CN107808396A - 易于图像分割的线虫识别方法及系统 - Google Patents
易于图像分割的线虫识别方法及系统 Download PDFInfo
- Publication number
- CN107808396A CN107808396A CN201711059501.7A CN201711059501A CN107808396A CN 107808396 A CN107808396 A CN 107808396A CN 201711059501 A CN201711059501 A CN 201711059501A CN 107808396 A CN107808396 A CN 107808396A
- Authority
- CN
- China
- Prior art keywords
- nematode
- image
- foreground object
- mrow
- contrast metric
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了易于图像分割的线虫识别方法及系统，涉及生物图像处理技术领域，解决现有技术中无法简单、快速地从带有背景亮度不均以及黑色边框的线虫实验图像中识别出线虫。该线虫识别方法包括：读入线虫在微孔板上的实验图像；在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；对上述分割出的前景物体进行过滤，识别出线虫；微孔板放置在机架上，且微孔板放置在数码显微镜下方，数码显微镜与计算机处理控制终端通讯连接；具有线虫识别简单，占用资源少的优点。
Description
技术领域
本发明涉及生物图像处理技术领域，具体地说是易于图像分割的线虫识别方法及系统。
背景技术
而在生物图像处理技术领域中，秀丽隐杆线虫(Caenorhabditis elegans)简称线虫，是应用非常多的模式动物，它体积小，身长约1毫米，易于培养。普通的秀丽隐杆线虫在实验室中20℃的培养环境下，平均寿命约为二、三周，发育时间约为三天。1974年Brenner选择使用秀丽隐杆线虫作为模式生物来研究发育及神经科学的问题。许多使用线虫进行的高通量筛选工作中都用到了图像采集以及图像处理。在高通量筛选实验中产出的图像数据远远超出了人工检查分析的能力，使得科研人员要借助于图像处理工具。在生物实验中图像处理的目的就是利用先进的计算机科学技术、分析方法处理大规模的生物图像数据，为解决生物学问题提供帮助。
线虫和其它小型模式生物的培养过程中常用的一种培养设备是微孔板。用于线虫培养的微孔板中最常用的384孔板。通过微孔板对线虫进行培养并拍摄得到的实验图像，但此图像中存在图像背景的亮度不均以及黑色边框的问题，这使得对此类图像进行图像分割的时候很难得到好的分割结果。传统在线虫实验图像中识别线虫是通过对线虫实验图像进行灰度处理、平滑处理，再进行自适应阈值化处理和轮廓提取，以识别出线虫实验图像中的线虫；但是还存在如下问题：1、系统结构设计复杂，对线虫的识别较繁琐；2、确定自适应阈值时计算复杂，设定繁琐，占用大量计算机资源；因此，如何简单、快速地从带有背景亮度不均以及黑色边框的线虫实验图像中识别出线虫，是本领域技术人员迫切需要解决的问题。
发明内容
本发明的技术任务是针对以上不足，提供易于图像分割的线虫识别方法及系统，解决现有技术中无法简单、快速地从带有背景亮度不均以及黑色边框的线虫实验图像中识别出线虫的问题。
本发明的技术任务是按以下方式实现的，
易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
所述步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
所述步骤(3)中，对比度特征值影像中线虫位置的对比度特征值高于图像背景区域的对比度特征值，并分割识别出前景物体。
背景区域包括黑色边框、高亮度的背景区域以及低亮度的背景区域。
所述步骤(4)中，前景物体包括线虫、小型干扰物和微孔板，所述过滤识别方法包括以下步骤：
a、选取面积阀值为线虫平均面积的一半，通过对得到的每个前景物体进行面积的筛选，过滤掉小型干扰物；
b、通过对每个前景物体的长、宽比值计算，过滤掉长、宽比值最大的微孔板，得到最终线虫识别结果。
所述步骤b中，通过定义一个近似求解每个前景物体的长、宽比值的方法如下：
①、每个前景物体的面积设为A，用其所覆盖的像素点的个数计算求得；每个前景物体的周长设为C，用其外层像素点的个数计算求得；每个前景物体的宽度设为W，计算前景物体的宽度：
②、每个前景物体的长度设为L，计算前景物体的长度：
③、每个前景物体的长、宽比值计算：
所述近似求解的前景物体均为长方形结构的前景物体。
微孔板为384孔板或96孔板。
易于图像分割的线虫识别系统，包括机架、数码显微镜、微孔板和计算机处理控制终端，微孔板放置在机架上，且微孔板放置在数码显微镜下方，数码显微镜与计算机处理控制终端通讯连接，用于接收和识别从数码显微镜处传送来的线虫实验图像信息，并对线虫实验图像进行处理；计算机处理控制终端包括：
①窗口滑动处理单元，用于计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
②分割判断识别单元，与窗口滑动处理单元连接，用于将对比度特征影像初步分割，依据线虫实验图像中线虫位置对比度特征值高于图像背景区域对比度特征值，识别出前景物体；
③过滤识别单元，与分割判断识别单元连接，用于对分割识别出的前景物体过滤，识别出线虫。
过滤识别单元还包括：
1>面积筛选阀值单元，面积筛选阀值单元用于筛选线虫平均面积一半的前景物体，该前景物体为小型干扰物；
2>长、宽比值计算单元，长、宽比值计算单元用于过滤长、宽比值最大的前景物体，该前景物体为微孔板，以识别出线虫实验图像中的线虫。
本发明的易于图像分割的线虫识别方法及系统和现有技术相比具有以下优点：
1、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，可以看到在线虫的位置有很高的对比度值，其它背景区域的对比度值较小，能够快速有效地排除背景区域对线虫识别的干扰；
2、通过对得到的对比度特征影像进行初步分割，依据对比度的差异，能够快速识别出前景物体；
3、对上述分割出的前景物体进行过滤，通过选取面积阀值为线虫面积的一半，对得到的每个前景物体进行面积的筛选，可快速地识别过滤掉小型干扰物；
4、对前景物体进行过滤，通过近似求解前景物体的长、宽比值，可快速找到长、宽比值最大的前景物体，过滤掉微孔板，实现线虫实验图像中线虫的快速识别；
5、近似求解的前景物体均为长方形结构的前景物体，方便计算和过滤识别；
6、本发明的线虫识别简单快速，无需占用大量计算机资源，解决了线虫实验图像在进行图像分割时遇到黑色边框、背景亮度不均无法正确识别线虫的问题，因此，具有很好的推广使用价值。
附图说明
下面结合附图对本发明进一步说明。
附图1为线虫在微孔板里的线虫实验图像示意图；
附图2为每列的像素点的灰度值加和；
附图3为窗口滑动处理后每个像素点的对比度值；
附图4为前景物体和背景区域的对比度值；
附图5为分割过滤识别后的线虫实验图像示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的易于图像分割的线虫识别方法及系统作以下详细地说明。
实施例1：
本发明的易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
实施例2：
本发明的易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
实施例3：
本发明的易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
所述步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
步骤(3)中，对比度特征值影像中线虫位置的对比度特征值高于图像背景区域的对比度特征值，并分割识别出前景物体。
背景区域包括黑色边框、高亮度的背景区域以及低亮度的背景区域。
实施例4：
本发明的易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
所述步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
步骤(3)中，对比度特征值影像中线虫位置的对比度特征值高于图像背景区域的对比度特征值，并分割识别出前景物体。
背景区域包括黑色边框、高亮度的背景区域以及低亮度的背景区域。
步骤(4)中，前景物体包括线虫、小型干扰物和微孔板，所述过滤识别方法包括以下步骤：
a、选取面积阀值为线虫平均面积的一半，通过对得到的每个前景物体进行面积的筛选，过滤掉小型干扰物；
b、通过对每个前景物体的长、宽比值计算，过滤掉长、宽比值最大的微孔板，得到最终线虫识别结果。
实施例5：
本发明的易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
所述步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
步骤(3)中，对比度特征值影像中线虫位置的对比度特征值高于图像背景区域的对比度特征值，并分割识别出前景物体。
背景区域包括黑色边框、高亮度的背景区域以及低亮度的背景区域。
步骤(4)中，前景物体包括线虫、小型干扰物和384孔板，所述过滤识别方法包括以下步骤：
a、选取面积阀值为线虫平均面积的一半，通过对得到的每个前景物体进行面积的筛选，过滤掉小型干扰物；
b、通过对每个前景物体的长、宽比值计算，过滤掉长、宽比值最大的384孔板，得到最终线虫识别结果。
步骤b中，通过定义一个近似求解的前景物体，且近似求解的前景物体均为长方形结构的前景物体，每个前景物体的长、宽比值的方法如下：
①、每个前景物体的面积设为A，用其所覆盖的像素点的个数计算求得；每个前景物体的周长设为C，用其外层像素点的个数计算求得；每个前景物体的宽度设为W，计算前景物体的宽度：
②、每个前景物体的长度设为L，计算前景物体的长度：
③、每个前景物体的长、宽比值计算：
实施例6：
本发明的易于图像分割的线虫识别系统，包括机架、数码显微镜、微孔板和计算机处理控制终端，微孔板放置在机架上，且微孔板放置在数码显微镜下方，数码显微镜与计算机处理控制终端通讯连接，用于接收和识别从数码显微镜处传送来的线虫实验图像信息，并对线虫实验图像进行处理；计算机处理控制终端包括：
①窗口滑动处理单元，用于计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
②分割判断识别单元，与窗口滑动处理单元连接，用于将对比度特征影像初步分割，依据线虫实验图像中线虫位置对比度特征值高于图像背景区域对比度特征值，识别出前景物体；
③过滤识别单元，与分割判断识别单元连接，用于对分割识别出的前景物体过滤，识别出线虫。
过滤识别单元还包括：
1>面积筛选阀值单元，面积筛选阀值单元用于筛选线虫平均面积一半的前景物体，该前景物体为小型干扰物；
2>长、宽比值计算单元，长、宽比值计算单元用于过滤长、宽比值最大的前景物体，该前景物体为384孔板，以识别出线虫实验图像中的线虫。
通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的6种具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。
Claims (10)
1.易于图像分割的线虫识别方法，利用计算机进行图像采集以及图像处理并识别线虫；其特征在于包括以下步骤：
(1)、读入线虫在微孔板上的实验图像；
(2)、在线虫实验图像中通过滑动窗口的方式计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
(3)、将对比度特征影像进行初步分割，依据对比度的差异，识别出前景物体；
(4)、对上述分割出的前景物体进行过滤，识别出线虫。
2.根据权利要求1所述的易于图像分割的线虫识别方法，其特征在于所述步骤(2)中，每一个窗口滑过所覆盖形成的子图像，计算子影像区域内的灰度共生矩阵和对比度特征值，将代表这个窗口的对比度特征值赋值给窗口的中心像素点；重复上述步骤，直到滑动窗口遍历整个图像，得到由每个窗口对比度特征值组成的一个对比度特征值矩阵，转化生成对比度特征影像。
3.根据权利要求1所述的易于图像分割的线虫识别方法，其特征在于所述步骤(3)中，对比度特征值影像中线虫位置的对比度特征值高于图像背景区域的对比度特征值，并分割识别出前景物体。
4.根据权利要求3所述的易于图像分割的线虫识别方法，其特征在于背景区域包括黑色边框、高亮度的背景区域以及低亮度的背景区域。
5.根据权利要求1所述的易于图像分割的线虫识别方法，其特征在于所述步骤(4)中，前景物体包括线虫、小型干扰物和微孔板，所述过滤识别方法包括以下步骤：
a、选取面积阀值为线虫平均面积的一半，通过对得到的每个前景物体进行面积的筛选，过滤掉小型干扰物；
b、通过对每个前景物体的长、宽比值计算，过滤掉长、宽比值最大的微孔板，得到最终线虫识别结果。
6.根据权利要求5所述的易于图像分割的线虫识别方法，其特征在于所述步骤b中，通过定义一个近似求解每个前景物体的长、宽比值的方法如下：
①、每个前景物体的面积设为A，用其所覆盖的像素点的个数计算求得；每个前景物体的周长设为C，用其外层像素点的个数计算求得；每个前景物体的宽度设为W，计算前景物体的宽度：
<mrow>
<mi>W</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mi>C</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>16</mn>
<mi>A</mi>
</mrow>
</msqrt>
</mrow>
<mn>4</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
②、每个前景物体的长度设为L，计算前景物体的长度：
<mrow>
<mi>L</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mo>+</mo>
<msqrt>
<mrow>
<msup>
<mi>C</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>16</mn>
<mi>A</mi>
</mrow>
</msqrt>
</mrow>
<mn>4</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
③、每个前景物体的长、宽比值计算：
<mrow>
<mfrac>
<mi>L</mi>
<mi>W</mi>
</mfrac>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>+</mo>
<msqrt>
<mrow>
<msup>
<mi>C</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>16</mn>
<mi>A</mi>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>16</mn>
<mi>A</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
7.根据权利要求6所述的易于图像分割的线虫识别方法，其特征在于所述近似求解的前景物体均为长方形结构的前景物体。
8.根据权利要求1所述的易于图像分割的线虫识别方法，其特征在于微孔板为384孔板或96孔板。
9.易于图像分割的线虫识别系统，包括机架、数码显微镜、微孔板和计算机处理控制终端，微孔板放置在机架上，且微孔板放置在数码显微镜下方，数码显微镜与计算机处理控制终端通讯连接，用于接收和识别从数码显微镜处传送来的线虫实验图像信息，并对线虫实验图像进行处理；其特征在于计算机处理控制终端包括：
①窗口滑动处理单元，用于计算灰度共生矩阵和对比度特征值，并得到以每个像素点为中心的对比度特征值，并转化生成对比度特征影像；
②分割判断识别单元，与窗口滑动处理单元连接，用于将对比度特征影像初步分割，依据线虫实验图像中线虫位置对比度特征值高于图像背景区域对比度特征值，识别出前景物体；
③过滤识别单元，与分割判断识别单元连接，用于对分割识别出的前景物体过滤，识别出线虫。
10.根据权利要求9所述的易于图像分割的线虫识别系统，其特征在于过滤识别单元还包括：
1>面积筛选阀值单元，面积筛选阀值单元用于筛选线虫平均面积一半的前景物体，该前景物体为小型干扰物；
2>长、宽比值计算单元，长、宽比值计算单元用于过滤长、宽比值最大的前景物体，该前景物体为微孔板，以识别出线虫实验图像中的线虫。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059501.7A CN107808396B (zh) | 2017-11-01 | 2017-11-01 | 易于图像分割的线虫识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059501.7A CN107808396B (zh) | 2017-11-01 | 2017-11-01 | 易于图像分割的线虫识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107808396A true CN107808396A (zh) | 2018-03-16 |
| CN107808396B CN107808396B (zh) | 2021-06-22 |
Family
