CN108090928B - 一种检测与筛选类圆形细胞区域的方法及系统 - Google Patents
一种检测与筛选类圆形细胞区域的方法及系统 Download PDFInfo
- Publication number
- CN108090928B CN108090928B CN201711057628.5A CN201711057628A CN108090928B CN 108090928 B CN108090928 B CN 108090928B CN 201711057628 A CN201711057628 A CN 201711057628A CN 108090928 B CN108090928 B CN 108090928B
- Authority
- CN
- China
- Prior art keywords
- cell
- information
- main information
- circle
- hough circle
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 238000002372 labelling Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims 1
- 238000004040 coloring Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 238000002135 phase contrast microscopy Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009087 cell motility Effects 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种检测与筛选类圆形细胞区域的方法及系统,用以解决现有技术不能有效地检测与筛选类圆形细胞区域的问题。该方法包括:S1、定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;S2、通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;S3、针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;S4、通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。本发明基于灰度层级结构信息,通过比较各细胞的主要信息与各霍夫圆区域关系,能有效地区分和筛选霍夫圆检测结果,从而有利于确定细胞形态及其变化。
Description
技术领域
本发明涉及本发明涉及医学图像处理技术领域,尤其涉及一种检测与筛选类圆形细胞区域的方法及系统。
背景技术
细胞运动的研究一直是细胞学和生物学研究的重要组成部分,但是传统的研究方法在技术日益革新的现在已经渐渐变得不这么适用了,传统的在显微镜下利用细胞计数板用人眼进行染色、分类、计数、跟踪等这类不但需要大量繁琐的人为操作而且容易使得操作者变得疲劳从而影响结果的正确性,且其可重用性比较低。
国内外的医学专家经过长期地实践与研究取得一致共识认为应该在细胞运动研究中引入数字视频技术和数字图像处理技术,从而极大地提高研究效率,减轻研究人员负担。用计算机来跟踪细胞运动,部分代替人类始终盯着显微镜来观察细胞的眼睛,尽量地把人从繁重的重复劳动中解脱出来进行更有创造性的工作。
因此,如何利用计算机图像处理、视频分析等相关技术手段来提高生物研究过程中的自动化程度已成为当前急需解决的非常有意义的难题。
当前,常用的目标检测与识别算法,可以在确定目标大致位置之后,提取区域内部的特征,再采用适当的分类器对检测区域进行识别与分类。多数目标检测与识别算法的实现都是依赖于提取的高维度特征与不同的训练算法。在检测时,这些算法多采用矩形框,且将矩形框覆盖的大致区域作为表征目标的检测结果。虽然,其检测结果可以覆盖目标,但并不是在所有情况下都可以通过外接矩形框的方式定义目标区域。矩形框内目标占整个矩形框区域的比例有时非常小,那么提取的特征就不是非常准确,不利于应用目标识别与分类等后续算法。
公开号为CN103559724A的专利提供了一种高粘连度细胞环境下的多细胞同步跟踪方法。细胞序列图像中,多细胞的分割和同步跟踪是一个尚未解决的难题,尤其在高粘连度情况下多细胞检测与分割,更加迫切需要解决。该发明首先提出了一种改进的基于分水岭和多特征匹配的分割算法实现细胞分割,然后,建立适用于卡尔曼滤波的运动模型并加入多特征匹配实现细胞的预测和跟踪。该发明不能很好地处理细胞核粘连情况与独立情况的分析。
发明内容
本发明要解决的技术问题目的在于提供一种检测与筛选类圆形细胞区域的方法及系统,用以解决现有技术不能有效地检测与筛选类圆形细胞区域的问题。
为了实现上述目的,本发明采用的技术方案为:
一种检测与筛选类圆形细胞区域的方法,包括步骤:
S1、定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;
S2、通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
S3、针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
S4、通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
进一步地,步骤S 1具体包括:
通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域;
定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息。
进一步地,步骤S2具体包括:
将细胞主要信息局部区域块分组成为不同目标集合;
根据所述分组后的局部区域块生成二值标记图;
将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息。
采用本地覆盖检测对所述细胞主要信息进行检测;
判断所述细胞主要信息是否具有可扩展的中间信息,若无,保持所述细胞主要信息不变;否则,有序地进行扩展。
进一步地,步骤S3具体包括:
通过霍夫圆检测方法检测细胞图像中圆形区域;
判断所述各个圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系。
进一步地,步骤S4具体包括:
采用覆盖检测比对所述细胞主要信息与各个霍夫圆;
判断所述圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
一种检测与筛选类圆形细胞区域的系统,包括:
定义模块,用于定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;
标记模块,用于通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
添加模块,用于针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
筛选模块,用于通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
进一步地,所述定义模块具体包括:
图像获取单元,用于通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
区域分类单元,用于采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域;
信息分类单元,用于定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息。
进一步地,所述标记模块具体包括:
区块分组单元,用于将细胞主要信息局部区域块分组成为不同目标集合;
二值标记单元,用于根据所述分组后的局部区域块生成二值标记图;
标号标色单元,用于将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息。
进一步地,所述检测模块具体包括:
检测单元,用于通过霍夫圆检测方法检测细胞图像中圆形区域,并记录每个圆形区域的圆心位置以及圆的半径参数;
进一步地,所述筛选模块具体包括:
单霍夫圆单元,用于判断所述圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
多霍夫圆单元,用于判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
本发明与传统的技术相比,有如下优点:
本发明基于灰度层级结构信息,通过比较各细胞的主要信息与各霍夫圆区域关系,能有效地区分和筛选霍夫圆检测结果,从而有利于确定细胞形态及其变化。
附图说明
图1是实施例一提供的一种检测与筛选类圆形细胞区域的方法流程图;
图2是实施例一提供的三幅相差显微镜细胞图像;
图3是实施例一提供的针对图2三幅原图的多类别最大类间方差算法结果图;
图4是实施例一提供的针对各幅图像的具有不同重要性的灰度层级结构信息;
图5是实施例一提供的针对各幅图像中各细胞的主要信息区域块标记结果图;
图6是实施例一提供的针对各幅图像的霍夫圆检测结果;
图7是实施例一提供的针对PCM_0001基于筛选机制区分后的霍夫圆区域集合;
图8是实施例一提供的针对PCM_0002基于筛选机制区分后的霍夫圆区域集合;
图9是实施例一提供的针对PCM_0003基于筛选机制区分后的霍夫圆区域集合;
图10是实施例二提供的一种检测与筛选类圆形细胞区域的系统结构图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
本实施例提供了一种检测与筛选类圆形细胞区域的方法,如图1所示,包括步骤:
S11:定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;
S12:通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
S13:针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
S14:通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
本实施例首先定义相差显微镜细胞图像的具有不同重要性的层级结构信息,即细胞主要信息、细胞中间信息及细胞次要信息。接着通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息,也可通过已检测到的细胞主要信息合理地添加融合细胞中间信息。然后,基于霍夫圆检测算法检测图像中的类圆形的细胞区域,并记录各圆形区域的圆心以及半径。最后,通过筛选机制,即比对细胞主要信息分布与霍夫圆分布情况,区分不同的霍夫圆检测信息。
本实施例中,步骤S11为定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息。
其中,步骤S11具体包括步骤:
通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域;
定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息。
具体的,基于目标层级结构信息概念,相差显微镜细胞图像中的所有细胞都存在三个结构信息层次,分别是主要信息、中间信息以及次要信息。此概念也指出目标的不同层级结构信息对定义目标本身具有不同的重要性,且最为重要的信息可以单独地用于表示目标。所以,通过细胞主要信息可以定义相差显微镜细胞图像中的大多数细胞。
图2是三幅相差显微镜细胞图像,分别记为PCM_0001、PCM_0002以及PCM_0003。
图3是对各幅图像的具有不同重要性的灰度层级结构信息;
图4中给出了针对三幅原图通过最佳参数获得的最大类间方差算法结果图。结果图中存在多个灰度层级结构信息,且每个灰度层级结构信息中存在多个独立局部区域块。
经过有效地划分,此时假设x={1,2,3},能够得到如图4所示的被定义为图像主要信息(图4(ax))、图像中间信息(图4(bx))及图像次要信息(图4(cx))的二值区域集合结果图。
本实施例中,步骤S12为通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息。
其中,步骤S12具体包括步骤:
将细胞主要信息局部区域块分组成为不同目标集合;
根据所述分组后的局部区域块生成二值标记图;
将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息。
采用本地覆盖检测对所述细胞主要信息进行检测;
判断所述细胞主要信息是否具有可扩展的中间信息,若无,保持所述细胞主要信息不变;否则,有序地进行扩展。
具体的,虽然定义了各相差显微镜细胞图像中的主要信息,但是目前没有任何自动算法可以将这些主要信息局部区块合理地分组成不同目标。为了能够有效地标记序列图片中的目标主要信息,将利用辅助软件工具,手动地将主要信息局部区块分组成为不同目标。在现有目标跟踪检测算法中,存在着一些不同的目标初始化的方式,比如标记矩形框确定目标的初始大致位置或者直接标记出目标准确的分割区域。手动标记主要信息局部区块时,需要仔细地参照原图。假如存在前一帧的检测信息,可以通过帧间关联的方式,检测当前帧中细胞的主要信息。
图5中展示了针对三幅相差显微镜细胞图像的主要信息标记结果图。在伪彩色图像中,属于某个细胞的主要信息区域块集合具有相同的标色与标号。
针对已获得的细胞主要信息,可相应地扩展中间信息。具体的,为了解决细胞中间信息粘连情况,采用目标对分离与分组算法。相应地,会产生局部区域块计数结果、局部区域块访问结果、不同的分离位置以及分组结果。添加了中间信息之后,其构建的区域,能更加清晰地表征目标。
在添加中间信息扩展主要信息的过程中,统筹考虑了主要信息与中间信息这两个结构信息层次。如果某些细胞的主要信息没有可扩展的中间信息,则保持主要信息不变。如果细胞主要信息具有可扩展的中间信息,则进行有序地扩展。对于细胞中间信息粘连情况,利用目标对分离与分组算法进行处理。
基于细胞主要信息添加中间信息的方法可以在一定程度上得到更能表征细胞区域的结果。如果图像中存在其他类似于主要信息或者中间信息的层级结构信息,仍旧可以通过此种方法,不断地扩展细胞检测区域范围。
本实施例中,步骤S13为针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数。
其中,步骤S13具体包括步骤:
通过霍夫圆检测方法检测细胞图像中圆形区域,并记录每个圆形区域的圆心位置以及圆的半径参数。
具体的,霍夫圆检测方法可以检测图像中类圆形的区域。当已知处于某个圆边界上的点集,且点集内部的元素个数应该大于等于3,则可以通过式(1)确定参数关系。
其中,圆的半径是r,(a,b)是圆心,θ表示角度。
此时基于已知的(x,y)点集,将角度θ遍历一遍,便可得此圆的相关参数信息。
假设此时已知存在很多圆,且已知相关的点集,那么在确定这些圆参数的时候,就会相对复杂一些。在二维空间中,圆的一般参数化表达式为:
(x-a)2+(y-b)2=r2 (2)
此时二维点(x,y)是已知量,其他参数需要通过上式得到。那么,其所对应的参数搜索空间是由(a,b,r)定义的三维空间。霍夫圆检测便是在这三个参数组成的三维空间内进行检测。当给定一个二维点(xi,yi)时,都会在此三维空间内形成一个倒圆锥体表面。此表面由下式定义:
(xi-a)2+(yi-b)2=r2 (3)
如果存在两个点(x1,y1)与(x2,y2),且其各自所形成的倒圆锥体表面出现相交情况,并假设其相交于一点(a0,b0,r0),那么在原图中此两点位于由(a0,b0,r0)定义的圆上。如此,便可对所有的圆形参数点(ai,bi,ri)进行投票,从而确定多个独立的圆形区域。
图6中,给出了关于三幅相差显微镜细胞图像的霍夫圆检测结果。此时假设x={a,b},那么图(x1)将检测到的椭圆区域轮廓覆盖在了原图上进行展示,图(x2)给出了离散域上所定义的霍夫圆区域。
本实施例中,步骤S14为通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
其中,步骤S14具体包括:
判断所述圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
具体的,已检测出的多个霍夫圆检测结果中不是所有检测到的霍夫圆都是可以直接用于参考的。需要通过检测细胞主要信息与各个霍夫圆之间的位置关系,将这些霍夫圆区分为可参考与待参考这两个类别。
在图7、图8与图9中,分别显示了通过霍夫圆筛选机制应用于PCM_0001、PCM_0002、PCM_0003以及PCM_0004上的检测结果。此时假设x={7,8,9},那么图x(a)是将可参考的霍夫圆区域轮廓覆盖在原图上进行展示,图x(b)是将待参考的霍夫圆区域轮廓覆盖在原图上进行展示,图x(c)是离散域上的可参考霍夫圆二值区域集合,图x(d)是离散域上的待参考霍夫圆二值区域集合。
判断霍夫圆是可参考还是待参考的分类方式,主要是在于计算当前细胞主要信息的中心点与其覆盖的霍夫圆圆心的距离。如果这个距离小于等于此霍夫圆的半径,则将其作为可参考的结果,如果大于半径,则作为待参考的结果。通过筛选机制,检测出的霍夫圆能够被合理地进行区分。
实施例二
本实施例提供了一种检测与筛选类圆形细胞区域的系统,如图10所示,包括:
定义模块21,用于定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;
标记模块22,用于通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
检测模块23,用于针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
筛选模块24,用于通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
本实施例首先定义模块21先定义相差显微镜细胞图像的具有不同重要性的层级结构信息,即细胞主要信息、细胞中间信息及细胞次要信息。接着标记模块22通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息,也可通过已检测到的细胞主要信息合理地添加融合细胞中间信息。然后,检测模块23基于霍夫圆检测算法检测图像中的类圆形的细胞区域,并记录各圆形区域的圆心以及半径。最后,筛选模块24通过筛选机制,即比对细胞主要信息分布与霍夫圆分布情况,区分不同的霍夫圆检测信息。
本实施例中,定义模块21用于定义相差显微镜图像具有不同重要性的层级结构信息。
其中,定义模块21具体包括:
图像获取单元,用于通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
区域分类单元,用于采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域;
信息分类单元,用于定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息。
具体的,基于目标层级结构信息概念,相差显微镜细胞图像中的所有细胞都存在三个结构信息层次,分别是主要信息、中间信息以及次要信息。此概念也指出目标的不同层级结构信息对定义目标本身具有不同的重要性,且最为重要的信息可以单独地用于表示目标。所以,通过细胞主要信息可以定义相差显微镜细胞图像中的大多数细胞。
图2是三幅相差显微镜细胞图像,分别记为PCM_0001、PCM_0002以及PCM_0003。
图4中给出了针对三幅原图通过最佳参数获得的最大类间方差算法结果图。结果图中存在多个灰度层级结构信息,且每个灰度层级结构信息中存在多个独立局部区域块。
经过有效地划分,此时假设x={1,2,3},能够得到如图3所示的被定义为图像主要信息(图4(ax))、图像中间信息(图4(bx))及图像次要信息(图4(cx))的二值区域集合结果图。
本实施例中,标记模块22用于通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息。
其中,标记模块22具体包括:
区块分组单元,用于将细胞主要信息局部区域块分组成为不同目标集合;
二值标记单元,用于根据所述分组后的局部区域块生成二值标记图;
标号标色单元,用于将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息。
本地检测单元,采用本地覆盖检测对所述细胞主要信息进行检测;
区域扩展单元,判断所述细胞主要信息是否具有可扩展的中间信息,若无,保持所述细胞主要信息不变;否则,有序地进行扩展。
具体的,虽然定义了各相差显微镜细胞图像中的主要信息,但是目前没有任何自动算法可以将这些主要信息局部区块合理地分组成不同目标。为了能够有效地标记序列图片中的目标主要信息,将利用辅助软件工具,手动地将主要信息局部区块分组成为不同目标。在现有目标跟踪检测算法中,存在着一些不同的目标初始化的方式,比如标记矩形框确定目标的初始大致位置或者直接标记出目标准确的分割区域。手动标记主要信息局部区块时,需要仔细地参照原图。假如存在前一帧的检测信息,可以通过帧间关联的方式,检测当前帧中细胞的主要信息。
图5中展示了针对三幅相差显微镜细胞图像的主要信息标记结果图。在伪彩色图像中,属于某个细胞的主要信息区域块集合具有相同的标色与标号。
针对已获得的细胞主要信息,可相应地扩展中间信息。具体的,为了解决细胞中间信息粘连情况,采用目标对分离与分组算法。相应地,会产生局部区域块计数结果、局部区域块访问结果、不同的分离位置以及分组结果。添加了中间信息之后,其构建的区域,能更加清晰地表征目标。
在添加中间信息扩展主要信息的过程中,统筹考虑了主要信息与中间信息这两个结构信息层次。如果某些细胞的主要信息没有可扩展的中间信息,则保持主要信息不变。如果细胞主要信息具有可扩展的中间信息,则进行有序地扩展。对于细胞中间信息粘连情况,利用目标对分离与分组算法进行处理。
基于细胞主要信息添加中间信息的方法可以在一定程度上得到更能表征细胞区域的结果。如果图像中存在其他类似于主要信息或者中间信息的层级结构信息,仍旧可以通过此种方法,不断地扩展细胞检测区域范围。
本实施例中,检测模块23用于针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数。
其中,检测模块23具体包括:
检测单元,用于通过霍夫圆检测方法检测细胞图像中圆形区域,并记录每个圆形区域的圆心位置以及圆的半径参数;
具体的,霍夫圆检测方法可以检测图像中类圆形的区域。当已知处于某个圆边界上的点集,且点集内部的元素个数应该大于等于3,则可以通过式(1)确定参数关系。
其中,圆的半径是r,(a,b)是圆心,θ表示角度。
此时基于已知的(x,y)点集,将角度θ遍历一遍,便可得此圆的相关参数信息。
假设此时已知存在很多圆,且已知相关的点集,那么在确定这些圆参数的时候,就会相对复杂一些。在二维空间中,圆的一般参数化表达式为:
(x-a)2+(y-b)2=r2 (2)
此时二维点(x,y)是已知量,其他参数需要通过上式得到。那么,其所对应的参数搜索空间是由(a,b,r)定义的三维空间。霍夫圆检测便是在这三个参数组成的三维空间内进行检测。当给定一个二维点(xi,yi)时,都会在此三维空间内形成一个倒圆锥体表面。此表面由下式定义:
(xi-a)2+(yi-b)2=r2
(3)如果存在两个点(x1,y1)与(x2,y2),且其各自所形成的倒圆锥体表面出现相交情况,并假设其相交于一点(a0,b0,r0),那么在原图中此两点位于由(a0,b0,r0)定义的圆上。如此,便可对所有的圆形参数点(ai,bi,ri)进行投票,从而确定多个独立的圆形区域。
图6中,给出了关于三幅相差显微镜细胞图像的霍夫圆检测结果。此时假设x={a,b},那么图(x1)将检测到的椭圆区域轮廓覆盖在了原图上进行展示,图(x2)给出了离散域上所定义的霍夫圆区域。
本实施例中,筛选模块24用于通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选。
其中,筛选模块24具体包括:
单霍夫圆单元,用于判断所述圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
多霍夫圆单元,用于判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
具体的,已检测出的多个霍夫圆检测结果中不是所有检测到的霍夫圆都是可以直接用于参考的。需要通过检测细胞主要信息与各个霍夫圆之间的位置关系,将这些霍夫圆区分为可参考与待参考这两个类别。
在图7、图8与图9中,分别显示了通过霍夫圆筛选机制应用于PCM_0001、PCM_0002、PCM_0003以及PCM_0004上的检测结果。此时假设x={7,8,9},那么图x(a)是将可参考的霍夫圆区域轮廓覆盖在原图上进行展示,图x(b)是将待参考的霍夫圆区域轮廓覆盖在原图上进行展示,图x(c)是离散域上的可参考霍夫圆二值区域集合,图x(d)是离散域上的待参考霍夫圆二值区域集合。
判断霍夫圆是可参考还是待参考的分类方式,主要是在于计算当前细胞主要信息的中心点与其覆盖的霍夫圆圆心的距离。如果这个距离小于等于此霍夫圆的半径,则将其作为可参考的结果,如果大于半径,则作为待参考的结果。通过筛选机制,检测出的霍夫圆能够被合理地进行区分。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种检测与筛选类圆形细胞区域的方法,其特征在于,包括步骤:
S1、定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息,其中定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息;
S2、通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
S3、针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
S4、通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选;
步骤S2具体包括:
将细胞主要信息局部区域块分组成为不同目标集合;
根据所述分组后的局部区域块生成二值标记图;
将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息;
采用本地覆盖检测对所述细胞中间信息进行检测;
判断所述细胞主要信息是否具有可扩展的中间信息,若无,保持所述细胞主要信息不变;否则,有序地进行扩展。
2.根据权利要求1所述的一种检测与筛选类圆形细胞区域的方法,其特征在于,步骤S1具体包括:
通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域。
3.根据权利要求2所述的一种检测与筛选类圆形细胞区域的方法,其特征在于,步骤S3具体包括:
通过霍夫圆检测方法检测细胞图像中圆形区域,并记录每个圆形区域的圆心位置以及圆的半径参数。
4.根据权利要求3所述的一种检测与筛选类圆形细胞区域的方法,其特征在于,步骤S4具体包括:
判断所述各个圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
5.一种检测与筛选类圆形细胞区域的系统,其特征在于,包括:
定义模块,用于定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息;
标记模块,用于通过手动标记或者帧间关联的方式确定当前帧的细胞主要信息;
检测模块,用于针对原图进行霍夫圆检测并获得各霍夫圆的位置参数与半径参数;
筛选模块,用于通过比较各细胞的主要信息与各霍夫圆区域关系对霍夫圆检测结果进行筛选;
所述定义模块包括:
信息分类单元,定义深暗区域为细胞主要信息,高亮区域为细胞次要信息,封闭区域为细胞中间信息;
所述标记模块具体包括:
区块分组单元,用于将细胞主要信息局部区域块分组成为不同目标集合;
二值标记单元,用于根据所述分组后的局部区域块生成二值标记图;
标号标色单元,用于将所述二值标记图中的局部区域块标号标色以确定所述细胞主要信息;
覆盖检测单元,用于采用本地覆盖检测对所述细胞主要信息进行检测;
判断单元,用于判断所述细胞主要信息是否具有可扩展的中间信息,若无,保持所述细胞主要信息不变;否则,有序地进行扩展。
6.根据权利要求5所述的一种检测与筛选类圆形细胞区域的系统,其特征在于,所述定义模块还包括:
图像获取单元,通过相差显微镜成像系统,获取所述相差显微镜细胞图像;
区域分类单元,采用多类别最大类间方差算法得出所述相差显微镜细胞图像的深暗区域、高亮区域及封闭区域。
7.根据权利要求6所述的一种检测与筛选类圆形细胞区域的系统,其特征在于,所述检测模块具体包括:
检测单元,用于通过霍夫圆检测方法检测细胞图像中圆形区域,并记录每个圆形区域的圆心位置以及圆的半径参数。
8.根据权利要求7所述的一种检测与筛选类圆形细胞区域的系统,其特征在于,所述筛选模块具体包括:
单霍夫圆单元,用于判断所述圆形区域是否只覆盖了一个霍夫圆检测结果,若是,作为可参考的检测结果,否则,通过检测所述细胞主要信息的中心点与其覆盖的所述霍夫圆的圆心之间的位置关系;
多霍夫圆单元,用于判断所述细胞主要信息的中心点与所述霍夫圆的圆心之间的距离是否小于等于所述霍夫圆的半径,若是,判定为可参考的检测结果;否则,判定为待参考的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711057628.5A CN108090928B (zh) | 2017-11-01 | 2017-11-01 | 一种检测与筛选类圆形细胞区域的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711057628.5A CN108090928B (zh) | 2017-11-01 | 2017-11-01 | 一种检测与筛选类圆形细胞区域的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090928A CN108090928A (zh) | 2018-05-29 |
CN108090928B true CN108090928B (zh) | 2021-03-26 |
Family
ID=62171962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711057628.5A Active CN108090928B (zh) | 2017-11-01 | 2017-11-01 | 一种检测与筛选类圆形细胞区域的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090928B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992011B (zh) * | 2019-04-23 | 2022-04-12 | 南方电网电力科技股份有限公司 | 一种巡检机器人云台的二次对准方法、装置和设备 |
CN111091571B (zh) * | 2019-12-12 | 2024-05-14 | 珠海圣美生物诊断技术有限公司 | 细胞核分割方法、装置、电子设备及计算机可读存储介质 |
CN111539354B (zh) * | 2020-04-27 | 2020-12-15 | 易普森智慧健康科技(深圳)有限公司 | 一种液基细胞玻片扫描区域识别方法 |
CN111724379B (zh) * | 2020-06-24 | 2024-05-24 | 武汉互创联合科技有限公司 | 基于组合视图的显微图像细胞计数与姿态识别方法及系统 |
CN113989626B (zh) * | 2021-12-27 | 2022-04-05 | 北京文安智能技术股份有限公司 | 一种基于目标检测模型的多类别垃圾场景区分方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875394A (zh) * | 2016-12-22 | 2017-06-20 | 浙江工业大学 | 适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法 |
CN107292868A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种视盘定位方法及装置 |
-
2017
- 2017-11-01 CN CN201711057628.5A patent/CN108090928B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875394A (zh) * | 2016-12-22 | 2017-06-20 | 浙江工业大学 | 适用于无帧间参考信息的相差显微镜细胞主要信息粘连情况的分离与分组方法 |
CN107292868A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种视盘定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
"相差显微图像下的癌细胞状态检测";张剑华等;《计算机科学》;20160515;第43卷(第5期);第3.2.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108090928A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090928B (zh) | 一种检测与筛选类圆形细胞区域的方法及系统 | |
US11669971B2 (en) | Colony contrast gathering | |
Schönenberger et al. | Discrimination of cell cycle phases in PCNA-immunolabeled cells | |
US8073233B2 (en) | Image processor, microscope system, and area specifying program | |
CN110543837A (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN105488809A (zh) | 基于rgbd描述符的室内场景语义分割方法 | |
CN104050684B (zh) | 一种基于在线训练的视频运动目标分类方法与系统 | |
CN108090485A (zh) | 基于多视角融合的图像前景自动提取方法 | |
CN107330365A (zh) | 基于最大稳定极值区域和svm的交通标志识别方法 | |
CN113673541B (zh) | 一种用于目标检测的图像样本生成方法及应用 | |
CN107886066A (zh) | 一种基于改进hog‑sslbp的行人检测方法 | |
CN107527054A (zh) | 基于多视角融合的前景自动提取方法 | |
CN108647703B (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
Khamael et al. | Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images | |
Christen et al. | Target marker: A visual marker for long distances and detection in realtime on mobile devices | |
CN107194319A (zh) | 基于支持向量机排序的有丝分裂定位和识别的方法 | |
El-Labban et al. | Discriminative semi-markov models for automated mitotic phase labelling | |
CN107977955B (zh) | 一种基于层级结构信息确定细胞粘连情况的方法及系统 | |
CN108090891B (zh) | 一种检测遗漏细胞区域与新增细胞区域的方法及系统 | |
CN109493371A (zh) | 一种基于视觉的四旋翼无人机行人跟踪方法 | |
CN107977978B (zh) | 一种基于椭圆轴关系确定细胞粘连方式的方法及系统 | |
CN108122235B (zh) | 一种基于层级结构信息构建细胞分割区域的方法及系统 | |
Rui et al. | Real-time 3D object detection in unstructured environments | |
Goyal et al. | Moving Object Detection in Video Streaming Using Improved DNN Algorithm | |
CN107958459B (zh) | 一种构建相差显微镜细胞图像层级结构信息的方法及系统 |
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 |