CN107480662B - 一种霉菌图像识别方法及其装置 - Google Patents
一种霉菌图像识别方法及其装置 Download PDFInfo
- Publication number
- CN107480662B CN107480662B CN201710943617.0A CN201710943617A CN107480662B CN 107480662 B CN107480662 B CN 107480662B CN 201710943617 A CN201710943617 A CN 201710943617A CN 107480662 B CN107480662 B CN 107480662B
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- gray level
- sample image
- calculating
- 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
Images
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种霉菌图像识别方法,包括以下步骤:A、获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;B、计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;C、遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留等。采用相差显微镜拍摄图像,循环识别的方法,可以识别女性阴道分泌物中霉菌,使检测的识别率高,检测效率也高,采用全自动化识别,降低了检测成本。
Description
技术领域
本发明涉图像识别领域,具体涉及一种霉菌图像识别方法及其装置。
背景技术
现有技术在对霉菌进行直接镜检识别时,识别准确率差,影响了自动识别设备的研发。在阴道分泌物检测领域,只能针对某一种或几种霉菌进行直接识别,无法对所有霉菌进行识别,检测效率过低,识别率差,而且容易产生误识别。
因此,现有技术还需要进一步改进和发展。
发明内容
本发明的目的是为了提供一种霉菌图像识别方法及其装置,旨在解决霉菌检测效率低,识别率差的问题。
所采用的技术方案为:一种霉菌图像识别方法,包括以下步骤:
A、获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;
B、计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;
C、遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留;
D、计算自适应二值化阈值,利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化;
E、将二值化后轮廓的外圈轮廓与预设正圆模板、椭圆模板分别进行匹配,若匹配成功,则执行步骤F;
F、计算相匹配的二值化轮廓的内圈轮廓和外圈轮廓面积,并比较内外圈轮廓面积差异,若符合要求,则判断该轮廓为霉菌。
样本置于相差显微视野中拍摄,其中,拍摄图像的分辨率达到2048×1536。
识别样本图像采用Roberts算子计算识别图像边缘。
步骤A中采用大津法自动阈值二值化样本图像,步骤D中采用大津法计算自适应二值化阈值。
预设轮廓面积值为:150≤轮廓面积≤2000;步骤B具体为:计算二值化样本图像中所有轮廓面积,将样本图像中面积不在150≤轮廓面积≤2000范围内的轮廓去除,得到处理后样本图像。
预设灰度阈值为120;所述步骤C具体为:遍历处理后样本图像中的所有轮廓,使每一轮廓外接矩形并以此外接矩形为边界截取轮廓的灰度图像,计算灰度图像的平均灰度值并将与预设灰度阈值相比较,使样本图像中保留平均灰度值大于或等于灰度阈值的轮廓。
步骤D中利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化具体为:利用所计算的自适应二值化阈值计算得到实际阈值,并利用实际阈值二值化样本图像中轮廓,所述实际阈值通过Y′=Y*0.8计算得到,其中,Y′为实际阈值,Y为以大津法计算的自适应二值化阈值。
步骤E具体为:
E1、获取二值化轮廓中的外圈轮廓,并分别计算与预设正圆模板、椭圆模板的Hu距匹配值I,其中,计算公式为:
E2、当与正圆模板匹配值I1<0.025或与椭圆模板匹配值I2<0.2时,则保留该轮廓并执行步骤F。
步骤F具体为:
分别计算相匹配的二值化轮廓的内圈轮廓面积A′和外圈轮廓面积A,再计算内圈轮廓面积A′和外圈轮廓面积A的比值,当A′/A>60%,则判断该轮廓为霉菌。
一种霉菌图像识别装置包括:处理器,适于实现各指令;存储器,适于存储多条指令;存储器和处理器之间由通信总线连接;处理器用于执行存储器中存储的霉菌图像识别程序,以实现以下步骤:
获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;
计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;
遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留;
计算自适应二值化阈值,利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化;
将二值化后轮廓的外圈轮廓与预设正圆模板、椭圆模板分别进行匹配,若匹配成功,则执行上一步骤;
计算相匹配的二值化轮廓的内圈轮廓和外圈轮廓面积,并比较内外圈轮廓面积差异,若符合要求,则判断该轮廓为霉菌。
有益效果:本发明提供了一种霉菌图像识别方法及其装置,采用相差显微镜拍摄图像,循环识别的方法,可以识别女性阴道分泌物中霉菌,使检测的识别率高,检测效率也高,采用全自动化识别,降低了检测成本。
附图说明
图1是本发明一种霉菌图像识别方法的流程图。
图2是本发明一种霉菌图像识别方法及其装置的具体实施例的流程图。
图3是本发明一种霉菌图像识别方法的细胞拍摄图。
图4是本发明一种霉菌图像识别方法的采用Roberts算子计算图像边缘得到的图。
图5是本发明一种霉菌图像识别方法的采用大津法自动阈值二值化图像。
图6是本发明一种霉菌图像识别方法的去除面积大于2000以及轮廓小于150的轮廓图。
图7是本发明一种霉菌图像识别方法的截取灰度图。
图8是本发明一种霉菌图像识别方法的二值化图6的图。
图9是本发明一种霉菌图像识别方法的图7的最大轮廓图。
图10是本发明一种霉菌图像识别方法中图7的外轮廓与内轮廓图。
图11是本发明一种霉菌图像识别方法中正圆模板图。
图12是本发明一种霉菌图像识别方法中椭圆模板图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。
一种霉菌图像识别方法,如图1所示,包括以下步骤:
A、获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;
B、计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;
C、遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留;
D、计算自适应二值化阈值,利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化;
E、将二值化后轮廓的外圈轮廓与预设正圆模板、椭圆模板分别进行匹配,若匹配成功,则执行步骤F;
F、计算相匹配的二值化轮廓的内圈轮廓和外圈轮廓面积,并比较内外圈轮廓面积差异,若符合要求,则判断该轮廓为霉菌。
具体的,一种女性阴道分泌物霉菌图像识别方法,如图2所示,包括以下步骤:
S1:将女性阴道分泌物细胞样本置于奥林巴斯41显微镜40倍物镜相差视野下,连接CCD高清摄像头,采用2048*1536分辨率获取拍摄女性阴道分泌物细胞图像,得到图3。
S2:采用Roberts算子计算图像边缘,得到图4。
S3:采用大津法自动阈值二值化样本图像,得到图5。
S4:计算图5中每个样本化图像中轮廓的面积,将计算的面积去除轮廓面积大于2000以及轮廓面积小于150的轮廓,得到符合要求的轮廓图6。
S5:遍历图6中所有轮廓。
S6:遍历到某一轮廓时,根据图像的外接矩形,截取灰度图像,以霉菌图像为例,获取如图7中图像。
S7:由于霉菌中心透光度好,亮度高,计算图7的平均灰度值,设平均灰度变量为L,则L<120则轮廓为其他杂质,L≥120可能为女性阴道分泌物霉菌图像,继续判断。
S8:以大津法计算自动二值化阈值,设定阈值为Y,计算Y'=Y*0.8,其中,Y′为实际阈值,Y为以大津法计算的自适应二值化阈值,再以Y'为阈值二值化图7,得到图8。
S9:遍历图8中所有轮廓,获取最大轮廓,如图9。
S10:计算图9外轮廓与如图11所示的正圆模板、如图12所示的椭圆模板的Hu距匹配值I,计算公式为:
S11:计算图9中轮廓的外轮廓面积A与内轮廓面积A',如图10中所示,灰色为外轮廓,白色为内轮廓。由于霉菌图像中央通透无纹理,使用适当阈值二值化之后,内轮廓应近似于外轮廓,所以判断A'/A>60%时,图像判定为女性阴道分泌物霉菌。
进一步的,一种女性阴道分泌物霉菌图像识别装置包括:处理器,适于实现各指令;存储器,适于存储多条指令;存储器和处理器之间由通信总线连接;处理器用于执行存储器中存储的霉菌图像识别程序,以实现以下步骤:
将女性阴道分泌物细胞样本置于奥林巴斯41显微镜40倍物镜相差视野下,连接CCD高清摄像头,采用2048*1536分辨率获取拍摄细胞图像。
采用Roberts算子计算图像边缘。
采用大津法自动阈值二值化样本图像。
计算每个样本化图像中轮廓的面积,将计算的面积去除轮廓面积大于2000以及轮廓面积小于150的轮廓,得到符合要求的轮廓。
遍历处理后样本图像中的所有轮廓。
遍历到某一轮廓时,根据图像的外接矩形,截取灰度图像,以霉菌图像为例,获取图像。
由于霉菌中心透光度好,亮度高,计算灰度图像的平均灰度值,设平均灰度变量为L,则L<120则轮廓为其他杂质,L≥120可能为女性阴道分泌物霉菌图像,继续判断。
以大津法计算自动二值化阈值,大津法是一种确定图像二值化分割阈值的算法,设定阈值为Y,计算Y'=Y*0.8,其中,Y′为实际阈值,Y为以大津法计算的自适应二值化阈值,再以Y'为阈值二值化样本图像轮廓。
遍历二值化后的样本轮廓的所有轮廓,获取最大轮廓。
计算二值化外轮廓与正圆模板、椭圆模板的Hu距匹配值I,计算公式为:
计算匹配的二值化轮廓的外轮廓面积A与内轮廓面积A',由于霉菌图像中央通透无纹理,使用适当阈值二值化之后,内轮廓应近似于外轮廓,所以判断A'/A>60%时,图像判定为女性阴道分泌物霉菌。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种霉菌图像识别方法,其特征在于,包括以下步骤:
A、获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;
B、计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;
C、遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留;
D、计算自适应二值化阈值,利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化;
E、将二值化后轮廓的-外圈轮廓与预设正圆模板、椭圆模板分别进行匹配,若匹配成功,则执行步骤F;
F、计算相匹配的二值化轮廓的内圈轮廓和外圈轮廓面积,并比较内外圈轮廓面积差异,若符合要求,则判断该轮廓为霉菌;
所述步骤A中采用大津法自动阈值二值化样本图像;
所述步骤D中采用大津法计算自适应二值化阈值,所述步骤D中利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化具体为:利用所计算的自适应二值化阈值计算得到实际阈值,并利用实际阈值二值化样本图像中轮廓,所述实际阈值通过Y′=Y*0.8计算得到,其中,Y′为实际阈值,Y为以大津法计算的自适应二值化阈值;
样本置于相差显微视野中拍摄,其中,拍摄图像的分辨率达到2048×1536。
2.根据权利要求1所述的霉菌图像识别方法,其特征在于,所述识别样本图像采用Roberts算子计算识别图像边缘。
3.根据权利要求1所述的霉菌图像识别方法,其特征在于,所预设轮廓面积值为:150≤轮廓面积≤2000;所述步骤B具体为:计算二值化样本图像中所有轮廓面积,将样本图像中面积不在150≤轮廓面积≤2000范围内的轮廓去除,得到处理后样本图像。
4.根据权利要求1所述的霉菌图像识别方法,其特征在于,所预设灰度阈值为120;所述步骤C具体为:遍历处理后样本图像中的所有轮廓,使每一轮廓外接矩形并以此外接矩形为边界截取轮廓的灰度图像,计算灰度图像的平均灰度值并将与预设灰度阈值相比较,使样本图像中保留平均灰度值大于或等于灰度阈值的轮廓。
6.根据权利要求1所述的霉菌图像识别方法,其特征在于,所述步骤F具体为:
分别计算相匹配的二值化轮廓的内圈轮廓面积A′和外圈轮廓面积A,再计算内圈轮廓面积A′和外圈轮廓面积A的比值,当A′/A>60%,则判断该轮廓为霉菌。
7.一种霉菌图像识别装置,其特征在于,所述装置包括:处理器,适于实现各指令;存储器,适于存储多条指令;所述存储器和处理器之间由通信总线连接;所述处理器用于执行存储器中存储的霉菌图像识别指令,以实现以下步骤:
获取样本的拍摄图像,识别样本图像边缘并自动阈值二值化样本图像;
计算二值化样本图像中所有轮廓面积,将计算结果与预设轮廓面积值进行比较,根据比较结果处理图像使样本图像中保留符合要求的轮廓;
遍历处理后样本图像中的所有轮廓,截取轮廓的灰度图像并计算灰度图像的平均灰度值,将所计算的平均灰度值与预设灰度阈值比较,将样本图像中大于或等于灰度阈值的轮廓保留;
计算自适应二值化阈值,利用所计算的自适应二值化阈值将样本图像中轮廓进行二值化;
将二值化后轮廓的外圈轮廓与预设正圆模板、椭圆模板分别进行匹配,若匹配成功,则执行上一步骤;
计算相匹配的二值化轮廓的内圈轮廓和外圈轮廓面积,并比较内外圈轮廓面积差异,若符合要求,则判断该轮廓为霉菌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710943617.0A CN107480662B (zh) | 2017-10-11 | 2017-10-11 | 一种霉菌图像识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710943617.0A CN107480662B (zh) | 2017-10-11 | 2017-10-11 | 一种霉菌图像识别方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480662A CN107480662A (zh) | 2017-12-15 |
CN107480662B true CN107480662B (zh) | 2020-11-24 |
Family
ID=60606229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710943617.0A Active CN107480662B (zh) | 2017-10-11 | 2017-10-11 | 一种霉菌图像识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480662B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109839367A (zh) * | 2019-01-29 | 2019-06-04 | 天津大学 | 用于食品毒素检测的水凝胶形状编码及图像处理解码的方法 |
CN111242964B (zh) * | 2019-12-23 | 2023-11-03 | 新绎健康科技有限公司 | 一种gdv能量图的轮廓确定方法装置 |
CN111429361A (zh) * | 2020-02-17 | 2020-07-17 | 马健锦 | 一种基于机器视觉的菌落计数方法 |
CN111696086A (zh) * | 2020-05-27 | 2020-09-22 | 梅州市青塘实业有限公司 | 生殖道分泌物的检测方法、装置、控制单元及存储介质 |
CN114494262B (zh) * | 2022-04-19 | 2022-07-26 | 广东粤港澳大湾区硬科技创新研究院 | 一种图像对比度的评估方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253056B (zh) * | 2011-04-22 | 2013-06-05 | 无锡日联光电有限公司 | 一种bga检测方法 |
CN104091170B (zh) * | 2014-06-13 | 2018-01-12 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
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 |
-
2017
- 2017-10-11 CN CN201710943617.0A patent/CN107480662B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107480662A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480662B (zh) | 一种霉菌图像识别方法及其装置 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
Rufli et al. | Automatic detection of checkerboards on blurred and distorted images | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN105184787A (zh) | 一种自动对人像进行抠图的证照相机及方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN105740872B (zh) | 图像特征提取方法及其装置 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN112991306B (zh) | 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 | |
CN116993966B (zh) | 一种铸件打磨视觉智能定位方法及系统 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN114037657A (zh) | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN109993046B (zh) | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 | |
CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
Sun et al. | Research on image segmentation and extraction algorithm for bicolor water level gauge | |
CN113763491A (zh) | 一种烟丝桶残余物的视觉检测方法 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN114049380A (zh) | 目标物体定位追踪方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 266000 No.77 Keyun Road, high tech Zone, Qingdao, Shandong Province Patentee after: QINGDAO HUAJING BIOLOGICAL TECHNOLOGY Co.,Ltd. Address before: 266100 Ronghai 2nd Road, Qingda Industrial Park, Chengyang District, Qingdao City, Shandong Province Patentee before: QINGDAO HUAJING BIOLOGICAL TECHNOLOGY Co.,Ltd. |