CN108765420B - 荧光显微镜图像结果判别方法 - Google Patents
荧光显微镜图像结果判别方法 Download PDFInfo
- Publication number
- CN108765420B CN108765420B CN201810722189.3A CN201810722189A CN108765420B CN 108765420 B CN108765420 B CN 108765420B CN 201810722189 A CN201810722189 A CN 201810722189A CN 108765420 B CN108765420 B CN 108765420B
- Authority
- CN
- China
- Prior art keywords
- image
- binary
- images
- cell
- filtered
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Optics & Photonics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种荧光显微镜图像结果判别方法,一、对荧光显微镜拍摄的样本图像进行红、绿、蓝三通道颜色分离,得到红色通道图像、绿色通道图像、蓝色通道图像;二、分别对红、绿色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像R1、G1;三、分别对二值图像R1、G1进行轮廓提取得到多个不规则的多边形图像,将多个不规则的多边形图像进行滤波;四、当经过滤波后二值图像G1上呈现的细胞图像个数≥1,并且呈现的细胞图像与经过滤波后的二值图像R1上呈现的细胞图像有重合时,判断样本图像为阳性;反之则判断所述样本图像为阴性。本发明优点在于实现程序批量化、智能化判别被检验样本的阴、阳性,大大提高了医生工作效率。
Description
技术领域
本发明涉及荧光显微镜图像,尤其是涉及荧光显微镜图像结果判别方法。
背景技术
对病原体标志物检测过程中,样本经过稀释和离心后,放置到检测仪器内,自动完成玻片加样、温育、洗片、干燥等处理步骤,最后将玻片放置到荧光显微镜下拍摄图像,一个玻片上有多个孔(一般为十个孔),每个孔需要拍摄十张左右的荧光图像,通过对每个孔的十张荧光图像进行图像识别,判断出每一张图像上样本的阴、阳性,最后将十张图像判断结果汇总,得出该孔内样本的阴、阳性。目前,对荧光图像的识别工作多由医生通过肉眼观察判断,以确定样本的阴、阳性,这不仅存在人为的视觉误差、医生工作经验等因素,导致图像识别判断准确度底,而且医生的劳动强度大、工作效率低。
发明内容
本发明目的在于提供一种荧光显微镜图像结果判别方法,实现批量、快速、准确判别。
为实现上述目的,本发明采取下述技术方案:
本发明所述的荧光显微镜图像结果判别方法,按照下述步骤进行:
第一步、对荧光显微镜拍摄的样本图像进行红、绿、蓝三通道颜色分离,得到红色通道图像、绿色通道图像、蓝色通道图像;抛弃所述蓝色通道图像,保留所述红色通道图像和所述绿色通道图像;
第二步、对红色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像R1;对绿色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像G1;
第三步、对所述二值图像R1进行轮廓提取(利用图像处理开源库Opencv中的函数FindContours),得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波,即:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉;如果某个多边形图像的面积≥大于1000像素,则该多边形图像作为一个细胞图像保留;
同理,对所述二值图像G1进行轮廓提取,得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉,如果某个多边形图像的面积≥1000像素,则该多边形图像作为一个细胞图像保留;
第四步、当经过滤波后二值图像G1上呈现的细胞图像个数≥1,并且呈现的所述细胞图像与经过滤波后的二值图像R1上呈现的细胞图像有重合时,证明样本的正常细胞受到了感染,判断所述样本图像为阳性;反之,若经过滤波后二值图像G1上没有呈现细胞图像,或者呈现的细胞图像没有与经过滤波后的二值图像R1上呈现的细胞图像有重合,则判断所述样本图像为阴性。
第二步中的所述灰度处理和二值法处理为:
对所述的红色通道图像和绿色通道图像分别进行扫描,找出最大灰度Max和最小灰度值Min,取阈值T为中间值,计算公式为:T=(Max+Min)/2,然后扫描图像,对每一个像素的灰度值处理,灰度值大于阈值T则变为255白色,灰度值小于阈值T则变为0黑色,从而得到黑白区分的二值图像R1、G1。
所述样本图像为JPG、BMP或PNG图像格式。
本发明优点在于通过对荧光显微镜拍摄的样本图像进行图像判别,实现程序批量化、智能化判别被检验样本的阴、阳性,大大提高了医生的工作效率,降低了医生的工作强度,消除了肉眼观察判断存在视觉误差。
附图说明
图1是本发明方法的流程框图。
图2是本发明所述的样本图像示意图。
图3是本发明所述的红色通道图像示意图。
图4是本发明所述的绿色通道图像示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
本发明所述的荧光显微镜图像结果判别方法,如图1所示,按照下述步骤进行:
第一步、对荧光显微镜拍摄的样本图像(如图2所示)进行红、绿、蓝三通道颜色分离,得到红色通道图像(如图3所示)、绿色通道图像(如图4所示)、蓝色通道图像;抛弃蓝色通道图像,保留红色通道图像和绿色通道图像;样本图像可以选择JPG、BMP或PNG图像格式。
第二步、对红色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像R1;对绿色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像G1;灰度处理和二值法处理为:
对的红色通道图像和绿色通道图像分别进行扫描,找出最大灰度Max和最小灰度值Min,取阈值T为中间值,计算公式为:T=(Max+Min)/2,然后扫描图像,对每一个像素的灰度值处理,灰度值大于阈值T则变为255白色,灰度值小于阈值T则变为0黑色,从而得到黑白区分的二值图像R1、G1。
第三步、对所述二值图像R1进行轮廓提取,得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波,即:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉;如果某个多边形图像的面积≥大于1000像素,则该多边形图像作为一个细胞图像保留;
同理,对所述二值图像G1进行轮廓提取,得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉,如果某个多边形图像的面积≥1000像素,则该多边形图像作为一个细胞图像保留。
第四步、当经过滤波后二值图像G1上呈现的细胞图像个数≥1,并且呈现的所述细胞图像与经过滤波后的二值图像R1上呈现的细胞图像有重合时,证明样本的正常细胞受到了感染,判断所述样本图像为阳性;反之,若经过滤波后二值图像G1上没有呈现细胞图像,或者呈现的细胞图像没有与经过滤波后的二值图像R1上呈现的细胞图像有重合,则判断所述样本图像为阴性。
Claims (3)
1.一种荧光显微镜图像结果判别方法,其特征在于:按照下述步骤进行:
第一步、对荧光显微镜拍摄的样本图像进行红、绿、蓝三通道颜色分离,得到红色通道图像、绿色通道图像、蓝色通道图像;抛弃所述蓝色通道图像,保留所述红色通道图像和所述绿色通道图像;
第二步、对红色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像R1;对绿色通道图像进行灰度处理和二值法处理,得到黑白区分的二值图像G1;
第三步、对所述二值图像R1进行轮廓提取,得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波,即:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉;如果某个多边形图像的面积≥大于1000像素,则该多边形图像作为一个细胞图像保留;
同理,对所述二值图像G1进行轮廓提取,得到多个不规则的多边形图像,将多个不规则的所述多边形图像进行滤波:如果某个多边形图像的面积<1000像素,则该多边形图像不作为细胞图像被过滤掉,如果某个多边形图像的面积≥1000像素,则该多边形图像作为一个细胞图像保留;
第四步、当经过滤波后二值图像G1上呈现的细胞图像个数≥1,并且呈现的所述细胞图像与经过滤波后的二值图像R1上呈现的细胞图像有重合时,证明样本的正常细胞受到了感染,判断所述样本图像为阳性;反之,若经过滤波后二值图像G1上没有呈现细胞图像,或者呈现的细胞图像没有与经过滤波后的二值图像R1上呈现的细胞图像有重合,则判断所述样本图像为阴性。
2.根据权利要求1所述的荧光显微镜图像结果判别方法,其特征在于:第二步中的所述灰度处理和二值法处理为:
对所述的红色通道图像和绿色通道图像分别进行扫描,找出最大灰度Max和最小灰度值Min,取阈值T为中间值,计算公式为:T=(Max+Min)/2,然后扫描图像,对每一个像素的灰度值处理,灰度值大于阈值T则变为255白色,灰度值小于阈值T则变为0黑色,从而得到黑白区分的二值图像R1、G1。
3.根据权利要求1所述的荧光显微镜图像结果判别方法,其特征在于:所述样本图像为JPG、BMP或PNG图像格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810722189.3A CN108765420B (zh) | 2018-07-04 | 2018-07-04 | 荧光显微镜图像结果判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810722189.3A CN108765420B (zh) | 2018-07-04 | 2018-07-04 | 荧光显微镜图像结果判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765420A CN108765420A (zh) | 2018-11-06 |
CN108765420B true CN108765420B (zh) | 2021-06-08 |
Family
ID=63975863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810722189.3A Active CN108765420B (zh) | 2018-07-04 | 2018-07-04 | 荧光显微镜图像结果判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765420B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636801B (zh) * | 2019-01-29 | 2020-04-21 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994964A (zh) * | 2014-05-23 | 2014-08-20 | 天津大学 | 针对荧光显微图像的凋亡细胞形态的量化分析方法 |
WO2017106359A1 (en) * | 2015-12-18 | 2017-06-22 | Abbott Laboratories | Methods and systems for assessing cell morphology |
CN106886779A (zh) * | 2017-02-15 | 2017-06-23 | 厦门大学 | 一种荧光显微图像二值化的自适应阈值方法 |
CN107389638A (zh) * | 2017-07-25 | 2017-11-24 | 潍坊学院 | 一种显微荧光光谱成像海洋浮游植物原位分类识别方法及装置 |
-
2018
- 2018-07-04 CN CN201810722189.3A patent/CN108765420B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994964A (zh) * | 2014-05-23 | 2014-08-20 | 天津大学 | 针对荧光显微图像的凋亡细胞形态的量化分析方法 |
WO2017106359A1 (en) * | 2015-12-18 | 2017-06-22 | Abbott Laboratories | Methods and systems for assessing cell morphology |
CN106886779A (zh) * | 2017-02-15 | 2017-06-23 | 厦门大学 | 一种荧光显微图像二值化的自适应阈值方法 |
CN107389638A (zh) * | 2017-07-25 | 2017-11-24 | 潍坊学院 | 一种显微荧光光谱成像海洋浮游植物原位分类识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
间接免疫荧光法检测呼吸道非典型;何忠发等;《医学检验与临床》;20171231;第28卷(第1期);第2767-2768页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108765420A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | An accurate segmentation method for white blood cell images | |
CN109472761B (zh) | 一种基于荧光图像的细胞计数方法及系统 | |
CA2920492C (en) | Systems and methods for adaptive histopathology image unmixing | |
WO2012169088A1 (ja) | 画像処理装置、画像処理方法及び画像処理システム | |
Kareem et al. | A novel method to count the red blood cells in thin blood films | |
CN104700112A (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
CN109146878A (zh) | 一种基于图像处理的杂质检测方法 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN115035518B (zh) | 细胞核图像中荧光染色信号点的识别方法和装置 | |
CN107545572A (zh) | 图像中目标的处理方法和装置 | |
CN110987886A (zh) | 一种全自动显微影像荧光扫描系统 | |
CN114049330A (zh) | 一种荧光原位杂交图像中荧光特征融合方法及系统 | |
CN110866916A (zh) | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 | |
CN108765420B (zh) | 荧光显微镜图像结果判别方法 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN111008960B (zh) | 基于机器视觉的铝电解电容底部外观检测方法及装置 | |
CN115100648B (zh) | 细胞显微图像中多通道荧光杂质的滤除方法和装置 | |
CN109377493B (zh) | 一种基于规则库的蜂胶软胶囊不良品快速识别系统 | |
CN116883323A (zh) | 一种基于计算机视觉的多重免疫荧光图像分析系统 | |
CN111257296A (zh) | 一种检测生物芯片样本的方法、装置及存储介质 | |
CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
CN111539354B (zh) | 一种液基细胞玻片扫描区域识别方法 | |
CN112750118B (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 | |
CN112200873A (zh) | 一种基于虹膜特征的角膜内皮细胞计数仪定位照相方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |