CN108961201A - 图像清晰度识别方法和自动聚焦方法 - Google Patents
图像清晰度识别方法和自动聚焦方法 Download PDFInfo
- Publication number
- CN108961201A CN108961201A CN201710357895.8A CN201710357895A CN108961201A CN 108961201 A CN108961201 A CN 108961201A CN 201710357895 A CN201710357895 A CN 201710357895A CN 108961201 A CN108961201 A CN 108961201A
- Authority
- CN
- China
- Prior art keywords
- image
- gene sequencing
- pixel
- gray average
- images
- 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.)
- Withdrawn
Links
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像清晰度识别方法,其包括提供包括背景像素和目标像素的待识别图像;预设背景像素的灰度均值和目标像素的灰度均值,两个灰度均值作为两个聚类中心对待识别图像的所有像素进行均值聚类分析,以获取均值聚类分析后的背景像素灰度均值和目标像素灰度均值;以及定义聚类分析后的背景像素灰度均值和聚类分析后的目标像素灰度均值的差值为待识别图像的清晰度值。本发明的方法能够准确识别图像的清晰度。
Description
技术领域
本发明涉及高通量基因测序领域,更具体地说,涉及一种图像清晰度识别方法和采用所述图像清晰度识别方法的自动聚焦方法。
背景技术
高通量基因测序仪中需要对样本进行图像拍摄,判断拍摄图像的清晰度后才能实现准确对焦,以获取符合要求的高通量基因测序图像,进而实现后续数据处理以识别样本的基因序列。一种现有技术图像清晰度识别的方法是通过高斯模板匹配后识别拍摄图像中的磁珠数量来确定拍摄图像的清晰度值的,这种方法计算较为复杂,且结果和高斯模板选择也有较大的关系,因此需要一种简单可靠的图像清晰度识别方法,用来实现准确识别图像的清晰度。
发明内容
本发明的目的在于提供一种识别准确的图像清晰度识别方法。
本发明的另一目的在于提供一种使用准确图像清晰度识别方法的自动聚焦方法。
一种图像清晰度识别方法包括:提供包括背景像素和目标像素的待识别图像;预设背景像素的灰度均值和目标像素的灰度均值,两个灰度均值作为两个聚类中心对待识别图像的所有像素进行均值聚类分析,以获取均值聚类分析后的背景像素灰度均值和目标像素灰度均值;以及定义聚类分析后的背景像素灰度均值和聚类分析后的目标像素灰度均值的差值为待识别图像的清晰度值。
进一步地,所述待识别图像为高通量基因测序图像。
进一步地,所述高通量基因测序图像为明场图像或荧光图像。
进一步地,所述高通量基因测序图像为明场图像,所述背景像素的预设灰度均值大于待识别图像中预设区域内所有像素的灰度平均值,所述目标像素的预设灰度均值小于待识别图像中预设区域内所有像素的灰度平均值。
进一步地,所述高通量基因测序图像为荧光图,所述背景像素的预设灰度均值小于待识别图像中预设区域内所有像素的灰度平均值,所述目标像素的预设灰度均值大于待识别图像中预设区域内所有像素的灰度平均值。
进一步地,所述待识别图像包括多个磁珠,所述目标像素为多个磁珠对应的像素。
进一步地,所述清晰度值越大则待识别图像越清晰。
进一步地,所述对待识别图像的所有像素进行均值聚类分析包括:A.根据两个聚类中心,将待识别图像的所有像素归类为背景像素和目标像素;B.计算所有背景像素的灰度均值和所有目标像素的灰度均值作为两个新的聚类中心;以及C.执行A-B一次或多次直到两个新的聚类中心的变化值小于聚类阈值或两个新的聚类中心不再变化。
一种自动聚焦方法包括:控制成像装置在不同聚焦位置对基因测序目标样本进行拍摄,获得多个基因测序图像;采用权利要求1的方法计算每个基因测序图像的清晰度值,获取所述多个基因测序图像的清晰度值中的最大值,具有最大清晰度值的基因测序图像对应的聚焦位置定义为最佳聚焦位置,以及移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
进一步地,对基因测序目标样本的拍摄以预先选择的基因测序目标样本的中间矩形区域进行。
进一步地,所述矩形区域分割为多个适配成像装置的聚焦范围的小区域,成像装置分别对每个小区域进行拍摄。
一种自动聚焦方法包括:以固定步长同向移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第一基因测序图像,采用权利要求1的方法计算第一基因测序图像的第一清晰度值,如果第一清晰度值递增,则重复执行本步骤;如果第一清晰度值减小,则反向以固定步长移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第二基因测序图像,采用权利要求1的方法计算第二基因测序图像的第二清晰度值,如果第二清晰度值递增,则重复执行本步骤;如果第二清晰度值减小,则每次将步长折半后移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第三基因测序图像,采用权利要求1的方法计算第三基因测序图像的第三清晰度值;获取第三清晰度值中的最大值,定义具有最大第三清晰度值的基因测序图像对应的焦距定义为最佳聚焦位置;以及移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
进一步地,对基因测序目标样本的拍摄以预先选择的基因测序目标样本的中间矩形区域进行。
进一步地,所述矩形区域分割为多个适配成像装置的聚焦范围的小区域,成像装置分别对每个小区域进行拍摄。
进一步地,对基因测序目标样本进行拍摄前进一步包括调平基因测序目标样本的承载平台的步骤。
进一步地,调平基因测序目标样本的承载平台的步骤包括将成像装置分别移动到矩形区域的四个角落,获得每个角落小区域具有最大清晰度值的基因测序图像对应的最佳聚焦位置,根据四个角落的小区域的最佳聚焦位置调平承载平台。
相对于现有技术,本发明的图像清晰度识别方法和测序仪利用均值聚类分析方法获取待识别图像的背景像素灰度均值和目标像素灰度均值;然后利用两个灰度均值的差值定义待识别图像的清晰度值,无需使用模板对待识别图像中的磁珠进行识别,计算量相对也比较少,因此计算速度较快,清晰度识别准确。
附图说明
图1是本发明第一实施例图像清晰度识别方法的流程图。
图2为本发明高通量基因测序图像的预设区域的示意图。
图3为本发明对待识别图像的所有像素进行均值聚类分析的方法流程图。
图4为第一实施例中图像清晰度识别方法获取的不同焦距下图像的清晰度值的曲线图。
图5为本发明第二实施方式自动聚焦方法的流程示意图。
图6为本发明第三实施方式自动聚焦方法的流程示意图。
具体实施方式
为了使本发明的目的.技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
请参阅图1,本发明第一实施例提出一种图像清晰度识别方法,其包括:
S11,提供包括背景像素和目标像素的待识别图像。本实施例中,所述待识别图像可以为测序仪的拍图装置对测序样本拍摄获取的高通量基因测序图像,所述高通量基因测序图像包括多个磁珠,所述目标像素为多个磁珠对应的像素。所述高通量基因测序图像可以为明场图像或荧光图像。明场图像为使用灯光照射样本的条件下拍摄的图像,荧光图像为样本在测序反应后自发光条件下拍摄的图像。
S12,预设背景像素的灰度均值和目标像素的灰度均值,两个灰度均值作为两个聚类中心对待识别图像的所有像素进行均值聚类分析,以获取均值聚类分析后的背景像素灰度均值和目标像素灰度均值。
请一并参考图2,以明场图像为例,在高通量基因测序图像的中心位置选取一预设区域201,对预设区域201内的所有像素的灰度值排序并计算平均值,选取预设区域201像素灰度平均值与预设区域201像素灰度最大值之间的灰度值,例如预设区域201像素灰度平均值与预设区域201像素灰度最大值的平均值作为预设的背景像素的灰度均值。选取预设区域201像素灰度平均值与预设区域201像素灰度最小值之间的灰度值,例如预设区域201像素灰度平均值与预设区域201像素灰度最小值的平均值作为预设的目标像素的灰度均值。以荧光图为例,在高通量基因测序图像的中心位置选取一预设区域201,对预设区域201内的所有像素的灰度值排序并计算平均值,选取预设区域201像素灰度平均值与预设区域201像素灰度最大值之间的灰度值,例如预设区域201像素灰度平均值与预设区域201像素灰度最大值的平均值作为预设的目标像素的灰度均值。选取预设区域201像素灰度平均值与预设区域201像素灰度最小值之间的灰度值,例如预设区域201像素灰度平均值与预设区域201像素灰度最小值的平均值作为预设的背景像素的灰度均值。
较佳实施例中,将待识别图像降低为预设级数的灰度图像,计算并选出像素数量最多的两个灰度级别,将选出的两个灰度级别对应的像素的灰度均值作为两个初始的聚类中心。具体地,所述预设级数可以为8级,本实施例中将待识别图像每个像素的灰度值除以预设参数可以以将待识别图像降低为预设级数的灰度图像,例如待识别图像本来是4096级数灰度的图像,将待识别图像每个像素的灰度值除以预设参数512将待识别图像降低为灰度级别为8级的图像。
替代实施例中,根据待识别图像的类型,也可根据经验预设背景像素的灰度均值和目标像素的灰度均值,例如待识别图像是荧光图,则预设的背景像素的灰度均值可以为200-500之间的数值,例如400;目标像素的灰度均值可分别为800-2000之间的数值,例如900。
请一并参阅图3,本实施例中,所述对待识别图像的所有像素进行均值聚类分析包括:
S31.根据两个聚类中心,将待识别图像的所有像素归类为背景像素和目标像素;
S32.计算所有背景像素的灰度均值和所有目标像素的灰度均值作为两个新的聚类中心;
S33.执行步骤S31-S32一次或多次直到两个新的聚类中心的变化值小于聚类阈值或两个新的聚类中心不再变化。
一实施例中,以荧光图为例,预设目标像素的灰度均值为1500,预设背景像素的灰度均值为380;第一次执行步骤S31-S32,将待识别图像的所有像素中更接近灰度均值1500的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值380的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为1310.7,根据归类后的背景像素重新计算背景像素的灰度均值为363.5,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
很明显,两个新的聚类中心都有较大的变化,因此根据两个新的聚类中心,第二次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值1310.7的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值363.5的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为1183.4,根据归类后的背景像素重新计算背景像素的灰度均值为348.4,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化,因此根据两个新的聚类中心,第三次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值1183.4的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值348.4的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为1103.8,根据归类后的背景像素重新计算背景像素的灰度均值为336.8,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化,因此根据两个新的聚类中心,第四次执行步骤S31-S32,将待识别图像的所有像素中更接近灰度均值1103.8的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值336.8的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为1051.4,根据归类后的背景像素重新计算背景像素的灰度均值为328.2,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第五次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值1051.4的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值328.2的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为1017.1,根据归类后的背景像素重新计算背景像素的灰度均值为322.1,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第六次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值1017.1的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值322.1的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为994.5,根据归类后的背景像素重新计算背景像素的灰度均值为317.8,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第七次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值994.5的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值317.8的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为978.7,根据归类后的背景像素重新计算背景像素的灰度均值为314.6,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第八次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值978.7的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值314.6的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为967.4,根据归类后的背景像素重新计算背景像素的灰度均值为312.3,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第九次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值967.4的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值312.3的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为960.7,根据归类后的背景像素重新计算背景像素的灰度均值为311.0,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
两个新的聚类中心仍然有较大变化, 因此根据两个新的聚类中心,第十次执行步骤S31-S32, 将待识别图像的所有像素中更接近灰度均值960.7的像素归类为目标像素,将待识别图像的所有像素中更接近灰度均值311.0的像素归类为背景像素,然后根据归类后的目标像素重新计算目标像素的灰度均值为958.0,根据归类后的背景像素重新计算背景像素的灰度均值为310.0,并将重新计算后的背景像素的灰度均值和目标像素的灰度均值定义为两个新的聚类中心。
如果设定的聚类阈值为5,则经过上述多次执行步骤S31-S32以后,两个新的聚类中心的变化值小于聚类阈值,开始执行下一步骤S13。替代实施例中,也可以继续循环执行步骤S31-S32,直到两个新的聚类中心不再变化才执行下一步骤S13。
S13,定义聚类分析后的背景像素灰度均值和聚类分析后的目标像素灰度均值的差值为待识别图像的清晰度值。本实施方式中,设聚类分析后的背景像素灰度均值和聚类分析后的目标像素灰度均值分别为958.0和310.0,则待识别图像的清晰度值计算为958.0-310.0=648.0。本实施方式中,所述清晰度值越大则待识别图像越清晰。请参考图4,在不同焦距下对样本进行图像拍摄后,用上述图像清晰度识别方法分别获取不同焦距图像的清晰度值,最大清晰度值的位置则对应实际最佳焦距的位置。
相对于现有技术,本发明的图像清晰度识别方法利用均值聚类分析方法获取待识别图像的背景像素灰度均值和目标像素灰度均值;然后利用两个灰度均值的差值定义待识别图像的清晰度值,无需使用模板对待识别图像中的磁珠进行识别,计算量相对也比较少,因此计算速度较快,实验验证本发明图像清晰度识别方法计算的最大清晰度值的位置正好对应实际最佳焦距的位置,因此本发明的图像清晰度识别方法可以非常准确地识别图像的清晰度值。
请参阅图5,本发明第二实施例提供一种自动聚焦方法,其包括步骤S51-S54。本实施例的自动聚焦方法可以用于控制成像装置对基因测序目标样本进行精确对焦。较佳实施例中,成像装置可以是显微镜和CCD的结合。
步骤S51,控制成像装置在不同聚焦位置对基因测序目标样本进行拍摄,获得多个基因测序图像。本实施例中,通过连续调节成像装置与基因测序目标样本之间的距离,控制成像装置依序在不同聚焦位置对基因测序目标样本进行拍摄,例如从远离基因测序目标样本的位置朝向基因测序目标样本以固定步长步进移动成像装置,每次移动后对基因测序目标样本进行一次拍摄,即可获得连续变化焦距的一组基因测序图像。较佳实施例中所述固定步长可以为0.5um,较佳实施例中一组基因测序图像的数量可以为20。
步骤S52,采用第一实施例的方法计算每个基因测序图像的清晰度值。
本实施例中,采用第一实施例的方法,以单个基因测序图像为例,先计算图像内每个像素的灰度差值,然后对图像的所有像素的灰度差值进行排序,按像素总量的预设比例保留排序后灰度差值较大的部分,滤除其他灰度差值较小的部分,将保留的灰度差值的平均值作为识别单个基因测序图像是否清晰的清晰度值。
步骤S53,获取所述多个基因测序图像的清晰度值中的最大值,具有最大清晰度值的基因测序图像对应的聚焦位置定义为最佳聚焦位置。
本实施例中,根据计算的多个基因测序图像的清晰度值及对应的焦距拟合焦距清晰图曲线,曲线最高点对应的焦距为最佳聚焦位置。
步骤S54,移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
一实施例中,成像装置的聚焦范围远小于基因测序目标样本的面积,对基因测序目标样本的拍摄以预先选择的成像效果较好的基因测序目标样本的中间矩形区域进行。实际拍摄时,将预先选好的基因测序目标样本中间的矩形区域分割为多个适配成像装置的聚焦范围的小区域,然后移动成像装置分别对每个小区域进行拍摄。
本实施例中还可进一步包括调平基因测序目标样本的承载平台的步骤。具体地,拍摄前为了调平基因测序目标样本的承载平台,保证矩形区域的四个角的小区域的最佳聚焦位置的最大误差不超过10um,即保证四个角处的小区域所在平面与成像装置的透镜平面之间的距离的最大差值不超过10um,承载平台将成像装置分别移动到矩形区域的四个角落,获得每个角落小区域具有最大清晰度值的基因测序图像对应的最佳聚焦位置,根据四个角落的最佳聚焦位置调平承载平台。
参考图6,本发明第三实施例提供一另种自动聚焦方法,其包括步骤S61-S65。相对于第二实施例,本实施例先采用固定步长将成像装置调整到最佳聚焦位置附近,然后折半步进查找最佳聚焦位置,聚焦比第二实施方式更快更准确。
步骤S61,以固定步长同向移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第一基因测序图像,采用第一实施例的方法计算第一基因测序图像的第一清晰度值,如果第一清晰度值递增,则重复执行本步骤。较佳实施例中,成像装置可以是显微镜和CCD的结合。本实施例中,通过连续调节成像装置与基因测序目标样本之间的距离,控制成像装置依序在不同聚焦位置对基因测序目标样本进行拍摄,例如从远离基因测序目标样本的位置朝向基因测序目标样本以固定步长步进移动成像装置,每次移动后对基因测序目标样本进行一次拍摄,即可获得连续变化焦距的一组基因测序图像。较佳实施例中所述固定步长可以为2-5um,最佳为4um。
步骤S62,如果第一清晰度值减小,则反向以固定步长移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第二基因测序图像,采用第一实施方式的方法计算第二基因测序图像的第二清晰度值,如果第二清晰度值递增,则重复执行本步骤。
步骤S63,如果第二清晰度值减小,则每次将步长折半后往返步进移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第三基因测序图像,采用第一实施例的方法计算第三基因测序图像的第三清晰度值。本实施例中,经过步骤S31和步骤S32后,成像装置已经比较接近最佳焦距,当第二清晰度值减小时,开始往返步进移动成像装置且每次步进移动的距离减半,每次移动后对基因测序目标样本进行一次拍摄,即可获得连续变化焦距的一组第三基因测序图像。
步骤S64,获取第三清晰度值中的最大值,定义具有最大第三清晰度值的第三基因测序图像对应的焦距定义为最佳聚焦位置,以及
步骤S65,移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
一实施例中,成像装置的聚焦范围远小于基因测序目标样本的面积,对基因测序目标样本的拍摄以预先选择的成像效果较好的基因测序目标样本的中间矩形区域进行。实际拍摄时,将预先选好的基因测序目标样本中间的矩形区域分割为多个适配成像装置的聚焦范围的小区域,然后移动成像装置分别对每个小区域进行拍摄。
本实施例中还可进一步包括调平基因测序目标样本的承载平台的步骤。具体地,拍摄前为了调平基因测序目标样本的承载平台,保证矩形区域的四个角的小区域的最佳聚焦位置的最大误差不超过10um,即保证四个角处的小区域所在平面与成像装置的透镜平面之间的距离的最大差值不超过10um,承载平台分别移动到矩形区域的四个角落,获得每个角落具有最大清晰度值的基因测序图像对应的最佳聚焦位置,根据四个角落的最佳聚焦位置调平承载平台。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改.等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种图像清晰度识别方法,其特征在于:
提供包括背景像素和目标像素的待识别图像;
预设背景像素的灰度均值和目标像素的灰度均值,两个灰度均值作为两个聚类中心对待识别图像的所有像素进行均值聚类分析,以获取均值聚类分析后的背景像素灰度均值和目标像素灰度均值;以及
定义聚类分析后的背景像素灰度均值和聚类分析后的目标像素灰度均值的差值为待识别图像的清晰度值。
2.根据权利要求1所述的图像清晰度识别方法,其特征在于,所述待识别图像为高通量基因测序图像。
3.根据权利要求2所述的图像清晰度识别方法,其特征在于,所述高通量基因测序图像为明场图像或荧光图像。
4.根据权利要求3所述的图像清晰度识别方法,其特征在于,所述高通量基因测序图像为明场图像,所述背景像素的预设灰度均值大于待识别图像中预设区域内所有像素的灰度平均值,所述目标像素的预设灰度均值小于待识别图像中预设区域内所有像素的灰度平均值。
5.根据权利要求3所述的图像清晰度识别方法,其特征在于,所述高通量基因测序图像为荧光图,所述背景像素的预设灰度均值小于待识别图像中预设区域内所有像素的灰度平均值,所述目标像素的预设灰度均值大于待识别图像中预设区域内所有像素的灰度平均值。
6.根据权利要求1所述的图像清晰度识别方法,其特征在于,所述待识别图像包括多个磁珠,所述目标像素为多个磁珠对应的像素。
7.根据权利要求1所述的图像清晰度识别方法,其特征在于,所述清晰度值越大则待识别图像越清晰。
8.根据权利要求1所述的图像清晰度识别方法,其特征在于,所述对待识别图像的所有像素进行均值聚类分析包括:
A.根据两个聚类中心,将待识别图像的所有像素归类为背景像素和目标像素;
B.计算所有背景像素的灰度均值和所有目标像素的灰度均值作为两个新的聚类中心;
C.执行A-B一次或多次直到两个新的聚类中心的变化值小于聚类阈值或两个新的聚类中心不再变化。
9.一种自动聚焦方法,其特征在于包括:
控制成像装置在不同聚焦位置对基因测序目标样本进行拍摄,获得多个基因测序图像;
采用权利要求1的方法计算每个基因测序图像的清晰度值;
获取所述多个基因测序图像的清晰度值中的最大值,具有最大清晰度值的基因测序图像对应的聚焦位置定义为最佳聚焦位置;以及
移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
10.根据权利要求9所述的自动聚焦方法,其特征在于,对基因测序目标样本的拍摄以预先选择的基因测序目标样本的中间矩形区域进行。
11.根据权利要求10所述的自动聚焦方法,其特征在于,所述矩形区域分割为多个适配成像装置的聚焦范围的小区域,成像装置分别对每个小区域进行拍摄。
12.一种自动聚焦方法,其特征在于包括:
以固定步长同向移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第一基因测序图像,采用权利要求1的方法计算第一基因测序图像的第一清晰度值,如果第一清晰度值递增,则重复执行本步骤;
如果第一清晰度值减小,则反向以固定步长移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第二基因测序图像,采用权利要求1的方法计算第二基因测序图像的第二清晰度值,如果第二清晰度值递增,则重复执行本步骤;
如果第二清晰度值减小,则每次将步长折半后移动成像装置并对基因测序目标样本进行拍摄,依次获得不同焦距成像的第三基因测序图像,采用权利要求1的方法计算第三基因测序图像的第三清晰度值;
获取第三清晰度值中的最大值,定义具有最大第三清晰度值的基因测序图像对应的焦距定义为最佳聚焦位置;以及
移动成像装置到最佳聚焦位置对基因测序目标样本进行拍摄。
13.根据权利要求12所述的自动聚焦方法,其特征在于,对基因测序目标样本的拍摄以预先选择的基因测序目标样本的中间矩形区域进行。
14.根据权利要求13所述的自动聚焦方法,其特征在于,所述矩形区域分割为多个适配成像装置的聚焦范围的小区域,成像装置分别对每个小区域进行拍摄。
15.根据权利要求14所述的自动聚焦方法,其特征在于,对基因测序目标样本进行拍摄前进一步包括调平基因测序目标样本的承载平台的步骤。
16.根据权利要求15所述的自动聚焦方法,其特征在于,调平基因测序目标样本的承载平台的步骤包括将成像装置分别移动到矩形区域的四个角落,获得每个角落小区域具有最大清晰度值的基因测序图像对应的最佳聚焦位置,根据四个角落的小区域的最佳聚焦位置调平承载平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357895.8A CN108961201A (zh) | 2017-05-19 | 2017-05-19 | 图像清晰度识别方法和自动聚焦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357895.8A CN108961201A (zh) | 2017-05-19 | 2017-05-19 | 图像清晰度识别方法和自动聚焦方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108961201A true CN108961201A (zh) | 2018-12-07 |
Family
ID=64462404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710357895.8A Withdrawn CN108961201A (zh) | 2017-05-19 | 2017-05-19 | 图像清晰度识别方法和自动聚焦方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961201A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161221A (zh) * | 2019-12-13 | 2020-05-15 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法、装置及系统 |
CN111199536A (zh) * | 2019-12-13 | 2020-05-26 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法及其装置 |
CN113866974A (zh) * | 2020-06-29 | 2021-12-31 | 深圳辉煌耀强科技有限公司 | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996397A (zh) * | 2010-11-04 | 2011-03-30 | 山东易创电子有限公司 | 一种制作数字切片的方法 |
CN103473776A (zh) * | 2013-09-17 | 2013-12-25 | 深圳市华因康高通量生物技术研究院 | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 |
CN103927749A (zh) * | 2014-04-14 | 2014-07-16 | 深圳市华星光电技术有限公司 | 图像处理方法、装置和自动光学检测机 |
CN104574352A (zh) * | 2014-09-02 | 2015-04-29 | 重庆大学 | 一种基于前景图像的人群密度等级分类方法 |
CN105205788A (zh) * | 2015-07-22 | 2015-12-30 | 哈尔滨工业大学深圳研究生院 | 一种针对高通量基因测序图像的去噪方法 |
CN105303187A (zh) * | 2015-12-10 | 2016-02-03 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像识别方法及装置 |
CN105427327A (zh) * | 2015-12-10 | 2016-03-23 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像配准方法及装置 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
-
2017
- 2017-05-19 CN CN201710357895.8A patent/CN108961201A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996397A (zh) * | 2010-11-04 | 2011-03-30 | 山东易创电子有限公司 | 一种制作数字切片的方法 |
CN103473776A (zh) * | 2013-09-17 | 2013-12-25 | 深圳市华因康高通量生物技术研究院 | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 |
CN103927749A (zh) * | 2014-04-14 | 2014-07-16 | 深圳市华星光电技术有限公司 | 图像处理方法、装置和自动光学检测机 |
CN104574352A (zh) * | 2014-09-02 | 2015-04-29 | 重庆大学 | 一种基于前景图像的人群密度等级分类方法 |
CN105205788A (zh) * | 2015-07-22 | 2015-12-30 | 哈尔滨工业大学深圳研究生院 | 一种针对高通量基因测序图像的去噪方法 |
CN105303187A (zh) * | 2015-12-10 | 2016-02-03 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像识别方法及装置 |
CN105427327A (zh) * | 2015-12-10 | 2016-03-23 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像配准方法及装置 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161221A (zh) * | 2019-12-13 | 2020-05-15 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法、装置及系统 |
CN111199536A (zh) * | 2019-12-13 | 2020-05-26 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法及其装置 |
CN111161221B (zh) * | 2019-12-13 | 2023-09-26 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法、装置及系统 |
CN111199536B (zh) * | 2019-12-13 | 2023-11-14 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法及其装置 |
CN113866974A (zh) * | 2020-06-29 | 2021-12-31 | 深圳辉煌耀强科技有限公司 | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100850A (zh) | 图像清晰度识别方法和自动聚焦方法 | |
CN108961201A (zh) | 图像清晰度识别方法和自动聚焦方法 | |
EP3186780B1 (en) | System and method for image scanning | |
CN109085113B (zh) | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 | |
CN108198135B (zh) | 一种全景图像拼接最优缝合线搜索方法 | |
KR20190043468A (ko) | 풀링 타입에 대한 정보를 포함하는 테이블을 작성하기 위한 방법, 장치 및 이를 이용한 테스팅 방법, 테스팅 장치 | |
CN108235816A (zh) | 图像识别方法、系统、电子设备和计算机程序产品 | |
CN114040111B (zh) | 测序仪成像对焦方法及装置、设备、存储介质 | |
CN106031148A (zh) | 成像设备,成像设备中自动对焦的方法以及对应计算机程序 | |
CN106327468A (zh) | 曲线检测方法和曲线检测装置 | |
US20210239952A1 (en) | Method, computer program product, computer-readable medium and system for scanning partial regions of a sample using a scanning microscope | |
CN113176270B (zh) | 一种调光方法、装置及设备 | |
CN111368900A (zh) | 一种图像目标物识别方法 | |
CN113239980A (zh) | 基于小样本机器学习与超参数优化的水下目标检测方法 | |
CN107424155B (zh) | 一种面向光场重聚焦图像的聚焦分割方法 | |
CN113033547A (zh) | 一种基于MobileNetV2的焊接状态分类方法 | |
CN105093509B (zh) | 显微镜的自动聚焦方法、系统及大便镜检显微镜 | |
CN105069480B (zh) | 基于高斯滤波和pso的极化sar地物分类方法 | |
CN106033613B (zh) | 目标跟踪方法及装置 | |
CN106650773A (zh) | 一种基于SVM‑AdaBoost算法的行人检测方法 | |
CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
CN107622265A (zh) | 图像识别方法及自动对焦方法 | |
CN107770434B (zh) | 一种快速聚焦调整方法 | |
CN109507792B (zh) | 一种基于机器学习的光学显微镜自动聚焦方法 | |
US20190370967A1 (en) | Cell image evaluation device, method, and program |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181207 |
|
WW01 | Invention patent application withdrawn after publication |