CN108320799B - 一种用于侧向流纸条疾病诊断的图像分析与识别方法 - Google Patents
一种用于侧向流纸条疾病诊断的图像分析与识别方法 Download PDFInfo
- Publication number
- CN108320799B CN108320799B CN201810221369.3A CN201810221369A CN108320799B CN 108320799 B CN108320799 B CN 108320799B CN 201810221369 A CN201810221369 A CN 201810221369A CN 108320799 B CN108320799 B CN 108320799B
- Authority
- CN
- China
- Prior art keywords
- boundary
- template
- searching
- value
- image
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于侧向流纸条疾病诊断的图像分析与识别方法,该方法在得到图像的灰度图后,首先通过预处理实现图像去噪以及光度均一化。使用“十”字型模板进行最大或最小像素值点查找,基于查找到的最值像素点,使用阈值法和边缘检测法搜索检测区域的上下边界,并对上下边界的差值进行多重验证。上下边界确定后,在像素值最值点处左右两边各一定范围内,使用边缘检测法查找控制线的左右边界,并对左右边界进行宽度差值验证。基于控制线的位置,依次使用梯度法、最值法以及边缘检测法查找测试线的左右边界,并对查找结果进行多重合理性判断。该方法对需要识别的检测区域进行多次查找与判断验证,提高了分析与识别的精确度。
Description
技术领域
本发明涉及一种应用于侧向流纸条疾病诊断的图像分析和识别的方法,尤其涉及到图像处理领域的查找与识别算法。
背景技术
随着医疗保健水平的不断提高,能够实现现场快速检测的疾病诊断越来越受到广泛的关注。基于侧向流纸条的疾病检测方法,因其具有结果准确、操作简单、方便、检测时间短、检测成本低等优点,在疾病诊断、医疗保健和预防等方面一直发挥着巨大的作用。本发明提出了一种用于侧向流纸条疾病诊断的图像处理和分析的方法,实现了侧向流纸条的自动化与智能化检测。
侧向流纸条的检测结果判读,例如胶体金纸条等,是根据纸条检测区域颜色的变化来对检测结果进行判断。传统方法往往根据经验由人眼观察侧向流试纸上检测区域(如测试线、控制线)的颜色变化,再依据一定的判断规则,给出检测结果。此种方法操作时存在一定的不方便性,如不能形成电子病历,无法保存;尤其是,受操作者主观因素影响,以及检测环境(如环境光强)的干扰,对于颜色浅的弱阳性检测结果可能存在误判,而且检测结果的一致性与重复性难以保证;同时,此种依靠人眼观察的检测方法只能够实现定性检测。
相比于传统的检测方法,本发明提出的图像检测和分析方法通过采集侧向流纸条的图像信号,应用软件算法进行分析,代替人眼进行自动识别,由此得到准确可靠的检查结果。检测结果不受人为主观因素影响,检测时间短,操作简单,检测结果的重复性与一致性好。同时,方便保存检测结果,实现电子化病历管理,便于疾病诊疗的长期管控。另外,侧向流纸条的自动化图像分析有利于实现定量检测。本发明中的图像分析和识别方法虽然针对侧向流纸条疾病检测,但是对其它相关领域也有一定的借鉴意义与参考价值。
发明内容
本发明的目的在于针对传统人眼识别侧向流纸条检测方法的不足,提出了一种实现了智能检测的图像分析和识别的方法。该方法在得到图像的灰度图后,首先进行中值滤波,去除图像噪声,然后使用高斯差分金字塔对图像的光度进行均一化,此图像的预处理完成后,开始图像中检测区域的识别阶段。使用“十”字型模板进行最大像素值点或者最小像素值点(最大像素值点或者最小值像素值点的选择根据图像类型决定,荧光类图像选择最大像素值,胶体金类图像选择最小像素值,下面不再对最大像素值点和最小像素值点的选择进行说明)检索,基于检索到的最值像素点(最大值像素点或最小值像素点),使用阈值法检索检测区域的上下边界,对上下边界的差值进行高度判断,如果在正常高度范围内,则查找完成;否则,则再次使用Sobel算子边缘检测法重新查找,如果上下边界差值在检测区域正常的高度范围内,则查找完成;否则,则说明检测纸条的控制线C线信号非常微弱或几乎与背景信号一致,此时,优选经验值法来确定检测区域的上下边界。上下边界确定后,在像素值最值点处左右两边各一定范围内,使用边缘检测法查找控制线C线的左右边界,并对左右边界进行宽度差值验证,如果符合要求,则查找完成,否则,可以认为无有效控制线C线。确定有效控制线C线的边界后,对测试线T线左右边界进行查找,首先使用梯度法和最值法进行查找判断,如果没有查找到合适的左右边界,则进一步使用Sobel算子边缘检测法,如果Sobel算子边缘检测法仍没有查找到合适的左右边界,则说明测试线T线信号非常微弱或几乎与背景信号一致,此时优选经验值法确定其左右边界。该方法在检索最值像素点时,使用了“十”字型模板,降低了单个噪点的影响,为进一步查找和检索的准确度提供保证。该方法充分利用阈值法和Sobel算子边缘查找法等复合式算法,进行精确到像素的边缘查找,同时对找到的检测区域进行多次判断验证,提高了检测的精确度。
实现本发明方法的主要思路是:将获得的彩色图像灰度化后,首先对图像进行预处理,采用中值滤波去除图像噪声,使用高斯差分金字塔对图像的光度进行了均一化处理,图像的预处理阶段完成后,开始图像中检测区域的识别阶段,采用“十”字型模板进行最大或者最小像素值点的查询,此“十”字型模板的宽和长分别是图像宽和长的像素点个数的一半。基于找到的最值像素值点,采用阈值法和Sobel算子边缘检测法同时向上查找上边界,向下查找下边界;使用Sobel算子边缘检测法向左和向右查询控制线检测区域的左右边界。以检索到的第一个检测区域为基点,使用梯度法和最值法进行测试线检测区域的检索。
根据上述主要思路,本方法的具体实现包括如下步骤:
步骤1:图像预处理;
获取彩色图像,分割目标检测区域,灰度化图像,使用中值滤波对图像进行去噪处理,针对图像光度不均匀的情况使用高斯差分金字塔进行图像光度均一化处理;
步骤2:构建“十”字模板;
构建“十”字模板,模板的X轴像素个数i为检测区域X轴像素点个数的一半,Y轴的像素个数j为检测区域Y轴像素点个数的一半;
步骤3:使用“十”字模板检索图像范围内最值像素点;
使用“十”字模板在图像范围内计算每个像素点的平均灰度值,记录最值灰度值点的坐标(Xm,Ym),同时记录坐标(Xm,Ym)点的像素值M为最值像素点(Xm,Ym),最值像素点(Xm,Ym)即为进一步检索的参考坐标;
步骤4:确定检索图像的上下边界阈值;
计算图像背景的平均灰度值记为refer,确定检索上下边界的阈值为gate=|refer-M|/2.5,上下边界的阈值gate的分母能够根据需求进行调整;
步骤5:使用阈值法检索上下边界;
使用用于查找上下边界的模板b(x,y),模板的像素点数能够根据具体情况进行调整,以步骤3中检索到的最值像素点为中心点,模板b(x,y)的中心位于最值像素点(Xm,Ym),并记最值像素点(Xm,Ym)为初始位置,沿着Y轴负方向向上检索。设每个像素点的值依次为gray(b1)、gray(b2)、gray(b3)、gray(b4)、gray(b5)...gray(bi)...gray(bn),分别沿Y轴负方向逐行通过算法阈值法判断,如果阈值法公式成立,则认为寻找到上边界LowY,下边界HighY的检索方法与上边界的检索方法相同;n为X轴像素个数i的取设范围。
|gray(bi)-M|>gatei∈{1,2,3,…n}
步骤6:判断是否需要再次进行上下边界的查找;
对步骤5中取得的上下边界进行验证,如果H-A<HighY-LowY<H+A,则上下边界的检索完成,否则使用步骤7中方法进行第二次检索;H表示检测区域的高度;A的范围为5-40,A能够根据不同的图像进行调整。
步骤7:使用Sobel算子查找上下边界;
令模板b(x,y)中心位于点(Xm,Ym),并记点(Xm,Ym)为初始位置,沿着Y轴负方向向上查找。依次计算模板位置处图像各点的灰度值与Sobel横向算子Gx的卷积和的绝对值,并将各点的卷积和的绝对值求和,记作h(i),此时X轴像素个数i为模板b(x,y)中心所在Y轴方向的坐标,记录h(i)最大的位置点的纵坐标为LowY,为上边界的纵坐标,下边界HighY的检索与上边界检索相同;
步骤8:判断查找到的上下边界是否在正常的范围内;
对步骤7中取得的上下边界进行验证,如果H-A<HighY-LowY<H+A,则上下边界的查找完成,否则以点(Xm,Ym)上下各一定个数的像素设定为上下边界。同一图像所有检测区域的上下边界相同,步骤9-11中检测区域的上下边界检索具体描述与步骤2-8相同;
步骤9:查找控制线C线的左右边界;
以步骤3中寻找到的灰度值最值点(Xm,Ym)的位置分别向左向右30个像素确定为左右边界的搜索区域,令左右边界检索模板k(x,y)位于搜索区域最左侧,沿X轴正向,在区域(Xm-30,Xm)内寻找左边界。依次计算图像上k(x,y)位置处的所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并对模板上所有点的卷积和的绝对值求和,记作S(i),取S(i)值最大的位置为左边界位置,记横坐标为LowX,在搜索区域(Xm,Xm+30)搜索右边界HighX。当左右边界搜索分别完成后,判断边界的合法性,若HighX-LowX>C则认为边界位置寻找正确,否则认为搜索到的边界不正确,此时定义HighX=LowX+C,记HighX为右边界的横坐标值;C的范围是检测区域宽度±10个像素值范围内,具体数值根据不同的图像进行调整。
步骤10:检索测试线T线检测区域的左右边界;
由于测试线T线检测区域可能存在颜色较浅甚至没有颜色变化的情况,因此测试线T线左右边界的查找同时使用多种方法进行查找和判断。首先使用梯度法进行查找,方法是以检索到的控制线C线的位置为参考位置,查找模板仍采用左右边界检索模板k(x,y),确定搜索区域为控制线C线右侧一定像素的范围内,令模板位于搜索区域的最左侧处,并记此处为初始位置。在搜索区域内,沿着X轴正向寻找边界。依次计算图像上模板k(x,y)上所有点的灰度值的和,记作S(ki),其中ki代表模板k(x,y)所在X轴的位置。取算法梯度法判断公式为评价函数T,T=S(ki)-S(ki+3),然后进行判断;记T的绝对值最大值处的点的横坐标为LowT1,同时使用最值法检测左边界,方法是以检索到的控制线C线检测区域的长和宽的长方形框架为模板,在搜索区域内沿X轴正方向依次检测,计算长方形框架上的所有点的灰度值的和为评价函数sum。在搜索区域内,记sum最小值或最大值处长方形框架左上边界点的横坐标为LowT2。当|LowT1-LowT2|<=5,以LowT1为测试线T线的左边界位置LowT;当|LowT1-LowT2|>5,则LowT2左右邻域5个像素范围内再次以梯度法寻找最终的左边界位置LowT;确定以检测到的左边界右侧5个像素处(避开左边界)为初始位置,向右30个像素范围为右边界搜索区域,将模板k(x,y)位于检测区域最左侧,并记为初始位置。在区域内,沿着X轴正向寻找边界。依次计算图像上模板处所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并记作S(i),其中i为模板所在X轴位置。记S(i)最大值对应点的横坐标为HighT。如果W-B<HighT-LowT<W+B则寻找的边界位置正确;否则定义HighT为LowT加一定像素值,记为测试线T线的右边界;W表示检测区域的宽度,B的范围为3-30,根据图像不同进行调整。
步骤11:输出检索结果;
将检测区域按照检索到的上下边界和左右边界进行标识,输出检索结果。
所述步骤3中的最值像素点为最大值像素点或最小值像素点。
与现有技术相比,此方法具有以下明显的优势和有益效果:本发明提出一种用于侧向流纸条的图像分析和识别方法,实现了智能检测,确保了检测结果的准确性,解决了传统的人眼识别方法主观性、无法定量以及无法保存结果等问题,同时对其它相关领域也有一定的借鉴意义与参考价值。
附图说明
图1为本发明所涉及算法总体流程图;
图2为本发明所涉及算法“十”字型模板;
图3为本发明所涉及算法检索上下边界模板b(x,y);
图4为本发明所涉及算法Sobel横向算子Gx;
图5为本发明所涉及算法左右边界检索模板k(x,y);
图6为本发明所涉及算法Sobel纵向算子Gy;
图7为本发明所涉及算法实施例1检测图;
图8为本发明所涉及算法实施例2检测图;
具体实施方式
下面结合附图对本发明的技术方案做进一步的描述,附图1为本发明所涉及算法的总体流程图,附图2为本发明所涉及算法“十”字型模板图,附图3为本发明所涉及算法检索上下边界模板b(x,y)图,附图4为本发明所涉及算法Sobel横向算子Gx图,附图5为本发明所涉及算法左右边界检索模板k(x,y)图,附图6为本发明所涉及算法Sobel纵向算子Gy图,附图7为本发明所涉及算法实施例1检测图,附图8为本发明所涉及算法实施例2检测图。
实施例1:
步骤1:图像预处理
获取彩色图像,分割目标检测区域,灰度化图像,使用中值滤波对图像进行去噪处理,针对图像光度不均匀的情况使用高斯差分金字塔进行图像光度均一化处理;
步骤2:构建“十”字模板
构建图2所示的“十”字模板,模板的X轴像素个数i大致为检测区域X轴像素个数的一半,此处为12,Y轴的像素个数j大致为检测区域Y轴像素个数的一半,此处为29;
步骤3:使用“十”字模板检索图像范围内像素值最低点
使用“十”字模板在目标检测区域内计算每个像素点的平均像素值,记录最小像素值点的坐标(Xmin,Ymin),同时记录此点的像素值Min,此点即为进一步检索的参考坐标;
步骤4:确定检索上下边界的阈值;
计算图像背景的平均灰度值记为refer,确定检索上下边界的阈值为gate=(refer-Min)/2.5;
步骤5:使用阈值法检索上下边界;
使用如图3所示的用于查找上下边界的模板b(x,y),此实施例中使用的模板b(x,y)为5个像素的横线模板,首先检索上边界,以步骤3中检索到的最小像素点为基点,模板b(x,y)的中心位于基点(Xmin,Ymin),并记此处为初始位置,沿着Y轴负向寻找上边界。设模板上每个像素点的值依次为gray(b1)、gray(b2)、gray(b3)、gray(b4)、gray(b5),分别沿Y轴负向逐行按照阈值法公式gray(bi)-Min>gatei∈{1,2,3,…5}进行判断,如果成立,则认为寻找到上边界LowY,同理向下检索可以检索下边界HighY;
