CN109344851B - 图像分类显示方法和装置、分析仪器和存储介质 - Google Patents
图像分类显示方法和装置、分析仪器和存储介质 Download PDFInfo
- Publication number
- CN109344851B CN109344851B CN201810864299.3A CN201810864299A CN109344851B CN 109344851 B CN109344851 B CN 109344851B CN 201810864299 A CN201810864299 A CN 201810864299A CN 109344851 B CN109344851 B CN 109344851B
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- segmented image
- component
- classification
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像分类显示方法和装置、分析仪器和存储介质。该方法包括:计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度;将最大相似度所属的成分类别作为待识别分割图像的初始成分类别;将待识别分割图像显示在初始成分类别的框选区域中;响应于待识别分割图像被选中,显示多个相似度中数值最高的前n个相似度和所属成分类别,以确定待识别分割图像的最终成分类别。采用本发明实施例中的技术方案,能够基于图像处理结果进一步判别成分类别,提高图像成分识别的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分类显示方法和装置、分析仪器和存储介质。
背景技术
随着图像处理技术在医疗领域的应用扩展,越来越多的医疗设备需要基于图像处理技术实现其功能。以尿沉渣分析仪为例,其工作原理为:由照相机将尿液样本拍摄成图像序列,然后利用图像处理技术实现对各图像中有形成分的分割和识别,在提高设备检测效率同时,也有助于减少医生的工作量。尿液中的有形成分较多,包括:红细胞、白细胞、结晶、精子、透明管型、病理管型等。且尿液中除有形成分以外,还存在各种各样的杂质成分。对于灰度像素差异和形态差异较小的成分图像而言,仅采用图像处理技术很难进行准确识别,如何基于图像处理结果进一步判别成分类别成为急需解决的问题。
发明内容
本发明实施例提供了一种图像分类显示方法和装置、分析仪器和存储介质,能够基于图像处理结果进一步判别成分类别,提高图像成分识别的准确率。
第一方面,本发明实施例提供一种图像分类显示方法,该方法包括:
计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度;
将最大相似度所属的成分类别作为待识别分割图像的初始成分类别;
将待识别分割图像显示在初始成分类别的框选区域中;
响应于待识别分割图像被选中,显示多个相似度中数值最高的前n个相似度和所属成分类别,以确定待识别分割图像的最终成分类别,n为大于等于2的整数。
在第一方面的一种可能的实施方式中,在确定待识别分割图像的最终成分类别之后,该方法还包括:若待识别分割图像的最终成分类别与初始成分类别不一致,则将待识别分割图像显示在最终成分类别的框选区域中。
在第一方面的一种可能的实施方式中,在计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度之后,该方法还包括:若待识别分割图像的相对于多个成分类别的相似度均低于预设阈值,则将待识别分割图像识别为未知图像;将待识别分割图像显示在未知图像的框选区域中。
在第一方面的一种可能的实施方式中,计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度,包括:提取待识别分割图像中的有效连通区域的多个特征值,待识别分割图像包括一个有效连通区域;从多个特征值中选取相关性系数最小的m个特征值,m为大于等于2的整数;基于预设的神经网络对m个特征值进行处理,计算得到待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
在第一方面的一种可能的实施方式中,在基于预设的神经网络对m个特征值进行处理之前,该方法还包括:从成分类别已知的多张分割图像中选取预定比例的分割图像作为训练集;根据训练集中各分割图像的有效连通区域的多个特征值和对应的成分类别对初始神经网络进行训练;对训练后的神经网络进行验证;若验证通过,则将训练后的神经网络作为预设的神经网络。
在第一方面的一种可能的实施方式中,对训练后的神经网络进行验证,包括;将成分类别已知的多张分割图像中除预定比例外的其他分割图像作为测试集;根据测试集中各分割图像的有效连通区域的多个特征值和对应的成分类别,对训练后的神经网络进行验证。
在第一方面的一种可能的实施方式中,特征值包括:形状类特征值、像素分布类特征值、基于灰度共生矩阵的纹理类特征值和基于灰度与梯度共生矩阵的纹理类特征值。
在第一方面的一种可能的实施方式中,预设的神经网络的输出层神经元的个数为N+1,N为待分割图像所属样本中有形成分的总类别数,1为杂质成分。
第二方面,本发明实施例提供一种图像分类显示装置,该装置包括:
计算模块,用于计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度;
识别模块,用于将最大相似度所属的成分类别作为待识别分割图像的初始成分类别;
第一显示模块,用于将待识别分割图像显示在初始成分类别的框选区域中;
第二显示模块,用于响应于待识别分割图像被选中,显示多个相似度中数值最高的前n个相似度和所属成分类别,以确定待识别分割图像的最终成分类别,n为大于等于2的整数。
第三方面,本发明实施例提供一种分析仪器,该分析仪器包括如上所述的图像分类显示装置。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有程序,程序被处理器执行时实现如上所述的图像分类显示方法。
如上所述,由于本申请将待识别分割图像与目标成分集合中各目标成分类别的相似度中的最大相似度所属的成分类别,作为待识别分割图像的初始成分类别,并将该待识别分割图像显示在初始成分类别的框选区域中,且响应于待识别分割图像被选中,显示数值最高的前n个相似度和其所属成分类别,从而能够对待识别分割图像的进一步判别提供数据支持,提高图像成分识别精度。
附图说明
从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明,其中,相同或相似的附图标记表示相同或相似的特征。
图1为本发明一个实施例提供的图像分类显示方法的流程示意图;
图2为本发明实施例提供的与白细胞对应的一个分割图像的示意图;
图3为本发明实施例提供的与鳞状上皮细胞对应的一个分割图像的示意图;
图4为本发明实施例提供的透明管型的初始分类框选示意图;
图5为本发明实施例提供的鳞状上皮细胞的初始分类框选示意图;
图6为本发明一个实施例提供的病理管型的初始分类框选示意图;
图7为本发明另一实施例提供的病理管型的初始分类框选示意图;
图8为本发明实施例提供的白细胞的初始分类框选示意图;
图9为本发明实施例提供的对透明管型复查后的分类框选示意图;
图10为本发明实施例提供的对鳞状上皮细胞复查后的分类框选示意图;
图11为本发明实施例提供的对病理管型复查后的分类框选示意图;
图12为本发明实施例提供的一种BP神经网络的结构示意图;
图13为本发明另一实施例提供的图像分类显示方法的流程示意图;
图14为本发明实施例提供的神经网络数据的传输示意图;
图15为本发明实施例提供的神经网络训练方法的示意图;
图16为本发明实施例提供的训练集的示意图;
图17为本发明实施例提供的图像分类装置的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明的全面理解。
本发明实施例提供了一种图像分类显示方法和装置、分析仪器和存储介质,用于采用图像处理技术的医疗设备,比如尿沉渣分析仪。采用本发明实施例中的技术方案,能够基于图像处理结果进一步判别成分类别,提高图像成分识别的准确率。
图1为本发明一个实施例提供的图像分类显示方法的流程示意图。如图1所示,该图像分类显示方法包括步骤101至104。
在步骤101中,计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
目标成分集合指的是样本所包含成分类别的集合。通常,样本的原始图像进行分割后可以得到分割图像集合,每张分割图像对应一个有形成分,通过对分割图像中的有效连通区域的处理,可以得到分割图像的成分类别,比如,红细胞、白细胞、结晶、精子、透明管型、病理管型、鳞状上皮细胞或者杂质成分。
图2为本发明实施例提供的与白细胞对应的一个分割图像的示意图。其中,箭头201指示的位于虚线框内的灰度区域为该分割图像的有效连通区域,而虚线框以外的其他灰度区域为背景区域。
图3为本发明实施例提供的与鳞状上皮细胞对应的一个分割图像的示意图。其中,箭头301指示的位于虚线框内的灰度区域为该分割图像的有效连通区域,而虚线框以外的其他灰度区域为背景区域。
在一个示例中,若分割图像与红细胞对应的输出值为0.95,表示该分割图像中的有效连通区域形状与红细胞的相似程度为95%;若分割图像与白细胞对应的输出值为0.50,说明该分割图像中的有效连通区域形状与红细胞的相似程度为50%。
在步骤102中,将最大相似度所属的成分类别作为待识别分割图像的初始成分类别。
接着上文中的例子,若两者中的最大相似度为95%,且95%所属的成分类别为红细胞,则可以认为该分割图像的初始成分类别为红细胞。
在步骤103中,将待识别分割图像显示在初始成分类别的框选区域中。示例性地,可以按照成分类别将同一种分类样本汇集在显示界面的同一页中。
图4为本发明实施例提供的透明管型的初始分类框选示意图。图4中示出的识别为透明管型的分割图像的编号分别为:401、402、403和404。
图5为本发明实施例提供的鳞状上皮细胞的初始分类框选示意图。图5中示出的识别为鳞状上皮细胞的分割图像的编号分别为:501、502和503。
图6为本发明一个实施例提供的病理管型的初始分类框选示意图。图6中示出的识别为病理管型的分割图像的编号分别为:601、602、603、604和605。
如图4至图6所示,显示界面包括A区、B区和C区域。其中,A区包括图片查看按钮、列表按钮、比较按钮和采选按钮等。
当用户利用输入设备选中图片查看按钮时,会出现类别选项。B区会显示尿液中包含的细胞或物质名称的按钮(比如,红细胞、白细胞、白细胞团、鳞状上皮细胞、透明管型、病理管型、粘液丝、细菌、酵母菌、非鳞状上皮细胞、精子等),B区还会显示未知按钮和全图按钮。
当用户通过输入设备选中透明管型按钮时,C区会显示步骤102中最大相似度所属的成分类别为透明管型时的所有分割图像。
在一个示例中,若待识别分割图像的相对于多个成分类别的相似度均低于预设阈值(比如,0.1),则说明分类失败,可以将待识别分割图像识别为未知图像,并将待识别分割图像显示在未知图像的框选区域中。这样,当用户通过输入设备选中未知按钮时,C会显示所有没有被算法成功分类的分割图像。
在一个示例中,当用户通过输入设备选中全图按钮时,C区会显示尿液中所含的所有有形物质的分割图像。
在步骤104中,响应于待识别分割图像被选中,显示多个相似度中数值最高的前n个相似度和所属成分类别,以确定待识别分割图像的最终成分类别,n为大于等于2的整数。
图7为本发明另一实施例提供的病理管型的初始分类框选示意图。图7与图6的不同之处在于,当选中病理管型的框选区域中的最后一个分割图像605时,在分割图像605附近会弹出浮窗。浮窗中显示有该分割图像在步骤102中得到的数值为前三的成分类别及相似度分数,分别为:病理管型,0.835;鳞状上皮细胞,0.618;透明管型,0.209。
图8为本发明实施例提供的白细胞的初始分类框选示意图。图8中选中的分割图像的数值为前三的成分类别及相似度分数分别为:白细胞WBC,0.998;红细胞RBC,0.853;结晶体CRYS,0.808。
这些信息可以帮助医生用来进行复查,医生可以清楚地知道基于神经网络和图像处理技术分类时对该待识别分割图像的打分,将打分结果结合医生经验,就可以准确判断识别结果是否正确,从而得到该待识别分割图像的最终成分类别。
以分割图像605为例,虽然基于神经网络和图像处理技术,分割图像605与病理管型类别的相似度为0.835,高于与鳞状上皮细胞类别的相似度0.618,但是,根据医生的经验判断,分割图像605的形状与鳞状上皮细胞更加相似,且其与鳞状上皮细胞的相似度并未很低,因此,可以判断图7中的识别结果错误,得到分割图像605的最终成分类别为鳞状上皮细胞。
如上所述,由于本申请将待识别分割图像与目标成分集合中各目标成分类别的相似度中的最大相似度所属的成分类别,作为待识别分割图像的初始成分类别,并将该待识别分割图像显示在初始成分类别的框选区域中,且响应于待识别分割图像被选中,显示数值最高的前n个相似度和其所属成分类别,从而能够对待识别分割图像的进一步判别提供数据支持,提高图像成分识别精度。
在一个可选实施例中,如果待识别分割图像的最终成分类别与初始成分类别不一致,可以将待识别分割图像显示在最终成分类别的框选区域中。即当医生觉得识别有错误时,可以选中该样本,进行分类结果调整。
具体操作时,可以选中识别错误的分割图像,然后从弹出的浮选框中选择正确的成分类别进行双击,将该分割图像移动到相应的分类下面。
图9为本发明实施例提供的对透明管型复查后的分类框选示意图。根据医生经验和相似度数据,分割图像404应该为病理管型,故与图4相比,图9移除了分割图像404。
图10为本发明实施例提供的对鳞状上皮细胞复查后的分类框选示意图。根据医生经验和相似度数据,分割图像605应该为鳞状上皮细胞,故与图5相比,分割图像605被移动至图10中。
图11为本发明实施例提供的对病理管型复查后的分类框选示意图。与图6相比,图11中移除了分割图像605且分割图像404被移动至图11中。
进一步地,为解决因有形成分以及杂质成分的灰度像素差异和形态差异而导致的成分识别困难,进一步提高图像成分识别精度,在本申请中可以基于神经网络和图像处理技术进行图像分类识别。
神经网络的重要功能是能够进行自适应学习。BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。采用BP神经网络的算法能够使网络的实际输出值和期望输出值的误差均方差为最小。
图12为本发明实施例提供的一种BP神经网络的结构示意图。
如图12所示,BP神经网络包括输入层和输出层,以及设置于输入层与输出层之间的隐藏层,隐藏层中的神经元称为隐单元,它们与外界没有直接的联系,但其状态的改变能影响输入与输出之间的关系。图12中示出的隐藏层为2层结构,隐藏层的层数越多表示运算越复杂,计算精度也越高,本领域技术人员可以根据实际需要选择隐藏层的层数。
由于BP神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,就能够在给定输入值时得到最接近期望输出值的结果。因此,可以考虑基于训练后的BP神经网络有效识别出图像中的有形成分和杂质,提高图像成分识别的准确率。若无特别说明,下文中提到的神经网络指的是BP神经网络。
图13为本发明另一实施例提供的图像分类显示方法的流程示意图,图13与图1的不同之处在于,图1中的步骤101可细化为图13中的步骤1011和步骤1013。
在步骤1011中,提取待识别分割图像中的有效连通区域的多个特征值。待识别分割图像包括一个有效连通区域(参阅图2和图3)。
在本发明实施例中,用于表征有效连通类别的特征值可以包括但不限于以下特征值:形状类特征值、像素分布类特征值、基于灰度共生矩阵的纹理类特征值和基于灰度与梯度共生矩阵的纹理类特征值。
其中,形状类的特征值包括:
1)有效连通区域的周长x1。
具体地,有效连通区域通过边界追踪得到边界链码,根据边界链码计算得到有效连通区域的周长x1。链码是用于表示由起始坐标点依次连接的具有指定长度和方向的边界,本领域技术人员可以查找边界链码相关的算法资料计算得到有效连通区域的周长,此处不进行赘述。
2)有效连通区域的面积x2。
x2等于有效连通区域的像素点总数目。
3)有效连通区域的圆度率x3。
x3等于有效连通区域的面积和具有相同周长的一个圆的面积的比值,用于描述有效连通区域的形状与圆的相似度。
4)有效连通区域的最小外接矩长宽比x4。
x4等于有效连通区域的最小外接矩形的长度和宽度的比值,用于描述有效连通区域的细长程度。
5)有效连通区域的矩形度x5。
x5等于有效连通区域的面积和最小外接矩形的面积的比值,用于描述有效连通区域和矩形的相似程度。
像素分布类特征值包括:
6)有效连通区域中孔洞的面积占比s1。
s1等于有效连通区域中的孔洞面积和有效连通区域的总面积的比值,用于描述有效连通区域的像素透明度情况。
7)有效连通区域的像素均值s2。
s2等于有效连通区域内所有像素点值的和与像素点总数目的比值。
8)有效连通区域的像素标准差s3。
s3等于有效连通区域内所有像素点的离均差(像素点的值与像素均值之差)平方的算术平均数的平方根。
9)有效连通区域的梯度均值s4。
s4等于对有效连通区域进行边缘梯度运算后,各像素点值的和像素点总数目的比值。
10)有效连通区域的梯度标准差s5。
s5等于对有效连通区域进行边缘梯度运算后,所有像素点的离均差(像素点的值与梯度均值之差)平方的算术平均数的平方根。
纹理是灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系。
灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。若Q是两个像素相对位置的算子,则可以通过计算两个象素灰度级同时发生的概率,得到灰度共生矩阵G。
灰度共生矩阵G中的元素gij是zi和zj的像素在图像f中由Q所指定的位置处的出现的次数。
在一个示例中,满足Q的一个值为(zi,zj)的点对的概率pij为:
pij=gij/n (1)
其中,1≤i,j≤L,L为灰度图像f的灰度级的个数,n为满足Q的像素对的总数目。
基于灰度共生矩阵的纹理类特征值包括:
11)能量f1:
12)对比度f2:
13)逆差距f3:
14)熵f4:
15)自相关系数f5:
其中,K是矩阵G的行数。
灰度与梯度共生矩阵纹理分析方法是用灰度和梯度的综合信息提取纹理特征,它考虑了像素灰度与边缘梯度的联合统计分布。
灰度与梯度共生矩阵H(x,y)定位为:集合{(i,j)|f(i,j)=x且g(i,j)=y;i,j=0,1,…,N-1中灰度值为x,梯度值为y的元素的个数。
