CN109447119A - 一种结合形态学分割和svm的尿沉渣中管型识别方法 - Google Patents
一种结合形态学分割和svm的尿沉渣中管型识别方法 Download PDFInfo
- Publication number
- CN109447119A CN109447119A CN201811126443.XA CN201811126443A CN109447119A CN 109447119 A CN109447119 A CN 109447119A CN 201811126443 A CN201811126443 A CN 201811126443A CN 109447119 A CN109447119 A CN 109447119A
- Authority
- CN
- China
- Prior art keywords
- image
- cast
- svm
- arena
- sample
- 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.)
- Pending
Links
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
该发明公开了一种结合形态学分割和SVM的尿沉渣中管型识别方法本发明属于图像处理和机器学习技术领域，具体涉及一种结合形态学分割和支持向量机(SVM)的尿沉渣中管型识别方法。对于管型图像，本发明首先通过形态学分割获得候选管型图像，再结合SVM进行自动识别，能够快速、有效、准确地识别出管型，避免了人工识别成本高和识别效率低的缺点。采用特征数多、鲁棒性好，在一般的特征提取基础上利用形态特征、统计特征和纹理特征等共计26维特征向量来对尿沉渣中有形成分进行描述，相较于传统方法，描述更加详细和准确，相较于采用特征维数较少的方案，正确率有所提升。
Description
技术领域
本发明属于图像处理和机器学习技术领域，具体涉及一种结合形态学分割和支持向量机(SVM)的尿沉渣中管型识别方法。
背景技术
当肾脏有轻度或暂时性功能改变时，如剧烈运动、高热、全身麻醉及新功能不全等，尿内可见少量透明管型。在肾实质病变，如肾小球肾炎、肾盂肾炎、肾病综合征时，透明管型明显增多等。因此定量的检测尿沉渣中管型的种类和各种类的数量，在医生确诊病情时有着重要的临床指导意义。
在管型的常规检测中，通常需要一名检测人员来进行尿沉渣样本的预处理以及生物显微镜下的观察。该过程不仅耗时较长，而且检测人员的专业知识将极大地影响尿沉渣中管型数量的准确性。
随着计算机数字图像技术的不断发展，使用计算机自动识别代替人工识别可以提高效率和减低成本。
发明内容
本发明针对尿沉渣中管型检测人工成本高和识别效率低的缺点，设计了一种结合形态学分割和SVM的尿沉渣中管型识别方法，从而达到高效、准确和成本低的识别尿沉渣中管型的目的。
本发明技术方案是一种结合形态学分割和SVM的尿沉渣中管型识别方法，该方法包括以下步骤：
步骤1：人工获得管型样本图像；
步骤2：将步骤1的管型样本图像转为灰度图；
步骤3：利用高斯滤波对步骤2的灰度图像进行滤波处理；
步骤4：利用固定二值化方法对步骤3提取的特征图像进行二值化；
步骤5：利用闭运算对步骤4处理后的图像进行闭运算处理；
步骤6：利用腐蚀对步骤5处理后的图像进行腐蚀处理；
步骤7：利用Canny算子对步骤6处理后的图像提取图像边缘特征；
步骤8：对步骤7的图像进行连通域标记；
步骤9：在步骤8标记后的图像中寻找符合管型要求的连通域，记录其最小外接矩形位置信息；
步骤10：根据步骤9的位置信息，剪裁管型样本图像相应位置图像，获得候选管型图像；
步骤11：对步骤10获得的候选管型图像进行分类，赋予样本真实标签，完成数据集的制作；
步骤12：将步骤11制作好的数据集按4:1的比例随机分为训练集和测试集；
步骤13：设置支持向量机(SVM)的相关参数；
步骤14：将步骤12制作好的训练集送入步骤13设置好的SVM中进行训练，训练完成后保存模型参数；
步骤15：将测试集送入步骤14训练好的SVM模型中，测试结果合格后，之后的待测尿沉渣中管型都送入此模型，得到管型识别结果。
进一步的，所述步骤2样本图像转换为灰度图的计算公式如下所示：
f(i,j)＝R(i,j)×0.3+G(i,j)×0.59+B(i,j)×0.11
其中，f(i,j)是灰度图像在点(i,j)处的灰度值：R(i,j)，G(i,j)，B(i,j)分别对应彩色图(i,j)处Red、Green、Blue分量值。
进一步的，所述步骤3的具体步骤为：
步骤3.1：利用高斯滤波的计算公式如下所示：
其中：(x,y)表示二维点坐标，x表示二维坐标横轴，y表示二维坐标纵轴，σ表示标准差；
步骤3.2：设置单次滤波计算区域为3*3的像素点矩形；
步骤3.3：以这个矩形的中心为原点，设置σ＝0.5进行计算并输出图像。
进一步的，所述步骤4的具体步骤为：
步骤4.1：固定二值化的计算公式如下所示：
其中，src(x,y)是输入图像，dst(x,y)是固定二值化后的输出图像，thresh是阈值，maxval是预设最大值。
步骤4.2：设置具体参数，thresh＝155，maxval＝255；
步骤4.3：将步骤3所得图像送入此公式计算得到输出图像。
进一步的，所述步骤5的具体步骤为：
步骤5.1：闭运算的计算公式如下所示：
dst(x,y)＝erode(dilate(src(x,y),element))
其中dst(x,y)表示经过闭运算计算后的输出图像，erode()表示使用特定的结构元素侵蚀后的图像，dilate()表示使用特定的结构元素扩展后的图像，src(x,y)表示输入的图像，element表示特定的结构元素，本发明使用25x 25矩形结构作为element；
步骤5.2：将步骤4所得图像求局部最大值，计算核element覆盖的区域的像素点的最大值，设置element为(25,25)；
步骤5.3；将步骤5.2所得图像求局部最小值，计算核element覆盖的区域的像素点的最小值，设置element为(25,25)。
进一步的，所述步骤7的具体步骤为：
步骤7.1：利用Canny算子提取图像边缘特征，使用高斯平滑滤波器卷积降噪；
步骤7.2：运用一对卷积阵列，分别作用于x和y方向，卷积阵列如下所示：
步骤7.3：使用下列公式计算梯度幅值和方向：
步骤7.4：梯度方向近似到四个可能的角度之一，0度角或者45度角或者90度角或者135度角；
步骤7.5：非极大值抑制，抛出非边缘像素，仅仅保留候选边缘；
步骤7.6：滞后阈值计算，如果某一像素位置的幅值超过高阈值，该像素被保留为边缘像素；如果某一像素位置的幅值小于低阈值,该像素被排除；如果某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留；低阈值设置为100，高阈值设置为245。
进一步的，所述步骤9的具体步骤为在步骤8标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息。
进一步的，所述步骤10的具体步骤为根据步骤9的记录的位置信息，在样本图像的相应位置进行裁剪，获得候选管型图像，利用形态学分割获得获选管型图像包括尿沉渣中管型、红细胞、白细胞和杂质，并从中随机抽取了管型7500张，红细胞2500张，白细胞2500张和杂质2500张。
进一步的，所述步骤11的具体步骤为：
步骤11.1：将步骤10中的尿沉渣中管型分为正样本，并赋予样本标签1；
步骤11.2：将步骤10中的尿沉渣中红细胞、白细胞和杂质分为负样本，并赋予样本标签0；
步骤11.3：将步骤11.1和11.2中的正样本和负样本以1:1的比例合并在一起，制成数据集；正样本7500个，负样本7500个，比例为1:1。
进一步的，所述步骤12的具体步骤为从步骤11中的总量为15000个样本的数据集总随机抽取12000个样本作为训练集，余下的3000个样本作为测试集，比例为4:1。
进一步的，所述步骤13的具体步骤为：
步骤13.1：设置SVM的内核类型为线性支持向量机分类器；
步骤13.2：设置惩罚规范策略参数penalty＝‘I2’；
步骤13.3：设置损失函数参数loss＝‘squared_hinge’；
步骤13.4：设置二元优化算法参数dual＝True；
步骤13.5：设置错误项的惩罚参数C＝0.05；
步骤13.6：设置权重调整参数class_weight＝‘balanced’；
步骤13.7：设置最大迭代次数参数max_iter＝1000；
步骤13.8：设置训练停止精度参数tol＝1e-4。
进一步的，所述步骤15的具体步骤为：
步骤15.1：利用步骤14获得的模型对测试集进行测试；
步骤15.2：如果测试集正确率低于95％，对模型参数进行微调，重复步骤13、步骤14；如果测试集正确率大于95％，保存模型参数。
本发明的优点
一方面，本发明采用特征数多、鲁棒性好，在一般的特征提取基础上利用形态特征、统计特征和纹理特征等共计26维特征向量来对尿沉渣中有形成分进行描述，相较于传统方法，描述更加详细和准确，相较于采用特征维数较少的方案，正确率有所提升。
另一方面，应用SVM分类器提升正确率，目前国内外的各类尿沉渣分析仪都是完全基于形态学的理论进行尿沉渣中各类有形成分的识别。本文利用形态学进行初步的分割筛选，最终的结果判断是利用了机器学习的理论，具有更灵活的适应性，在复杂的实验环境下，相较于传统形态学识别方案，正确率有所提升。
附图说明
图1是尿沉渣图像；
图2是形态学分割的具体流程；
图3是一种结合形态学分割和SVM的尿沉渣中管型识别方法的流程图。
具体实施方式
下面结合附图，对本发明一种结合形态学分割和SVM的尿沉渣中管型识别方法进行详细说明：
步骤1：人工获得管型样本图像；
步骤2：将步骤1的管型样本图像转为灰度图；
步骤3：利用高斯滤波对步骤2的灰度图像进行滤波处理；
步骤3.1：设置单次滤波计算区域为3*3的像素点图；
步骤3.2：以这个矩形的中心为原点，选取σ＝0.5计算后输出图像；
步骤4：利用固定二值化方法对步骤3提取的特征图像进行二值化；
步骤4.1：设置具体参数，thresh＝155，maxval＝255；
步骤4.2：将步骤3.2所得图像送入此公式计算得到输出图像；
步骤4.3：利用如下公式进行固定二值化的计算：
其中，src(x,y)是输入图像，dst(x,y)是固定二值化后的输出图像，thresh是阈值，maxval是预设最大值。
步骤5：利用闭运算对步骤4.3处理后的图像进行闭运算处理；
步骤5.1：将步骤4所得图像求局部最大值，计算核element覆盖的区域的像素点的最大值，本发明中，element为(25,25)；
步骤5.2；将步骤5.2所得图像求局部最小值，计算核element覆盖的区域的像素点的最小值，本发明中，element为(25,25)；
步骤5.3：利用如下公式进行闭运算：
dst(x,y)＝close(src(x,y),element)＝erode(dilate(src(x,y),element))
步骤6：利用腐蚀对步骤5处理后的图像进行腐蚀处理；
步骤7：利用Canny算子对步骤6处理后的图像提取图像边缘特征；
步骤7.1：利用Canny算子提取图像边缘特征，使用高斯平滑滤波器卷积降噪；
步骤7.2：运用一对卷积阵列，分别作用于x和y方向；
步骤7.3：计算梯度幅值和方向：
步骤7.4：梯度方向近似到四个可能的角度之一，0度角或者45度角或者90度角或者135度角；
步骤7.5：非极大值抑制，抛出非边缘像素，仅仅保留候选边缘；
步骤7.6：滞后阈值计算，如果某一像素位置的幅值超过高阈值,该像素被保留为边缘像素。如果某一像素位置的幅值小于低阈值,该像素被排除。如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。本发明中低阈值设置为100，高阈值设置为245；
步骤8：对步骤7的图像进行连通域标记；
步骤9：在步骤8标记后的图像中寻找复合要求的连通域，记录其最小外接矩形位置信息；
步骤9.1：在步骤8标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息；
步骤10：根据步骤9的位置信息，裁剪管型样本图像相应位置图像，获得候选管型图像；
步骤10.1：根据步骤9的记录的位置信息，在样本图像的相应位置进行裁剪，获得候选管型图像，本发明利用形态学分割获得获选管型图像包括尿沉渣中管型、红细胞、白细胞和杂质，并从中随机抽取了管型7500张，红细胞2500张，白细胞2500张和杂质2500张；
步骤11：对步骤10获得的候选管型图像进行分类，赋予样本真实标签，完成数据集的制作；
步骤11.1：将步骤10中的尿沉渣中管型分为正样本，并赋予样本标签1；
步骤11.2：将步骤10中的尿沉渣中红细胞、白细胞和杂质分为负样本，并赋予样本标签0；
步骤11.3：将步骤11.1和11.2中的正样本和负样本以1:1的比例合并在一起，制成数据集。本发明中正样本7500个，负样本7500个，比例为1:1。
步骤12：将步骤11制作好的数据集按4:1的比例随机分为训练集和测试集；
步骤12.1：从步骤11中的总量为15000个样本的数据集总随机抽取12000个样本作为训练集，余下的3000个样本作为测试集，比例为4:1。
步骤13：设置支持向量机(SVM)的相关参数；
步骤13.1：设置SVM的内核类型为LinearSVC(线性支持向量机分类器)；
步骤13.2：设置惩罚规范策略参数penalty＝‘I2’；
步骤13.3：设置损失函数参数loss＝‘squared_hinge’；
步骤13.4：设置二元优化算法参数dual＝True；
步骤13.5：设置错误项的惩罚参数C＝0.05；
步骤13.6：设置权重调整参数class_weight＝‘balanced’；
步骤13.7：设置最大迭代次数参数max_iter＝1000；
步骤13.8：设置训练停止精度参数tol＝1e-4；
步骤14：将步骤12制作好的训练集送入步骤13设置好的SVM中进行训练，训练完成后保存模型参数；
步骤15：将测试集送入步骤14训练好的SVM模型中，测试结果合格后，之后的待测尿沉渣中管型都送入此模型，得到管型识别结果。
Claims (10)
1.一种结合形态学分割和SVM的尿沉渣中管型识别方法，该方法包括以下步骤：
步骤1：人工获得管型样本图像；
步骤2：将步骤1的管型样本图像转为灰度图；
步骤3：利用高斯滤波对步骤2的灰度图像进行滤波处理；
步骤4：利用固定二值化方法对步骤3提取的特征图像进行二值化；
步骤5：利用闭运算对步骤4处理后的图像进行闭运算处理；
步骤6：利用腐蚀对步骤5处理后的图像进行腐蚀处理；
步骤7：利用Canny算子对步骤6处理后的图像提取图像边缘特征；
步骤8：对步骤7的图像进行连通域标记；
步骤9：在步骤8标记后的图像中寻找符合管型要求的连通域，记录其最小外接矩形位置信息；
步骤10：根据步骤9的位置信息，剪裁管型样本图像相应位置图像，获得候选管型图像；
步骤11：对步骤10获得的候选管型图像进行分类，赋予样本真实标签，完成数据集的制作；
步骤12：将步骤11制作好的数据集按4:1的比例随机分为训练集和测试集；
步骤13：设置支持向量机(SVM)的相关参数；
步骤14：将步骤12制作好的训练集送入步骤13设置好的SVM中进行训练，训练完成后保存模型参数；
步骤15：将测试集送入步骤14训练好的SVM模型中，测试结果合格后，之后的待测尿沉渣中管型都送入此模型，得到管型识别结果。
2.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤2样本图像转换为灰度图的计算公式如下所示：
f(i,j)＝R(i,j)×0.3+G(i,j)×0.59+B(i,j)×0.11
其中，f(i,j)是灰度图像在点(i,j)处的灰度值：R(i,j)，G(i,j)，B(i,j)分别对应彩色图(i,j)处Red、Green、Blue分量值。
3.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤3的具体步骤为：
步骤3.1：利用高斯滤波的计算公式如下所示：
其中：(x,y)表示二维点坐标，x表示二维坐标横轴，y表示二维坐标纵轴，σ表示标准差；
步骤3.2：设置单次滤波计算区域为3*3的像素点矩形；
步骤3.3：以这个矩形的中心为原点，设置σ＝0.5进行计算并输出图像。
4.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤4的具体步骤为：
步骤4.1：固定二值化的计算公式如下所示：
其中，src(x,y)是输入图像，dst(x,y)是固定二值化后的输出图像，thresh是阈值，maxval是预设最大值。
步骤4.2：设置具体参数，thresh＝155，maxval＝255；
步骤4.3：将步骤3所得图像送入此公式计算得到输出图像。
5.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤5的具体步骤为：
步骤5.1：闭运算的计算公式如下所示：
dst(x,y)＝erode(dilate(src(x,y),element))
其中dst(x,y)表示经过闭运算计算后的输出图像，erode()表示使用特定的结构元素侵蚀后的图像，dilate()表示使用特定的结构元素扩展后的图像，src(x,y)表示输入的图像，element表示特定的结构元素，本发明使用25x 25矩形结构作为element；
步骤5.2：将步骤4所得图像求局部最大值，计算核element覆盖的区域的像素点的最大值，设置element为(25,25)；
步骤5.3；将步骤5.2所得图像求局部最小值，计算核element覆盖的区域的像素点的最小值，设置element为(25,25)。
6.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤7的具体步骤为：
步骤7.1：利用Canny算子提取图像边缘特征，使用高斯平滑滤波器卷积降噪；
步骤7.2：运用一对卷积阵列，分别作用于x和y方向，卷积阵列如下所示：
步骤7.3：使用下列公式计算梯度幅值和方向：
步骤7.4：梯度方向近似到四个可能的角度之一，0度角或者45度角或者90度角或者135度角；
步骤7.5：非极大值抑制，抛出非边缘像素，仅仅保留候选边缘；
步骤7.6：滞后阈值计算，如果某一像素位置的幅值超过高阈值，该像素被保留为边缘像素；如果某一像素位置的幅值小于低阈值,该像素被排除；如果某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留；低阈值设置为100，高阈值设置为245。
7.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤9的具体步骤为在步骤8标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息；
所述步骤10的具体步骤为根据步骤9的记录的位置信息，在样本图像的相应位置进行裁剪，获得候选管型图像，利用形态学分割获得获选管型图像包括尿沉渣中管型、红细胞、白细胞和杂质，并从中随机抽取了管型7500张，红细胞2500张，白细胞2500张和杂质2500张。
8.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤11的具体步骤为：
步骤11.1：将步骤10中的尿沉渣中管型分为正样本，并赋予样本标签1；
步骤11.2：将步骤10中的尿沉渣中红细胞、白细胞和杂质分为负样本，并赋予样本标签0；
步骤11.3：将步骤11.1和11.2中的正样本和负样本以1:1的比例合并在一起，制成数据集；正样本7500个，负样本7500个，比例为1:1。
9.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤12的具体步骤为从步骤11中的总量为15000个样本的数据集总随机抽取12000个样本作为训练集，余下的3000个样本作为测试集，比例为4:1；
所述步骤15的具体步骤为：
步骤15.1：利用步骤14获得的模型对测试集进行测试；
步骤15.2：如果测试集正确率低于95％，对模型参数进行微调，重复步骤13、步骤14；如果测试集正确率大于95％，保存模型参数。
10.如权利要求1所述的一种结合形态学分割和SVM的尿沉渣中管型识别方法,其特征在于所述步骤13的具体步骤为：
步骤13.1：设置SVM的内核类型为线性支持向量机分类器；
步骤13.2：设置惩罚规范策略参数penalty＝‘I2’；
步骤13.3：设置损失函数参数loss＝‘squared_hinge’；
步骤13.4：设置二元优化算法参数dual＝True；
步骤13.5：设置错误项的惩罚参数C＝0.05；
步骤13.6：设置权重调整参数class_weight＝‘balanced’；
步骤13.7：设置最大迭代次数参数max_iter＝1000；
步骤13.8：设置训练停止精度参数tol＝1e-4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811126443.XA CN109447119A (zh) | 2018-09-26 | 2018-09-26 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811126443.XA CN109447119A (zh) | 2018-09-26 | 2018-09-26 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447119A true CN109447119A (zh) | 2019-03-08 |
Family
ID=65544479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811126443.XA Pending CN109447119A (zh) | 2018-09-26 | 2018-09-26 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447119A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717465A (zh) * | 2019-10-15 | 2020-01-21 | 周兴祥 | 一种基于草酸钙结晶的识别方法及系统 |
| CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
| CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
| CN112819057A (zh) * | 2021-01-25 | 2021-05-18 | 长春迈克赛德医疗科技有限公司 | 一种尿沉渣图像的自动识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383004A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种红外和可见光图像相结合的乘客目标检测方法 |
| CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
| CN103793902A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 管型识别方法和装置、以及尿液分析仪 |
| CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
| CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
| CN108564124A (zh) * | 2018-04-13 | 2018-09-21 | 山东农业大学 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
| CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
-
2018
- 2018-09-26 CN CN201811126443.XA patent/CN109447119A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383004A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种红外和可见光图像相结合的乘客目标检测方法 |
| CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
| CN103793902A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 管型识别方法和装置、以及尿液分析仪 |
| CN106485700A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于卷积神经网络的肾小管上皮细胞的自动检测方法 |
| CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
| CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
| CN108564124A (zh) * | 2018-04-13 | 2018-09-21 | 山东农业大学 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| YAN ZHOU;HOUKUI ZHOU: "Automatic Classification and Recognition of Particles in Urinary Sediment Images", 《COMPUTER, INFORMATICS, CYBERNETICS AND APPLICATIONS》 * |
| 于林杰: "尿沉渣显微图像有形成分分割与特征提取", 《万方数据》 * |
| 李悦: "基于图像处理的尿沉渣图像自动识别研究", 《万方数据》 * |
| 赵少华: "尿沉渣图像中红白细胞的分割与识别", 《万方数据》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717465A (zh) * | 2019-10-15 | 2020-01-21 | 周兴祥 | 一种基于草酸钙结晶的识别方法及系统 |
| CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
| CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
| CN112819057A (zh) * | 2021-01-25 | 2021-05-18 | 长春迈克赛德医疗科技有限公司 | 一种尿沉渣图像的自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| CN109447119A (zh) | 一种结合形态学分割和svm的尿沉渣中管型识别方法 | |
| CN106570486B (zh) | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
| CN108564124A (zh) | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 | |
| CN107665324A (zh) | 一种图像识别方法及终端 | |
| CN109636784A (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
| CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN105931241B (zh) | 一种自然场景图像的自动标注方法 | |
| CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
| Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
| CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
| CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
| CN108765465A (zh) | 一种无监督sar图像变化检测方法 | |
| CN103679187B (zh) | 图像识别方法和系统 | |
| Zhou et al. | Leukocyte image segmentation based on adaptive histogram thresholding and contour detection | |
| CN107492084B (zh) | 基于随机性的典型成团细胞核图像合成方法 | |
| CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
| CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
| CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
| CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |