CN108682008A - 一种白细胞图像清晰度评价方法及装置 - Google Patents
一种白细胞图像清晰度评价方法及装置 Download PDFInfo
- Publication number
- CN108682008A CN108682008A CN201810424740.6A CN201810424740A CN108682008A CN 108682008 A CN108682008 A CN 108682008A CN 201810424740 A CN201810424740 A CN 201810424740A CN 108682008 A CN108682008 A CN 108682008A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- clarity
- reduced image
- block
- 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
- 210000000265 leukocyte Anatomy 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 210000004027 cell Anatomy 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 210000003968 leucoblast Anatomy 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000007850 degeneration Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000000571 coke Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004820 blood count Methods 0.000 description 4
- 239000011800 void material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 206010018910 Haemolysis Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008588 hemolysis Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012123 point-of-care testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G06T5/70—
-
- G06T5/92—
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Abstract
本发明公开了一种白细胞图像清晰度评价方法，该方法包括：获取输入的原始白细胞图像并转为灰度图像；将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；对抽取的所述图像块进行去噪得到降噪图像；通过最大类间方差法实现所述降噪图像的细胞区域分割，得到最佳分割阈值；对所述降噪图像作低通滤波操作获取退化图像；获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度；其中，利用最佳分割阈值作为TenenGrad函数的自定义图像阈值；计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值。本发明通过分析图像不同位置的清晰度参数，在评估图像整体清晰度的同时，实现图像清晰度的局部评估。
Description
技术领域
本发明涉及清晰度评价方法及装置，具体涉及一种白细胞图像清晰度评价方法及装置。
背景技术
得益于POCT的快速发展，便携式白细胞计数仪以其快速、便捷的优点，近几年来得到了广泛研究。但目前便携式白细胞计数设备精度还不够准确。影响其精度的一个主要原因就是图像虚焦：待测细胞没有完全贴壁时就开始检测；试剂片放置不当都会引起图像虚焦或部分虚焦。图像虚焦严重影响着后续白细胞计数及分类的准确性。目前常用的图像清晰度判别方法无法完全独立于图像内容之外评价其在清晰度标准下的绝对质量，使得这些函数在运用于无源参考的图像清晰度评价时受到很大的局限。人的主观感受能够快速评价一幅图像的清晰程度，但是应用于计算机的图像清晰度客观评价标准仍不成熟，特别是针对基于低倍显微镜的便携式白细胞计数系统的清晰度评价方法，仍是亟待解决的难题。
清晰度是用来度量图像质量的指标之一。目前图像清晰度的通用评价能力分为两部分：(1)相对清晰度评价能力，即对同一内容图像不同模糊程度的评价结果，主要考察其随图像模糊程度加深而表现的单调一致性以及灵敏度；(2)绝对清晰度评价能力，即对不同内容图像不同模糊程度的评价结果，主要考察其是否能够给出与图像本身内容无关的图像清晰度评价。常用的图像清晰度评价函数有：梯度函数、频谱函数和熵函数。
上述的绝大部分算法都是从图像中提取一些一定程度上能够反映图像清晰度的特征量，以这些特征量作为图像的清晰度度量值，具有一定的效果，但普遍存在适用范围较狭窄的缺陷，只能对某些特定的图像具有一定效果，此外，由于场景差异较大，不同的场景所得到的特征量之间并不一定具有可比性。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种白细胞图像清晰度评价方法及装置，解决了清晰度检测速度慢，对图像清晰度的评价不够准确和不能对局部模糊及模糊程度较大的图像进行评价的问题。
技术方案：一方面，本发明实施例提供一种白细胞图像清晰度评价方法，该方法包括以下步骤：
(1)获取输入的原始白细胞图像并转为灰度图像；
(2)将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；
(3)对抽取的所述图像块进行去噪得到降噪图像；
(4)通过最大类间方差法实现所述降噪图像的细胞区域分割，得到最佳分割阈值；
(5)对所述降噪图像作低通滤波操作获取退化图像；
(6)获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度，其中，利用所述最佳分割阈值作为TenenGrad函数的自定义图像阈值；；
(7)计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值。
可选的，在本发明一实施例中，步骤(3)中，所述对所述图像块进行去噪得到降噪图像，包括：
利用高斯滤波实现对所述图像块进行去噪得到降噪图像。
可选的，在本发明一实施例中，步骤(4)中，所述通过最大类间方差法实现所述降噪图像的细胞区域分割，包括：
(41)在所述降噪图像灰度区间初始化分割阈值T；
(42)使用所述分割阈值T分割所述降噪图像，所述降噪图像像素的灰度值大于等于T的像素区域记作g1小于T的区域记作g2；计算所述g1和g2区域内的灰度方差，分别对应记为μ1和μ2；
(43)更新所述分割阈值T，公式为：
T＝1/2(×(μ1-μ2)2
(44)计算类间方差σ，公式为：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为所述区域g1的面积占所述降噪图像的面积比，ω2为所述区域g2的面积占所述降噪图像的面积比；
(45)迭代步骤(42)-(44)，直到所述分割阈值T使得σ最大，得到最佳分割阈值。
可选的，在本发明一实施例中，所述步骤(5)具体包括：
所述降噪图像记为I(x,y)，对应的所述退化图像记为P(x,y)，所述TenenGrad函数定义为：
其中，T为所述最佳分割阈值，S(x,y)为图像I在点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是图像各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
所述图像块的清晰度R计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
可选的，在本发明一实施例中，步骤(7)中，所述计算所有抽取的所述图像块清晰度的均值，包括：
其中，N为抽样图像块的数量，Ri为第i块图像块的清晰度。
另一方面，本发明实施例提供了一种白细胞图像清晰度评价装置，该装置包括：
获取转换单元，用于获取输入的原始白细胞图像并转为灰度图像；
分块单元，用于将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；
降噪单元，对抽取的所述图像块进行去噪得到降噪图像；
分割单元，用于通过最大类间方差法实现所述降噪图像的细胞区域分割；
低通滤波单元，用于对所述降噪图像作低通滤波操作获取退化图像；
计算单元，用于获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度，计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值，其中，利用所述最佳分割阈值作为TenenGrad函数的自定义图像阈值。
可选的，在本发明一实施例中，所述降噪单元，具体用于利用高斯滤波实现对所述图像块进行去噪得到降噪图像。
可选的，在本发明一实施例中，所述分割单元，具体实现过程为：
(1)在所述降噪图像灰度区间初始化分割阈值T；
(2)使用所述分割阈值T分割所述降噪图像，所述降噪图像像素的灰度值大于等于T的像素区域记作g1小于T的区域记作g2；计算所述g1和g2区域内的灰度方差，分别对应记为μ1和μ2；
(3)更新所述分割阈值T，公式为：
T＝1/2(×(μ1-μ2)2
(4)计算类间方差σ，公式为：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为所述区域g1的面积占所述降噪图像的面积比，ω2为所述区域g2的面积占所述降噪图像的面积比；
(5)迭代步骤(2)-(4)，直到所述分割阈值T使得σ最大，得到最佳分割阈值。
可选的，在本发明一实施例中，当获取所述降噪图像和其对应的所述退化图像的TenenGrad参数，所述计算单元具体用于利用如下公式得到图像块清晰度：
所述降噪图像记为I(x,y)，所述退化图像记为P(x,y)，所述TenenGrad函数定义为：
其中，T为所述最佳分割阈值，S(x,y)为图像I在像素点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是图像各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
所述图像块清晰度的计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
可选的，在本发明一实施例中，所述计算所有抽取的图像块清晰度的均值，所述计算单元具体用于利用如下公式得到整幅图像的清晰度：
其中，N为抽样图像块的数量，Ri为第i块图像块的清晰度。
有益效果：本发明与现有技术相比，其显著优点是：1、通过分析白细胞图像特征，构建待分析图像退化图像，将无参图像评估转化为有参图像清晰度评估，避免不同图像差异引起的评估误差，实现图像清晰度快速、准确、实时评估；2、通过分析图像不同位置的清晰度参数，在评估图像整体清晰度的同时，实现图像清晰度的局部评估。
附图说明
图1为本发明所述的方法流程图；
图2为白细胞粗分割图像；
图3为4倍显微镜下获取的溶血染色后虚焦白细胞图像；
图4为未虚焦与虚焦图像清晰度参数分布图；
图5为本发明所述的装置结构示意图。
具体实施方式
为了验证本发明的可行性和有效性，本发明做了一个初步的仿真、测量实验。实验血样样品来源于医院检验科，白细胞提取分析在软件Matlab2017a中完成，图像大小为1920×1080，白细胞放大倍数为4倍；样本参数统计学t-test分析由SPSS21.0完成，如图1所示，本发明所述的方法包括：
101、获取输入的原始白细胞图像并转为灰度图像，原始图像可以记为f0，灰度图像可以记为fgray；
102、将所述灰度图像fgray进行分块形成图像块，随机抽取待分析的所述图像块；
可选的，在本发明一实施例中，对灰度图像分块得到待分析的多个图像块，从而提高白细胞清晰度参数获取速度，可以包括：首先对灰度图像fgray进行随机抽样。按照图像中心点位置，图像被分为左右上下4个象限，每个象限内随机抽取大小为256×256大小的图像块。图像象限均匀的将图像分成左上、左下、右上和右下4个部分，再从中随机抽样分别计算有助于图像局部清晰度分析，抽样的N个图像块记为f1,f2,f3,......fN。图像抽样也可根据分析需要，采用其他的分块方法。
103、对抽取的图像块进行去噪得到降噪图像；
可选的，在本发明一实施例中，所述对抽取的图像块进行去噪得到去噪图像，包括：细胞图像经过摄像头采集后输入到处理器系统进行算法识别分析，细胞图像在生成和传输过程中常受到各种噪声的干扰和影响，使图像质量下降，这样对后续的识别算法产生很大影响，有必要对图像进行相关的噪声去除工作，改善图像质量。根据4倍显微镜下细胞图像特点，采用高斯滤波实现图像噪声去除，去噪后的图像块记为f'1,f2',f3',...fi'...f'N，其中，1≤i≤N。图像去噪也可以用其它算法实现。
104、如图2所示，通过最大类间方差法实现所述降噪图像fi'的细胞区域分割，得到最佳分割阈值；
可选的，在本发明一实施例中，为避免不同机器间图像对比度差异，通过最大类间方差法设置全局自适应阈值，实现抽样图像细胞区域分割。最大类间方差法根据图像的灰度特性，将图像分为前景和背景两个部分。当构成图像的两个部分之间的差别越大时，则二者间方差差异越大；当目标被错分时，则二者间方差差异变小。通过对比前景和背景之间的类间方差，便可得到最佳全局阈值。
具体实现步骤如下：
(1041)在满足图像灰度范围的前提下，在图像灰度区间初始化阈值T；
(1042)使用T分割图像fi'，将其大小记为M×N，将图像中像素的灰度值大于等于T的像素区域记作g1，小于T的区域记作g2；
计算g1和g2区域内的灰度方差μ1和μ2；
(1043)更新阈值T：
(1044)计算类间方差σ：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为区域g1的面积占降噪图像面积比，ω2为区域g2的面积占整幅图像面积比，并且ω1+ω2＝1。
(1045)重复过程(1042)-(1044)，直到连续迭代中T的使得σ最小为止，得到最佳分类阈值T'，从而实现白细胞区域分割。白细胞分割也可以应用其它二分类算法。
105、对所述降噪图像fi'作低通滤波操作获取退化图像fi″；
目前存在的算法中大多都能够较好地反映当前模糊图像远离原始清晰图像的程度，但是缺乏对图像的绝对清晰度进行评价的能力，无法完全独立于图像内容之外评价其在清晰度标准。通过研究人血液样本白细胞图像，发现，若图像已经模糊，那么再对它进行一次模糊处理，高频分量变化不大；但如果原图是清楚的，对它进行一次模糊处理，则高频分量变化会非常大。因此可选的，在本发明一实施例中，首先所述降噪后的图像块进行高斯模糊处理，得到该图像的退化而不失真图像fi″，即下文所说的虚焦图像，如图3所示。
106、获取所述降噪图像fi'和所述降噪图像对应的所述退化图像fi″的TenenGrad参数，计算得到图像块的清晰度；
TenenGrad参数是常用的评价同一序列不同模糊度图像清晰度有效参数。对应于TenenGrad参数，清晰图像与退化图像的TenenGrad参数差值较大；模糊图像与其退化图像的TenenGrad参数差异较小，根据人血液白细胞图像特点结合目前清晰度算法优点，本发明的一个实施例，首先对获取到的图像进行高斯模糊处理，得到该图像的退化而不失真图像，再获取退化前后图像TenenGrad参数差值，从而评估图像的清晰度。
一正常4倍显微镜下白细胞图像块记为fi'，高斯模糊退化后一图像块记为fi″。则TenenGrad函数f(fi')定义为：
其中，T为自定义图像阈值，在本发明中使用上述求出的最佳分割阈值作为自定义图像阈值，S(x,y)为图像fi'在像素点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是所述图像fi'各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
Sobel算子是图像处理中的算子之一，主要用作边缘检测。以下是x、y方向的Sobel算子模板：
其中，
根据同样的方法，可计算出降噪图像对应的高斯模糊退化后图像块fi″对应的TenenGrad函数f(fi')。则该图像块清晰度的计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
107、计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值。
可选的，在本发明一实施例中，多个图像块的清晰度的均值Rtotal表示为：
其中，N为图像抽样块数量；Ri为第i块图像清晰度。由于图像块来自图像上下左右四象限，通过对每一图像内R值对比，便可评估出图像局部区域模糊情况，可用于判断试剂片是否放置正确。
如图4所示，再次抽取并分析多个不同程度的虚焦图像和不虚焦图像样本，并对这些样本进行标号，计算清晰度均值，并从中得到虚焦程度阈值，此时再输入一张白细胞图像，如果该白细胞图像的清晰度参数大于该阈值，则该图像判定为未虚焦，为正常图像，若小于该阈值，则判断为虚焦的图像。
如表1所示，选取76幅正常图像和21幅虚焦图像，构建上述图像的退化图像，获取图像清晰度参数。正常图像与虚焦图像p-value小于0.05，二者统计学差异明显。从初步实验效果图来看，本方法性能良好，较便捷、准确的实现白细胞图像清晰度准确判别，可以用于人体全血白细胞图像虚焦情况判别。
表1一种样本情况下未虚焦与虚焦图像清晰度参数统计分析表
对应于上述方法实施例，图5为本发明实施例一种白细胞图像清晰度评价的装置结构示意图，所述检测图像清晰度的装置包括：
获取转换单元21，用于获取输入的原始白细胞图像f0并转为灰度图像fgray；
分块单元22，用于将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；
降噪单元23，对抽取的所述图像块进行去噪得到降噪图像f'1,f2',f3',...fi'...f'N；
分割单元24，用于通过最大类间方差法实现所述降噪图像的细胞区域分割；
低通滤波单元25，用于对所述降噪图像作低通滤波操作获取退化图像；
计算单元26，用于获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度，计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值。
可选的，在本发明一实施例中，所述降噪单元，具体用于利用高斯滤波实现对所述图像进行去噪得到降噪图像fi'。
可选的，在本发明一实施例中，所述分割单元，具体包括：
(1)在满足图像灰度范围的前提下，在图像灰度区间初始化阈值T；
(2)使用T分割图像fi'，将其大小记为M×N，将图像中像素的灰度值大于等于T的像素区域记作g1，小于T的区域记作g2；
计算g1和g2区域内的灰度方差μ1和μ2；
(3)更新阈值T：
(4)计算类间方差σ：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为区域g1的面积占降噪图像面积比，ω2为区域g2的面积占整幅图像面积比，并且ω1+ω2＝1。
(5)重复过程(2)-(4)，直到连续迭代中T的使得σ最小为止，得到最佳分类阈值T'，从而实现白细胞区域分割。白细胞分割也可以应用其它二分类算法。
可选的，在本发明一实施例中，低通滤波单元，对所述降噪后的图像块进行高斯模糊处理，得到该图像的退化而不失真图像fi″。
可选的，在本发明一实施例中，当获取所述降噪图像和其对应的所述退化图像的TenenGrad参数，所述计算单元，具体用于利用如下方法得到图像块清晰度：
TenenGrad参数是常用的评价同一序列不同模糊度图像清晰度有效参数。对应于TenenGrad参数，清晰图像与退化图像的TenenGrad参数差值较大；模糊图像与其退化图像的TenenGrad参数差异较小，根据人血液白细胞图像特点结合目前清晰度算法优点，本发明的一个实施例，首先对获取到的图像进行高斯模糊处理，得到该图像的退化而不失真图像，再获取退化前后图像TenenGrad参数差值，从而评估图像的清晰度。
一正常4倍显微镜下白细胞图像块记为fi'，高斯模糊退化后一图像块记为fi″。则TenenGrad函数f(fi')定义为：
其中，T为自定义图像阈值，在本发明中使用上述求出的最佳分割阈值作为自定义图像阈值，S(x,y)为图像fi'在像素点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是所述图像fi'各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
Sobel算子是图像处理中的算子之一，主要用作边缘检测。以下是x、y方向的Sobel算子模板：
其中，
根据同样的方法，可计算出降噪图像对应的高斯模糊退化后图像块fi″对应的TenenGrad函数f(fi')。则该图像块清晰度的计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
多个图像块的清晰度的均值Rtotal表示为：
其中，N为图像抽样块数量；Ri为第i块图像清晰度。由于图像块来自图像上下左右四象限，通过对每一图像内R值对比，便可评估出图像局部区域模糊情况，可用于判断试剂片是否放置正确。
抽取并分析多个不同程度的虚焦图像和不虚焦图像样本，并对这些样本进行标号，计算清晰度均值，并从中得到虚焦程度阈值，此时再输入一张白细胞图像，如果该白细胞图像的清晰度参数大于该阈值，则该图像判定为未虚焦，为正常图像，若小于该阈值，则判断为虚焦的图像。
Claims (10)
1.一种白细胞图像清晰度评价方法，其特征在于，该方法包括以下步骤：
(1)获取输入的原始白细胞图像并转为灰度图像；
(2)将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；
(3)对抽取的所述图像块进行去噪得到降噪图像；
(4)通过最大类间方差法实现所述降噪图像的细胞区域分割，得到最佳分割阈值；
(5)对所述降噪图像作低通滤波操作获取退化图像；
(6)获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度；其中，利用所述最佳分割阈值作为TenenGrad函数的自定义图像阈值；
(7)计算所有抽取的所述图像块清晰度的均值，分析样本获取虚焦程度阈值。
2.根据权利要求1所述的白细胞图像清晰度评价方法，其特征在于，步骤(3)中，所述对所述图像块进行去噪得到降噪图像，包括：
利用高斯滤波实现对所述图像块进行去噪得到降噪图像。
3.根据权利要求1所述的白细胞图像清晰度评价方法，其特征在于，步骤(4)中，所述通过最大类间方差法实现所述降噪图像的细胞区域分割，包括：
(41)在所述降噪图像灰度区间初始化分割阈值T；
(42)使用所述分割阈值T分割所述降噪图像，所述降噪图像像素的灰度值大于等于T的像素区域记作g1小于T的区域记作g2；计算所述g1和g2区域内的灰度方差，分别对应记为μ1和μ2；
(43)更新所述分割阈值T，公式为：
T＝1/2(×(μ1-μ2)2
(44)计算类间方差σ，公式为：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为所述区域g1的面积占所述降噪图像的面积比，ω2为所述区域g2的面积占所述降噪图像的面积比；
(45)迭代步骤(42)-(44)，直到所述分割阈值T使得σ最大，得到最佳分割阈值。
4.根据权利要求1所述的白细胞图像清晰度评价方法，其特征在于，所述步骤(5)具体包括：
所述降噪图像记为I(x,y)，对应的所述退化图像记为P(x,y)，所述TenenGrad函数定义为：
其中，T为所述最佳分割阈值，S(x,y)为图像I在点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是图像各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
所述图像块的清晰度R计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
5.根据权利要求1所述的白细胞图像清晰度评价方法，其特征在于，步骤(7)中，所述计算所有抽取的所述图像块清晰度的均值，包括：
其中，N为抽样图像块的数量，Ri为第i块图像块的清晰度。
6.一种白细胞图像清晰度评价装置，其特征在于，所述装置包括：
获取转换单元，用于获取输入的原始白细胞图像并转为灰度图像；
分块单元，用于将所述灰度图像进行分块形成图像块，随机抽取待分析的所述图像块；
降噪单元，对抽取的所述图像块进行去噪得到降噪图像；
分割单元，用于通过最大类间方差法实现所述降噪图像的细胞区域分割；
低通滤波单元，用于对所述降噪图像作低通滤波操作获取退化图像；
计算单元，用于获取所述降噪图像和所述降噪图像对应的所述退化图像的TenenGrad参数，计算得到该图像块的清晰度，计算所有抽取的图像块清晰度的均值，分析样本获取虚焦程度阈值，其中，利用所述最佳分割阈值作为TenenGrad函数的自定义图像阈值。
7.根据权利要求6所述的白细胞图像清晰度评价装置，其特征在于，所述降噪单元，具体用于利用高斯滤波实现对所述图像块进行去噪得到降噪图像。
8.根据权利要求6所述的白细胞图像清晰度评价装置，其特征在于，所述分割单元，具体实现过程为：
(1)在所述降噪图像灰度区间初始化分割阈值T；
(2)使用所述分割阈值T分割所述降噪图像，所述降噪图像像素的灰度值大于等于T的像素区域记作g1小于T的区域记作g2；计算所述g1和g2区域内的灰度方差，分别对应记为μ1和μ2；
(3)更新所述分割阈值T，公式为：
T＝1/2(×(μ1-μ2)2
(4)计算类间方差σ，公式为：
σ＝ω1×ω2×(μ1-μ2)2
其中，ω1为所述区域g1的面积占所述降噪图像的面积比，ω2为所述区域g2的面积占所述降噪图像的面积比；
(5)迭代步骤(2)-(4)，直到所述分割阈值T使得σ最大，得到最佳分割阈值。
9.根据权利要求6所述的白细胞图像清晰度评价装置，其特征在于，当获取所述降噪图像和其对应的所述退化图像的TenenGrad参数，所述计算单元具体用于利用如下公式得到图像块清晰度：
所述降噪图像记为I(x,y)，所述退化图像记为P(x,y)，所述TenenGrad函数定义为：
其中，T为所述最佳分割阈值，S(x,y)为图像I在像素点(x,y)处的梯度，Gx(x,y)与Gy(x,y)分别是图像各像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积；
所述图像块清晰度的计算公式为R＝If-Pf，其中，If为所述降噪图像对应TenenGrad函数的最终参数，Pf为所述退化图像对应TenenGrad函数的最终参数。
10.根据权利要求6所述的白细胞图像清晰度评价装置，其特征在于，所述计算所有抽取的图像块清晰度的均值，所述计算单元具体用于利用如下公式得到整幅图像的清晰度：
其中，N为抽样图像块的数量，Ri为第i块图像块的清晰度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810424740.6A CN108682008B (zh) | 2018-05-07 | 2018-05-07 | 一种白细胞图像清晰度评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810424740.6A CN108682008B (zh) | 2018-05-07 | 2018-05-07 | 一种白细胞图像清晰度评价方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108682008A true CN108682008A (zh) | 2018-10-19 |
| CN108682008B CN108682008B (zh) | 2019-04-16 |
Family
ID=63802166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810424740.6A Active CN108682008B (zh) | 2018-05-07 | 2018-05-07 | 一种白细胞图像清晰度评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108682008B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
| CN109934876A (zh) * | 2019-01-25 | 2019-06-25 | 淮阴师范学院 | 一种基于二阶矩函数的图像聚焦测度实现方法 |
| CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
| CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
| CN113114934A (zh) * | 2021-03-31 | 2021-07-13 | 太原理工大学 | 尿红细胞多焦距视频采集方法与系统 |
| CN113326722A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于序列模式的图像模糊检测方法及设备 |
| CN113409316A (zh) * | 2021-08-19 | 2021-09-17 | 明品云(北京)数据科技有限公司 | 一种图像分类方法、装置、计算机可读存储介质及设备 |
| CN116758068A (zh) * | 2023-08-17 | 2023-09-15 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于人工智能的骨髓图片细胞形态分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903098A (zh) * | 2012-08-28 | 2013-01-30 | 四川虹微技术有限公司 | 一种基于图像清晰度差异的深度估计方法 |
| CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
| CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
| CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
| EP2852153A1 (en) * | 2012-05-16 | 2015-03-25 | Vatech Co., Ltd | Method and apparatus for providing panorama image data |
| CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
-
2018
- 2018-05-07 CN CN201810424740.6A patent/CN108682008B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
| EP2852153A1 (en) * | 2012-05-16 | 2015-03-25 | Vatech Co., Ltd | Method and apparatus for providing panorama image data |
| CN102903098A (zh) * | 2012-08-28 | 2013-01-30 | 四川虹微技术有限公司 | 一种基于图像清晰度差异的深度估计方法 |
| CN103020585A (zh) * | 2012-11-06 | 2013-04-03 | 华南师范大学 | 一种免疫组织阳性细胞和阴性细胞识别方法 |
| CN102968800A (zh) * | 2012-12-14 | 2013-03-13 | 宁波江丰生物信息技术有限公司 | 一种图像清晰度的评价方法 |
| CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
| CN109934876A (zh) * | 2019-01-25 | 2019-06-25 | 淮阴师范学院 | 一种基于二阶矩函数的图像聚焦测度实现方法 |
| CN109934876B (zh) * | 2019-01-25 | 2023-11-24 | 淮阴师范学院 | 一种基于二阶矩函数的图像聚焦测度实现方法 |
| CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
| CN113326722A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于序列模式的图像模糊检测方法及设备 |
| CN111369523A (zh) * | 2020-03-02 | 2020-07-03 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| CN111369523B (zh) * | 2020-03-02 | 2023-07-25 | 上海杏脉信息科技有限公司 | 显微图像中细胞堆叠的检测方法、系统、设备及介质 |
| CN112818737A (zh) * | 2020-12-18 | 2021-05-18 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
| CN112818737B (zh) * | 2020-12-18 | 2024-02-02 | 广州视源电子科技股份有限公司 | 视频识别方法、装置、存储介质及终端 |
| CN113114934A (zh) * | 2021-03-31 | 2021-07-13 | 太原理工大学 | 尿红细胞多焦距视频采集方法与系统 |
| CN113409316A (zh) * | 2021-08-19 | 2021-09-17 | 明品云(北京)数据科技有限公司 | 一种图像分类方法、装置、计算机可读存储介质及设备 |
| CN113409316B (zh) * | 2021-08-19 | 2021-12-21 | 明品云(北京)数据科技有限公司 | 一种图像分类方法、装置、计算机可读存储介质及设备 |
| CN116758068A (zh) * | 2023-08-17 | 2023-09-15 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于人工智能的骨髓图片细胞形态分析方法 |
| CN116758068B (zh) * | 2023-08-17 | 2023-11-07 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于人工智能的骨髓图片细胞形态分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108682008B (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| Oberholzer et al. | Methods in quantitative image analysis | |
| CA1161271A (en) | Method and apparatus for measuring mean cell volume of red blood cells | |
| US8023737B2 (en) | Method and device for the segmentation of regions and related computer program product | |
| Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
| CN110135271A (zh) | 一种细胞分类方法及装置 | |
| CN105550694B (zh) | 一种度量人脸图像模糊程度的方法 | |
| CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
| US9652844B2 (en) | Method and apparatus for automatic cancer diagnosis scoring of tissue samples | |
| Kiruthika et al. | Matching of different rice grains using digital image processing | |
| WO2006087526A1 (en) | Apparatus and method for processing of specimen images for use in computer analysis thereof | |
| CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
| Caya et al. | Detection and counting of red blood cells in human urine using canny edge detection and circle hough transform algorithms | |
| US20040081370A1 (en) | Image processing | |
| Tomari et al. | Red blood cell counting analysis by considering an overlapping constraint | |
| US10453189B2 (en) | Process and device for direct measurements of plant stomata | |
| CN112088296A (zh) | 用于检测细胞学样品中的具有至少一个异常的细胞的方法 | |
| Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
| CN113237881A (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
| Inchur et al. | Implementation of blood cell counting algorithm using digital image processing techniques | |
| JP3653804B2 (ja) | 粒子画像の領域分割方法及び装置 | |
| CN111882521A (zh) | 一种细胞涂片的图像处理方法 | |
| Liu et al. | Measurement method of the width of the strands of cut tobacco based on digital image processing | |
| Tewary et al. | SmartIHC-Analyzer: smartphone assisted microscopic image analytics for automated Ki-67 quantification in breast cancer evaluation |
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 |