CN108537757A - 一种固点噪声定位、精子显微环境洁净度评价方法 - Google Patents
一种固点噪声定位、精子显微环境洁净度评价方法 Download PDFInfo
- Publication number
- CN108537757A CN108537757A CN201810348603.9A CN201810348603A CN108537757A CN 108537757 A CN108537757 A CN 108537757A CN 201810348603 A CN201810348603 A CN 201810348603A CN 108537757 A CN108537757 A CN 108537757A
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- solid point
- sperm
- point noise
- 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
- 239000007787 solid Substances 0.000 title claims abstract description 119
- 230000003749 cleanliness Effects 0.000 title claims abstract description 25
- 238000000386 microscopy Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 239000012535 impurity Substances 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 31
- 230000003068 static effect Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000004807 localization Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 8
- 230000001105 regulatory effect Effects 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009711 regulatory function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000019100 sperm motility Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种固点噪声定位、精子显微环境洁净度评价方法，步骤一、对精子视频进行建模，获得含有固点噪声的背景图像；步骤二、利用中智灰度和中智梯度两个特征的融合信息将固点噪声从背景像素中分离出来；步骤三、通过调节噪声因子调节像素与理想背景像素的相似性，控制提取固点噪声的颗粒大小，将精子固点噪声和杂质固点噪声进行分离。基于噪声调节因子的固点噪声提取算法可将精子固点噪声和杂质固点噪声分别提取出来，能够计算非精比指标。能够对显微环境洁净度进行衡量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种固点噪声定位、精子显微环境洁净度评价方法。
背景技术
精液检测是对男性生育能力评估的重要依据，计算机辅助精子质量分析系统因具有客观性、准确性等优点而成为精子质量分析的发展趋势。
在20倍精子显微镜观测野内，静态精子、杂质、灰尘、气泡、镜头污染物等在显微镜放大作用下，形成了位置固定、灰度较暗的颗粒影像，我们将这种位置固定的颗粒统称为固点噪声。其中，由静态精子形成的颗粒噪声称之为精子固点噪声；由杂质、灰尘、气泡及污物形成的颗粒噪声称为杂质固点噪声。杂质固点噪声的多少可在一定程度上可反映精液样本制作过程操作规范性以及显微镜光学系统洁净度。临床进行精子存活率计算时，首先必须进行静态精子的提取，而精子固点噪声是由静态精子形成的，所以静态精子提取的实质就是将精子固点噪声从杂质固点噪声中分离出来。显微环境的洁净度越低，两种固点噪声分离的难度越大，对应精子存活率指标的准确性越低，因此显微环境洁净度是精子质量分析系统的质量控制指标之一。
目前静态精子的提取大多基于最大类间差等相关分割算法进行，这种提取方法存在如下不足：
(1)精子固点噪声与杂质固点噪声无法有效分离，提取的精子固点噪声夹杂部分杂质固点噪声；
(2)对无明显双峰分布的视频图像，特别是静态精子稀疏的图像，最大类间差等传统分割算法根本无法将精子固点噪声从图像中分离出来；
(3)由于动态精子轨迹的灰度与部分杂质固点噪声相似，造成两者难以有效分离。
目前，由于缺乏有效的固点噪声提取算法，动态精子轨迹、精子固点噪声、杂质固点噪声无法进行有效分离，精子图像获取过程中显微环境洁度难以进行量化计算，致使目前计算机精子质量分析系统缺乏显微环境洁净度质控指标。
因此，研究有效的固点噪声定位算法，并在此基础上建立显微环境洁净度质控指标迫在眉睫。
发明内容
本发明的目的就是为了解决上述问题，提供一种固点噪声定位、精子显微环境洁净度评价方法，能够有效分离静态精子固点噪声及杂质固点噪声，在此基础上给出了一种实用的精子显微环境洁净度评价方法。
为了实现上述目的，本发明采用如下技术方案：
一种固点噪声定位方法，包括以下步骤：
步骤一、对精子视频进行建模，获得含有固点噪声的背景图像；
步骤二、利用中智灰度和中智梯度两个特征的融合信息将固点噪声从背景像素中分离出来；
步骤三、通过调节噪声因子调节像素与理想背景像素的相似性，控制提取固点噪声的颗粒大小，将精子固点噪声和杂质固点噪声进行分离。
所述步骤一中，采用均值法对精子视频进行建模。
采用均值法对精子视频进行建模的具体建模公式为：其中：Gb为背景图像，Gi(x,y)为视频序列的第i图像，N是视频序列图像的帧数。
所述步骤二中，利用中智灰度进行分离时用到的具体函数为：
确定性
不确定性
错误性Fg(x,y)＝1-Tg(x,y)；
其中，g(x,y)表示背景图像中像素的灰度；gmin表示背景图像灰度最小值；gmax表示背景图像灰度最大值；gm为像素均值；Dif(x,y)表示像素与图像均值gm的灰度绝对差；Difmax和Difmin表示Dif(x,y)的最大值和最小值。
固点噪声在显微镜下的灰度越暗，像素灰度越低，对应的不确定性Ig(x,y)越强，像素为噪声的可能性越大；如果像素灰度高于均值gm，则其为固点噪声的可能性小，为背景像素的可能性大，Ig(x,y)降为0。
所述步骤二中，利用中智梯度进行分离时用到的具体函数为：
确定性：
不确定性：
错误性：FG(x,y)＝1-TG(x,y)；
其中，F(x,y)表示背景图像中值滤波后像素的灰度值；Fmin表示滤波图像的灰度最小值；Fmax表示滤波图像灰度最大值；I′G(x,y)为像素归一化前的不确定性；Gx为像素在水平方向的梯度；Gy为像素在垂直平方向的梯度；Gmax为梯度最大值；Gm为梯度均值；λ为噪声调节因子。
像素梯度越大，对应的中智不确定性越高，为噪声的可能性越大；通过改变I′G(x,y)中λ的大小，可改变像素梯度基准，进而改变噪声不确定性的大小，从而完成不同噪声颗粒的过滤筛选。
所述步骤二中，利用灰度与梯度融合信息将固点噪声从背景中提取出来的具体方法包括：
在中智域内，理想背景像素的灰度确定性Tg(x,y)为1、不确定性Ig(x,y)为0、错误性Fg(x,y)为0，像素表示为：
在中智域内，理想背景像素的梯度确定性TG(x,y)为1、不确定性IG(x,y)为0、错误性FG(x,y)为0，像素表示为：
如果像素为噪声，则其与理想背景像素的相似性较低；因此像素与理想背景像素的相似性大小反映像素的噪声特性：相似性越低，为噪声的可能性越大；反之，则为背景的可能性越大；
像素与理想背景像素的灰度相似性Sg(g(x,y),g*)表示为：
像素与理想背景像素的梯度相似性SG(G(x,y),G*)表示为：
基于灰度与梯度双特征融合的相似性Snoise(x,y)表示为：
其中，w1和w2分别为灰度与梯度的权重系数，且
将Snoise(x,y)与最大类间差法相结合，将固点噪声从背景中提取出来。
所述步骤三中还包括对筛选出的精子固点噪声与设定精子半径参考阈值进行比较，将小于设定精子半径参考阈值的杂质固点噪声剔除。
采用所述一种固点噪声定位方法的精子显微环境洁净度评价方法，包括：
获取杂质固点噪声的数量Nns和静态精子的数量Ns，则非精比RNSO为：RNSO＝Nns/Ns；
非精比RNSO越大，说明视频序列显微图像中杂质或污物越多，表明精子样本本身、样本制作流程及显微图像获取各环节的洁净度越低。
本发明的有益效果：
基于噪声调节因子的固点噪声提取算法可将精子固点噪声和杂质固点噪声分别提取出来，能够计算非精比指标。
能够对显微环境洁净度进行衡量。
附图说明
图1(a)为实验用显微视频背景模型灰度图；
图1(b)为λ取1时对应的固点噪声；
图1(c)为λ取6时对应的固点噪声；
图1(d)为λ取10时对应的固点噪声；
图2为表1中标准实验序列的精子固点噪声与杂质固点噪声分布图；
图3为表1中130号序列的精子固点噪声与杂质固点噪声分布图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
首先建立具有噪声调节功能的固点噪声提取算法；然后进行杂质固点噪声和精子固点噪声的分离；最后计算精子与杂质固点噪声数量之比-非精比，并将此参数作为显微环境洁净度评价指标。具体实施步骤如下：
(1)背景建模：采用均值法对精子视频进行建模，获得含有固点噪声的背景图像Gb。均值建模公式如下：
其中：Gi(x,y)为视频序列的第i图像，N是视频序列图像的帧数，取值25。
(2)固点噪声定位算法的建立：本发明提出具有噪声调节功能的固点噪声定位算法，该算法利用中智灰度和中智梯度两个特征的融合信息将固点噪声从背景像素中分离出来。
①在中智域内，像素基于灰度特征的确定性Tg(x,y)、不确定性Ig(x,y)、错误性Fg(x,y)量化函数如下：
Fg(x,y)＝1-Tg(x,y)
其中，g(x,y)表示背景图像中像素的灰度；gmin表示背景图像灰度最小值；gmax表示背景图像灰度最大值；gm为像素均值；Dif(x,y)表示像素与图像均值gm的灰度绝对差。Difmax和Difmin表示Dif(x,y)的最大值和最小值。
固点噪声在显微镜下的灰度较暗，所以像素灰度越低，对应的不确定性Ig(x,y)越强，说明像素为噪声的可能性越大。如果像素灰度高于均值gm，则其为固点噪声的可能性小，为背景像素的可能性越大，其Ig(x,y)降为0。
②在中智域内，利用梯度特征对背景像素噪声特性进行衡量，噪声确定性TG(x,y)、不确定性IG(x,y)、错误性FG(x,y)量化函数如下：
FG(x,y)＝1-TG(x,y)
其中，F(x,y)表示背景图像中值滤波后像素的灰度值；Fmin表示滤波图像的灰度最小值；Fmax表示滤波图像灰度最大值；I′G(x,y)为像素归一化前的不确定性；Gx为像素在水平方向的梯度；Gy为像素在垂直平方向的梯度；Gmax为梯度最大值；Gm为梯度均值；λ为噪声调节因子。
如果一个像素为背景像素，则其灰度变化较小，只有灰度变化较大的地方才有噪声出现的可能。所以像素梯度越大，对应的不确定性越高，为噪声的可能性越大。通过改变I′G(x,y)中λ的大小，可以改变像素梯度基准，进而改变噪声不确定性的大小。所以，利用λ这个噪声调节因子，可调节像素的噪声特性，进而完成不同噪声颗粒的过滤筛选。
③基于双特征融合的相似性度量：
在中智域内，理想背景像素的灰度确定性Tg(x,y)为1、不确定性Ig(x,y)为0、错误性Fg(x,y)为0，该像素可表示为：
在中智域内，理想背景像素的梯度确定性TG(x,y)为1、不确定性IG(x,y)为0、错误性FG(x,y)为0，该像素可表示为：
如果像素为噪声，则其与理想背景像素的相似性较低。因此像素与理想背景像素的相似性大小可以反映像素的噪声特性：相似性越低，为噪声的可能性越大；反之，则为背景的可能性越大。
像素与理想背景像素的灰度相似性Sg(g(x,y),g*)可用下式衡量：
像素与理想背景像素的梯度相似性SG(G(x,y),G*)可用下式计算：
基于灰度与梯度双特征融合的相似性Snoise(x,y)用下式衡量：
将Snoise(x,y)与最大类间差法相结合，便可将固点噪声从背景中提取出来。
(3)精子与杂质的分离：通过调节噪声因子λ，可调节像素与理想背景像素的相似性，进而可控制提取固点噪声的颗粒大小，从而将精子固点噪声和杂质固点噪声进行分离。精子样本千差万别，但人类精子的大小在一定范围内变化。一般情况下显微镜下精子细胞影像比杂质颗粒、灰尘及气泡等的影像大。对筛选出的精子固点噪声与设定精子半径参考阈值比较，可进一步剔除精子固点噪声中残存的杂质固点噪声，进而较准确地将静态精子提取出来。
(4)显微环境洁净度量化参数非精比的计算：Nns、Ns分别为杂质固点噪声和静态精子的数量，则非精比RNSO定义为：RNSO＝Nns/Ns。
(5)显微环境洁净度评价结论：非精比RNSO越大，说明视频序列显微图像中杂质或污物越多，表明精子样本本身、样本制作流程及显微图像获取各环节的洁净度越低。
具体的：
第一步，计算固点噪声背景模型，实验用显微视频背景模型灰度图如图1(a)所示。图中已经将精子、杂质、动态精子轨迹标记出来。
第二步，改变噪声调节因子λ的大小，λ取不同值时对应的固点噪声如图1(b)-图1(d)所示。λ＝1时，提取的固点噪声像素最多，但动态精子运动轨迹被提取出来；当λ＝6时，动态精子轨迹基本被过滤，剩余的为精子与杂质的混合颗粒；λ＝10时，杂质等较小颗粒基本被过滤，剩下的主要为静态精子等颗粒较大的噪声。按精子大小半径进一步过过滤，便可将精子提取出来。从精子与杂质的混合物中将精子检出，剩下的即为杂质固点噪声。
第三步，计算显微图像的非精比指标。7个实验用精子显微图像的非精比RNSO如表1所示。以标准实验样本和130号序列的图像为例来说明RNSO越大，显微图像中杂质固点噪声越多。
标准实验样本和130号序列中精子与杂质固点噪声分布如图2-图3所示。图2-图3中方形区域表示精子，圆形区域表示杂质固点噪声。由图2-图3可见，标准序列中杂质固点噪声远少于130号序列，而表1中标准序列的RNSO为1.11，130号序列的RNSO为4.37，实验证明RNSO指标可以反映显微环境的洁净度。
从精子提取效率与显微环境洁净度方面说明本发明的优点。
(1)精子提取效率之比：为比较本文固点噪声定位算法对静态精子的提取效率，从错检率和漏检率两方面与最大熵法和最大类间差法的分割结果进行比较，并用错检率和漏检率之和FAMR作为算法对静态精子提取效率的衡量指标。三种算法的FAMR比较结果如表2所示。FAMR越小，说明算法提取静态精子的效率越高。表2中“×”号表示精子不可检出的情况，说明最大类间差法无法提取精子的情况比较严重。由表2数据可见本发明提出的固点噪声提取算法具有较低的FAMR指标。
(2)显微环境洁净度衡量：基于噪声调节因子的固点噪声提取算法可将精子和杂质固点噪声分别提取出来，能够计算非精比指标，而目前基于传统分割算法的精子提取算法尚缺乏对显微环境洁净度量化的研究。
图1(b)中，噪声调节因子λ为1，动态精子运动轨迹及固点噪声混杂在一起；图1(c)中，λ为6，动态精子轨迹基本被过滤，剩下精子固点噪声与杂质固点噪声的混合颗粒；图1(d)中，λ为10，杂质等较小颗粒基本被过滤，剩下的主要为颗粒较大的精子固点噪声。说明通过调节λ的大小，可以将杂质固点噪声和精子固点噪声分别提取出来。
表1实验用显微序列非精比指标
表1给出7个实验用显微序列的非精比指标。RNSO越大，表明显微图像含杂质固点噪声的数量越多。
图2为表1中标准实验序列的精子与杂质固点噪声分布图，图3为表1中130号序列的精子与杂质固点噪声分布图。其中，圆形区域数量越多说明杂质固点噪声越多，显微环境洁净度越差，对应的RNSO指标越大。
表2三种算法的FAMR指标
注：表中“×”号表示精子不可检出。
表2中“×”号表示精子不可检出的情况，说明最大类间差法无法提取精子的情况比较严重。FAMR越小，说明算法提取精子的效率越高。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种固点噪声定位方法，其特征是，包括以下步骤：
步骤一、对精子视频进行建模，获得含有固点噪声的背景图像；
步骤二、利用中智灰度和中智梯度两个特征将固点噪声从背景像素中分离出来；
步骤三、通过调节噪声因子调节像素与理想背景像素的相似性，控制提取固点噪声的颗粒大小，将精子固点噪声和杂质固点噪声进行分离。
2.如权利要求1所述一种固点噪声定位方法，其特征是，所述步骤一中，采用均值法对精子视频进行建模。
3.如权利要求2所述一种固点噪声定位方法，其特征是，采用均值法对精子视频进行建模的具体建模公式为：其中：Gb为背景图像，Gi(x,y)为视频序列的第i图像，N是视频序列图像的帧数。
4.如权利要求1所述一种固点噪声定位方法，其特征是，所述步骤二中，利用中智灰度进行分离时用到的具体函数为：
确定性
不确定性
错误性Fg(x,y)＝1-Tg(x,y)；
其中，g(x,y)表示背景图像中像素的灰度；gmin表示背景图像灰度最小值；gmax表示背景图像灰度最大值；gm为像素均值；Dif(x,y)表示像素与图像均值gm的灰度绝对差；Difmax和Difmin表示Dif(x,y)的最大值和最小值。
5.如权利要求4所述一种固点噪声定位方法，其特征是，固点噪声在显微镜下的灰度越暗，像素灰度越低，对应的不确定性Ig(x,y)越强，像素为噪声的可能性越大；如果像素灰度高于均值gm，则其为固点噪声的可能性小，为背景像素的可能性大，Ig(x,y)降为0。
6.如权利要求1所述一种固点噪声定位方法，其特征是，所述步骤二中，利用中智梯度进行分离时用到的具体函数为：
确定性
不确定性
错误性FG(x,y)＝1-TG(x,y)；
其中，F(x,y)表示背景图像中值滤波后像素的灰度值；Fmin表示滤波图像的灰度最小值；Fmax表示滤波图像灰度最大值；I′G(x,y)为像素归一化前的不确定性；Gx为像素在水平方向的梯度；Gy为像素在垂直平方向的梯度；Gmax为梯度最大值；Gm为梯度均值；λ为噪声调节因子。
7.如权利要求6所述一种固点噪声定位方法，其特征是，像素梯度越大，对应的不确定性越高，为噪声的可能性越大；通过改变I′G(x,y)中λ的大小，改变像素梯度基准，进而改变噪声不确定性的大小，进而完成不同噪声颗粒的过滤筛选。
8.如权利要求1所述一种固点噪声定位方法，其特征是，所述步骤二中，利用灰度与梯度双特征融合信息将固点噪声从背景中提取出来的具体方法包括：
在中智域内，理想背景像素的灰度确定性Tg(x,y)为1、不确定性Ig(x,y)为0、错误性Fg(x,y)为0，像素表示为：
在中智域内，理想背景像素的梯度确定性TG(x,y)为1、不确定性IG(x,y)为0、错误性FG(x,y)为0，像素表示为：
如果像素为噪声，则其与理想背景像素的相似性较低；因此像素与理想背景像素的相似性大小反映像素的噪声特性：相似性越低，为噪声的可能性越大；反之，则为背景的可能性越大；
像素与理想背景像素的灰度相似性Sg(g(x,y),g*)表示为：
像素与理想背景像素的梯度相似性SG(G(x,y),G*)表示为：
基于灰度与梯度双特征融合的相似性Snoise(x,y)表示为：
其中，w1和w2分别为灰度与梯度的权重系数，且
将Snoise(x,y)与最大类间差法相结合，将固点噪声从背景中提取出来。
9.如权利要求1所述一种固点噪声定位方法，其特征是，所述步骤三中还包括对筛选出的精子固点噪声与设定精子半径参考阈值进行比较，将小于设定精子半径参考阈值的杂质固点噪声剔除。
10.采用权利要求1所述一种固点噪声定位方法的精子显微环境洁净度评价方法，其特征是，包括：
获取杂质固点噪声的数量Nns和静态精子的数量Ns，则非精比RNSO为：RNSO＝Nns/Ns；
非精比RNSO越大，说明视频序列显微图像中杂质或污物越多，表明精子样本本身、样本制作流程及显微图像获取各环节的洁净度越低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810348603.9A CN108537757B (zh) | 2018-04-18 | 2018-04-18 | 一种固点噪声定位、精子显微环境洁净度评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810348603.9A CN108537757B (zh) | 2018-04-18 | 2018-04-18 | 一种固点噪声定位、精子显微环境洁净度评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537757A true CN108537757A (zh) | 2018-09-14 |
| CN108537757B CN108537757B (zh) | 2020-10-27 |
Family
ID=63480529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810348603.9A Active CN108537757B (zh) | 2018-04-18 | 2018-04-18 | 一种固点噪声定位、精子显微环境洁净度评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537757B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306307A (zh) * | 2011-07-11 | 2012-01-04 | 宁波大学 | 一种彩色显微图像序列中固点噪声的定位方法 |
| WO2012035504A1 (en) * | 2010-09-14 | 2012-03-22 | Ramot At Tel-Aviv University Ltd. | Cell occupancy measurement |
| US20120148141A1 (en) * | 2010-12-14 | 2012-06-14 | Aydogan Ozcan | Compact automated semen analysis platform using lens-free on-chip microscopy |
| WO2015127464A1 (en) * | 2014-02-24 | 2015-08-27 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores |
| CN105374026A (zh) * | 2015-10-09 | 2016-03-02 | 上海海事大学 | 一种适用于海防监控的海上红外小目标的检测方法 |
| CN106023245A (zh) * | 2016-04-28 | 2016-10-12 | 绍兴文理学院 | 基于中智集相似度量测的静态背景下运动目标检测方法 |
| US20170109879A1 (en) * | 2014-04-03 | 2017-04-20 | Drexel University | Computer-implemented methods, computer-readable media, and systems for tracking a plurality of spermatozoa |
| CN107346547A (zh) * | 2017-07-04 | 2017-11-14 | 易视腾科技股份有限公司 | 基于单目平台的实时前景提取方法及装置 |
| CN107369157A (zh) * | 2016-05-12 | 2017-11-21 | 尖刀视智能科技（上海）有限公司 | 一种自适应阈值Otsu图像分割方法及装置 |
-
2018
- 2018-04-18 CN CN201810348603.9A patent/CN108537757B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035504A1 (en) * | 2010-09-14 | 2012-03-22 | Ramot At Tel-Aviv University Ltd. | Cell occupancy measurement |
| US20120148141A1 (en) * | 2010-12-14 | 2012-06-14 | Aydogan Ozcan | Compact automated semen analysis platform using lens-free on-chip microscopy |
| CN102306307A (zh) * | 2011-07-11 | 2012-01-04 | 宁波大学 | 一种彩色显微图像序列中固点噪声的定位方法 |
| WO2015127464A1 (en) * | 2014-02-24 | 2015-08-27 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores |
| US20170109879A1 (en) * | 2014-04-03 | 2017-04-20 | Drexel University | Computer-implemented methods, computer-readable media, and systems for tracking a plurality of spermatozoa |
| CN105374026A (zh) * | 2015-10-09 | 2016-03-02 | 上海海事大学 | 一种适用于海防监控的海上红外小目标的检测方法 |
| CN106023245A (zh) * | 2016-04-28 | 2016-10-12 | 绍兴文理学院 | 基于中智集相似度量测的静态背景下运动目标检测方法 |
| CN107369157A (zh) * | 2016-05-12 | 2017-11-21 | 尖刀视智能科技（上海）有限公司 | 一种自适应阈值Otsu图像分割方法及装置 |
| CN107346547A (zh) * | 2017-07-04 | 2017-11-14 | 易视腾科技股份有限公司 | 基于单目平台的实时前景提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537757B (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Joint Deep Learning for land cover and land use classification | |
| CN108399362B (zh) | 一种快速行人检测方法及装置 | |
| EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
| CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
| CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
| Nguyen et al. | Pavement crack detection using convolutional neural network | |
| CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
| CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN101826209B (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
| CN105122308A (zh) | 用于使用连续染色组织上的单细胞划分的多路生物标志定量的系统和方法 | |
| CN110135271A (zh) | 一种细胞分类方法及装置 | |
| CN106875404A (zh) | 一种白带显微图像中上皮细胞的智能识别方法 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN110276763A (zh) | 一种基于可信度和深度学习的视网膜血管分割图生成方法 | |
| CN109214331A (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 | |
| CN103268498A (zh) | 一种感兴趣区域模糊图像语义理解的方法 | |
| Sarmiento et al. | Methodology for classification of geographical features with remote sensing images: Application to tidal flats | |
| Llopis-Castelló et al. | Automatic classification and quantification of basic distresses on urban flexible pavement through convolutional neural networks | |
| CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
| 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 | |
| Zheng et al. | A morphological neural network approach for vehicle detection from high resolution satellite imagery | |
| CN102231190B (zh) | 冲洪积扇信息的自动提取方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200924 Address after: 250012 No. 18877 Jingshi Road, Jinan City, Shandong Province Applicant after: Shandong First Medical University (Shandong Academy of Medical Sciences) Address before: 271016 No. 619, the Great Wall Road, hi tech Development Zone, Shandong, Tai'an Applicant before: TAISHAN MEDICAL University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |