CN110223307B - 一种基于图像识别的血液细胞计数方法 - Google Patents
一种基于图像识别的血液细胞计数方法 Download PDFInfo
- Publication number
- CN110223307B CN110223307B CN201810169651.1A CN201810169651A CN110223307B CN 110223307 B CN110223307 B CN 110223307B CN 201810169651 A CN201810169651 A CN 201810169651A CN 110223307 B CN110223307 B CN 110223307B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- edge
- size
- blood cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004820 blood count Methods 0.000 title claims abstract description 16
- 210000000601 blood cell Anatomy 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000002146 bilateral effect Effects 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000000463 material Substances 0.000 description 8
- 210000000265 leukocyte Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的血液细胞计数方法,其步骤包括:获取图像,进行预处理、双边滤波和边缘检测;双边滤波后的灰度图和边缘检测后的边缘图分割为若干个灰度小图和边缘小图;对每个小图进行扫描,根据边缘点位置的最大灰度值和最小灰度值计算出每张小图的阈值,根据阈值对每张小图进行扫描,高于阈值的区域为血液细胞图像区域,将高于阀值的像素点置为255,其他置为0,输出边缘图,检测边缘图中的连续区域,根据血液细胞大小的均值在当前规格图片上的像素大小剔除过大或过小连续区域,统计剩下的连续区域数量,即为所识别出的血液细胞总数。
Description
技术领域
本发明属于医疗检测技术领域,涉及一种基于图像识别的血液细胞计数方法。
背景技术
目前的血液细胞检测方法中,最常用的是专利申请号为201610676970.2的一种白带显微图像中白细胞的自动识别方法,通过对显微镜图像进行灰度处理,再寻找图像中的连通区域,根据白细胞实际的形态,对图像中连通区域进行依次筛选,最终识别出白带中的白细胞图像。
上述方法,只能用于白带中的白细胞检测,只能提取白细胞边缘图像(详见专利中的步骤5和步骤6),无法提取真正的白细胞图像,识别准确率不高;并且在图片光亮度不均匀的情况下无法准确识别。
发明内容
(一)发明目的
本发明的目的是:提供一种基于图像识别的血液细胞计数方法,通过对图像进行分区处理和识别,从而有效的消除亮度不均匀、其他材质性渐变背景对识别的影响,提高在亮度不均匀、其他材质性渐变背景图像下的血液细胞计数识别准确率。
(二)技术方案
为了解决上述技术问题,本发明提供一种基于图像识别的血液细胞计数方法,其包括以下步骤:
S1:获取图像
使用显微镜头对血液细胞图像进行采集;
S2:将图像转换为灰度图
将所采集的血液细胞图像进行灰度处理,转换为灰度图;
S3:对灰度图进行降噪处理;
S4:从降噪处理后的灰度图中提取最大灰度值和最小灰度值,根据最大灰度值和最小灰度值计算出线性转换的scalar和偏移;
S5:根据scalar和偏移对降噪处理后的灰度图进行线性转换;
S6:对线性变换后的灰度图进行腐蚀处理;
S7:对步骤S6中腐蚀处理后的灰度图进行膨胀处理;
S8:对步骤S7中膨胀处理后的灰度图进行腐蚀处理;
S9:对步骤S8中腐蚀处理后的灰度图进行双边滤波;
S10:对步骤S9中双边滤波后的灰度图进行边缘检测;
S11:保存步骤S10中边缘检测后输出的边缘图;
S12:对步骤S9得到的灰度图和步骤S11保存的边缘图按照选定的分割图像大小进行分割,分割为若干个灰度小图和边缘小图;
S13:对每个小图进行扫描,对比同一区域的灰度小图和边缘小图,通过边缘小图边缘的点位置提取灰度小图中对应点位置的灰度值,然后筛选出最大灰度值和最小灰度值;
S14:根据边缘点位置的最大灰度值和最小灰度值设定每张小图的阈值;
如果边缘小图中没有边缘,说明当前区域没有目标,把阀值置为255;
S15:根据各自的阈值对灰度小图中的每张小图进行扫描,高于阈值的区域为血液细胞图像区域,将高于阀值的像素点置为255,其他置为0,输出边缘图;
S16:将步骤S15输出的边缘图按原位置拼接为一张完整的边缘图,并检测完整的边缘图中的连续区域,获取各连续区域的大小;
S17:根据血液细胞大小的均值在当前规格图片上的像素大小剔除过大或过小连续区域;
血液细胞大小的均值是指在当前放大倍率下血液细胞平均大小,常规来说是13.5微米;过大连续区域是指大于所述像素大小的1.5倍的区域,过小连续区域是指小于所述像素大小的0.5倍的区域;
S18:统计剩下的连续区域数量,即为所识别出的血液细胞总数。
其中,所述步骤S12中,灰度图和边缘图进行分割时,分割图像大小通过以下实验过程确定:
S12a:根据步骤S9得到的其中一幅灰度图的X方向和Y方向的梯度,结合目标大小,选取m*m像素作为初始分割图像大小,对该一幅灰度图和其对应的边缘图进行分割;
S12b:然后按照步骤S13-S18计算出对应该次分割图像大小所识别出的血液细胞总数,并通过观察判断识别结果中是否有漏识别或错识别,对结果进行记录;
S12c:在m*m像素作为分割图像大小的基础上,依次增加40%~60%血液细胞大小的像素作为新的分割图像大小,按照每次选取出的新的分割图像大小,实施步骤S12b;
S12d:多次试验后,对记录结果进行比较,随着识别次数的增加,识别出的血液细胞总数先由小到大、再由大到小时,同时识别准确率也先由小到大、再由大到小,则其中所识别出的血液细胞总数最大值及准确率所对应的图像分割大小即为所确定的图像分割大小。
其中,所述步骤3包括:
首先,对灰度图进行平滑滤波降噪点;
接下来,对平滑滤波降噪点后的图像进行双边滤波降噪点。
其中,所述步骤4中,Scalar=255/(最大灰度值-最小灰度值);
偏移=最小灰度值*(Scalar–1)。
其中,所述步骤10中,边缘检测采用Canny算法进行。
(三)有益效果
上述技术方案所提供的基于图像识别的血液细胞计数方法,基于图像分区技术的处理和识别方法,有效的消除亮度不均匀、其他材质性渐变背景对识别的影响,提高了在亮度不均匀、其他材质性渐变背景图像下的血液细胞计数识别准确率。
附图说明
图1为本发明方法的流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图像的亮度不均匀或其他材质性渐变背景在转化为灰度图后都会呈现出区域的线性渐变特征,这种区域渐变特征对目标的边界检测和提取影响很小,但是对于目标的完整提取却影响很大。本方法把需要识别的图像按图像灰度图的梯度分割成若干个小图像进行分别处理和识别,然后把分别处理完的小图像进行合并、综合,从而消除了亮度不均匀、其他材质性渐变背景对于识别的影响。
参照图1所示,本实施例基于图像识别的血液细胞计数方法包括以下步骤:
S1:获取图像
使用显微镜头对血液细胞图像进行采集;
S2:将图像转换为灰度图
将所采集的血液细胞图像进行灰度处理,转换为灰度图;
S3:对灰度图进行降噪处理
首先,对灰度图进行平滑滤波降噪点;
接下来,对平滑滤波降噪点后的图像进行双边滤波降噪点;
S4:从降噪处理后的灰度图中提取最大灰度值和最小灰度值,根据最大灰度值和最小灰度值计算出线性转换的scalar和偏移;
Scalar=255/(最大灰度值-最小灰度值);
偏移=最小灰度值*(Scalar–1)。
S5:根据scalar和偏移对降噪处理后的灰度图进行线性转换;
S6:对线性变换后的灰度图进行腐蚀处理;
S7:对步骤S6中腐蚀处理后的灰度图进行膨胀处理;
S8:对步骤S7中膨胀处理后的灰度图进行腐蚀处理;
S9:对步骤S8中腐蚀处理后的灰度图进行双边滤波;
S10:对步骤S9中双边滤波后的灰度图进行边缘检测;
边缘检测采用Canny算法进行。
S11:保存步骤S10中边缘检测后输出的边缘图;
S12:对步骤S9得到的灰度图和步骤S11保存的边缘图按照选定的分割图像大小进行分割,分割为若干个灰度小图和边缘小图;
S13:对每个小图进行扫描,对比同一区域的灰度小图和边缘小图,通过边缘小图边缘的点位置提取灰度小图中对应点位置的灰度值,然后筛选出最大灰度值maxValue和最小灰度值minValue;
S14:根据边缘点位置的最大灰度值maxValue和最小灰度值minValue计算出每张小图的阈值Threshold;
其中,本实施例中阈值的计算公式可以为Threshold=maxValue-(maxValue-minValue)/x,分母x的值从1.0~1.5之间选取,采用自适应算法,具体值的大小,视图片处理效果而定。如果边缘小图中没有边缘,说明当前区域没有目标,那么直接把阀值置为255。
S15:根据各自的阈值对灰度小图中的每张小图进行扫描,高于阈值的区域为血液细胞图像区域,将高于阀值的像素点置为255,其他置为0,输出边缘图;
S16:将步骤S15输出的边缘图按原位置拼接为一张完整的边缘图,并检测完整的边缘图中的连续区域,获取各连续区域的大小;
S17:根据血液细胞大小的均值在当前规格图片上的像素大小剔除过大或过小连续区域;
血液细胞大小的均值是指在当前放大倍率下血液细胞平均大小,常规来说是13.5微米;过大连续区域是指大于所述像素大小的1.5倍的区域,过小连续区域是指小于所述像素大小的0.5倍的区域。
S18:统计剩下的连续区域数量,即为所识别出的血液细胞总数。
上述步骤S12中,灰度图和边缘图进行分割时,分割图像大小通过以下实验过程确定:
S12a,根据步骤S9得到的其中一幅灰度图的X方向和Y方向的梯度,结合目标大小,选取m*m像素作为初始分割图像大小,对该一幅灰度图和其对应的边缘图进行分割;
S12b:然后按照步骤S13-S18计算出对应该次分割图像大小所识别出的血液细胞总数,并通过观察判断识别结果中是否有漏识别或错识别,对结果进行记录;
S12c:在m*m像素作为分割图像大小的基础上,依次增加40%~60%血液细胞大小的像素作为新的分割图像大小,优选采用增加50%血液细胞大小的像素作为新的分割图像大小,在保证识别准确度的情况下,简便了运算过程;按照每次选取出的新的分割图像大小,实施步骤S12b;
S12d:多次试验后,对记录结果进行比较,随着识别次数的增加,识别出的血液细胞总数先由小到大、再由大到小时,识别准确率也会先由小到大、再由大到小,则其中所识别出的血液细胞总数最大值及准确率所对应的图像分割大小即为所确定的图像分割大小。
该图像分割大小作为在当前放大倍率下血液细胞计数方法中的图像分割标准,以提高识别准确度。整体来讲,通过一次实验过程确定出的图像分割大小,能够作为其它多次血液细胞识别的标准,简化识别过程的同时,提高了识别精度。
上述技术方案所提供的基于图像识别的血液细胞计数方法,基于图像分区技术的处理和识别方法有效的消除亮度不均匀、其他材质性渐变背景对识别的影响,提高了在亮度不均匀、其他材质性渐变背景图像下特定目标的识别率,同时也提高了特定目标的图像识别提取的适应性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种基于图像识别的血液细胞计数方法,其特征在于,包括以下步骤:
S1:获取图像
使用显微镜头对血液细胞图像进行采集;
S2:将图像转换为灰度图
将所采集的血液细胞图像进行灰度处理,转换为灰度图;
S3:对灰度图进行降噪处理;
S4:从降噪处理后的灰度图中提取最大灰度值和最小灰度值,根据最大灰度值和最小灰度值计算出线性转换的scalar和偏移;
S5:根据scalar和偏移对降噪处理后的灰度图进行线性转换;
S6:对线性变换后的灰度图进行腐蚀处理;
S7:对步骤S6中腐蚀处理后的灰度图进行膨胀处理;
S8:对步骤S7中膨胀处理后的灰度图进行腐蚀处理;
S9:对步骤S8中腐蚀处理后的灰度图进行双边滤波;
S10:对步骤S9中双边滤波后的灰度图进行边缘检测;
S11:保存步骤S10中边缘检测后输出的边缘图;
S12:对步骤S9得到的灰度图和步骤S11保存的边缘图按照选定的分割图像大小进行分割,分割为若干个灰度小图和边缘小图;
S13:对每个小图进行扫描,对比同一区域的灰度小图和边缘小图,通过边缘小图边缘的点位置提取灰度小图中对应点位置的灰度值,然后筛选出最大灰度值和最小灰度值;
S14:根据边缘点位置的最大灰度值和最小灰度值计算出每张小图的阈值;
如果边缘小图中没有边缘,说明当前区域没有目标,把阈值置为255;
S15:根据各自的阈值对灰度小图中的每张小图进行扫描,高于阈值的区域为血液细胞图像区域,将高于阈值的像素点置为255,其他置为0,输出边缘图;
S16:将步骤S15输出的边缘图按原位置拼接为一张完整的边缘图,并检测完整的边缘图中的连续区域,获取各连续区域的大小;
S17:根据血液细胞大小的均值在当前规格图片上的像素大小剔除过大或过小连续区域;
血液细胞大小的均值是指在当前放大倍率下血液细胞平均大小,常规来说是13.5微米;过大连续区域是指大于所述像素大小的1.5倍的区域,过小连续区域是指小于所述像素大小的0.5倍的区域;
S18:统计剩下的连续区域数量,即为所识别出的血液细胞总数;
其中,所述步骤S12中,灰度图和边缘图进行分割时,分割图像大小通过以下实验过程确定:
S12a:根据步骤S9得到的其中一幅灰度图的X方向和Y方向的梯度,结合目标大小,选取m*m像素作为初始分割图像大小,对该一幅灰度图和其对应的边缘图进行分割;
S12b:然后按照步骤S13-S18计算出对应该次分割图像大小所识别出的血液细胞总数,并通过观察判断识别结果中是否有漏识别或错识别,对结果进行记录;
S12c:在m*m像素作为分割图像大小的基础上,依次增加40%~60%血液细胞大小的像素作为新的分割图像大小,按照每次选取出的新的分割图像大小,实施步骤S12b;
S12d:多次试验后,对记录结果进行比较,随着识别次数的增加,识别出的血液细胞总数先由小到大、再由大到小时,同时识别准确率也先由小到大、再由大到小,则其中所识别出的血液细胞总数最大值及准确率所对应的图像分割大小即为所确定的图像分割大小。
2.如权利要求1所述的基于图像识别的血液细胞计数方法,其特征在于,所述步骤3包括:
首先,对灰度图进行平滑滤波降噪点;
接下来,对平滑滤波降噪点后的图像进行双边滤波降噪点。
3.如权利要求1所述的基于图像识别的血液细胞计数方法,其特征在于,所述步骤4中,Scalar=255/(最大灰度值-最小灰度值);
偏移=最小灰度值*(Scalar–1)。
4.如权利要求1所述的基于图像识别的血液细胞计数方法,其特征在于,所述步骤10中,边缘检测采用Canny算法进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169651.1A CN110223307B (zh) | 2018-03-01 | 2018-03-01 | 一种基于图像识别的血液细胞计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169651.1A CN110223307B (zh) | 2018-03-01 | 2018-03-01 | 一种基于图像识别的血液细胞计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223307A CN110223307A (zh) | 2019-09-10 |
CN110223307B true CN110223307B (zh) | 2023-12-15 |
Family
ID=67821814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810169651.1A Active CN110223307B (zh) | 2018-03-01 | 2018-03-01 | 一种基于图像识别的血液细胞计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223307B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN106056118A (zh) * | 2016-06-12 | 2016-10-26 | 合肥工业大学 | 一种用于细胞的识别计数方法 |
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 |
-
2018
- 2018-03-01 CN CN201810169651.1A patent/CN110223307B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN106056118A (zh) * | 2016-06-12 | 2016-10-26 | 合肥工业大学 | 一种用于细胞的识别计数方法 |
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 |
Non-Patent Citations (1)
Title |
---|
悬浮细胞图像的计数方法研究;朱亚华;《佳木斯大学学报(自然科学版)》;20100115(第01期);第9-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110223307A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
Salem et al. | A comparative study of white blood cells segmentation using otsu threshold and watershed transformation | |
CN113962976B (zh) | 用于病理玻片数字图像的质量评估方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN110763677A (zh) | 甲状腺冰冻切片诊断方法及系统 | |
CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
CN111583201A (zh) | 一种用于构建超分辨率病理显微镜的迁移学习方法 | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及系统 | |
CN113160175B (zh) | 一种基于级联网络的肿瘤淋巴管浸润检测方法 | |
CN113237881A (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
CN113470041A (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
CN110223307B (zh) | 一种基于图像识别的血液细胞计数方法 | |
CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析系统和方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN111626256B (zh) | 基于扫描电镜图像的高精度硅藻检测识别方法及系统 | |
CN109003255B (zh) | 荧光原位杂交图像的细胞核分割方法及系统 | |
CN107491746B (zh) | 一种基于大梯度像素分析的人脸预筛选方法 | |
CN112184733A (zh) | 一种宫颈异常细胞检测装置及方法 | |
CN113221909B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN117115816B (zh) | 一种白带显微图像中线索细胞的识别方法及系统 |
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 |