CN109409182B - 基于图像处理的胚胎自动识别方法 - Google Patents
基于图像处理的胚胎自动识别方法 Download PDFInfo
- Publication number
- CN109409182B CN109409182B CN201810786777.3A CN201810786777A CN109409182B CN 109409182 B CN109409182 B CN 109409182B CN 201810786777 A CN201810786777 A CN 201810786777A CN 109409182 B CN109409182 B CN 109409182B
- Authority
- CN
- China
- Prior art keywords
- embryo
- circle
- pseudo
- arc
- fitting
- 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
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000002257 embryonic structure Anatomy 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 15
- 210000001109 blastomere Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000013020 embryo development Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000004340 zona pellucida Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像处理的胚胎自动识别方法，所述基于图像处理的胚胎自动识别方法包括以下步骤：(A1)边缘检测：预处理胚胎的图像，获得图像的边缘检测结果；(A2)线段绘制：将所述边缘检测结果的边缘端拟合为线段，得到线段图；(A3)弧合成：将线段图中的线段合并为弧；(A4)圆和椭圆的合成：将所述弧拟合为圆和椭圆(A5)伪圆和伪椭圆的去除：去除圆和椭圆中伪圆和伪椭圆，从而获得胚胎的识别结果。本发明具有检测快速、精确定位、胚胎选择客观性好等优点。
Description
技术领域
本发明涉及胚胎检测，特别涉及基于图像处理的胚胎自动识别方法。
背景技术
人类显微胚胎图像自动分析是辅助生殖领域的一项重要技术，包括透明带自动分割、原核形态学分析、碎片率分析、胚胎自动识别等。在单胚胎移植的情况下，选择高质量的胚胎进行移植是保证妊娠成功的关键，现阶段胚胎质量评估主要依靠胚胎专家遴选出优质胚胎，整个过程耗时又费力，且工作量巨大。而胚胎自动识别技术作为胚胎质量评估的重要手段之一，能有效提升胚胎专家的工作效率，增加胚胎选择的客观性。
现有的胚胎识别方法主要有圆拟合算法和椭圆拟合算法。圆拟合胚胎识别算法主要包括：霍夫变换、模板匹配、最小二乘法拟合等方法。圆拟合胚胎识别算法具有运算速度快、效率高的优点，但存在对类椭圆型卵裂球识别不准确的问题。椭圆拟合胚胎识别算法主要包括：三角形法、区域合并、ARCPSO (Particle Swarm Optimization and Arccombination)和随机抽样一致算法等。椭圆拟合胚胎识别往往具有较高的识别准确率，但存在运算速度慢，参数优化复杂等问题。
Akinlar等提出的EDCircles算法是基于圆弧段之间的约束条件，先进行圆拟合，再利用剩下的弧进行椭圆拟合，能实现圆拟合和椭圆拟合算法的优势互补，具有运行时间短，抗噪性能强的优点，成功应用于手表、硬币、球类、车牌、血细胞图像中的类圆形和类椭圆型物体的检测。但将其应用到胚胎识别中，主要有以下缺陷：
1.存在卵裂球边缘细节丢失问题，将导致部分卵裂球未被识别；
2.采集到的图片存在培养皿光圈以及胚胎碎片的干扰问题，导致识别结果会出现伪圆和伪椭圆。
因此，从复杂的胚胎图像中快速、准确识别胚胎是目前技术的一个难点。
发明内容
为解决上述现有技术方案中的不足，本发明提供了一种检测快速、精确定位、胚胎选择的客观性好的基于图像处理的胚胎自动识别方法。
本发明的目的是通过以下技术方案实现的：
一种基于图像处理的胚胎自动识别方法，所述基于图像处理的胚胎自动识别方法包括以下步骤：
(A1)边缘检测：预处理胚胎的图像，获得图像的边缘检测结果；
(A2)线段绘制：将所述边缘检测结果的边缘端拟合为线段，得到线段图；
(A3)弧合成：将线段图中的线段合并为弧；
(A4)圆和椭圆的合成：将所述弧拟合为圆和椭圆
(A5)伪圆和伪椭圆的去除：去除圆和椭圆中伪圆和伪椭圆，从而获得胚胎的识别结果。
与现有技术相比，本发明具有的有益效果为：
1.本发明避免了现阶段胚胎检测主要依靠胚胎专家遴选出优质胚胎，整个过程耗时又费力，且工作量巨大等缺点，实现了快速全自动地将胚胎检测出来，提高了胚胎选择客观性；
2.本发明首先通过EDContous算法进行预处理,其次通过EDCircles算法先进行圆检测再进行椭圆检测，最后通过阈值约束方法有效去除培养皿光圈以及胚胎碎片的干扰，识别结果精确，识别精度高，保证了卵裂球识别的全面性。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：
图1本发明实施例的基于图像处理的胚胎自动识别方法的流程图；
图2是胚胎发育示意图；
图3是边缘段转化为线段示意图；
图4是单胚胎实验对比结果；
图5是多胚胎实验对比结果。
具体实施方式
图1-5 和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。
实施例1：
图1示意性地给出了本发明实施例1的基于图像处理的胚胎自动识别方法的结构简图，如图1所示，所述基于图像处理的胚胎自动识别方法包括：
(A1)基于EDContours算法的边缘检测：运用EDContours算法，在不同尺度空间下，将原始图像与高斯核进行卷积操作，利用EDPF算法的边缘叠加运算获得边缘检测结果。所述的运算次数为15-30，优选21次。
2)基于EDCircles算法的线段绘制：利用EDCircles算法的EDLines将边缘段拟合为线段，再利用Helmholtz原理去除伪线段，得到线段图。
3)基于EDCircles算法的弧合成：将满足条件的线段合并成弧。
4)基于EDCircles算法的圆和椭圆检测：将最长弧和满足限制条件的弧拟合成圆；然后按弧长顺序，利用最小二乘圆拟合算法依次进行圆拟合；将剩下的弧，利用增强的直接最小二乘椭圆拟合算法进行椭圆拟合。
5)基于阈值约束方法的伪圆和伪椭圆去除：利用圆半径与椭圆短轴的约束，去除伪圆和伪椭圆，得到最终的识别结果。
在步骤(A1)中，卷积操作公式为：
其中I[x，y]为输入的图像；
表示高斯核；t为尺度空间，t＝δ2，δ为迭代因子，δ＝[1,4]
在(A2)中，EDLines算法控制参数：
其中g(x，y) 是梯度值，gx(x，y)代表x轴方向的梯度值：
Helmholtz原理控制的NFA值：
其中，N4表示在一副N×N的图像中存在N4条线段，n表示线段的长度，k表示至少有k个点与该线段的方向一致，p表示线段方向的可能性
在所述步骤(A3)中，线段合成弧的具体方式为：
至少三条线段的方向相同，且满足夹角阈值条件(6°，60°)，νi与νi+1之间的夹角
signi表示向量νi的方向：signi＝sign(xiyi+1-xi+1yi)，向量νi＝(xiyi)，向量νi+1＝(xi+1yi+1)。
在步骤(A4)中，圆和椭圆的合成的具体方式为：
将最长弧和满足限制条件的弧拟合成圆；
按弧长顺序，利用最小二乘圆拟合算法依次进行圆拟合
将剩下的弧，利用增强的直接最小二乘椭圆拟合算法进行椭圆拟合。
在步骤(A4)中，所述限制条件为：
弧半径限制：半径差异在25％以内；
圆心距离限制：不能超过最长弧半径的25％；
角度限制：满足前两个条件的圆弧角度总和大于π。
在步骤(A5)中，所述伪圆和伪椭圆的去除的具体方式为：
分别利用圆半径与椭圆短轴的约束，如，删除半径大于120，小于20的伪圆；伪椭圆去除：删除短轴大于120，小于20的伪椭圆。
实施例2
根据本发明实施例1的基于胚胎图像的自动识别方法的应用例。
在该应用例中，如图2所示，本发明主要应用于胚胎发育过程的第一天(D1)、第二天(D2)和第三天(D3)所呈现的胚胎图像。
本实施例的基于图像处理的胚胎自动识别方法，包括以下步骤：
(A1)读取胚胎图片，进行图像预处理：
1)输入一幅待处理的图像I[x,y]，如图1(a)所示，初始化轮廓图 ContourMap[x,y]＝0、δ＝1.0。
2)计算t值(尺度参数，代表尺度空间水平)，t＝δ×δ；
3)原图像与高斯核进行卷积操作L(I[x,y],t)：
4)用EDPF算法对卷积结果进行边缘检测，EdgeSements＝EDPF(L(I[x,y],t))。
5)更新边缘图：
ContourMap[x,y]＝ContourMap[x,y]+EdgeSements。
6)更新迭代因子δ，δ＝δ+0.25，判断更新后δ是否大于4.0，若大于 4.0，输出轮廓图结果ContourMap[x,y]；否则转到第2步，执行2-6步骤。
7)结束，得到边缘检测图，如图1(b)所示。
(A2)在预处理得到的图像上，将边缘段转化为线段：
将边缘段转化为线段包括生成边缘、提取线段和去除伪线段这三个步骤，如图3所示，具体步骤如下：
1)对边缘(如图1(b))进行高斯滤波，其中高斯滤波步骤中取5×5的高斯核，高斯分布参数σ＝1。
2)基于ED算法生成一系列连续的锚点，梯度大小和方向的计算如下：
3)寻找锚点，连接并生成边缘。例如，在水平方向上，g(x,y)-g(x-1,y)≥AchorThresh(AchorThresh设置为8)且
g(x,y)-g(x+1,y)≥AchorThresh，那么该像素点为水平方向的锚点。
4)采用最小二乘法进行拟合，从生成的像素链中提取线段。
5)利用Helmholtz原理对伪线段进行去除：
经过此步骤，得到的线段图如图1(c)所示。
(A3)线段合成圆弧
边缘段经EDLines算法拟合成线段后，利用弧检测方法将满足条件的线段合成弧。弧的检测步骤如下：依次计算相邻两条线段之间的夹角和方向，若线段中至少三条线段的方向相同，且满足夹角阈值条件(6°～60°)，就将其组成一段弧。
向量集合为{v1,v2,…,vi,…,vn}，其中向量表示为vi＝(xi,yi)， vi+1＝(xi+1,yi+1)，θi表示向量vi与vi+1之间的夹角，signi表示向量vi的方向，计算公式如下：
例如向量集合{v1,v2,v3,v4,v5,v6,v7}，它们方向相同，向量之间的夹角依次为70°、55°、43°、47°、30°、80°，v1和v7不满足条件，最终{v2,v3,v4,v5,v6} 组成一段弧。
(A4)圆和椭圆检测
在上述步骤后，首先将最长弧和满足对应条件的弧拟合成圆；然后按弧长顺序依次进行圆拟合；最后，将剩下的弧拟合成椭圆。
将最长的弧A1延长拟合成圆，遍历所有的弧，判断它们能否加入到弧A1 的拟合中，判断准则与检测方法主要思路如下：
1)半径差异限制：半径差异25％以内。例如，最长弧A1的半径为100，加入拟合序列中的弧长度限制为75～125。
2)圆心距离限制：圆心距离不能超过最长弧半径的25％。例如，最长弧A1 的半径为100，加入拟合序列中的弧圆心与最长弧A1圆心之间的距离不能超过 25。
3)角度限制：满足1)、2)条件的圆弧角度总和需大于π。
经过弧拟合成圆的算法步骤后，剩下的弧用作椭圆拟合。椭圆的拟合方法类似，差异在于：椭圆的半径差异和圆心距离限制都是50％。圆拟合和椭圆拟合分别采用最小二乘圆拟合算法和增强的直接最小二乘椭圆拟合算法。
(A5)阈值约束方法去除伪圆和伪椭圆
由于胚胎生活在培养皿中，用Time-lapse获取的胚胎图像存在光圈以及胚胎碎片的干扰，导致检测结果中存在伪圆和伪椭圆。经过测试，阈值设置在 20～120时能获得良好的检测结果，限制条件如下：1)伪圆去除：删除半径大于 120，小于20的圆。2)伪椭圆去除：删除短轴大于120，小于20的椭圆。
图4所示的单胚胎实验对比结果，(a1)、(a2)是输入的胚胎图像，(b1)、(b2) 是本发明的识别结果，(c1)、(c2)是EDCircles算法的识别结果。
图5是多胚胎实验对比结果，(a1)、(a2)、(a3)是输入的胚胎图像；(b1)、(b2)、(b3)是本发明的识别结果；(c1)、(c2)、(c3)是EDCircles算法的识别结果。
由以上对比可知，本发明明显地提高了精度，也提高了胚胎识别的客观性。
Claims (8)
1.一种基于图像处理的胚胎自动识别方法，其特征在于：所述基于图像处理的胚胎自动识别方法包括以下步骤：
(A1)边缘检测：预处理胚胎的图像，获得图像的边缘检测结果；所述预处理的方式为：
运用EDContours算法，在不同尺度空间下，将胚胎图像与高斯核进行卷积操作，利用EDPF算法的边缘叠加运算获得边缘检测结果；
卷积操作公式为：
其中I[x，y]为输入的胚胎图像；
表示高斯核；t为尺度空间，t＝δ2，δ为迭代因子，δ＝[1,4]；
(A2)线段绘制：将所述边缘检测结果的边缘端拟合为线段，得到线段图；
(A3)弧合成：将线段图中的线段合并为弧；
(A4)圆和椭圆的合成：将所述弧拟合为圆和椭圆
(A5)伪圆和伪椭圆的去除：去除圆和椭圆中伪圆和伪椭圆，从而获得胚胎的识别结果。
2.根据权利要求1所述的基于图像处理的胚胎自动识别方法，其特征在于：线段绘制的具体方式为：
利用EDCircles算法的EDLines将边缘段拟合为线段，再利用Helmholtz原理去除伪线段，得到线段图。
3.根据权利要求2所述的基于图像处理的胚胎自动识别方法，其特征在于：EDLines算法控制参数：
其中g(x，y)是梯度值，gx(x，y)代表x轴方向的梯度值：
4.根据权利要求2所述的基于图像处理的胚胎自动识别方法，其特征在于：Helmholtz原理控制的NFA值：
其中，N4表示在一副N×N的图像中存在N4条线段，n表示线段的长度，k表示至少有k个点与该线段的方向一致，p表示线段方向的可能性。
5.根据权利要求1所述的基于图像处理的胚胎自动识别方法，其特征在于：所述弧合成的具体方式为：
至少三条线段的方向相同，且满足夹角阈值条件(6°，60°)，νi与νi+1之间的夹角
signi表示向量νi的方向：signi＝sign(xiyi+1-xi+1yi)，向量νi＝(xiyi)，向量νi+1＝(xi+1yi+1)。
6.根据权利要求1所述的基于图像处理的胚胎自动识别方法，其特征在于：圆和椭圆的合成的具体方式为：
将最长弧和满足限制条件的弧拟合成圆；
按弧长顺序，利用最小二乘圆拟合算法依次进行圆拟合
将剩下的弧，利用增强的直接最小二乘椭圆拟合算法进行椭圆拟合。
7.根据权利要求6所述的基于图像处理的胚胎自动识别方法，其特征在于：所述限制条件为：
弧半径限制：半径差异在25％以内；
圆心距离限制：不能超过最长弧半径的25％；
角度限制：满足前两个条件的圆弧角度总和大于π。
8.根据权利要求1所述的基于图像处理的胚胎自动识别方法，其特征在于：所述伪圆和伪椭圆的去除的具体方式为：
分别利用圆半径与椭圆短轴的约束，去除伪圆和伪椭圆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810786777.3A CN109409182B (zh) | 2018-07-17 | 2018-07-17 | 基于图像处理的胚胎自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810786777.3A CN109409182B (zh) | 2018-07-17 | 2018-07-17 | 基于图像处理的胚胎自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409182A CN109409182A (zh) | 2019-03-01 |
| CN109409182B true CN109409182B (zh) | 2021-03-05 |
Family
ID=65463472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810786777.3A Active CN109409182B (zh) | 2018-07-17 | 2018-07-17 | 基于图像处理的胚胎自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409182B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020251045A1 (en) * | 2019-04-04 | 2021-11-11 | Presagen Pty Ltd | Method and system for selecting embryos |
| CN109886966B (zh) * | 2019-05-09 | 2019-08-09 | 湖南自兴智慧医疗科技有限公司 | 一种从超声波图像中提取目标特征的图像处理方法 |
| CN110796127A (zh) * | 2020-01-06 | 2020-02-14 | 四川通信科研规划设计有限责任公司 | 基于遮挡感知的胚胎原核检测系统、存储介质及终端 |
| CN116071746A (zh) * | 2023-04-06 | 2023-05-05 | 北京寻因生物科技有限公司 | 一种细胞图像识别分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2278548A1 (en) * | 2009-07-21 | 2011-01-26 | Karlsruher Institut für Technologie | Analysis of embryo images |
| CN105678810A (zh) * | 2016-01-12 | 2016-06-15 | 上海交通大学 | 基于全局和局部层次最优的细胞跟踪方法 |
| CN106022250A (zh) * | 2016-05-17 | 2016-10-12 | 华中科技大学 | 一种基于细胞运动信息和灰度特性的胚胎分裂检测方法 |
| CN106845444A (zh) * | 2017-02-15 | 2017-06-13 | 西安交通大学 | 一种基于弧‑点结合的车载井盖检测方法 |
| CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
-
2018
- 2018-07-17 CN CN201810786777.3A patent/CN109409182B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2278548A1 (en) * | 2009-07-21 | 2011-01-26 | Karlsruher Institut für Technologie | Analysis of embryo images |
| CN105678810A (zh) * | 2016-01-12 | 2016-06-15 | 上海交通大学 | 基于全局和局部层次最优的细胞跟踪方法 |
| CN106022250A (zh) * | 2016-05-17 | 2016-10-12 | 华中科技大学 | 一种基于细胞运动信息和灰度特性的胚胎分裂检测方法 |
| CN106845444A (zh) * | 2017-02-15 | 2017-06-13 | 西安交通大学 | 一种基于弧‑点结合的车载井盖检测方法 |
| CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《"EDCircles: A real-time circle detector with a false detection control》;Cuneyt Akinlar et al;《Pattern Recognition》;20121003;第725-740页 * |
| 《斑马鱼胚胎图像的形态学特征分析》;程磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215(第12期);第11-12页第2.2小节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409182A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409182B (zh) | 基于图像处理的胚胎自动识别方法 | |
| CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
| CN113658150B (zh) | 一种基于深度学习的染色体自动分割和分类方法 | |
| CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
| CN111462068B (zh) | 一种基于迁移学习的螺钉螺母检测方法 | |
| CN109919145B (zh) | 一种基于3d点云深度学习的矿卡检测方法及系统 | |
| CN113361636B (zh) | 一种图像分类方法、系统、介质及电子设备 | |
| CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
| CN110826389A (zh) | 基于注意力3d频率卷积神经网络的步态识别方法 | |
| Kheradmand et al. | Inner cell mass segmentation in human hmc embryo images using fully convolutional network | |
| JP7336806B2 (ja) | 細胞および細胞内の形態モデリングと分類のための、細胞および組織の３次元画像解析 | |
| CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
| CN111310737A (zh) | 一种车道线检测方法及装置 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
| CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
| Arora et al. | An algorithm to straighten the bent human chromosomes | |
| CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
| Kilic et al. | Automated nuclei detection on pleural effusion cytopathology images using YOLOv3 | |
| CN109460768A (zh) | 一种用于组织病理学显微图像的文本检测与去除方法 | |
| CN115984639A (zh) | 一种零件疲劳状态智能检测方法 | |
| CN112446345B (zh) | 一种低质量三维人脸识别方法、系统、设备和存储介质 | |
| Liu et al. | Automated phase segmentation and quantification of high-resolution TEM image for alloy design |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: West side of 1st floor, 1st floor, Building A, No. 288 Jingu Middle Road (East), Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee after: CHINA INNOVATION INSTRUMENT Co.,Ltd. Country or region after: China Address before: Room 304, D Building, Kexin Building, 655 Xueshi Road, Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee before: CHINA INNOVATION INSTRUMENT Co.,Ltd. Country or region before: China |