ID=61591139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711059501.7A Active CN107808396B (zh) | 2017-11-01 | 2017-11-01 | 易于图像分割的线虫识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107808396B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427880A (zh) * | 2019-08-01 | 2019-11-08 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110827298A (zh) * | 2019-11-06 | 2020-02-21 | 齐鲁工业大学 | 一种从眼部图片中自动识别视网膜区域的方法 |
| CN113344936A (zh) * | 2021-07-02 | 2021-09-03 | 吉林农业大学 | 一种基于深度学习的土壤线虫图像分割与宽度测量方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101593274A (zh) * | 2009-07-02 | 2009-12-02 | 浙江省电力公司 | 基于纹理的输电线路设备特征提取方法 |
| CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
-
2017
- 2017-11-01 CN CN201711059501.7A patent/CN107808396B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101593274A (zh) * | 2009-07-02 | 2009-12-02 | 浙江省电力公司 | 基于纹理的输电线路设备特征提取方法 |
| CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| WEIYANG CHEN 等: "Segmenting microscopy images of multi-well plates based on image contrast", 《MICROSCOPY AND MICROANALYSIS》 * |
| 陈维洋 等: "图像处理在线虫实验中的应用", 《齐鲁工业大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427880A (zh) * | 2019-08-01 | 2019-11-08 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110427880B (zh) * | 2019-08-01 | 2023-05-02 | 齐鲁工业大学 | 一种基于图像处理的线虫脂肪酸定量方法及系统 |
| CN110827298A (zh) * | 2019-11-06 | 2020-02-21 | 齐鲁工业大学 | 一种从眼部图片中自动识别视网膜区域的方法 |
| CN113344936A (zh) * | 2021-07-02 | 2021-09-03 | 吉林农业大学 | 一种基于深度学习的土壤线虫图像分割与宽度测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107808396B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
| CN101123677B (zh) | 改善图像锐度的方法、装置及集成电路 | |
| CN108596338A (zh) | 一种神经网络训练集的获取方法及其系统 | |
| CN107808396A (zh) | 易于图像分割的线虫识别方法及系统 | |
| CN103824373B (zh) | 一种票据图像金额分类方法及系统 | |
| CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
| Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
| CN106327448A (zh) | 一种基于深度学习的图片风格化处理方法 | |
| CN104331714A (zh) | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| JP2012252691A (ja) | 画像からテキスト筆画画像を抽出する方法及び装置 | |
| CN110619297B (zh) | 一种豆类植物子实图像批量采集识别方法及装置 | |
| CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
| CN111931817A (zh) | 一种球团矿矿相识别方法和装置 | |
| CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
| CN107578379A (zh) | 一种象棋机器人对棋盘图像的处理方法 | |
| CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
| CN103955925B (zh) | 基于分块固定最小采样的改进概率霍夫变换曲线检测方法 | |
| CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
| CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
| CN107895152A (zh) | 一种在轨云缝快速检测方法 | |
| CN106157291B (zh) | 识别重复纹理的方法和装置 | |
| CN107491746B (zh) | 一种基于大梯度像素分析的人脸预筛选方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |