CN108133481A - 一种针对荧光免疫层析试条成像系统的图像处理算法 - Google Patents
一种针对荧光免疫层析试条成像系统的图像处理算法 Download PDFInfo
- Publication number
- CN108133481A CN108133481A CN201711407587.8A CN201711407587A CN108133481A CN 108133481 A CN108133481 A CN 108133481A CN 201711407587 A CN201711407587 A CN 201711407587A CN 108133481 A CN108133481 A CN 108133481A
- Authority
- CN
- China
- Prior art keywords
- image
- fluorescence
- lines
- value
- pixel
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开一种针对荧光免疫层析试条成像系统的图像处理算法,涉及数字图像处理领域。该方法首先获取荧光免疫层析试条图像;根据荧光图像特性,提取荧光试条图像的红色分量图像进行处理;接着使用中值滤波法对红色分量图像进行去噪;由于荧光图像位置的相对固定性质,使用二维最大熵分割算法分别对去噪声后的图像的T线和C线区域进行分割,分割出T线和C线;荧光区域定位法主要消除荧光区域毛刺和背景较大噪声的干扰;采用周围元素法进行背景滤除;最后,计算荧光图像T线和C线的灰度值,得到的T/C值作为特征值来确定荧光免疫试条的浓度。
Description
技术领域
本发明涉及数字图像处理算法,更具体地说,它涉及一种针对荧光免疫层析试条成像系统的图像处理算法。
背景技术
本发明是一种针对荧光免疫层析试条成像系统的图像处理算法。它的背景是荧光标记物受激发会产生特定波长的荧光。荧光免疫层析试条可以使荧光标记物和待测样本结合,根据荧光标记物发出的荧光的强弱,定量检测出待测物的浓度。将荧光层析试条其T线和C线的灰度值比值作为特征值可以反应荧光的强弱以此定量检测待测物的浓度。
荧光免疫层析试条成像系统可以获取荧光免疫层析试条的图像。为了得到荧光试条的特征值,需要一套去除噪声,自动识别出荧光免疫层析试条图像中的荧光区域,计算荧光区域强度的图像处理算法。
发明内容
本发明所要解决的问题是:根据荧光免疫层析试条成像系统所得到的荧光免疫层析纸条图像的特性,提供一种图像处理算法,去除图像噪声,精确分割出荧光图像中T线和C线并计算特征值。
本发明是通过以下技术方案实现的:
一种针对荧光免疫层析试条成像系统的图像处理算法,包括以下步骤:
(1)获取待处理的荧光免疫层析试条图像,将荧光免疫层析试条的T线和C线区域置于图像列中线的两侧;
(2)提取荧光免疫层析试条图像的红色分量图像进行处理;
(3)采用中值滤波法对荧光图像的红色分量图像进行去噪;
(4)对去噪声后的荧光图像的T线和C线区域分别进行二维最大熵分割,分割出T线和C线;
(5)采用荧光区域定位法消除分割后图像荧光区域的毛刺和背景较大噪声的干扰;
(6)采用周围元素法对荧光区域定位后图像进行背景滤除;
(7)计算背景滤除后荧光免疫层析试条图像的T线和C线灰度值,得到的T/C值作为特征值来确定荧光免疫层析试条的浓度。
优选地,所述步骤(3)进一步包括如下步骤:
(31)遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素;
(32)对于每个像素,将其灰度值与3×3邻域的像素灰度值进行从小到大排序,将排序后的中值代替这个像素的灰度值。
优选地,所述步骤(4)进一步包括如下步骤:
(41)遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素;
(42)对于每个像素,计算其灰度值与3×3邻域的像素灰度值的平均值;
(43)计算去噪声后荧光图像的二维直方图,灰度荧光图像的二维直方图大小为256×256,二维直方图的第i行第j列储存的是灰度值为i并且3×3邻域内像素灰度平均值为j像素点的个数与遍历像素总数的比值,二维直方图的第i行第j列元素记为pij;
(44)对于每个阈值(s,t)(0≤s≤255,0≤t≤255),其中s表示像素灰度阈值,t表示像素3×3邻域灰度平均值的阈值,计算背景和前景的二维信息熵H(A)和H(B):
其中:
其中,L表示图像拥有灰度级,L一般等于255。Pst表示二维直方图中所有小于阈值(s,t)像素的个数占总图像像素个数的负概率。
熵的判别函数ψ(s,t)的定义为ψ(s,t)=H(A)+H(B),最优化使得ψ(s,t)最大即可得到最佳阈值(s*,t*)。
(45)将荧光图像中所有灰度值大于s*并且3×3邻域内像素灰度平均值大于t*的像素点灰度值值设置为255,其余像素灰度值设置为0,即可得到荧光区域为白色,背景区域为黑色的二值分割图像。
优选地,所述步骤(5)进一步包括如下步骤:
(51)针对得到分割后的二值图像,统计图像每一列白色像素点数;
(52)由于荧光图像T线和C线呈窄带形状特征,如果图像某列的白色像素点数低于一定阈值,该列所有像素点全部归于背景置0,消除噪声和毛刺的影响。
优选地,所述步骤(6)进一步包括如下步骤:
(61)对于经过荧光区域定位的二值荧光图像,得到荧光区域的最小外接矩形;
(62)将此外接矩形向四周扩大一定像素大小的范围;
(63)计算此原荧光试条图像矩形位置非荧光区域的灰度值平均值m;
(64)将原荧光试条图像中荧光区域的每个像素减去m以完成背景滤除。
本发明的有益效果在于:
该算法根据荧光图像特性,可以消除荧光图像噪声与背景,并有效地进一步分割图像,精确地提取出荧光区域的轮廓,根据提取的荧光区域,计算T/C的值。其中提取荧光图像红色分量进行分析可以去除杂散光的干扰,采用的二维最大熵分割算法适用于荧光图像的分割,并考虑到像素邻域的信息,可以得到更为准确的分割图像。荧光区域定位法消除分割后图像荧光区域的毛刺和背景较大噪声的干扰。由于荧光区域周围的背景对荧光区域亮度影响最大,使用周围元素法进行背景滤除可以使得结果更加精确。
附图说明
图1为本发明一种针对荧光免疫层析试条成像系统的图像处理算法流程图。
图2为本发明荧光免疫层析成像系统获取的荧光免疫层析试条图像。
图3为本发明荧光免疫层析试条图像的红色分量图像。
图4为本发明荧光免疫层析试条图像红色分量图像去噪后的图像。
图5为本发明荧光免疫层析试条图像的分割后的图像。
具体实施方式
为更好理解本发明,下面结合实施例及附图对本发明作进一步描述,以下实施例仅是对本发明进行说明而非对其加以限定。
参见图1,一种针对荧光免疫层析试条成像系统的图像处理算法,具体步骤如下:
(1)获取待处理的荧光免疫层析试条图像,将荧光免疫试条的T线和C线区域置于图像列中线的两侧,使得荧光试条图像的左边包含T线区域,右侧包含C线区域。这样方便对荧光图像T线和C线区域分别进行分割处理。获取待处理的荧光免疫层析试条图像如图2所示。
(2)由于荧光免疫层析试条荧光区域受激发产生的激发光为红色波段光波,荧光免疫层析试条图像的绿色和蓝色分量图像包含的大部分为噪声。所以提取荧光免疫层析试条图像的红色分量图像进行处理。获取的荧光免疫试条图像的红色分量图像如图3所示。
(3)采用中值滤波法对荧光图像的红色分量图像进行去噪:遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素。对于每个像素,将其灰度值与3×3邻域的像素灰度值进行从小到大排序,将排序后的中值代替这个像素的灰度值。经过去噪处理的荧光图像如图4所示。
(4)对去噪声后的荧光图像的T线和C线区域分别进行二维最大熵分割,分割出T线和C线。遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素。对于每个像素,计算其灰度值与3×3邻域的像素灰度值的平均值。计算去噪声后荧光图像的二维直方图,灰度荧光图像的二维直方图大小为256×256,二维直方图的第i行第j列储存的是灰度值为i并且3×3邻域内像素灰度平均值为j像素点的个数与遍历像素总数的比值,二维直方图的第i行第j列元素记为pij。对于每个阈值(s,t)(0≤s≤255,0≤t≤255),其中s表示像素灰度阈值,t表示像素3×3邻域灰度平均值的阈值,计算背景和前景的二维信息熵H(A)和H(B):
其中:
其中,L表示图像拥有灰度级,L一般等于255。Pst表示二维直方图中所有小于阈值(s,t)像素的个数占总图像像素个数的负概率。
熵的判别函数ψ(s,t)的定义为ψ(s,t)=H(A)+H(B),最优化使得ψ(s,t)最大即可得到最佳阈值(s*,t*)。将荧光图像中所有灰度值大于s*并且3×3邻域内像素灰度平均值大于t*的像素点灰度值设置为255,其余像素灰度值设置为0。即可得到荧光区域为白色,背景区域为黑色的二值分割图像。
(5)采用荧光区域定位法消除分割后图像荧光区域的毛刺和背景较大噪声的干扰:针对得到分割后的二值图像,统计图像每一列白色像素点数。由于荧光图像T线和C线呈窄带形状特征。如果图像某列的白色像素点数低于一定阈值,该列所有像素点全部归于背景置0,消除噪声和毛刺的影响。经过荧光区域定位法后的荧光试条图像如图5所示。
(6)采用周围元素法对荧光区域定位后图像进行背景滤除:对于经过荧光区域定位的二值荧光图像,得到荧光区域的最小外接矩形。将此外接矩形向四周扩大一定像素大小的范围。计算此原荧光试条图像矩形位置非荧光区域的灰度值平均值m。将原荧光试条图像中荧光区域的每个像素减去m以完成背景滤除。
(7)计算背景滤除后荧光免疫层析试条图像的T线和C线灰度值,得到的T/C值作为特征值来确定荧光免疫层析试条的浓度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或者等效流程变换,或直接或间接运用在其他区相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种针对荧光免疫层析试条成像系统的图像处理算法,其特征在于,包括以下步骤:
(1)获取待处理的荧光免疫层析试条图像,将荧光免疫层析试条的T线和C线区域置于图像列中线的两侧;
(2)提取荧光免疫层析试条图像的红色分量图像进行处理;
(3)采用中值滤波法对荧光图像的红色分量图像进行去噪;
(4)对去噪声后的荧光图像的T线和C线区域分别进行二维最大熵分割,分割出T线和C线;
(5)采用荧光区域定位法消除分割后图像荧光区域的毛刺和背景较大噪声的干扰;
(6)采用周围元素法对荧光区域定位后图像进行背景滤除;
(7)计算背景滤除后荧光免疫层析试条图像的T线和C线灰度值,得到的T/C值作为特征值来确定荧光免疫层析试条的浓度。
2.根据权利要求1所述的一种针对荧光免疫层析试条成像系统的图像处理算法,其特征在于,所述步骤(3)进一步包括如下步骤:
(31)遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素;
(32)对于每个像素,将其灰度值与3×3邻域的像素灰度值进行从小到大排序,将排序后的中值代替这个像素的灰度值。
3.根据权利要求1所述的一种针对荧光免疫层析试条成像系统的图像处理算法,其特征在于,所述步骤(4)进一步包括如下步骤:
(41)遍历图像第二行到倒数第二行,第二列到倒数第二列的所有像素;
(42)对于每个像素,计算其灰度值与3×3邻域的像素灰度值的平均值;
(43)计算去噪声后荧光图像的二维直方图,灰度荧光图像的二维直方图大小为256×256,二维直方图的第i行第j列储存的是灰度值为i并且3×3邻域内像素灰度平均值为j像素点的个数与遍历像素总数的比值,二维直方图的第i行第j列元素记为pij;
(44)对于每个阈值(s,t)(0≤s≤255,0≤t≤255),其中s表示像素灰度阈值,t表示像素3×3邻域灰度平均值的阈值,计算背景和前景的二维信息熵H(A)和H(B):
其中:
其中,L表示图像拥有灰度级,L一般等于255;Pst表示二维直方图中所有小于阈值(s,t)像素的个数占总图像像素个数的负概率;
熵的判别函数ψ(s,t)的定义为ψ(s,t)=H(A)+H(B),最优化使得ψ(s,t)最大即可得到最佳阈值(s*,t*);
(45)将荧光图像中所有灰度值大于最佳阈值s*并且3×3邻域内像素灰度平均值大于最佳阈值t*的像素点灰度值值设置为255,其余像素灰度值设置为0,即可得到荧光区域为白色,背景区域为黑色的二值分割图像。
4.根据权利要求1所述的一种针对荧光免疫层析试条成像系统的图像处理算法,其特征在于,所述步骤(5)进一步包括如下步骤:
(51)针对得到分割后的二值图像,统计图像每一列白色像素点数;
(52)由于荧光图像T线和C线呈窄带形状特征,如果图像某列的白色像素点数低于一定阈值,该列所有像素点全部归于背景置0,消除噪声和毛刺的影响。
5.根据权利要求1所述的一种针对荧光免疫层析试条成像系统的图像处理算法,其特征在于,所述步骤(6)进一步包括如下步骤:
(61)对于经过荧光区域定位的二值荧光图像,得到荧光区域的最小外接矩形;
(62)将此外接矩形向四周扩大一定像素大小的范围;
(63)计算此原荧光试条图像矩形位置非荧光区域的灰度值平均值m;
(64)将原荧光试条图像中荧光区域的每个像素减去m以完成背景滤除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407587.8A CN108133481A (zh) | 2017-12-22 | 2017-12-22 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711407587.8A CN108133481A (zh) | 2017-12-22 | 2017-12-22 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108133481A true CN108133481A (zh) | 2018-06-08 |
Family
ID=62391597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711407587.8A Pending CN108133481A (zh) | 2017-12-22 | 2017-12-22 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133481A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN111879744A (zh) * | 2020-08-06 | 2020-11-03 | 深圳市锦瑞生物科技有限公司 | 一种检测待测物浓度的方法、荧光免疫分析仪及存储介质 |
CN112053299A (zh) * | 2020-08-27 | 2020-12-08 | 杭州安旭生物科技股份有限公司 | 一种基于胶体金免疫层析法的图像处理方法 |
CN113281310A (zh) * | 2021-04-06 | 2021-08-20 | 安徽工程大学 | 一种光学介质材料的透光率和均匀度检测方法 |
CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
CN113435444A (zh) * | 2021-06-29 | 2021-09-24 | 华中科技大学 | 免疫层析检测方法、装置、存储介质及计算机设备 |
CN113450279A (zh) * | 2021-07-01 | 2021-09-28 | 维柯基科技(上海)有限公司 | 一种多孔荧光微阵列图像的荧光强度检测方法、装置、计算机设备及计算机可读存储介质 |
CN113610823A (zh) * | 2021-08-13 | 2021-11-05 | 南京诺源医疗器械有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114486841A (zh) * | 2022-04-07 | 2022-05-13 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN115035255A (zh) * | 2022-08-09 | 2022-09-09 | 南京诺源医疗器械有限公司 | 一种高分辨率荧光三维成像装置的数据处理方法 |
CN115980333A (zh) * | 2023-03-22 | 2023-04-18 | 湖南伊鸿健康科技有限公司 | 一种荧光免疫检测方法及光学系统 |
CN116433671A (zh) * | 2023-06-14 | 2023-07-14 | 广州万孚健康科技有限公司 | 一种基于图像识别的胶体金检测方法、系统和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN107255712A (zh) * | 2017-05-03 | 2017-10-17 | 上海交通大学 | 一种基于智能手机的免疫层析芯片定量分析系统 |
-
2017
- 2017-12-22 CN CN201711407587.8A patent/CN108133481A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN107255712A (zh) * | 2017-05-03 | 2017-10-17 | 上海交通大学 | 一种基于智能手机的免疫层析芯片定量分析系统 |
Non-Patent Citations (2)
Title |
---|
AHMED S. ABLJTALEB: "Automatic thresholding of gray-level pictures using two-dimensional entropy", 《COMPUTER VISION GRAPHICS AND IMAGE PROCESSING》 * |
徐笑晗 等: "荧光免疫层析试条成像检测系统的设计", 《中国激光》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035273B (zh) * | 2018-08-08 | 2021-08-20 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN111879744A (zh) * | 2020-08-06 | 2020-11-03 | 深圳市锦瑞生物科技有限公司 | 一种检测待测物浓度的方法、荧光免疫分析仪及存储介质 |
CN112053299B (zh) * | 2020-08-27 | 2022-07-19 | 杭州安旭生物科技股份有限公司 | 一种基于胶体金免疫层析法的图像处理方法 |
CN112053299A (zh) * | 2020-08-27 | 2020-12-08 | 杭州安旭生物科技股份有限公司 | 一种基于胶体金免疫层析法的图像处理方法 |
CN113281310A (zh) * | 2021-04-06 | 2021-08-20 | 安徽工程大学 | 一种光学介质材料的透光率和均匀度检测方法 |
CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
CN113435444A (zh) * | 2021-06-29 | 2021-09-24 | 华中科技大学 | 免疫层析检测方法、装置、存储介质及计算机设备 |
CN113450279A (zh) * | 2021-07-01 | 2021-09-28 | 维柯基科技(上海)有限公司 | 一种多孔荧光微阵列图像的荧光强度检测方法、装置、计算机设备及计算机可读存储介质 |
CN113450279B (zh) * | 2021-07-01 | 2023-03-14 | 维柯基科技(上海)有限公司 | 一种多孔荧光微阵列图像的荧光强度检测方法、装置、计算机设备及计算机可读存储介质 |
CN113610823A (zh) * | 2021-08-13 | 2021-11-05 | 南京诺源医疗器械有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113610823B (zh) * | 2021-08-13 | 2023-08-22 | 南京诺源医疗器械有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114486841B (zh) * | 2022-04-07 | 2022-06-24 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN114486841A (zh) * | 2022-04-07 | 2022-05-13 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN115035255A (zh) * | 2022-08-09 | 2022-09-09 | 南京诺源医疗器械有限公司 | 一种高分辨率荧光三维成像装置的数据处理方法 |
CN115980333A (zh) * | 2023-03-22 | 2023-04-18 | 湖南伊鸿健康科技有限公司 | 一种荧光免疫检测方法及光学系统 |
CN116433671A (zh) * | 2023-06-14 | 2023-07-14 | 广州万孚健康科技有限公司 | 一种基于图像识别的胶体金检测方法、系统和存储介质 |
CN116433671B (zh) * | 2023-06-14 | 2023-08-25 | 广州万孚健康科技有限公司 | 一种基于图像识别的胶体金检测方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133481A (zh) | 一种针对荧光免疫层析试条成像系统的图像处理算法 | |
EP3206185B1 (en) | Image processing method, image processing device and display device | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
CN114677601B (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN104540445A (zh) | 图像处理装置、图像处理方法、程序和图像处理系统 | |
CN107784634A (zh) | 一种基于模板匹配的输电线杆塔鸟巢识别方法 | |
CN113962976B (zh) | 用于病理玻片数字图像的质量评估方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN108428237B (zh) | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 | |
CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
CN109166089A (zh) | 一种对多光谱图像和全色图像进行融合的方法 | |
CN103822932B (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
CN111222564A (zh) | 基于图像通道相关性的图像鉴别系统、方法、装置 | |
CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
CN112598674B (zh) | 用于车辆的图像处理方法、装置及车辆 | |
CN117315485A (zh) | 一种基于高光谱图像的早期肿瘤组织识别系统 | |
CN116883851A (zh) | 一种基于高光谱图像比对的字画艺术品鉴定方法 | |
CN113763410B (zh) | 基于his结合光谱特征检测条件的图像阴影检测方法 | |
CN118020113A (zh) | 用于无标记多重组织化学虚拟染色的系统和方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 230088 biohan biological industrial park, northeast corner of the intersection of kongtai road and Chang'an Road, high tech Zone, Hefei, Anhui Province Applicant after: BIOHIT BIOTECHNOLOGY (HEFEI) Co.,Ltd. Address before: 230088 first to fourth floors, D9 building, Hefei Innovation Industrial Park, 800 Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant before: BIOHIT BIOTECHNOLOGY (HEFEI) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180608 |
|
WD01 | Invention patent application deemed withdrawn after publication |