其中,x=0,1,...,;L-1;y=0,1,...,Lg-1,L为灰度图像f中的灰度级数,Lg为基于灰度图像f得到的梯度图像g的梯度级数,N为行数或者列数。
16)小梯度优势T1:
17)大梯度优势T2:
18)灰度分布不均匀度T3:
19)梯度分布不均匀度T4:
20)能量T5:
21)灰度平均值T6:
22)梯度平均值T7:
23)灰度均方差T8:
24)梯度均方差T9:
25)自相关系数T10:
26)灰度熵T11:
27)梯度熵T12:
28)混合熵T13:
29)惯性T14:
30)逆差距T15:
在步骤1012中,从多个特征值中选取相关性系数最小的m个特征值,m为大于等于2的整数。
在该步骤中,为了降低基于神经网络进行图像识别时运算强度,并提高图像识别的准确率,可以从上文中所列出的涉及形状、像素分布和纹理的30种特征值中选取相关性系数最小的m个特征值。
具体地,可以根据公式(27)计算任意两个特征值之间的相关性系数ρX,Y:
其中,cov(X,Y)为特征值向量X和Y的协方差,σX为特征值向量X的标准差,σY为特征值向量Y的标准差。
在步骤1013中,基于预设的神经网络对m个特征值进行处理,计算得到待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
具体地,可以先对m个特征值进行归一化处理,然后基于预设的神经网络对m个特征值的归一化结果进行处理,计算得到待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
图14为本发明实施例提供的神经网络数据的传输示意图。其中,输入层神经元的个数为m,Ia1、Ia2、Ia3…Iam表示待识别分割图像a的m个特征值。输出层神经元的个数为N+1,L1、L2、L3…分别表示有形成分类别,LN+1表示杂质成分类别。隐藏层包括两层,每层隐藏层神经元的个数为n,λ为0到10之间的任一整数。
当需要对分割图像进行识别时,只要将待识别分割图像a的m个特征值(Ia1、Ia2、Ia3…Iam)分别输入到m个输入层神经元,m个特征值经过预设的神经网络后(参阅图15)就可以输出该待识别分割图像与各成分类别(L1、L2、L3…LN+1)对应的相似度。
需要说明的是,图14仅示出了一种优选的神经网络结构,实际使用时,本领域技术人员可以根据实际需要调整输入层神经元的个数、输出层神经元的个数、隐藏层的数目以及每个隐藏层神经元的个数。
下面对神经网络的训练过程进行说明。
图15为本发明实施例提供的神经网络训练方法的示意图。如图15所示,该神经网络训练方法包括步骤151至步骤154。
在步骤151中,从成分类别已知的多张分割图像中选取预定比例的分割图像作为训练集。
图16为本发明实施例提供的训练集示意图。
图16中共示出3种已知成分类别的分割图像。其中,有形成分1对应的多张分割图像中的有效连通区域呈方形。有形成分2对应的多张分割图像中的有效连通区域呈团簇状的不规则形态。有形成分3对应的多张分割图像中的有效连通区域呈规则的椭圆形态。上述三种有形成分对应的分割图像中的有效连通区域的像素分布也不同,此处不在赘述。
图16中还示出杂质成分的多张分割图像。其中,杂质成分的形状和像素分布不固定,呈多种变化形态。
在步骤152中,根据训练集中各分割图像的有效连通区域的多个特征值和对应的成分类别对初始神经网络进行训练。
在步骤153中,对训练后的神经网络进行验证。
具体地,可以将成分类别已知的多张分割图像中除预定比例外的其他分割图像作为测试集,根据测试集中各分割图像的有效连通区域的多个特征值和对应的成分类别,对训练后的神经网络进行验证。
在步骤154中,若验证通过,则将训练后的神经网络作为预设的神经网络,从而避免训练不合格的神经网络参与后续实际运算,进一步提高图像识别的准确率。
进一步地,考虑到神经网络中训练的比重较大,可以将预定比例设置为大于或者等于二分之一,以保证神经网络训练结果有效。
在一个示例中,预定比例可以为3/4。即在训练过程中,可以将样本按比例分为训练集和测试集,训练集和测试集数量比例可以设定为3:1。训练学习率设定为0.001,学习次数为5000次。
在一个示例中,可以选取10个成分类别,每个成分类别包括100个训练样本,则共1000个训练样本,然后按照3:1将这1000个样本随机分为训练集和测试集展开神经网络训练。
当需要进行杂质成分的识别时,可以将上述选取的10个成分类型中的一个成分类别设置为杂质成分。
图17为本发明实施例提供的图像识别装置的结构示意图。如图17所示,该图像识别装置包括计算模块171、识别模块172、第一显示模块173和第二显示模块174。
其中,计算模块171用于计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
识别模块172用于将最大相似度所属的成分类别作为待识别分割图像的初始成分类别。
第一显示模块173用于将待识别分割图像显示在初始成分类别的框选区域中;
第二显示模块174用于响应于待识别分割图像被选中,显示多个相似度中数值最高的前n个相似度和所属成分类别,以确定待识别分割图像的最终成分类别,n为大于等于2的整数。
本发明实施例还提供一种分析仪器,该分析仪器包括如上所述的图像分类显示装置。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,程序被处理器执行时实现如上所述的图像分类显示方法。
需要明确的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言,相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后作出各种改变、修改和添加,或者改变步骤之间的顺序。并且,为了简明起见,这里省略对已知方法技术的详细描述。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明实施例可以以其他的具体形式实现,而不脱离其精神和本质特征。例如,特定实施例中所描述的算法可以被修改,而系统体系结构并不脱离本发明实施例的基本精神。因此,当前的实施例在所有方面都被看作是示例性的而非限定性的,本发明实施例的范围由所附权利要求而非上述描述定义,并且,落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明实施例的范围之中。
Claims (12)
1.一种图像分类显示方法,其特征在于,包括:
计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度;
将最大相似度所属的成分类别作为所述待识别分割图像的初始成分类别;
将所述待识别分割图像显示在所述初始成分类别的框选区域中;
响应于所述待识别分割图像被选中,显示所述多个相似度中数值最高的前n个相似度和所属成分类别,以确定所述待识别分割图像的最终成分类别,n为大于等于2的整数。
2.根据权利要求1所述的方法,其特征在于,在所述确定待识别分割图像的最终成分类别之后,所述方法还包括:
若所述待识别分割图像的最终成分类别与所述初始成分类别不一致,则将所述待识别分割图像显示在所述最终成分类别的框选区域中。
3.根据权利要求1所述的方法,其特征在于,在所述计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度之后,所述方法还包括:
若所述待识别分割图像的相对于所述多个成分类别的相似度均低于预设阈值,则将所述待识别分割图像识别为未知图像;
将所述待识别分割图像显示在所述未知图像的框选区域中。
4.根据权利要求1所述的方法,其特征在于,所述计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度,包括:
提取待识别分割图像中的有效连通区域的多个特征值,所述待识别分割图像包括一个有效连通区域;
从所述多个特征值中选取相关性系数最小的m个特征值,m为大于等于2的整数;
基于预设的神经网络对所述m个特征值进行处理,计算得到所述待识别分割图像与目标成分集合中各目标成分类别之间的相似度。
5.根据权利要求4所述的方法,其特征在于,在所述基于预设的神经网络对所述m个特征值进行处理之前,所述方法还包括:
从成分类别已知的多张分割图像中选取预定比例的分割图像作为训练集;
根据所述训练集中各分割图像的有效连通区域的多个特征值和对应的成分类别对初始神经网络进行训练;
对训练后的神经网络进行验证;
若验证通过,则将所述训练后的神经网络作为所述预设的神经网络。
6.根据权利要求5所述的方法,其特征在于,所述对训练后的神经网络进行验证,包括;
将所述成分类别已知的多张分割图像中除所述预定比例外的其他分割图像作为测试集;
根据所述测试集中各分割图像的有效连通区域的多个特征值和对应的成分类别,对所述训练后的神经网络进行验证。
7.根据权利要求4所述的方法,其特征在于,所述特征值包括:形状类特征值、像素分布类特征值、基于灰度共生矩阵的纹理类特征值和基于灰度与梯度共生矩阵的纹理类特征值。
8.根据权利要求4所述的方法,其特征在于,所述预设的神经网络的输出层神经元的个数为N+1,N为所述待识别分割图像所属样本中有形成分的总类别数,1为杂质成分。
10.一种图像分类显示装置,其特征在于,包括:
计算模块,用于计算待识别分割图像与目标成分集合中各目标成分类别之间的相似度;
识别模块,用于将最大相似度所属的成分类别作为所述待识别分割图像的初始成分类别;
第一显示模块,用于将所述待识别分割图像显示在所述初始成分类别的框选区域中;
第二显示模块,用于响应于所述待识别分割图像被选中,显示所述多个相似度中数值最高的前n个相似度和所属成分类别,以确定所述待识别分割图像的最终成分类别,n为大于等于2的整数。
11.一种分析仪器,其特征在于,包括如权利要求10所述的图像分类显示装置。
12.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9任意一项所述的图像分类显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864299.3A CN109344851B (zh) | 2018-08-01 | 2018-08-01 | 图像分类显示方法和装置、分析仪器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864299.3A CN109344851B (zh) | 2018-08-01 | 2018-08-01 | 图像分类显示方法和装置、分析仪器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344851A CN109344851A (zh) | 2019-02-15 |
CN109344851B true CN109344851B (zh) | 2020-11-10 |
Family
ID=65291506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864299.3A Active CN109344851B (zh) | 2018-08-01 | 2018-08-01 | 图像分类显示方法和装置、分析仪器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344851B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378303B (zh) * | 2019-07-25 | 2021-07-09 | 杭州睿琪软件有限公司 | 用于对象识别的方法及系统 |
CN110490086B (zh) * | 2019-07-25 | 2021-08-20 | 杭州睿琪软件有限公司 | 一种用于对象识别结果二次确认的方法及系统 |
CN110458232B (zh) * | 2019-08-13 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 一种确定图像风格相似度的方法及设备 |
CN110674805B (zh) * | 2019-10-11 | 2022-04-15 | 杭州睿琪软件有限公司 | 昆虫识别方法及系统 |
CN110807139B (zh) * | 2019-10-23 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图片识别方法、装置、计算机可读存储介质和计算机设备 |
CN113057529B (zh) * | 2021-02-22 | 2022-04-22 | 江苏柯林博特智能科技有限公司 | 一种基于楼梯清扫机器人的垃圾分类控制系统 |
CN112926434A (zh) * | 2021-02-22 | 2021-06-08 | 王先峰 | 一种基于5g架构的人脸识别设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
WO2012107786A1 (en) * | 2011-02-09 | 2012-08-16 | Rudjer Boskovic Institute | System and method for blind extraction of features from measurement data |
CN106649487A (zh) * | 2016-10-09 | 2017-05-10 | 苏州大学 | 基于兴趣目标的图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070160274A1 (en) * | 2006-01-10 | 2007-07-12 | Adi Mashiach | System and method for segmenting structures in a series of images |
-
2018
- 2018-08-01 CN CN201810864299.3A patent/CN109344851B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1645139A (zh) * | 2004-12-27 | 2005-07-27 | 长春迪瑞实业有限公司 | 使用图像识别系统分析不离心尿液的方法 |
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
WO2012107786A1 (en) * | 2011-02-09 | 2012-08-16 | Rudjer Boskovic Institute | System and method for blind extraction of features from measurement data |
CN106649487A (zh) * | 2016-10-09 | 2017-05-10 | 苏州大学 | 基于兴趣目标的图像检索方法 |
Non-Patent Citations (1)
Title |
---|
尿沉渣有形成分识别算法研究;刘平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215;I138-648 * |
Also Published As
Publication number | Publication date |
---|---|
CN109344851A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344851B (zh) | 图像分类显示方法和装置、分析仪器和存储介质 | |
CN106845421B (zh) | 基于多区域特征与度量学习的人脸特征识别方法及系统 | |
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Sznitman et al. | Active testing for face detection and localization | |
CN103136504B (zh) | 人脸识别方法及装置 | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
CN106446890B (zh) | 一种基于窗口打分和超像素分割的候选区域提取方法 | |
Mai et al. | Comparing salient object detection results without ground truth | |
WO2022205502A1 (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
CN111931867B (zh) | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN110827327B (zh) | 一种基于融合的长期目标跟踪方法 | |
CN110826629A (zh) | 一种基于细粒度分类的耳镜图像辅助诊断方法 | |
Sun et al. | Perceptual multi-channel visual feature fusion for scene categorization | |
CN109344852A (zh) | 图像识别方法和装置、分析仪器和存储介质 | |
CN116934747B (zh) | 眼底图像分割模型训练方法、设备和青光眼辅助诊断系统 | |
Oliveira et al. | A multi-objective approach for calibration and detection of cervical cells nuclei | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
US11132572B2 (en) | Method and system for splicing and restoring shredded paper based on extreme learning machine | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
CN107679528A (zh) | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 |
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 |