CN108171683B - 一种采用软件自动识别的细胞计数方法 - Google Patents
一种采用软件自动识别的细胞计数方法 Download PDFInfo
- Publication number
- CN108171683B CN108171683B CN201711314308.3A CN201711314308A CN108171683B CN 108171683 B CN108171683 B CN 108171683B CN 201711314308 A CN201711314308 A CN 201711314308A CN 108171683 B CN108171683 B CN 108171683B
- Authority
- CN
- China
- Prior art keywords
- centroids
- centroid
- image
- comparison
- steps
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000002474 experimental method 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/73—
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明涉及细胞技术领域,尤其涉及一种采用软件自动识别的细胞计数方法,它包括以下步骤:通过采集图像;图像增强;均值偏移分割,然后进行漫水填充;进行并查集算法进行统计;进行graph‑based算法进行处理;进行初步筛选;得到支持向量机模型;通过支持向量机模型进行训练;进行二次筛选;最后得到图像中细胞的数量。这种计数方法计数准确性较高且计数方便。
Description
技术领域
本发明涉及细胞技术领域,尤其涉及一种采用软件自动识别的细胞计数方法。
背景技术
显微镜拍摄出来的图像中包括大量的细胞,现有技术对这种图像中的细胞进行计数有两种形式,一种是通过人工计数的,但是因为细胞数量较多,而且分布不均匀,所以计数麻烦,比较耗费人力;还有一种是通过计算机进行分析,但是因为图像中细胞多而且复杂,所以计算准确性较低。
发明内容
本发明所要解决的技术问题是:提供一种计数准确性较高且计数方便的采用软件自动识别的细胞计数方法。
本发明所采用的技术方案是:一种采用软件自动识别的细胞计数方法,它包括以下步骤:
S1、采集图像;
S2、对采集到的图像进行图像增强;
S3、将增强后的图像进行均值偏移分割,然后进行漫水填充;
S4、将填充后的图像使用并查集算法进行统计,得到每个连通块的坐标,然后筛选出内部像素点数量大于X的连通块,将筛选出来的连通块的坐标映射到步骤S2中增强后的图像上;
S5、将映射完后的图像进行graph-based算法进行处理,并再次用并查集算法进行统计得到每个连通块的坐标;
S6、计算每个连通块的自身尺寸,然后根据细胞的实际大小进行初步筛选;
S7、对初步筛选完的图像中每一个连通块求Hu不变矩7个特征,然后组成n*7向量作为数据,进行k-means聚类,然后得到支持向量机模型;
S8、将步骤S6初步筛选完后得到的图像通过步骤S7得到的支持向量机模型进行训练;
S9、将步骤S8得到的图像剔除干扰颜色区域,然后再进行二次筛选;
S10、求出二次筛选后图像中剩余的连通块数量,然后即得到图像中细胞的数量。
步骤S2图像增强主要采用平滑加拉普拉斯算子方法与直方图均衡化方法。
步骤S6主要包括以下步骤:
S61、去除连通块中尺寸较大或者较小的连通块;
S62、去除连通块周长与尺寸比例不符合预设条件的连通块。
步骤S6还包括以下步骤:
S63、去除连通块尺寸与外接矩形框比例不符合预设条件的连通块;
S64、去除连通块外接矩形框长和宽比例不符合预设条件的连通块。
步骤S9中的二次筛选是指去除连通块周长与尺寸比例不符合预设条件的区域。
步骤S10具体包括以下步骤:
S101、求出二次筛选后图像中剩余的连通块的质心;
S102、计算质心之间的相互距离,然后去除质心距离小于Y的两个质心的其中一个;
S103、计算剩余质心的数量,即得到图像中细胞的数量。
步骤S102具体包括以下步骤:
S1021、将所有质心设置成一个质心合集,然后选择其中一个质心作为基础质心,然后将其余质心均作为比对质心;
S1022、选择其中一个比对质心,然后计算基础质心与选择的比对质心之间的距离;
S1023、若计算出来的质心距离小于Y,则将这个比对质心从质心合集中删除,然后继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;若计算出来的质心距离大于Y,则继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;
S1024、从质心合集中再选择一个质心作为基础质心,将质心合集内的其余质心均作为比对质心,然后重步骤S1022到步骤S1023,直到质心合集内剩余的质心均已经做过基础质心了。
采用以上方法与现有技术相比,本发明具有以下优点:通过本方法可以较好的除去一些干扰区域,这样之后计算出来的细胞数量准确性较高。
采用平滑加拉普拉斯算子方法与直方图均衡化方法来增强图像,可以增强细胞纹理,便于区分细胞和背景,也强化了细胞边缘,便于计数。采用均值偏移分割能较好的分割图像,采用漫水填充能较好的显示分割后的结果。
而且因为graph-based算法进行处理是会有一定的不准确性,所以需要根基实际细胞尺寸进行初步筛选,然后再经过二次筛选,最后再根据质心距离进行三次筛选,这样就能使得计算得到的准确性更高。
附图说明
图1为步骤S1采集到的原图。
图2为步骤S2经过图像增强后的图。
图3为步骤S3均值偏移分割,然后进行漫水填充后的图。图4为步骤S4映射后的图。
图5为步骤S5经过graph-based算法进行处理后的图。
图6为步骤S6初步筛选后的图。
图7为步骤S8经过支持向量机训练后的图。
图8为步骤S9二次筛选后的图。
具体实施方式
以下结合附图与具体实施方式对本发明做进一步描述,但是本发明不仅限于以下具体实施方式。
每个附图中的前两幅图为具体实施例一,后两幅为具体实施例二;本申请主要计数的是海拉细胞,两个具体实施例都是用于计数海拉细胞。
一种采用软件自动识别的细胞计数方法,它包括以下步骤:
S1、采集图像;主要是通过显微镜拍摄细胞图像;
S2、对采集到的图像进行图像增强,图像增强主要采用平滑加拉普拉斯算子方法与直方图均衡化方法;且平滑加拉普拉斯算子方法与直方图均衡化方法两种方法最好处理两次,此时效果最好,如果处理三次或者三次已经时可能效果反而不好;
S3、将增强后的图像进行均值偏移分割,然后进行漫水填充;这俩种方法一般放在一起用,前者用于分割图像;后者则显示分割后的结果;经过实验,这俩部分用时较长,可以先下采样,再上采样,对于结果并不有什么影响;
S4、将填充后的图像使用并查集算法进行统计,得到每个连通块的坐标,然后筛选出内部像素点数量大于X的连通块,将筛选出来的连通块的坐标映射到步骤S2中增强后的图像上;主要是为了去除面积较大的连通块,这些面积较大的连通块都是细胞之间的间隙部分;具体实施例一中X设置为300,具体实施例二X也设置成300;
S5、将映射完后的图像进行graph-based算法进行处理,并再次用并查集算法进行统计得到每个连通块的坐标;
其中graph-based算法步骤具体包括:
Step 1:计算每一个像素点与其8邻域或4邻域的不相似度;
Step 2:将边按照不相似度non-decreasing排列(从小到大)排序得到e1e2......en;
Step 3:选择e1;
Step 4:对当前选择的en边进行合并判断,设其所连接的顶点为(vi,vj),如果满足合并条件,则执行Step 5;否则执行Step 6;
其中合并条件是:
(1)vi,vj不属于同一个区域Id(vi)≠Id(vj);
(2)不相似度不大于二者内部的不相似度;
Step 5:更新阈值以及类标号;
Step 6:判断是否所有的边都选择完毕,若否则按照排好的顺序继续选择下一条边转到Step 4,若是,则结束。
graph-based算法会出现一定的误差,即可能将一个细胞分成了两个块,或者将一个细胞处理成形状不同的几块,这样就需要之后步骤中根据实际细胞尺寸来进行筛选了,而且也需要根据步骤S10中根据质心距离来筛选,进而将这种出现误差引起的数量错误去掉。
S6、计算每个连通块的自身尺寸,然后根据细胞的实际大小进行初步筛选;
S61、去除连通块中尺寸较大或者较小的连通块;具体实施例一中除去连通块中像素数量大于2000或者像素数量小于200的连通块,具体实施例二中除去连通块中像素数量大于1550或者像素数量小于400的连通块;
S62、去除连通块周长与尺寸比例不符合预设条件的连通块;具体实施例一与具体实施例二均是除去连通块周长大于0.9乘以连通块面积的连通块,其中周长就是指连通块周边的像素点之和,面积是指连通块内所有的像素点之和;
S63、去除连通块尺寸与外接矩形框比例不符合预设条件的连通块;具体实施例一除去连通块外接矩形框面积大于8乘以连通块面积的连通块,具体实施例二中出去连通块外接矩形框面积大于12乘以连通块面积的连通块;
S64、去除连通块外接矩形框长和宽比例不符合预设条件的连通块。具体实施例一中除去外界矩形框长宽之比大于7的连通块,具体实施例二中除去外接矩形框的长宽之比大于10的连通块;
S7、对初步筛选完的图像中每一个连通块求Hu不变矩7个特征,然后组成n*7向量作为数据,进行k-means聚类,然后得到支持向量机模型;
hu不变矩会提现出特征,要根据这种特征删除区域,为了方便,把这些特征进行聚类,在根据类别进行删除,而且每张图片单独聚类的结果都是不一样的,为了能够让这种删除方式更好的适应更多的图片,所以采用了支持向量机模型来进行训练,使得得到的结果更加准确;
K-means聚类:
算法过程如下:
1)将7个不变距看成是一个文档,将上万个文档随机选取K个文档作为质心
2)对剩余的每个文档测量其到每个质心的距离,并把它归到最近的质心的类
3)重新计算已经得到的各个类的质心
4)迭代2~3步直至新的质心与原质心相等或小于指定阈值,算法结束;
求不变矩7个特征:
使用cvGetHuMoments求得h1,h2,h3,h4,h5,h6,h7,这些值被证明为对图像缩放、旋转和反射的不变量。对反射,第7个除外,因为它的符号会因为反射而改变,本算法把7特征都放入支持向量机来进行分类;
支持向量机方法是通过一个非线性映射p,把样本空间映射到一个高维乃至无穷维的特征空间中,使得原来的超像素特征变得可分,由此得到几种不同颜色的超像素聚合块,便于区分,且支持向量机模型主要是由多张同一类型的图片训练而成;
S8、将步骤S6初步筛选完后得到的图像通过步骤S7得到的支持向量机模型进行训练;
S9、将步骤S8得到的图像剔除干扰颜色区域,然后再进行二次筛选;具体实施例一主要剔除的干扰颜色区域是RGB(0,0,0)黑色、RGB(255,0,0)红、RGB(0,139,139)深青色、RGB(0,0,128)海军蓝这四种颜色的连通块;具体实施例二主要剔除的干扰颜色区域RGB(0,139,139)深青色、RGB(0,255,127)春天绿、RGB(0,255,255)水绿、RGB(0,0,128)海军蓝这四种颜色的连通块。因为附图中不能出现其他颜色,所以除去的连通块只是看起来灰度不同。
还有二次筛选是指去除连通块周长与尺寸比例不符合预设条件的区域。其中具体实施例一
与具体
实施例二均是除去连通块周长大于0.6乘以连通块面积的连通块。
S10、求出二次筛选后图像中剩余的连通块数量,然后即得到图像中细胞的数量。
步骤S10具体包括以下步骤:
S101、求出二次筛选后图像中剩余的连通块的质心;
S102、计算质心之间的相互距离,然后去除质心距离小于Y的两个质心的其中一个;具体实施例一中设定Y为900,具体实施例二设定Y为700;
S103、计算剩余质心的数量,即得到图像中细胞的数量。
步骤102具体包括以下步骤:
S1021、将所有质心设置成一个质心合集,然后选择其中一个质心作为基础质心,然后将其余质心均作为比对质心;
S1022、选择其中一个比对质心,然后计算基础质心与选择的比对质心之间的距离;
S1023、若计算出来的质心距离小于Y,则将这个比对质心从质心合集中删除,然后继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;若计算出来的质心距离大于Y,则继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;
S1024、从质心合集中再选择一个质心作为基础质心,将质心合集内的其余质心均作为比对质心,然后重步骤S1022到步骤S1023,直到质心合集内剩余的质心均已经做过基础质心了。
Claims (7)
1.一种采用软件自动识别的细胞计数方法,其特征在于,它包括以下步骤:
S1、采集图像;
S2、对采集到的图像进行图像增强;
S3、将增强后的图像进行均值偏移分割,然后进行漫水填充;
S4、将填充后的图像使用并查集算法进行统计,得到每个连通块的坐标,然后筛选出内部像素点数量大于X的连通块,将筛选出来的连通块的坐标映射到步骤S2中增强后的图像上;
S5、将映射完后的图像进行graph-based算法进行处理,并再次用并查集算法进行统计得到每个连通块的坐标;
S6、计算每个连通块的自身尺寸,然后根据细胞的实际大小进行初步筛选;
S7、对初步筛选完的图像中每一个连通块求Hu不变矩7个特征,然后组成n*7向量作为数据,进行k-means聚类,然后得到支持向量机模型;
S8、将步骤S6初步筛选完后得到的图像通过步骤S7得到的支持向量机模型进行训练;
S9、将步骤S8得到的图像剔除干扰颜色区域,然后再进行二次筛选;
S10、求出二次筛选后图像中剩余的连通块数量,然后即得到图像中细胞的数量。
2.根据权利要求1所述的一种采用软件自动识别的细胞计数方法,其特征在于:步骤S2图像增强主要采用平滑加拉普拉斯算子方法与直方图均衡化方法。
3.根据权利要求1所述的一种采用软件自动识别的细胞计数方法,其特征在于,步骤S6主要包括以下步骤:
S61、去除连通块中尺寸较大或者较小的连通块;
S62、去除连通块周长与尺寸比例不符合预设条件的连通块。
4.根据权利要求3所述的一种采用软件自动识别的细胞计数方法,其特征在于,步骤S6还包括以下步骤:
S63、去除连通块尺寸与外接矩形框比例不符合预设条件的连通块;S64、去除连通块外接矩形框长和宽比例不符合预设条件的连通块。
5.根据权利要求1所述的一种采用软件自动识别的细胞计数方法,其特征在于:步骤S9中的二次筛选是指去除连通块周长与尺寸比例不符合预设条件的区域。
6.根据权利要求1所述的一种采用软件自动识别的细胞计数方法,其特征在于,步骤S10具体包括以下步骤:
S101、求出二次筛选后图像中剩余的连通块的质心;
S102、计算质心之间的相互距离,然后去除质心距离小于Y的两个质心的其中一个;
S103、计算剩余质心的数量,即得到图像中细胞的数量。
7.根据权利要求6所述的一种采用软件自动识别的细胞计数方法,其特征在于,步骤S102具体包括以下步骤:
S1021、将所有质心设置成一个质心合集,然后选择其中一个质心作为基础质心,然后将其余质心均作为比对质心;
S1022、选择其中一个比对质心,然后计算基础质心与选择的比对质心之间的距离;
S1023、若计算出来的质心距离小于Y,则将这个比对质心从质心合集中删除,然后继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;若计算出来的质心距离大于Y,则继续选择其他比对质心,重复步骤S1023,直到所有的比对质心均已经选择完毕,则跳转到下一步;
S1024、从质心合集中再选择一个质心作为基础质心,将质心合集内的其余质心均作为比对质心,然后重步骤S1022到步骤S1023,直到质心合集内剩余的质心均已经做过基础质心了。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711314308.3A CN108171683B (zh) | 2017-12-12 | 2017-12-12 | 一种采用软件自动识别的细胞计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711314308.3A CN108171683B (zh) | 2017-12-12 | 2017-12-12 | 一种采用软件自动识别的细胞计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171683A CN108171683A (zh) | 2018-06-15 |
CN108171683B true CN108171683B (zh) | 2021-12-14 |
Family
ID=62525001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711314308.3A Active CN108171683B (zh) | 2017-12-12 | 2017-12-12 | 一种采用软件自动识别的细胞计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171683B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161230A (zh) * | 2019-12-23 | 2020-05-15 | 深圳市铁汉生态环境股份有限公司 | 一种基于红外热成像的害虫计数方法 |
CN111795967B (zh) * | 2020-05-25 | 2023-07-21 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的涂片自检方法 |
CN112184696B (zh) * | 2020-10-14 | 2023-12-29 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106600577A (zh) * | 2016-11-10 | 2017-04-26 | 华南理工大学 | 一种基于深度反卷积神经网络的细胞计数方法 |
US9738937B1 (en) * | 2017-03-31 | 2017-08-22 | Cellmax, Ltd. | Identifying candidate cells using image analysis |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091948A1 (en) * | 2015-09-30 | 2017-03-30 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for automated analysis of cell images |
-
2017
- 2017-12-12 CN CN201711314308.3A patent/CN108171683B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106600577A (zh) * | 2016-11-10 | 2017-04-26 | 华南理工大学 | 一种基于深度反卷积神经网络的细胞计数方法 |
US9738937B1 (en) * | 2017-03-31 | 2017-08-22 | Cellmax, Ltd. | Identifying candidate cells using image analysis |
Non-Patent Citations (2)
Title |
---|
Automatic Ki-67 Counting Using Robust Cell Detection and Online Dictionary Learning;Fuyong Xing et al;《IEEE Transactions on Biomedical Engineering》;20140331;第61卷(第3期);859-870页 * |
基于形态学的显微细胞图像处理与应用;杨小青等;《计算机系统应用》;20160315;第25卷(第3期);220-224页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171683A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8452109B2 (en) | Image segregation system with method for handling textures | |
EP2435956B1 (en) | Multi-resolution analysis in an image segregation | |
EP2171645B1 (en) | System and method for identifying complex tokens in an image | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
US11586863B2 (en) | Image classification method and device | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN108171683B (zh) | 一种采用软件自动识别的细胞计数方法 | |
AU2018267620A1 (en) | Method and system for unsupervised image segmentation using a trained quality metric | |
US20170039683A1 (en) | Image processing apparatus, image processing method, image processing system, and non-transitory computer readable medium | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
EP2263191A1 (en) | System and method for identifying complex tokens in an image | |
KR101150901B1 (ko) | 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及系统 | |
CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN110084820A (zh) | 基于改进fcm算法的紫色土图像自适应分割提取方法 | |
Saputra et al. | Integration GLCM and geometric feature extraction of region of interest for classifying tuna | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
US7826668B1 (en) | Adaptive region editing tool | |
Zhao et al. | An automatic counting method of maize ear grain based on image processing | |
EP3989161A1 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
Huang et al. | Image segmentation using edge detection and region distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |