CN110322465B - 肿瘤微球的轮廓检测方法及装置 - Google Patents
肿瘤微球的轮廓检测方法及装置 Download PDFInfo
- Publication number
- CN110322465B CN110322465B CN201910582484.8A CN201910582484A CN110322465B CN 110322465 B CN110322465 B CN 110322465B CN 201910582484 A CN201910582484 A CN 201910582484A CN 110322465 B CN110322465 B CN 110322465B
- Authority
- CN
- China
- Prior art keywords
- image
- contour curve
- contour
- tumor
- tumor microsphere
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种肿瘤微球的轮廓检测方法及装置,该轮廓检测方法包括:使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;生成第一边缘特征;如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。使用该轮廓检测方法获得的肿瘤微球图像的实际轮廓曲线,是使用第一边缘检测算子获得,且使用第一边缘特征确定了其正确性,所以其准确度更高,后续使用该实际轮廓曲线计算肿瘤微球的大小,可以得到准确度更高的计算结果。
Description
技术领域
本发明涉及轮廓检测技术领域,尤其涉及一种肿瘤微球的轮廓检测方法及装置。
背景技术
在肿瘤细胞的三维细胞培养技术中,需要根据肿瘤细胞的生长情况和入侵性检测,研究化合物对肿瘤细胞的杀伤作用。基于此,在肿瘤细胞的三维细胞培养过程中,需要按照培养时间,记录所培养肿瘤微球的轮廓形貌并测量大小,其中,肿瘤微球是指由多个肿瘤细胞构成的球体,可以采用肿瘤微球的面积度量肿瘤微球的大小。
现有技术中,实验人员通常会按照培养时间,拍摄肿瘤微球的图像,然后在获得的图像中勾画出肿瘤微球的边缘轮廓,之后,使用测量工具测量边缘轮廓,得到肿瘤微球的直径,最后,根据测量得到的直径计算出肿瘤微球的大小。其中,由于肿瘤微球的边缘轮廓由人工勾画得到,准确率较低,导致根据该边缘轮廓计算得到的肿瘤微球大小的准确率也较低。
由此可知,采用现有技术获得的肿瘤微球的边缘轮廓的准确率较低,导致根据该边缘轮廓计算得到的肿瘤微球大小的准确率也较低。
发明内容
本发明提供了一种肿瘤微球的轮廓检测方法及装置,以解决采用现有技术获得的肿瘤微球的边缘轮廓的准确率较低,导致根据该边缘轮廓计算得到的肿瘤微球大小的准确率也较低的问题。
第一方面,本发明提供了一种肿瘤微球的轮廓检测方法,该轮廓检测方法包括:使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;生成第一边缘特征;所述第一边缘特征包括第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值;如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,该轮廓检测方法还包括:如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。
进一步,使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线的过程,具体包括:获取所述肿瘤微球图像的灰度图像;使用所述第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像;对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像;对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像;获取所述闭运算处理图像的多个第一初始轮廓曲线;将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
进一步,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线的过程,具体包括:使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线;生成第二边缘特征;所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值;如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线的过程,具体包括:获取所述肿瘤微球图像的灰度图像;对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像;对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像;使用所述第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像;获取所述第二轮廓图像的多个第二初始轮廓曲线;将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
第二方面,本发明提供了一种肿瘤微球的轮廓检测装置,该轮廓检测装置包括:获取模块,用于使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;生成模块,用于生成第一边缘特征;所述第一边缘特征包括第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值;确定模块,用于如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,该轮廓检测装置还包括:处理模块,用于:如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。
进一步,所述获取模块具体用于:获取所述肿瘤微球图像的灰度图像;使用所述第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像;对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像;对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像;获取所述闭运算处理图像的多个第一初始轮廓曲线;将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
进一步,所述处理模块用于使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线,包括:所述处理模块用于:使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线;生成第二边缘特征;所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值;如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,所述处理模块用于使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线,包括:所述处理模块用于:获取所述肿瘤微球图像的灰度图像;对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像;对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像;使用所述第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像;获取所述第二轮廓图像的多个第二初始轮廓曲线;将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
本发明的实施例提供的技术方案可以包括以下有益效果:本发明提供了一种肿瘤微球的轮廓检测方法及装置。该轮廓检测方法中,首先使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线,然后根据第一轮廓曲线生成第一边缘特征,当生成的每一个第一边缘特征均大于相应预设阈值时,将第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。由此可知,使用该轮廓检测方法获得的肿瘤微球图像的实际轮廓曲线,是使用第一边缘检测算子获得,且使用第一边缘特征确定了其正确性,所以其准确度更高,后续使用该实际轮廓曲线计算肿瘤微球的大小,可以得到准确度更高的计算结果。
其次,当生成的第一边缘特征中,存在小于或等于相应预设阈值的第一边缘特征时,通过减小第一边缘检测算子的参数,生成更新后的第一边缘检测算子,然后使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。进一步提高了获得的肿瘤微球图像的实际轮廓曲线的准确性,适用性更好。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种肿瘤微球的轮廓检测方法的流程示意图;
图2为本发明实施例提供的一种使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线的方法的流程示意图;
图3为本发明实施例提供的一种使用第二边缘检测算子获取肿瘤微球图像的实际轮廓曲线的方法的流程示意图;
图4为本发明实施例提供的一种使用第二边缘检测算子获取肿瘤微球图像的第二轮廓曲线的方法的流程示意图;
图5为本发明实施例提供的一种肿瘤微球的轮廓检测装置的结构框图。
具体实施方式
结合背景技术可知,现有技术中,实验人员通常按照培养时间,拍摄肿瘤微球的图像,然后在获得的图像中勾画出肿瘤微球的边缘轮廓,最后使用测量工具测量获得边缘轮廓的直径,并根据该直径计算得到肿瘤微球的面积。由于在此过程中,肿瘤微球的边缘轮廓由人工勾画得到,准确率较低,导致根据该边缘轮廓计算得到的肿瘤微球大小的准确率也较低。为了解决这一问题,本发明实施例提供了一种肿瘤微球的轮廓检测方法及装置。
下面结合附图,详细介绍本发明实施例提供的肿瘤微球的轮廓检测方法及装置。
参见图1,图1为本发明实施例提供的一种肿瘤微球的轮廓检测方法的流程示意图。结合图1可知,该轮廓检测方法包括:
步骤101、使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线。
其中,第一边缘检测算子可以为Canny边缘检测算子,在执行步骤101时,可以将Canny边缘检测算子的参数设置为50。
使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线的具体实现方式可以包括多种,例如,参见图2,图2为本发明实施例提供的一种使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线的方法的流程示意图。结合图2可知,使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线可以按照下述方式实现:
步骤201、获取肿瘤微球图像的灰度图像。
步骤202、使用第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像。
步骤203、对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像。
步骤204、对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像。
步骤205、获取所述闭运算处理图像的多个第一初始轮廓曲线。
在执行步骤205时,可以使用opencv图像处理库的findcounters函数检测所述闭运算处理图像,然后输出检测结果,该检测结果中包括多个轮廓曲线,本发明实施例中,将该检测结果中的轮廓曲线简称为第一初始轮廓曲线。
步骤206、将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
获取到多个第一初始轮廓曲线后,计算每一个第一初始轮廓曲线的面积,然后将所有第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
步骤102、生成第一边缘特征。
其中,所述第一边缘特征包括:第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值。
进一步,所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离,以及所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离,可以通过下述方式获取:计算所述第一轮廓曲线的最小外接圆的圆心与所述第一轮廓曲线上每一个像素点之间的距离;将获得的所有距离中的最小值确定为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;将获得的所有距离中的最大值确定为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离。
步骤103、如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
其中,预设阈值包括第一阈值、第二阈值、第三阈值和第四阈值,第一阈值为第一比值对应的预设阈值,第二阈值为第一半径对应的预设阈值,第三阈值为第一距离对应的预设阈值,第四阈值为第二比值对应的预设阈值。并且,预设阈值的值可以根据实际应用场景进行设置,例如,可以将第一阈值、第二阈值、第三阈值和第四阈值的值分别设置为0.4、40、20和0.3。
获取到肿瘤微球图像的第一轮廓曲线后,需要确定该第一轮廓曲线是否为正确的轮廓曲线,本发明实施例中使用第一边缘特征确定第一轮廓曲线的正确性。当每一个第一边缘特征均大于其相应预设阈值时,即第一比值大于第一阈值(例如0.4),第一半径大于第二阈值(例如40),第一距离大于第三阈值(例如20),第二比值大于第四阈值(例如0.3)时,可以确定该第一轮廓曲线为正确的轮廓曲线,则可以将该第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
如果所有第一边缘特征中存在小于或等于相应预设阈值的第一边缘特征,即如果存在下述至少一种情况:第一比值小于或等于第一阈值;第一半径小于或等于第二阈值;第一距离小于或等于第三阈值;第二比值小于或等于第四阈值,则减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;使用更新后的第一边缘检测算子重新执行步骤101,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,减小所述第一边缘检测算子的参数可以按照下述方式实现:使用预设幅值下调所述第一边缘检测算子。其中,预设幅值可以根据实际应用场景进行设置,例如,可以将预设幅值设置为10。
下面以一个具体的例子,详细说明上述确定所述肿瘤微球图像的实际轮廓曲线的过程:将Canny边缘检测算子的参数设置为50,使用参数为50的Canny边缘检测算子,按照上述图2所示的方式,获取所述肿瘤微球图像的第一轮廓曲线,然后根据本次获得的第一轮廓曲线生成第一边缘特征,如果本次生成的每一个第一边缘特征均大于其相应预设阈值,则将本次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;如果本次生成的第一边缘特征中,存在小于或等于相应预设阈值的第一边缘特征,例如,第一比值小于或等于第一阈值0.4,则将Canny边缘检测算子的参数50下调10,生成参数为40的Canny边缘检测算子,然后使用参数为40的Canny边缘检测算子,按照上述图2所示的方式,重新获取所述肿瘤微球图像的第一轮廓曲线,根据本次得到的第一轮廓曲线重新生成第一边缘特征,如果本次生成的每一个第一边缘特征均大于其相应预设阈值,则将本次得到的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;如果本次生成的第一边缘特征中,依然存在小于或等于相应预设阈值的第一边缘特征,例如,第一半径小于或等于40,则再次将Canny边缘检测算子的参数下调10,生成参数为30的Canny边缘检测算子,之后使用参数为30的Canny边缘检测算子,按照上述图2所示的方式,再次重新获取所述肿瘤微球图像的第一轮廓曲线,并执行后续步骤,以此类推,直至最近一次生成的第一边缘特征中每一个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
此外,将第一边缘检测算子的参数减小至小于预设参数阈值时,如果当前获得的第一边缘特征中,仍然存在小于或等于相应预设阈值的第一边缘特征,即将第一边缘检测算子的参数减小至小于预设参数阈值之前,最近一次获得的第一边缘特征中,仍然存在小于或等于相应预设阈值的第一边缘特征,则可以认为使用第一边缘检测算子无法获得所述肿瘤微球图像的实际轮廓曲线。基于此,该轮廓检测方法还包括:如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子,使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。
其中,预设参数阈值可以根据实际应用场景进行设置,例如,可以将预设参数阈值设置为30。
使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线的方式可以参见图3,图3为本发明实施例提供的一种使用第二边缘检测算子获取肿瘤微球图像的实际轮廓曲线的方法的流程示意图。结合图3可知,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线可以按照下述方式实现:
步骤301、使用第二边缘检测算子获取肿瘤微球图像的第二轮廓曲线。
其中,第二边缘检测算子可以为sobel边缘检测算子。
使用第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线的实现方式可以参见图4,图4为本发明实施例提供的一种使用第二边缘检测算子获取肿瘤微球图像的第二轮廓曲线的方法的流程示意图。结合图4可知,使用第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线可以按照下述方式实现:
步骤401、获取肿瘤微球图像的灰度图像。
步骤402、对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像。
步骤403、对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像。
步骤404、使用第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像。
步骤405、获取所述第二轮廓图像的多个第二初始轮廓曲线。
在执行步骤405时,可以使用opencv图像处理库的findcounters函数检测所述第二轮廓图像,然后输出检测结果,该检测结果中包括多个轮廓曲线,本发明实施例中,将该检测结果中的轮廓曲线简称为第二初始轮廓曲线。
步骤406、将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
获取到多个第二初始轮廓曲线后,计算每一个第二初始轮廓曲线的面积,然后将所有第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
步骤302、生成第二边缘特征。
其中,所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值。
进一步,所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离,以及所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离,可以通过下述方式获取:计算所述第二轮廓曲线的最小外接圆的圆心与所述第二轮廓曲线上每一个像素点之间的距离;将获得的所有距离中的最小值确定为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;将获得的所有距离中的最大值确定为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离。
步骤303、如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
参见前述实施例的内容可知,预设阈值包括第一阈值、第二阈值、第三阈值和第四阈值,并且,预设阈值的值可以根据实际应用场景进行设置,例如,可以将第一阈值、第二阈值、第三阈值和第四阈值的值分别设置为0.4、40、20和0.3。其中,第三比值对应的预设阈值为第一阈值,第二半径对应的预设阈值为第二阈值,第二距离对应的预设阈值为第三阈值,第四比值对应的预设阈值为第四阈值。
生成第二边缘特征后,使用第二边缘特征确定获得的第二轮廓曲线是否为正确的轮廓曲线。如果每一个第二边缘特征均大于其相应预设阈值,即第三比值大于第一阈值,第二半径大于第二阈值,第二距离大于第三阈值,第四比值大于第四阈值,可以确定第二轮廓曲线为正确的轮廓曲线,则可以将第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
如果所有第二边缘特征中存在小于或等于相应预设阈值的第二边缘特征,即如果存在下述至少一种情况:第三比值小于或等于第一阈值;第二半径小于或等于第二阈值;第二距离小于或等于第三阈值;第四比值小于或等于第四阈值;则增大形态学开运算的内核尺寸,重新按照图4所示的方法获取新的第二轮廓曲线,并确定第二轮廓曲线的正确性,直至获得肿瘤微球图像的实际轮廓曲线为止。下面以一个具体的例子,详细说明该过程:
将形态学开运算的内核尺寸设置为4*4后,按照上述图4所示的方法,获取所述肿瘤微球图像的第二轮廓曲线,根据本次获得的第二轮廓曲线生成第二边缘特征,如果本次生成的每一个第二边缘特征均大于相应预设阈值,则将本次获得的第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;如果本次生成的第二边缘特征中,存在小于或等于相应预设阈值的第二边缘特征,例如第二距离小于或等于第三阈值20,则将形态学开运算的内核尺寸修改为8*8,然后按照上述图4所示的方法,重新获取所述肿瘤微球图像的第二轮廓曲线,并根据本次获得的第二轮廓曲线生成新的第二边缘特征,如果本次生成的每一个第二边缘特征均大于相应预设阈值,则将本次获得的第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;如果本次生成的第二边缘特征中,存在小于或等于相应预设阈值的第二边缘特征,例如,第四比值小于或等于第四阈值0.3,则再次增大形态学开运算的内核尺寸,重新按照图4所示的方法获取所述肿瘤微球图像的第二轮廓曲线,并确定本次获得的第二轮廓曲线是否为正确的轮廓曲线,以此类推,直至获得所述肿瘤微球图像的实际轮廓曲线为止。
本发明实施例提供的肿瘤微球的轮廓检测方法中,首先使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线,然后根据第一轮廓曲线生成第一边缘特征,当生成的每一个第一边缘特征均大于相应预设阈值时,将第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。由此可知,使用该轮廓检测方法获得的肿瘤微球图像的实际轮廓曲线,是使用第一边缘检测算子获得,且使用第一边缘特征确定了其正确性,所以其准确度更高,后续使用该实际轮廓曲线计算肿瘤微球的大小,可以得到准确度更高的计算结果。
其次,当生成的第一边缘特征中,存在小于或等于相应预设阈值的第一边缘特征时,通过减小第一边缘检测算子的参数,生成更新后的第一边缘检测算子,然后使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。进一步提高了获得的肿瘤微球图像的实际轮廓曲线的准确性,适用性更好。
与上述肿瘤微球的轮廓检测方法相对应,本发明实施例还公开了一种肿瘤微球的轮廓检测装置。
参见图5,图5为本发明实施例提供的一种肿瘤微球的轮廓检测装置的结构框图。结合图5可知,该轮廓检测装置500包括:
获取模块501,用于使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;生成模块502,用于生成第一边缘特征;所述第一边缘特征包括第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值;确定模块503,用于如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,该轮廓检测装置还包括:处理模块504,用于:如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线。
进一步,所述获取模块501具体用于:获取所述肿瘤微球图像的灰度图像;使用所述第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像;对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像;对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像;获取所述闭运算处理图像的多个第一初始轮廓曲线;将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
进一步,所述处理模块504用于使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线,包括:所述处理模块504用于:使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线;生成第二边缘特征;所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值;如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
进一步,所述处理模块504用于使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线,包括:所述处理模块504用于:获取所述肿瘤微球图像的灰度图像;对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像;对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像;使用所述第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像;获取所述第二轮廓图像的多个第二初始轮廓曲线;将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
采用本发明实施例提供的肿瘤微球的轮廓检测装置,可以实施上述肿瘤微球的轮廓检测方法中的各步骤,并获得相同的有益效果。使用本发明实施例提供的肿瘤微球的轮廓检测装置获得的肿瘤微球图像的实际轮廓曲线,是使用第一边缘检测算子获得,且使用第一边缘特征确定了其正确性,所以其准确度更高,后续使用该实际轮廓曲线计算肿瘤微球的大小,可以得到准确度更高的计算结果,适用性更好。
具体实现中,本申请还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,所述程序包括指令,该程序执行时可包括本申请提供的肿瘤微球的轮廓检测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者无线通信设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于肿瘤微球的轮廓检测装置的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (6)
1.一种肿瘤微球的轮廓检测方法,其特征在于,包括:
使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;
生成第一边缘特征;所述第一边缘特征包括第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值;
如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;
其中,所述预设阈值包括第一阈值、第二阈值、第三阈值和第四阈值;
当所述第一比值大于所述第一阈值,所述第一半径大于所述第二阈值,所述第一距离大于所述第三阈值且所述第二比值大于所述第四阈值时,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;
如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;
使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线;
使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线的过程,具体包括:
使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线;
生成第二边缘特征;所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值;
如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
2.根据权利要求1所述的轮廓检测方法,其特征在于,使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线的过程,具体包括:
获取所述肿瘤微球图像的灰度图像;
使用所述第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像;
对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像;
对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像;
获取所述闭运算处理图像的多个第一初始轮廓曲线;
将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
3.根据权利要求1所述的轮廓检测方法,其特征在于,使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线的过程,具体包括:
获取所述肿瘤微球图像的灰度图像;
对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像;
对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像;
使用所述第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像;
获取所述第二轮廓图像的多个第二初始轮廓曲线;
将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
4.一种肿瘤微球的轮廓检测装置,其特征在于,包括:
获取模块,用于使用第一边缘检测算子获取肿瘤微球图像的第一轮廓曲线;
生成模块,用于生成第一边缘特征;所述第一边缘特征包括第一比值、第一半径、第一距离和第二比值;所述第一比值为所述第一轮廓曲线的最小外接矩形的短边与长边的比值;所述第一半径为所述第一轮廓曲线的最小外接圆的半径;所述第一距离为所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最小距离;所述第二比值为所述第一距离与所述第一轮廓曲线的最小外接圆的圆心至所述第一轮廓曲线的最大距离的比值;
确定模块,用于如果每个所述第一边缘特征均大于相应预设阈值,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;
其中,所述预设阈值包括第一阈值、第二阈值、第三阈值和第四阈值;
当所述第一比值大于所述第一阈值,所述第一半径大于所述第二阈值,所述第一距离大于所述第三阈值且所述第二比值大于所述第四阈值时,则将所述第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;
该轮廓检测装置还包括:处理模块,用于:
如果存在小于或等于相应预设阈值的第一边缘特征,减小所述第一边缘检测算子的参数,生成更新后的第一边缘检测算子;
使用更新后的第一边缘检测算子重新执行获取肿瘤微球图像的第一轮廓曲线的步骤,以及后续步骤,直至最近一次生成的每个第一边缘特征均大于相应预设阈值时,将最近一次获得的第一轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线;或,直至最近一次更新后的第一边缘检测算子的参数小于预设参数阈值时,使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线;
所述处理模块用于使用第二边缘检测算子获取所述肿瘤微球图像的实际轮廓曲线,包括:
所述处理模块用于:
使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线;
生成第二边缘特征;所述第二边缘特征包括第三比值、第二半径、第二距离和第四比值;所述第三比值为所述第二轮廓曲线的最小外接矩形的短边与长边的比值;所述第二半径为所述第二轮廓曲线的最小外接圆的半径;所述第二距离为所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最小距离;所述第四比值为所述第二距离与所述第二轮廓曲线的最小外接圆的圆心至所述第二轮廓曲线的最大距离的比值;
如果每个所述第二边缘特征均大于相应预设阈值,则将所述第二轮廓曲线确定为所述肿瘤微球图像的实际轮廓曲线。
5.根据权利要求4所述的轮廓检测装置,其特征在于,所述获取模块具体用于:
获取所述肿瘤微球图像的灰度图像;
使用所述第一边缘检测算子对所述灰度图像进行边缘检测,生成所述肿瘤微球图像的第一轮廓图像;
对所述第一轮廓图像进行二值化处理,生成所述肿瘤微球图像的第一二值化图像;
对所述第一二值化图像进行形态学闭运算处理,生成所述肿瘤微球图像的闭运算处理图像;
获取所述闭运算处理图像的多个第一初始轮廓曲线;
将所述多个第一初始轮廓曲线中面积最大的第一初始轮廓曲线确定为所述肿瘤微球图像的第一轮廓曲线。
6.根据权利要求4所述的轮廓检测装置,其特征在于,所述处理模块用于使用所述第二边缘检测算子获取所述肿瘤微球图像的第二轮廓曲线,包括:
所述处理模块用于:
获取所述肿瘤微球图像的灰度图像;
对所述灰度图像进行二值化处理,生成所述肿瘤微球图像的第二二值化图像;
对所述第二二值化图像进行形态学开运算处理,生成所述肿瘤微球图像的开运算处理图像;
使用所述第二边缘检测算子对所述开运算处理图像进行边缘检测,生成所述肿瘤微球图像的第二轮廓图像;
获取所述第二轮廓图像的多个第二初始轮廓曲线;
将所述多个第二初始轮廓曲线中面积最大的第二初始轮廓曲线确定为所述肿瘤微球图像的第二轮廓曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582484.8A CN110322465B (zh) | 2019-06-29 | 2019-06-29 | 肿瘤微球的轮廓检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582484.8A CN110322465B (zh) | 2019-06-29 | 2019-06-29 | 肿瘤微球的轮廓检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322465A CN110322465A (zh) | 2019-10-11 |
CN110322465B true CN110322465B (zh) | 2020-12-25 |
Family
ID=68121527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910582484.8A Active CN110322465B (zh) | 2019-06-29 | 2019-06-29 | 肿瘤微球的轮廓检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322465B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110249883A1 (en) * | 2010-04-09 | 2011-10-13 | General Electric Company | Methods for segmenting objects in images |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN105139391A (zh) * | 2015-08-17 | 2015-12-09 | 长安大学 | 一种雾霾天气交通图像边缘检测方法 |
CN107480727A (zh) * | 2017-08-28 | 2017-12-15 | 荆门程远电子科技有限公司 | 一种sift和orb相结合的无人机影像快速匹配方法 |
CN107492088A (zh) * | 2016-06-11 | 2017-12-19 | 青岛华晶生物技术有限公司 | 一种妇科显微图像中白细胞自动识别与统计方法 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108648202A (zh) * | 2018-04-19 | 2018-10-12 | 西安电子科技大学 | 一种带补偿策略的火山口形sar图像边缘检测方法 |
CN109255808A (zh) * | 2018-09-12 | 2019-01-22 | 北京建筑大学 | 基于倾斜影像的建筑物纹理提取方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374892B2 (en) * | 2010-01-25 | 2013-02-12 | Amcad Biomed Corporation | Method for retrieving a tumor contour of an image processing system |
CN109948544B (zh) * | 2019-03-20 | 2021-04-30 | 南京师范大学 | 一种目标菌落自动定位与识别方法 |
-
2019
- 2019-06-29 CN CN201910582484.8A patent/CN110322465B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110249883A1 (en) * | 2010-04-09 | 2011-10-13 | General Electric Company | Methods for segmenting objects in images |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN105139391A (zh) * | 2015-08-17 | 2015-12-09 | 长安大学 | 一种雾霾天气交通图像边缘检测方法 |
CN107492088A (zh) * | 2016-06-11 | 2017-12-19 | 青岛华晶生物技术有限公司 | 一种妇科显微图像中白细胞自动识别与统计方法 |
CN107480727A (zh) * | 2017-08-28 | 2017-12-15 | 荆门程远电子科技有限公司 | 一种sift和orb相结合的无人机影像快速匹配方法 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108648202A (zh) * | 2018-04-19 | 2018-10-12 | 西安电子科技大学 | 一种带补偿策略的火山口形sar图像边缘检测方法 |
CN109255808A (zh) * | 2018-09-12 | 2019-01-22 | 北京建筑大学 | 基于倾斜影像的建筑物纹理提取方法和装置 |
Non-Patent Citations (1)
Title |
---|
《一种形态学与Canny算子融合的焊接熔池边缘检测算法》;张亚红,覃科;《桂林航天工业学院学报》;20171231;第22卷(第1期);正文第3段、章节1.2第3段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110322465A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932301B (zh) | 数据填充方法及装置 | |
CN109815881A (zh) | 行为识别模型的训练方法、行为识别方法、装置及设备 | |
CN104794710A (zh) | 一种图像处理方法及装置 | |
CN112215856A (zh) | 图像分割的阈值确定方法、装置、终端及存储介质 | |
US20220351398A1 (en) | Depth detection method, method for training depth estimation branch network, electronic device, and storage medium | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
CN115496892A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN115909353A (zh) | 一种图像二值化处理方法和装置 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN101897592B (zh) | X射线影像中金属异物的提取方法和装置 | |
KR102428740B1 (ko) | 포인트 클라우드 완성 네트워크 생성 및 포인트 클라우드 데이터 처리 | |
CN111160260A (zh) | 一种sar图像目标检测方法及系统 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN110322465B (zh) | 肿瘤微球的轮廓检测方法及装置 | |
CN113077391B (zh) | 校正扫描图像的方法和装置以及图像扫描系统 | |
CN117611540A (zh) | 一种锂电池极片涂布缺陷检测方法及相关设备 | |
CN110310270B (zh) | 基于U-net网络模型的肿瘤微球轮廓检测方法及装置 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
US9684984B2 (en) | Nearsighted camera object detection | |
CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
Ying et al. | Technique of measuring leading vehicle distance based on digital image processing theory | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN113284115A (zh) | 一种钢卷塔形识别方法、系统、介质和终端 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220125 Address after: 215000 floor 7, building 1, No. 188, Fuchunjiang Road, high tech Zone, Suzhou, Jiangsu Province Patentee after: Jiangsu Aiweide Biotechnology Co.,Ltd. Address before: 3 / F, building 1, No. 8, Jinfeng Road, Suzhou Medical Device Industrial Park, high tech Zone, Suzhou City, Jiangsu Province Patentee before: SOUTHEAST UNIVERSITY SUZHOU MEDICAL DEVICE Research Institute |