步骤6:判断是否需要再次进行上下边界的检索;
对步骤5中取得的上下边界进行验证,若50<HighY-LowY<66成立,则检索到的上下边界高度合法,上下边界检索完成,若不成立,则采用步骤7中的Sobel算子边缘检测法重新检索上下边界;
步骤7:使用Sobel算子查找上下边界;
令模板b(x,y)中心点位于点(Xmin,Ymin),并记此处为初始位置,沿着Y轴负向寻找上边界。依次计算模板位于图像上各像素点的灰度值与图4所示的Sobel横向算子Gx的卷积和的绝对值,并将模板上各点的卷积和的绝对值求和,记作h(i),其中i为模板b(x,y)所在Y轴的坐标,h(i)值最大的位置点的纵坐标为LowY,为上边界的纵坐标,同理可以检索下边界HighY;
步骤8:判断检索到的上下边界是否合理;
对步骤7中取得的上下边界进行判断,若50<HighY-LowY<66成立,则上下边界高度合法,上下边界检索完成,若不成立,则以点(Xmin,Ymin)上下各30个像素设定为上下边界,即上边界为Ymin-30,下边界为Ymin+30。同一图像所有检测区域的上下边界相同,下面步骤中不再对其他检测区域的上下边界检索做具体描述;
步骤9:检索控制线C线的左右边界;
以步骤3中寻找到的灰度值最小点(Xmin,Ymin)的位置分别向左向右30个像素确定为左右边界的搜索区域,令图5中的左右边界检索模板k(x,y)位于搜索区域最左侧,沿X轴正向,在区域(Xmin-30,Xmin)内寻找边界。依次计算图像上k(x,y)位置处的所有点的灰度值与Sobel纵向算子Gy(如图6所示)的卷积和的绝对值,并对模板上所有点的卷积和的绝对值求和,记作S(i),取S(i)值最大的位置为左边界位置,记横坐标为LowX,同理,在搜索区域(Xmin,Xmin+30)搜索右边界HighX。当左右边界搜索分别完成后,判断边界的合法性,若HighX-LowX>20,则认为边界位置寻找正确,否则认为搜索到的边界不正确,此时定义HighX=LowX+20,并记HighX为右边界位置;
步骤10:查找测试线T线的左右边界;
由于测试线T线会出现颜色较浅的情况,同时采用梯度法和最小值法进行检测判断,如果结果存在较大差异则使用梯度法再次检测。梯度法为以检索到的控制线C线的位置为参考位置,查找模板仍采用图5所示的k(x,y),确定搜索区域为(HighX+100,HighX+180),令模板位于搜索区域的最左侧处,即x=HighX+100,并记此处为初始位置。在该搜索区域内,沿着X轴正向寻找边界。依次计算图像上模板k(x,y)处所有点的灰度值的和,记作S(ki),其中ki代表模板在X轴上的坐标。取算法梯度法判断公式为评价函数,记T的绝对值最大值处的点的横坐标为LowT1,同时使用最小值法检测左边界,即以检索到的控制线C线的长和宽的长方形框架为模板沿X轴正方向搜索,在(HighX+100,HighX+180)范围内检测,计算长方形框架上的所有点的灰度值的和sum。在搜索区域内,记sum最小值处长方形框架左上边界点的横坐标为LowT2。当|LowT1-LowT2|<=5,以LowT1为T线的左边界位置LowT。当|LowT1-LowT2|>5,则在LowT2左右邻域5个像素范围内再次以梯度法寻找最终的左边界位置LowT;确定以检测到的左边界右侧5个像素处(避开左边界)为初始位置,向右30个像素范围为右边界搜索区域,将模板k(x,y)位于检测区域最左侧,并记为初始位置。在区域内,沿着X轴正向寻找边界。依次计算图像上模板处所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并记作S(i),其中i为模板所在X轴的位置。记S(i)最大值对应点的横坐标为HighT,判断20<HighT-LowT<28成立,则认为寻找的边界位置正确,否则定义HighT=LowT+20,并记HighT为右边界位置;
步骤11:输出检索结果
将检测到的两个检测区域按照检索到的上下边界和左右边界进行标识,输出检索的结果。
实施例2:
步骤1:图像预处理
获取彩色图像,分割目标检测区域,灰度化图像,使用中值滤波对图像进行去噪处理,针对图像光度不均匀的情况使用高斯差分金字塔进行图像光度均一化处理;
步骤2:构建“十”字模板
构建图2所示的“十”字模板,模板的X轴像素个数i大致为检测区域X轴像素个数的一半,此处为11,Y轴的像素个数j大致为检测区域Y轴像素个数的一半,此处为27;
步骤3:使用“十”字模板检索图像范围内像素值最高点
使用“十”字模板在目标检测区域内计算每个像素点的平均像素值,记录最大像素值点的坐标(Xmax,Ymax),同时记录此点的像素值Max,此点即为进一步检索的基点;
步骤4:确定检索上下边界的阈值
计算图像背景的平均灰度值记为refer,确定检索上下边界的阈值为gate=(Max-refer)/2.5;
步骤5:使用阈值法检索上下边界
使用如图3所示的用于查找上下边界的模板b(x,y),此实施例中使用的模板b(x,y)为5个像素的横线模板,首先检索上边界,以步骤3中检索到的最大像素点为中心点,模板b(x,y)的中心位于基点(Xmax,Ymax),并记此处为初始位置,沿着Y轴负向寻找上边界。设每个像素点的值依次为gray(b1)、gray(b2)、gray(b3)、gray(b4)、gray(b5),分别沿Y轴负向逐行按照阈值法公式Max-gray(bi)>gate i∈{1,2,3,…5}进行判断,如果成立,则认为寻找到上边界LowY,同理向下检索可以检索下边界HighY;
步骤6:判断是否需要再次进行上下边界的检索
对步骤5中取得的上下边界进行验证,若40<HighY-LowY<68成立,则上下边界高度合法,上下边界检索完成,若不成立,则采用步骤7中的Sobel算子边缘检测法重新查找上下边界;
步骤7:使用Sobel算子边缘检测法检索上下边界
令模板b(x,y)中心位于基点(Xmax,Ymax),并记此处为初始位置,沿着y轴负向寻找上边界。依次计算模板位置处图像各点的灰度值与图4所示的Sobel横向算子Gx的卷积和的绝对值,并将各点的卷积和的绝对值求和,记作h(i),其中i为模板b(x,y)中心所在Y轴的坐标,记录h(i)值最大的位置点的纵坐标为LowY,为上边界的纵坐标,同理可以检索下边界HighY;
步骤8:判断检索到的上下边界是否正确
对步骤7中取得的上下边界进行判断,若40<HighY-LowY<68成立,则上下边界高度合法,上下边界检索完成,若不成立,则以点(Xmax,Ymax)上下各30个像素设定为上下边界,即上边界为Ymax-30,下边界为Ymax+30。同一图像所有检测区域的上下边界相同,下面步骤中不再对其他检测区域的上下边界做具体描述;
步骤9:检索控制线C线左右边界
以步骤3中寻找到的灰度值最大点(Xmax,Ymax)的位置分别向左向右30像素确定的区域为左右边界的搜索区域,将图5中的左右边界检索模板k(x,y)位于搜索区域最左侧,沿x轴正向,在区域(Xmax-30,Xmax)内寻找左边界。依次计算图像上模板k(x,y)位置处的所有点的灰度值与Sobel纵向算子Gy(如图6所示)的卷积和的绝对值,并对所有点的卷积和的绝对值求和,记作S(i),取S(i)最大的位置为左边界位置,记横坐标为LowX,同理,在搜索区域(Xmax,Xmax+30)内,搜索右边界HighX。当左右边界搜索分别完成后,判断边界的合法性,若HighX-LowX>20,则认为边界位置寻找正确,否则认为搜索到的边界不正确,此时定义HighX=LowX+20,并记HighX为右边界的横坐标;
步骤10:检索测试线T线的左右边界
由于测试线T线会出现颜色较浅的情况,因此需要进行多次检测和判断。首先使用梯度法,以检索到的控制线C线的位置为基础,查找模板仍采用图5所示的k(x,y),确定搜索区域(HighX+100,HighX+180),令模板位于搜索区域的最左侧处,即x=HighX+100,并记此处为初始位置。在区域内,沿着X轴正向寻找边界。依次计算图像上模板k(x,y)处所有点的灰度值的和,记作S(ki),其中ki代表模板在X轴的坐标。取算法梯度法为评价函数,记T绝对值最大值处的点的横坐标LowT1,同时采用最小法检索左边界,方法是以检索到的控制线C线的长和宽的像素个数的长方形框架为模板,在(HighX+100,HighX+180)范围内沿X轴正方向检测,计算所有点的灰度值的和sum。在搜索区域内,记sum最大值处长方形框架的左上边界的坐标点的横坐标为LowT2。当|LowT1-LowT2|<=5,以LowT1为左边界位置LowT。当|LowT1-LowT2|>5,则在LowT2左右邻域为5个像素范围内再次以梯度法寻找最终的左边界位置LowT;设以检测到的左边界右侧5个像素处(避开左边界)为初始位置,向右30个像素范围为右边界搜索区域,将模板k(x,y)位于检测区域最左侧,并记为初始位置。在搜索区域内,沿着X轴正向寻找边界,依次计算图像上模板处所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并记作S(i),其中i为模板所在X轴的位置,记S(i)最大值对应的i为HighT。如果18<HighT-LowT<26成立,则认为寻找的边界位置正确;否则定义HighT=LowT+20,记为测试线T线的右边界的横坐标,即如本实施例中的情况,则表明此侧向流纸条为阴性;
步骤11:输出检索结果
将检测到的两个检测区域按照检索到的上下边界和左右边界进行标记,输出检索的结果。
Claims (2)
1.一种用于侧向流纸条疾病诊断的图像分析与识别方法,其特征在于:
本方法的具体实现包括如下步骤:
步骤1:图像预处理;
获取彩色图像,分割目标检测区域,灰度化图像,使用中值滤波对图像进行去噪处理,针对图像光度不均匀的情况使用高斯差分金字塔进行图像光度均一化处理;
步骤2:构建“十”字模板;
构建“十”字模板,模板的X轴像素个数i为检测区域X轴像素点个数的一半,Y轴的像素个数j为检测区域Y轴像素点个数的一半;
步骤3:使用“十”字模板检索图像范围内最值像素点;
使用“十”字模板在图像范围内计算每个像素点的平均灰度值,记录最值灰度值点的坐标(Xm,Ym),同时记录坐标(Xm,Ym)点的像素值M为最值像素点(Xm,Ym),最值像素点(Xm,Ym)即为进一步检索的参考坐标;
步骤4:确定检索图像的上下边界阈值;
计算图像背景的平均灰度值记为refer,确定检索上下边界的阈值为gate=|refer-M|/2.5,上下边界的阈值gate的分母能够根据需求进行调整;
步骤5:使用阈值法检索上下边界;
使用用于查找上下边界的模板b(x,y),模板的像素点数能够根据具体情况进行调整,以步骤3中检索到的最值像素点为中心点,模板b(x,y)的中心位于最值像素点(Xm,Ym),并记最值像素点(Xm,Ym)为初始位置,沿着Y轴负方向向上检索;
设每个像素点的灰度值依次为gray(b1)、gray(b2)、gray(b3)、gray(b4)、gray(b5)...gray(bi)...gray(bn),分别沿Y轴负方向逐行通过算法阈值法判断,如果阈值法公式成立,则认为寻找到上边界LowY,下边界HighY的检索方法与上边界的检索方法相同;n为X轴像素个数i的取设范围;
|gray(bi)-M|>gate i∈{1,2,3,…n}
步骤6:判断是否需要再次进行上下边界的查找;
对步骤5中取得的上下边界进行验证,如果H-A<HighY-LowY<H+A,则上下边界的检索完成,否则使用步骤7中方法进行第二次检索;H表示检测区域的高度;A能够根据不同的图像进行调整;
步骤7:使用Sobel算子查找上下边界;
令模板b(x,y)中心位于点(Xm,Ym),并记点(Xm,Ym)为初始位置,沿着Y轴负方向向上查找;依次计算模板位置处图像各点的灰度值与Sobel横向算子Gx的卷积和的绝对值,并将各点的卷积和的绝对值求和,记作h(i),此时X轴像素个数i为模板b(x,y)中心所在Y轴方向的坐标,记录h(i)最大的位置点的纵坐标为LowY,为上边界的纵坐标,下边界HighY的检索与上边界检索相同;
步骤8:判断查找到的上下边界是否在正常的范围内;
对步骤7中取得的上下边界进行验证,如果H-A<HighY-LowY<H+A,则上下边界的查找完成,否则以点(Xm,Ym)上下各一定个数的像素设定为上下边界;同一图像所有检测区域的上下边界相同,步骤9-11中检测区域的上下边界检索具体描述与步骤2-8相同;
步骤9:查找控制线C线的左右边界;
以步骤3中寻找到的灰度值最值点(Xm,Ym)的位置分别向左向右30个像素确定为左右边界的搜索区域,令左右边界检索模板k(x,y)位于搜索区域最左侧,沿X轴正向,在区域(Xm-30,Xm)内寻找左边界;依次计算图像上k(x,y)位置处的所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并对模板上所有点的卷积和的绝对值求和,记作S(i),取S(i)值最大的位置为左边界位置,记横坐标为LowX,在搜索区域(Xm,Xm+30)搜索右边界HighX;当左右边界搜索分别完成后,判断边界的合法性,若HighX-LowX>C则认为边界位置寻找正确,否则认为搜索到的边界不正确,此时定义HighX=LowX+C,记HighX为右边界的横坐标值;C的范围是检测区域宽度±10个像素值范围内,具体数值根据不同的图像进行调整;
步骤10:检索测试线T线的左右边界;
首先使用梯度法进行查找,方法是以检索到的控制线C线检测区的位置为参考位置,查找模板仍采用左右边界检索模板k(x,y),确定搜索区域为控制线C线检测区右侧一定像素的范围内,令模板位于搜索区域的最左侧处,并记此处为初始位置;在搜索区域内,沿着X轴正向寻找边界;依次计算图像上模板k(x,y)上所有点的灰度值的和,记作S(ki),其中ki代表模板k(x,y)所在X轴的位置;取算法梯度法判断公式为评价函数T,T=S(ki)-S(ki+3),然后进行判断;记T的绝对值最大值处的点的横坐标为LowT1,同时使用最值法检测左边界,方法是以检索到的控制线C线检测区域的长和宽的长方形框架为模板,在搜索区域内沿X轴正方向依次检测,计算长方形框架上的所有点的灰度值的和为评价函数sum;在搜索区域内,记sum最小值或最大值处长方形框架左上边界点的横坐标为LowT2;当|LowT1-LowT2|<=5,以LowT1为测试线T线检测区域的左边界位置LowT;当|LowT1-LowT2|>5,则LowT2左右邻域5个像素范围内再次以梯度法寻找最终的左边界位置LowT;确定以检测到的左边界右侧5个像素处为初始位置,向右30个像素范围为右边界搜索区域,将模板k(x,y)位于检测区域最左侧,并记为初始位置;在区域内,沿着X轴正向寻找边界;依次计算图像上模板处所有点的灰度值与Sobel纵向算子Gy的卷积和的绝对值,并记作S(i),其中i为模板所在X轴位置;记S(i)最大值对应点的横坐标为HighT;如果W-B<HighT-LowT<W+B则定义寻找的边界位置正确;否则定义HighT为LowT加一定像素值,记为测试线T线检测区域的右边界;W表示检测区域的宽度,B的范围为3-30,根据图像不同进行调整;
步骤11:输出检索结果;
将检测区域按照检索到的上下边界和左右边界进行标识,输出检索结果。
2.根据权利要求1所述的一种用于侧向流纸条疾病诊断的图像分析与识别方法,其特征在于:所述步骤3中的最值像素点为最大值像素点或最小值像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810221369.3A CN108320799B (zh) | 2018-03-17 | 2018-03-17 | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810221369.3A CN108320799B (zh) | 2018-03-17 | 2018-03-17 | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108320799A CN108320799A (zh) | 2018-07-24 |
CN108320799B true CN108320799B (zh) | 2022-05-13 |
Family
ID=62899323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810221369.3A Active CN108320799B (zh) | 2018-03-17 | 2018-03-17 | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320799B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246173B (zh) * | 2018-08-14 | 2023-11-03 | 浙江大华技术股份有限公司 | 一种判断形状区域的方法和装置 |
CN109738622B (zh) * | 2018-12-29 | 2020-12-11 | 北京化工大学 | 基于微流控芯片的侧向流纸条快速检测装置 |
CN110044901B (zh) * | 2019-04-30 | 2022-04-08 | 重庆康巨全弘生物科技有限公司 | 一种试剂卡灰度分析系统 |
CN111583286B (zh) * | 2020-04-09 | 2023-01-20 | 天津大学 | 基于Flow-XDoG算子的腹部MRI图像轮廓提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507565A (zh) * | 2011-11-30 | 2012-06-20 | 刘江 | 一种免疫层析试条反应显色区域搜寻方法 |
CN107328776A (zh) * | 2017-06-23 | 2017-11-07 | 华中科技大学 | 一种免疫层析试纸卡的快速检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285068B2 (en) * | 2008-06-25 | 2012-10-09 | Cisco Technology, Inc. | Combined deblocking and denoising filter |
US8150140B2 (en) * | 2008-12-22 | 2012-04-03 | Ngr Inc. | System and method for a semiconductor lithographic process control using statistical information in defect identification |
-
2018
- 2018-03-17 CN CN201810221369.3A patent/CN108320799B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507565A (zh) * | 2011-11-30 | 2012-06-20 | 刘江 | 一种免疫层析试条反应显色区域搜寻方法 |
CN107328776A (zh) * | 2017-06-23 | 2017-11-07 | 华中科技大学 | 一种免疫层析试纸卡的快速检测方法 |
Non-Patent Citations (3)
Title |
---|
Paper-based assays for urine analysis;Eric Lepowsky等;《Biomicrofluidics》;20171017(第5期);全文 * |
基于小波变换算法提取金标试纸条检测线边缘特征;侯艳等;《装备制造技术》;20130930(第9期);全文 * |
基于边缘检测和Hough变换的车牌定位系统的研究与实现;刘国峰;《中国优秀硕士学位论文全文数据库》;20070731(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108320799A (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320799B (zh) | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
KR100889014B1 (ko) | 그래프 기반 접근 방법을 이용한 설진 영역 추출 방법 | |
CN109948684B (zh) | 激光雷达点云数据标注质量的质检方法、装置及设备 | |
CN105069452B (zh) | 基于局部结构分析的直线移除方法 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN109239076A (zh) | 一种基于机器视觉的缝纫线迹缺陷检测方法 | |
KR102073468B1 (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
CN101583971A (zh) | 眼部检测装置、眼部检测方法及程序 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN105427324A (zh) | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 | |
CN105205437B (zh) | 基于头部轮廓验证的侧脸检测方法及装置 | |
CN109146866A (zh) | 机器人对焊缝处理的方法及装置 | |
CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN113066064A (zh) | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 | |
CN113223041A (zh) | 用于自动提取图像中目标区域的方法、系统及存储介质 | |
Koniar et al. | Machine vision application in animal trajectory tracking | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Lau et al. | Estimating Norway lobster abundance from deep-water videos: an automatic approach | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
CN112991327A (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
US11562505B2 (en) | System and method for representing and displaying color accuracy in pattern matching by a vision system | |
CA2731385C (en) | Image analysis system and method | |
CN112461846A (zh) | 工件缺陷检测方法及装置 |
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 |