CN108830858A - 一种基于红外和光学影像双模成像信息的活体菌落计数方法 - Google Patents
一种基于红外和光学影像双模成像信息的活体菌落计数方法 Download PDFInfo
- Publication number
- CN108830858A CN108830858A CN201810635755.7A CN201810635755A CN108830858A CN 108830858 A CN108830858 A CN 108830858A CN 201810635755 A CN201810635755 A CN 201810635755A CN 108830858 A CN108830858 A CN 108830858A
- Authority
- CN
- China
- Prior art keywords
- image
- living body
- optical image
- infrared
- sequence
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明涉及一种基于红外和光学影像双模成像信息的活体菌落计数方法,步骤如下:获取同一原始目标的光学影像和序列红外影像;采用水平集算法对上述光学影像进行处理;采用仿射变换,对光学影像和序列红外影像进行图像配准,根据光学影像中获取的连通域位置信息,依次获取光学影像中连通域在序列红外影像中的对应位置;逐个统计光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集,纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征;得到活体菌落检测分类模型;依次对判断为具有活性特征的连通域计数,获取活体菌落的数目。
Description
技术领域
本发明属于食品及环保检测领域,尤其涉及一种活体菌落计数检测方法。
背景技术
菌落计数器已经从人工、半人工向全自动发展,被广泛的应用于生物和医学领域。相比较一些常规算法,水平集算法在菌落计数方面,算法速度和准确性上都有了很大提高。常规菌落分析仪器大多是处理单张静态图像,根据单张静态图像的信息,无法排除杂质颗粒及死菌等因素对菌落计数的影响,容易引入假阳性错误。通过红外影像判断菌落活性受限于红外影像的分辨率和成本,只能定性的判断菌落的活性,并不能直接对菌落计数。目前现有的菌落分析仪器尚未有公开的针对活体菌落计数的功能。
发明内容
本发明提供了一种基于红外和光学影像双模成像信息的活体菌落计数方法,以克服现有技术上的不足。本发明提出一种光学影像与红外影像相结合的活体菌落计数方法,根据活体菌落热量高于背景热量,排除杂质、水渍、死菌等因素带来的假阳性错误,同时解决了普通红外影像受限于分辨率和成本无法定量获取活体菌落个数的问题。本发明的技术方案如下:
一种基于红外和光学影像双模成像信息的活体菌落计数方法,步骤如下:
1)对目标培养皿进行多次扫描拍摄,获取同一原始目标的光学影像和序列红外影像;
2)采用水平集算法对上述光学影像进行处理,遍历图像中的所有像素点,根据像素点的特征进行空间分割,获取点集区域作为连通域,并对连通域进行定位;
3)对光学影像和序列红外影像建立三维笛卡尔直角坐标系,分别确定从光学影像到序列红外影像沿x轴,y轴,z轴变换的尺度参数mx,my,mz,沿x轴,y轴,z轴平移的刚体变换参数p,q,r,绕沿x轴,y轴,z轴旋转的刚体变换参数θ,ω,φ。采用九参数仿射变换,对光学影像和序列红外影像进行图像配准,根据光学影像中获取的连通域位置信息,依次获取光学影像中连通域在序列红外影像中的对应位置;
4)逐个统计光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集,纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征;
5)制作符合支持向量机格式的标签样本,将分类器训练集中的具有活体特征的样本标签置为1,不具有活体特征的样本标签置为-1,并设计和训练SVM分类器,获取分类器模型,从而得到活体菌落检测分类模型;
6)采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类,判断样本是具有活体特征的连通域,或为杂质以及死菌对应的不具有活体特征的连通域;
7)依次对判断为具有活性特征的连通域计数,获取活体菌落的数目。
本发明提出的基于红外和光学影像双模成像信息的活体菌落技术方法,解决了当今常规菌落分析仪器处理单张静态图像,无法排除杂质颗粒及死菌等因素引入假阳性错误的问题以及红外图像受限于分辨率或成本无法定量的获取活体菌落个数的问题。
附图说明
图1:本发明方法流程图
图2:目标图像及采用改进水平集算法处理后的图像,包括连通域的定位
图3:仿射变示意图像
图4:原始目标图像及局部放大
图5:感兴趣区域的红外散斑图像
具体实施方式:
现结合实例、附图对本发明作进一步描述:
1)图像采集
1、CCD摄像头和红外摄像头对目标进行多次拍照,采集该目标的单张光学影像和多张红外影像,将多张红外影像按照拍摄的时间顺序进行排序,保存为序列红外影像。
2)图像处理
1、如图2所示,采用水平集算法对上述光学影像进行处理,遍历图像中的所有像素点,根据像素点的特征进行空间分割,获取点集区域作为连通域,并对连通域进行定位。
2、采用仿射变换,对光学影像中和序列红外影像进行图像配准,根据光学影像中获取的连通域位置信息,依次获取光学影像中连通域在序列红外影像中的对应位置。
在3D情况下,需要9个参数描述一个全局尺度变换的刚体变换。定义光学影像和序列红外影像上各方向,即x轴,y轴,z轴方向上尺度变化系数分别为为mx,my,mz,在三维空间中,光学影像下图像坐标为(x,y,z),表示在红外影像上为(x',y',z'),其变换可以表示为下列公式:
沿x轴的平移:
沿y轴的平移:
沿z轴的平移:
绕x轴的旋转:
绕y轴的旋转:
绕z轴的旋转:
如图3所示,θ,ω,φ是绕x轴,y轴,z轴的旋转刚体变换参数,p,q,r是沿x轴、y轴和z轴的平移刚体变换参数。仿射变换公式如下:
将已经得到的光学影像下连通域的坐标信息,带入上述公式(1),即可获取在红外影像下该连通域对应的区域坐标。
3、如图4所示,光斑可能会影响光学影像中对菌落个数的判定,而对于已经死亡的菌落及杂质与活体菌落在单张光学影像中无法区分,但是由于死亡菌落和杂质不存在代谢活动,因此与活体菌落存在细微的温差波动,从而在序列红外影像中杂质死菌与真实的活体菌落存在着显著差异。图5是原始目标的部分红外影像,红外影像获取序列红外影像中对应疑似菌落连通域的灰度平均值和灰度方差首先把序列红外影像的R、G、B分量转化为灰度值表征每个像素点构成的图像,转化公式如下:
Gray(x,y)=0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y) (2)
接下来对连通域对应的序列红外影像中的区域求取灰度平均值和灰度方差公式如下:
4、逐一对连通域在序列红外影像中的对应区域建立灰度共生矩阵。首先将已经灰度化的序列红外影像进行灰度量级化,将图像的灰度级压缩至8级以减小共生矩阵的尺寸,对于精度要求高且纹理细密的纹理分布,选取像素间距d=1,0°方向获取对比度、能量、熵和相关性纹理特性。p(i,j)表示灰度共生矩阵第i行和第j列的数值。
能量获取公式如下:
对比度获取公式如下:
熵获取公式如下:
相关性获取公式如下:
具体纹理向量的值列于下表中。
对六个特征向量进行显著性检验,选取t检验方法,建立假设,确定检验水平α=0.1,计算统计量S1 2和S2 2为两样本方差,n1和n2为两样本容量,选用双侧检验,选用α=0.1的统计显著水平,确定灰度平均值、灰度方差、灰度共生矩阵的能量、熵、相关性这五个特征位显著性特征,所以选取灰度平均值、灰度方差、灰度共生矩阵的能量、熵、相关性这五个特征作为判定指标。
6、采用支持向量机技术对红外影像空间下序列图像的局部纹理特征进行分类。以局部纹理特征为特征,特征有五个,分别是灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性。制作符合支持向量机格式的标签样本,将分类器训练集中的具有活体特征的样本标签置为1,不具有活体特征的样本标签置为-1,并设计和训练SVM分类器,获取分类器模型,从而得到活体菌落检测分类模型。采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类,判断样本是具有活体特征的连通域,或为杂质以及死菌对应的不具有活体特征的连通域,即将连通域的特征向量输入到已经找到的最佳分隔超平面w·x+b=0中,该平面即为分类的决策边界,其中w是法向量,b为截距,将特征值分在平面两边,即判断该连通域是否具有活体特征,实现支持向量机的二分类。
3)菌落计数
对通过序列红外影像纹理特征判定为具有活体特征的连通域进行计数,获取活体菌落数目。
Claims (1)
1.一种基于红外和光学影像双模成像信息的活体菌落计数方法,步骤如下:
1)对目标培养皿进行多次扫描拍摄,获取同一原始目标的光学影像和序列红外影像;
2)采用水平集算法对上述光学影像进行处理,遍历图像中的所有像素点,根据像素点的特征进行空间分割,获取点集区域作为连通域,并对连通域进行定位;
3)对光学影像和序列红外影像建立三维笛卡尔直角坐标系,分别确定从光学影像到序列红外影像沿x轴,y轴,z轴变换的尺度参数mx,my,mz,沿x轴,y轴,z轴平移的刚体变换参数p,q,r,绕沿x轴,y轴,z轴旋转的刚体变换参数θ,ω,φ。采用仿射变换,对光学影像和序列红外影像进行图像配准,根据光学影像中获取的连通域位置信息,依次获取光学影像中连通域在序列红外影像中的对应位置;
4)逐个统计光学影像中连通域对应的红外影像空间下序列图像的连通域局部纹理特征集,纹理特征集包括灰度均值、灰度方差、灰度共生矩阵的能量、熵和相关性五个特征;
5)制作符合支持向量机格式的标签样本,将分类器训练集中的具有活体特征的样本标签置为1,不具有活体特征的样本标签置为-1,并设计和训练SVM分类器,获取分类器模型,从而得到活体菌落检测分类模型;
6)采用活体菌落检测分类模型对红外影像空间下序列图像的局部纹理特征进行分类,判断样本是具有活体特征的连通域,或为杂质以及死菌对应的不具有活体特征的连通域;
7)依次对判断为具有活性特征的连通域计数,获取活体菌落的数目。
本发明提出的基于红外和光学影像双模成像信息的活体菌落技术方法,解决了当今常规菌落分析仪器处理单张静态图像,无法排除杂质颗粒及死菌等因素引入假阳性错误的问题以及红外图像受限于分辨率或成本无法定量的获取活体菌落个数的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635755.7A CN108830858B (zh) | 2018-06-20 | 2018-06-20 | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635755.7A CN108830858B (zh) | 2018-06-20 | 2018-06-20 | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830858A true CN108830858A (zh) | 2018-11-16 |
CN108830858B CN108830858B (zh) | 2021-08-03 |
Family
ID=64142686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635755.7A Active CN108830858B (zh) | 2018-06-20 | 2018-06-20 | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830858B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110766734A (zh) * | 2019-08-15 | 2020-02-07 | 中国科学院遥感与数字地球研究所 | 光学影像与热红外影像的配准方法及设备 |
CN111398189A (zh) * | 2020-03-23 | 2020-07-10 | 苏州同阳科技发展有限公司 | 多模态光学成像水质遥感检测装置与污染特征提取方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024259A (zh) * | 2010-12-24 | 2011-04-20 | 刘安安 | 一种菌落自动检测方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN103197302A (zh) * | 2013-04-02 | 2013-07-10 | 电子科技大学 | 一种适用于穿墙雷达成像的目标位置提取方法 |
US8889349B2 (en) * | 2009-10-30 | 2014-11-18 | Hitachi Engineering & Services Co., Ltd. | Method for testing microorganism or the like and testing apparatus therefor |
CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
CN106408584A (zh) * | 2016-09-14 | 2017-02-15 | 北京环境特性研究所 | 一种红外图像目标筛选方法及系统 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
-
2018
- 2018-06-20 CN CN201810635755.7A patent/CN108830858B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8889349B2 (en) * | 2009-10-30 | 2014-11-18 | Hitachi Engineering & Services Co., Ltd. | Method for testing microorganism or the like and testing apparatus therefor |
CN102024259A (zh) * | 2010-12-24 | 2011-04-20 | 刘安安 | 一种菌落自动检测方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN103197302A (zh) * | 2013-04-02 | 2013-07-10 | 电子科技大学 | 一种适用于穿墙雷达成像的目标位置提取方法 |
CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
CN106408584A (zh) * | 2016-09-14 | 2017-02-15 | 北京环境特性研究所 | 一种红外图像目标筛选方法及系统 |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
Non-Patent Citations (2)
Title |
---|
上官晋太等: ""多模态图像配准"", 《天津科学技术出版社》 * |
刘家锋等: ""模式识别"", 《哈尔滨工业大学出版社》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110766734A (zh) * | 2019-08-15 | 2020-02-07 | 中国科学院遥感与数字地球研究所 | 光学影像与热红外影像的配准方法及设备 |
CN111398189A (zh) * | 2020-03-23 | 2020-07-10 | 苏州同阳科技发展有限公司 | 多模态光学成像水质遥感检测装置与污染特征提取方法 |
CN111398189B (zh) * | 2020-03-23 | 2023-03-14 | 苏州同阳科技发展有限公司 | 多模态光学成像水质遥感检测装置与污染特征提取方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
CN116626029B (zh) * | 2023-07-20 | 2023-09-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108830858B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN108830858A (zh) | 一种基于红外和光学影像双模成像信息的活体菌落计数方法 | |
CN107771212B (zh) | 菌落对比度收集 | |
CN106651752B (zh) | 三维点云数据配准方法及拼接方法 | |
CN107580715B (zh) | 用于自动计数微生物菌落的方法和系统 | |
CN103080331B (zh) | 微生物检测方法、微生物检测设备和程序 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN102304472A (zh) | 一种快速检测痰涂片结核菌的装置与方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN109182081A (zh) | 一种基于图像处理模型的单细胞分选系统 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN111209822A (zh) | 一种热红外图像的人脸检测方法 | |
CN111028271A (zh) | 基于人体骨架检测的多摄像机人员三维定位跟踪系统 | |
CN109035196A (zh) | 基于显著性的图像局部模糊检测方法 | |
CN109934221A (zh) | 基于注意力机制的电力设备自动分析识别监控方法及系统 | |
CN109997199A (zh) | 基于深度学习的结核病检查方法 | |
CN104156952B (zh) | 一种抵抗形变的图像匹配方法 | |
KR20210095955A (ko) | 세균 콜로니의 세균 성장을 모니터링하고 콜로니 생물량을 예측하기 위한 시스템 및 방법 | |
CN113920126B (zh) | 基于紧框标的深度学习的测量方法及测量装置 | |
CN115079393A (zh) | 一种基于10倍物镜的染色体核型分析显微拍摄装置及方法 | |
CN109409402A (zh) | 一种基于暗通道先验直方图的图像污染检测方法及系统 | |
CN110956640B (zh) | 一种异源图像边缘点检测与配准方法 | |
CN111929035A (zh) | 心率模组led亮度检测方法和装置 |
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 |