根据颜色信息，删除杂质区域。
在本发明具体实施例中，如图5所示，步骤103进一步包括：
步骤S31，删除分水岭的边界线。其具体步骤如下：
(1)边界的像素点数值为0，故依次检测分水岭图像上的所有0值像素点。
(2)用该像素点周围3*3窗口像素点的除零以外的众数，代替原来的0值。
步骤S32，计算RGB的R分量与G分量的差值，删除该差值均值低于周围范围背景均值的区域，周围范围为当前区域坐标向外扩展n个像素点。
步骤S33，进行顶帽底帽变换，增强a分量图像对比度，删除a分量数值均值低于背景均值的区域。
步骤S34，计算区域周围范围背景的a分量数值均值与该区域的a分量数值均值的比值，周围范围计算方法同上，删除该比值小于预设阈值的区域。
步骤104，根据结核杆菌的特点确定长宽比和圆形度信息，通过背景均衡化算法确定颜色信息，再利用这些信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域，提高结核杆菌的分割识别精度。
步骤103是通过依次判断每个小区域，删除杂质小区域的，但做不到删除所有的杂质小区域。因此在步骤104中，可将相邻的小区域融为一个大区域，这样被分割成多个小区域的杆菌就变成一个完整的杆菌了，此时才能利用杆菌的形状信息，进一步删除杂质背景。在本发明具体实施例中，如图6所示，步骤104进一步包括：
步骤S41，考虑到分水岭的过分割问题，使用连通域，将相邻非背景区域融合为一个区域；
步骤S42，删除面积过小的噪声区域；
步骤S43，删除长宽比小且圆形度高的杂质区域；
步骤S44，采用背景均衡化算法，计算待检测区域的周围背景的RGB三维均值Rmean_back、Gmean_back、Bmean_back，并求得最大值maxRGB＝max(Rmean_back,Gmean_back,Bmean_back)。计算待检测区域的RGB均值Rmean、Gmean、Bmean。为消除背景色的影响，使用以下公式：
Rmean＝Rmean+(maxRGB-Rmean_back)
Gmean＝Gmean+(maxRGB-Gmean_back)
Bmean＝Bmean+(maxRGB-Bmean_back)
步骤S45，消除背景色影响后，判断Rmean、Gmean、Bmean组成的颜色是否是粉红色；
步骤S46，利用上述信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
较佳地，于步骤101之前，还包括如下步骤：读取结核杆菌RGB图像，对该结核杆菌RGB图像进行预处理，去除系统光照改变的影响以及RGB图像的异常点。具体地，该去除系统光照改变的影响以及RGB图像的异常点的步骤进一步包括：
步骤S1，读取结核杆菌RGB图像和同样光照下的空白图像，采用辐射校正预处理算法去除系统光照改变的影响。在本发明具体实施例中，步骤S1具体包括：
步骤S1.1，获取系统标准光照下空白图像的色度空间RGB三维对应的亮度值为LR、LG、LB；
步骤S1.2，实际采集图像中BR(i,j)、BG(i,j)、BB(i,j)分别对应空白图像RGB三维的亮度值；
步骤S1.3，采集结核杆菌生物样本，令SR(i,j)、SG(i,j)、SB(i,j)分别对应结核杆菌生物样本RGB三维的亮度值，S'R(i,j)、S'G(i,j)、S'B(i,j)分别对应结核杆菌生物样本RGB三维的经辐射校正后的亮度值，计算公式如下：
步骤S2，去除结核杆菌RGB图像的异常点。在本发明具体实施例中，步骤S2具体包括：
步骤S2.1，读取结核杆菌RGB图像I(x,y)；
步骤S2.2，扫描I(x,y)的每个像素点，对RGB数值过低的异常点，用周围的3×3窗口进行中值滤波。
步骤S3，对处理后的结核杆菌RGB图像进行彩色图像锐化。在本发明具体实施例中，步骤S3具体包括：
步骤S3.1，将结核杆菌图像RGB模式转为HSV模式；
步骤S3.2，提取H分量，并对之使用锐化算法；
步骤S3.3，将HSV模式转为RGB模式。
图7为本发明一种基于优化分水岭的结核杆菌图像分割识别装置的系统架构图。如图7所示，本发明一种基于优化分水岭的结核杆菌图像分割识别装置，包括：模图像获取单元70、线段连接及分水岭图像获取单元71、杂质区域删除单元72以及颜色信息和形状信息确定处理单元73。
模图像获取单元70，用于获取结核杆菌RGB图像，把图像RGB模式转为Lab模式(Lab模式由光度分量(L)和两个色度分量组成,这两个分量即a分量(从绿到红)和b分量(从蓝到黄))，并计算a分量的梯度的模图像g。
具体地，模图像获取单元70通过如下步骤实现：
步骤S11，将结核杆菌RGB图像转为Lab模式，并分离出a分量；
步骤S12，用不同方向的梯度算子k1、k2、k3……kn，对a分量进行卷积滤波得到不同方向的图像梯度g1、g2、g3……gn，其他梯度算子分别由k1旋转一定角度获得；
步骤S13，对这n张梯度图取模，得到梯度的模图像g。模图像g的计算公式为：
线段连接及分水岭图像获取单元71，用于根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，并对得到的图像使用分水岭算法获得分水岭图像L。具体地，线段连接及分水岭图像获取单元71根据梯度的模图像g的数值分布情况设定合适的阈值t，以删除背景并保留结核杆菌边界，再对结核杆菌边界断裂处进行边界线段连接，然后对得到的图像使用分水岭算法得到分水岭图像L。
在本发明具体实施例中，如图8所示，线段连接及分水岭图像获取单元71进一步包括：
多阈值判断单元710，用于根据梯度的模图像g中数值的分布范围，进行多阈值判断并将模图像g中数值小于阈值t的像素点的数值均置为0。使用多阈值法可适应各种背景的图像，减少后续分水岭算法的过分割问题。
线段连接单元711，用于对结核杆菌边界断裂处进行边界线段连接。为防止阈值的轻微偏差导致结核杆菌边界梯度的一部分被删除从而导致后续分水岭算法无法把结核杆菌正确分割出来，需要将断掉的边界线连接。
线段连接单元711的线段连接的具体步骤为：
(1)得到梯度模图像g的连通域；
(2)遍历所有连通域，依次判断该连通域的像素点最大值是否大于预设值，如t+50，删除不满足要求的连通域以减少后续分水岭算法产生的杂质区域；
(3)对完成删除操作的梯度的模图像g，进行闭操作，得到图像g_close。
(4)对图像g_close进行二值化，再计算它的边界图像g_edge，叠加边界图像g_edge到梯度的模图像g上，得到图像g_watershed。
分水岭变换单元712，用于对图像g_watershed使用分水岭变换，得到分水岭图像L。将分水岭图像L中面积最大的区域设为背景区域。
杂质区域删除单元72，用于依次判断分水岭图像L的每个区域，根据颜色信息，删除杂质区域。
在本发明具体实施例中，如图9所示，杂质区域删除单元72进一步包括：
分水岭边界线删除单元721，用于删除分水岭的边界线。其具体步骤如下：
(1)边界的像素点数值为0，故依次检测分水岭图像上的所有0值像素点。
(2)用该像素点周围3*3窗口像素点的除零以外的众数，代替原来的0值。
差值计算处理单元722，用于计算RGB图像的R分量与G分量的差值，删除该差值均值低于周围范围背景均值的区域，周围范围为当前区域坐标向外扩展n个像素点。
顶底帽变换单元723，用于进行顶帽底帽变换，增强a分量图像对比度，删除a分量数值均值低于背景均值的区域。
区域删除单元724，用于计算区域周围范围背景的a分量数值均值与该区域的a分量数值均值的比值，周围范围计算方法同上，删除该比值小于预设阈值的区域。
颜色信息和形状信息确定处理单元73，用于根据结核杆菌的特点确定长宽比和圆形度信息，通过背景均衡化算法确定颜色信息，再利用这些信息识别杂质与杆菌；
在本发明具体实施例中，颜色信息和形状信息确定处理单元73通过如下步骤实现：
考虑到分水岭的过分割问题，使用连通域，将相邻非背景区域融合为一个区域；
删除面积过小的噪声区域；
删除长宽比小且圆形度高的杂质区域；
计算待检测区域的周围背景的RGB三维均值Rmean_back、Gmean_back、Bmean_back，并求得最大值，即，maxRGB＝max(Rmean_back,Gmean_back,Bmean_back)，计算待检测区域的RGB均值Rmean、Gmean、Bmean，为消除背景色的影响，使用以下公式：
Rmean＝Rmean+(maxRGB-Rmean_back)
Gmean＝Gmean+(maxRGB-Gmean_back)
Bmean＝Bmean+(maxRGB-Bmean_back)
消除背景色影响后，判断Rmean、Gmean、Bmean组成的颜色是否是粉红色；
利用上述信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
较佳地，本发明之基于优化分水岭的结核杆菌图像分割识别装置还包括预处理单元74，该预处理单元74用于读取结核杆菌RGB图像，对该结核杆菌RGB图像进行预处理，去除系统光照改变的影响以及RGB图像的异常点。具体地，如图10所示，该预处理单元74进一步包括：
辐射校正预处理单元741，用于读取结核杆菌RGB图像和同样光照下的空白图像，采用辐射校正预处理算法去除系统光照改变的影响。在本发明具体实施例中，辐射校正预处理单元741通过如下步骤实现：
获取系统标准光照下空白图像的色度空间RGB三维对应的亮度值为LR、LG、LB；
实际采集图像中BR(i,j)、BG(i,j)、BB(i,j)分别对应空白图像RGB三维的亮度值；
采集结核杆菌生物样本，令SR(i,j)、SG(i,j)、SB(i,j)分别对应结核杆菌生物样本RGB三维的亮度值，S'R(i,j)、S'G(i,j)、S'B(i,j)分别对应结核杆菌生物样本RGB三维的经辐射校正后的亮度值，计算公式如下：
异常点去除单元742，用于去除结核杆菌RGB图像的异常点。在本发明具体实施例中，异常点去除单元742通过如下步骤实现：
读取结核杆菌RGB图像I(x,y)；
扫描I(x,y)的每个像素点，对RGB数值过低的异常点，用周围的3×3窗口进行中值滤波。
锐化处理单元743，用于对处理后的结核杆菌RGB图像进行彩色图像锐化。在本发明具体实施例中，锐化处理单元743通过如下步骤实现：
将结核杆菌图像RGB模式转为HSV模式；
提取H分量，并对之使用锐化算法；
将HSV模式转为RGB模式。
综上所述，本发明一种基于优化分水岭的结核杆菌图像分割识别方法及装置在分割方法上基于分水岭算法，通过图像增强方法提高结核杆菌的特征信息，通过图像的颜色空间变换，突出结核杆菌的红色特性，从而提高后续分割精度；通过将合适的梯度算子获得梯度图像，并设定阈值删除背景图像，边界线段连接消除断裂影响，进一步提高后续的分割精度；在分水岭算法分割结核杆菌方法上，判断分水岭每个区域，根据图像颜色信息，删除杂质背景，进一步提高后续的识别精度；在分水岭算法分割结核杆菌方法上，根据结核杆菌的特点确定长宽比信息和圆形度信息，还有颜色信息，删除杂质背景，保留结核杆菌区域，有效提高结核杆菌的分割识别精度。利用本发明方法为后续利用显微结核杆菌图像进行高效计数提供有效数据。根据不同的应用背景，本发明经过适当的修改同样适用于其他相关领域的分类识别方法。
任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
Claims (7)
1.一种基于优化分水岭的结核杆菌图像分割识别方法，包括如下步骤：
步骤一，获取结核杆菌RGB图像，把该结核杆菌图像RGB模式转为Lab模式,并计算所述Lab模式a分量的梯度的模图像g；
步骤二，根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，对得到的图像使用分水岭算法得到分水岭图像L，具体包括：步骤S21，根据梯度的模图像g中数值的分布范围，进行多阈值判断并将模图像g中数值小于阈值t的像素点的数值均置为0；
步骤S22，对结核杆菌边界断裂处进行边界线段连接，具体包括：得到该梯度模图像g的连通域；
遍历所有连通域，依次判断该连通域的像素点最大值是否大于预设值，删除不满足要求的连通域；
对完成删除操作的梯度的模图像g，进行闭操作，得到图像g_close；
对图像g_close进行二值化，再计算它的边界图像g_edge，叠加边界图像g_edge到梯度的模图像g上，得到线段连接后的图像；
步骤S23，对线段连接后的图像使用分水岭变换，得到分水岭图像L；
步骤三，依次判断分水岭图像L的每个区域，根据每个区域对应的a分量的图像颜色信息，删除杂质区域。
2.如权利要求1所述的一种基于优化分水岭的结核杆菌图像分割识别方法，其特征在于，于步骤三之后，还包括：
步骤四，根据结核杆菌的特点确定长宽比和圆形度信息，并使用背景均衡化算法消除背景色影响，然后确定RGB颜色信息，再利用长宽比、圆形度和RGB颜色信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
3.如权利要求1所述的一种基于优化分水岭的结核杆菌图像分割识别方法，其特征在于，步骤一进一步包括：
步骤S11，将该结核杆菌RGB图像转为Lab模式，并分离出a分量；
步骤S12，用不同方向的梯度算子k1、k2、k3……kn，对a分量进行卷积滤波得到不同方向的图像梯度g1、g2、g3……gn；
步骤S13，对获得的不同方向的图像梯度g1、g2、g3……gn取模，得到梯度的模图像g。
4.如权利要求1所述的一种基于优化分水岭的结核杆菌图像分割识别方法，其特征在于，步骤三进一步包括：
步骤S31，删除分水岭的边界线；
步骤S32，计算RGB图像的R分量与G分量的颜色分量差值，删除该颜色分量差值均值低于周围范围背景均值的区域，周围范围为当前区域坐标向外扩展n个像素点；
步骤S33，进行顶帽底帽变换，增强a分量图像对比度，删除a分量数值均值低于背景均值的区域；
步骤S34，计算区域周围范围背景的a分量数值均值与该区域的a分量数值均值的比值，删除该比值小于预设阈值的区域。
5.如权利要求2所述的一种基于优化分水岭的结核杆菌图像分割识别方法，其特征在于，于步骤一之前，还包括如下步骤：
读取结核杆菌RGB图像，对该结核杆菌RGB图像进行预处理，去除系统光照改变的影响以及RGB图像的异常点。
6.一种基于优化分水岭的结核杆菌图像分割识别装置，包括：
模图像获取单元，用于获取结核杆菌RGB图像，把该结核杆菌图像RGB模式转为Lab模式，并计算其a分量的梯度的模图像g；
线段连接及分水岭图像获取单元，用于根据梯度的模图像g的数值分布情况删除背景并保留结核杆菌边界，对结核杆菌边界断裂处进行边界线段连接，对得到的图像使用分水岭算法得到分水岭图像L，即：根据梯度的模图像g中数值的分布范围，进行多阈值判断并将模图像g中数值小于阈值t的像素点的数值均置为0；对结核杆菌边界断裂处进行边界线段连接，具体包括：得到该梯度模图像g的连通域；遍历所有连通域，依次判断该连通域的像素点最大值是否大于预设值，删除不满足要求的连通域；对完成删除操作的梯度的模图像g，进行闭操作，得到图像g_close；对图像g_close进行二值化，再计算它的边界图像g_edge，叠加边界图像g_edge到梯度的模图像g上，得到线段连接后的图像；对线段连接后的图像使用分水岭变换，得到分水岭图像L；
杂质区域删除单元，用于依次判断分水岭图像L的每个区域，根据每个区域对应的a分量的图像上的颜色信息，删除杂质区域。
7.如权利要求6所述的一种基于优化分水岭的结核杆菌图像分割识别装置，其特征在于，该装置还包括：
颜色信息和形状信息确定处理单元，用于根据结核杆菌的特点确定长宽比和圆形度信息，并使用背景均衡化算法消除背景色影响，然后确定RGB颜色信息，再利用长宽比、圆形度和颜色信息识别杂质与杆菌，删除杂质背景，保留结核杆菌区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710205964.3A CN106960424B (zh) | 2017-03-31 | 2017-03-31 | 基于优化分水岭的结核杆菌图像分割识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710205964.3A CN106960424B (zh) | 2017-03-31 | 2017-03-31 | 基于优化分水岭的结核杆菌图像分割识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106960424A CN106960424A (zh) | 2017-07-18 |
| CN106960424B true CN106960424B (zh) | 2019-06-21 |
Family
ID=59471719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710205964.3A Active CN106960424B (zh) | 2017-03-31 | 2017-03-31 | 基于优化分水岭的结核杆菌图像分割识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106960424B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685742A (zh) * | 2018-12-29 | 2019-04-26 | 哈尔滨理工大学 | 一种暗光环境下的图像增强方法 |
| CN110363745A (zh) * | 2019-06-11 | 2019-10-22 | 深圳市智影医疗科技有限公司 | 一种荧光显微图像的杆菌识别方法、装置及终端设备 |
| CN110473245A (zh) * | 2019-07-25 | 2019-11-19 | 中山市奥珀金属制品有限公司 | 一种深度图像文件筛选方法及系统 |
| CN112767321B (zh) * | 2021-01-05 | 2023-02-17 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706445B (zh) * | 2009-11-10 | 2011-05-18 | 吉林大学 | 用于牛肉大理石花纹等级评分的图像处理方法 |
| CN104766305A (zh) * | 2015-03-06 | 2015-07-08 | 温州大学 | 一种结合分水岭和canny算子的图像分割方法 |
-
2017
- 2017-03-31 CN CN201710205964.3A patent/CN106960424B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106960424A (zh) | 2017-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
| CN106960424B (zh) | 基于优化分水岭的结核杆菌图像分割识别方法及装置 | |
| CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
| KR101448164B1 (ko) | 파라미터 최적화를 이용한 영상의 안개 제거 방법 | |
| US20150187077A1 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
| US10453195B2 (en) | Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium | |
| US10395091B2 (en) | Image processing apparatus, image processing method, and storage medium identifying cell candidate area | |
| CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN106127124A (zh) | 出租车前排区域的异常图像信号的自动检测方法 | |
| CN102980659A (zh) | 一种单色紧密织物表面颜色的数字化表征方法 | |
| CN106558044A (zh) | 影像模组的解像力测量方法 | |
| CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
| US7221780B1 (en) | System and method for human face detection in color graphics images | |
| CN108563997A (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 | |
| CN109214367A (zh) | 一种基于视觉注意机制的人脸检测方法 | |
| CN107239761A (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
| WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
| JPH11306325A (ja) | 対象物検出装置及び対象物検出方法 | |
| CN115861304A (zh) | 一种基于图像处理的钢中带状组织检测方法及系统 | |
| Cao et al. | Leaf vein extraction and angle measurement using hue information and line detection | |
| Khomairoh et al. | Segmentation system of acute myeloid leukemia (AML) subtypes on microscopic blood smear image | |
| CN109472223A (zh) | 一种人脸识别方法和装置 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yan Sineng Inventor after: Zhuang Quanjie Inventor before: Zhuang Quanjie Inventor before: Yan Sineng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |