CN110378949A - 一种淀粉粒分布分析装置及其方法 - Google Patents
一种淀粉粒分布分析装置及其方法 Download PDFInfo
- Publication number
- CN110378949A CN110378949A CN201810316258.0A CN201810316258A CN110378949A CN 110378949 A CN110378949 A CN 110378949A CN 201810316258 A CN201810316258 A CN 201810316258A CN 110378949 A CN110378949 A CN 110378949A
- Authority
- CN
- China
- Prior art keywords
- amylum body
- image
- starch
- pixel
- rice
- 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.)
- Granted
Links
- 229920002472 Starch Polymers 0.000 title claims abstract description 355
- 235000019890 Amylum Nutrition 0.000 title claims abstract description 219
- 238000004458 analytical method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims description 15
- 241000209094 Oryza Species 0.000 claims abstract description 178
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 178
- 235000009566 rice Nutrition 0.000 claims abstract description 178
- 235000019698 starch Nutrition 0.000 claims abstract description 136
- 239000008107 starch Substances 0.000 claims abstract description 136
- 238000004043 dyeing Methods 0.000 claims abstract description 28
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000012634 optical imaging Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 18
- 238000000399 optical microscopy Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000008187 granular material Substances 0.000 description 33
- 241001269238 Data Species 0.000 description 19
- 210000002421 cell wall Anatomy 0.000 description 17
- 239000004615 ingredient Substances 0.000 description 15
- 241000220317 Rosa Species 0.000 description 10
- 235000013339 cereals Nutrition 0.000 description 9
- 239000004744 fabric Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 241001062009 Indigofera Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000050 nutritive effect Effects 0.000 description 2
- 238000000879 optical micrograph Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229940100486 rice starch Drugs 0.000 description 1
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
-
- 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
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种淀粉粒分布分析装置，用于对经染色的稻米断面切片的图像进行分析处理，所述淀粉粒分布分析装置包括：图像重建模块，用于基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像；以及淀粉分布确定模块，用于基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
Description
技术领域
本发明涉及一种生物学分析装置，尤其涉及一种稻米断面淀粉粒分布分析装置及其方法。
背景技术
稻米中淀粉的含量和比例的多少决定了其营养价值的大小。在基于稻米淀粉的品质分析过程时，断面的淀粉粒分布是常见的分析方法。在获得稻米断面的染色切片后，将其放在在显微镜下以观察淀粉粒的分布情况，从而用淀粉粒的分布进行形态学研究，可大致估计该稻米的淀粉含量。然而，传统的肉眼观察不仅效率较低，而且无法精准地计算淀粉粒的区域分布特征，使营养品质评价的客观性和科学性存疑。
为解决上述问题，本发明提供寻找一种客观地、科学地方法及装置以实现对稻米的品质分析即淀粉粒分布的分析。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一个方面，以供一种淀粉粒分布分析装置，用于对经染色的稻米断面切片的图像进行分析处理，所述淀粉粒分布分析装置包括：图像重建模块，用于基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像；以及淀粉分布确定模块，用于基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
进一步地，所述图像重建模块包括：颜色分析模块，用于分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值；以及图像识别提取模块，识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
进一步地，所述淀粉粒分布分析装置还包括：轮廓分析模块，用于对所述图像进行二值化处理以得到所述稻米断面的轮廓。
进一步地，所述淀粉分布确定模块计算所述稻米断面的预定区域内的淀粉粒像素的面积总和与所述预定区域的面积比例以作为所述预定区域的淀粉含量。
进一步地，所述淀粉分布计算模块以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。
进一步地，所述淀粉分布计算模块包括：图形分割模块，用于将所述淀粉粒分布图像网格化；密度计算模块，计算每个网格中的含量；以及统计模块，加总以所述稻米断面的重心点为圆心的预定半径范围内各网格中的含量以获得所述预定半径范围内的淀粉含量。
根据本发明的一个方面，提供一种淀粉粒分布分析方法，用于对经染色的稻米断面切片的图像进行分析处理，所述淀粉粒分布分析方法包括：基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像；以及基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
进一步地，所述建立淀粉粒分布图像包括：分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值；以及识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
进一步地，所述的淀粉粒分布分析方法还包括：对所述图像进行二值化处理以得到所述稻米断面的轮廓。
进一步地，所述确定稻米断面的淀粉含量分布包括计算所述稻米断面的预定区域内的淀粉粒像素的面积总和与所述预定区域的面积比例以作为所述预定区域的淀粉含量。
进一步地，计算所述预定区域的淀粉含量包括以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。
进一步地，所述以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量包括：将所述淀粉粒分布图像网格化；计算每个网格中的含量；以及加总以所述稻米断面的重心点为圆心的预定半径范围内各网格中的含量以获得所述预定半径范围内的淀粉含量。
根据本发明的一个方面，提供一种淀粉粒分布分析装置，包括处理器和耦接至所述处理器的存储器，所述存储器上存储有计算机指令，所述处理器在执行所述计算机指令时实现上述任一项所述的方法。
根据本发明的一个方面，提供一种淀粉粒分布分析系统，所述淀粉粒分布分析系统包括：光学成像装置，用于拍摄经染色的稻米断面切片的图像；以及上述任一项所述的淀粉粒分布分析装置。
进一步地，所述光学成像装置包括：光学显微镜，所述显微镜包括具有预设放大倍数的目镜和物镜，用于放大所述稻米断面切片；以及光学传感器，耦接至所述光学显微镜以对经放大的所述稻米断面切片进行成像以获得所述图像。
根据本发明的一个方面，提供一种淀粉粒分布分析系统，包括：光学成像装置，用于拍摄经染色的稻米断面切片的图像；以及上述包括处理器和存储器的淀粉粒分布分析装置。
进一步地，所述光学成像装置包括：光学显微镜，所述显微镜包括具有预设放大倍数的目镜和物镜，用于放大所述稻米断面切片；以及光学传感器，耦接至所述光学显微镜以对经放大的所述稻米断面切片进行成像以获得所述图像。
根据本发明的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1为根据本发明一个方面的实施例的装置框图；
图2为根据本发明一个方面的实施例的网格化数据图；
图3为根据本发明一个方面的实施例的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
根据本发明的一个方面，提供一种淀粉粒分布分析装置100，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110以及淀粉分布确定模块120。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。所述图像重建模块110利用图像数据中各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置形成淀粉粒分布图像。
所述淀粉分布确定模块120基于该淀粉粒分布图像中的淀粉粒像素的分布情况确定该稻米断面的淀粉含量分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110以及淀粉分布确定模块120。所述图像重建模块110包括：颜色分析模块111、图像识别提取模块112。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。所述颜色分析模块111分析该图像中各个像素的颜色并获取每个像素的颜色特征值，将该些像素的颜色特征值提供给所述图像识别提取模块112。所述图像识别提取模块112根据淀粉粒的颜色的特征值范围来筛选该些像素以提取淀粉粒的像素，并基于该些像素的位置生成淀粉粒分布图像。
所述淀粉分布确定模块120基于该淀粉粒分布图像中的淀粉粒像素的分布情况确定该稻米断面的淀粉含量分布情况。
进一步地，所述颜色特征值包括但不限于颜色、饱和度、亮度即HSV参数。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110、淀粉分布确定模块120以及轮廓分析模块130。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。
所述轮廓分析模块130对该图像数据进行二值化处理以得到该稻米断面的轮廓。
所述图像重建模块110利用图像数据中轮廓范围内的各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述淀粉分布确定模块120基于该重建后的图像数据中轮廓范围内的淀粉粒像素的分布情况确定该稻米断面的淀粉含量分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110以及淀粉分布确定模块120。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。所述图像重建模块110利用图像数据中各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述淀粉分布确定模块120计算该淀粉粒分布图像中预定区域内的淀粉粒像素的面积与该预定区域的面积比例并将其作为该稻米断面的淀粉含量比，将该淀粉粒分布图像中的淀粉粒像素的分布情况作为该稻米断面的淀粉粒分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110、淀粉分布确定模块120以及轮廓分析模块130。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。
所述轮廓分析模块130对该图像数据进行二值化处理以得到该稻米断面的轮廓。
所述图像重建模块110利用图像数据中轮廓范围内各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述淀粉分布确定模块120计算该淀粉粒分布图像中的轮廓范围内的淀粉粒像素的面积与该轮廓范围的面积比例并将其作为该稻米断面的淀粉含量比，将该淀粉粒分布图像中的淀粉粒像素的分布情况作为该稻米断面的淀粉粒分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110以及淀粉分布确定模块120。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。所述图像重建模块110利用图像数据中各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述淀粉分布确定模块120计算该淀粉粒分布图像中预定区域内的淀粉粒像素的面积与该预定区域的面积比例并将其作为该稻米断面的淀粉含量比。将该淀粉粒分布图像中的淀粉粒像素的分布情况作为该稻米断面的淀粉粒分布情况，即确定该稻米断面的重心点，并以该稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。即以该稻米断面的最大半径为100％，计算0-10％、10％-20％…90％-100％半径范围内的淀粉含量以作为淀粉粒的分布情况。在不规则或密度不均匀的图像中，重心点的位置的计算属于常规算法，在此不再赘述。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110、淀粉分布确定模块120以及轮廓分析模块130。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。
所述轮廓分析模块130对该图像数据进行二值化处理以得到该稻米断面的轮廓。
所述图像重建模块110利用图像数据中轮廓范围内各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述淀粉分布确定模块120计算该淀粉粒分布图像中的轮廓范围内的淀粉粒像素的面积与该轮廓范围的面积比例并将其作为该稻米断面的淀粉含量比，将该淀粉粒分布图像中的淀粉粒像素的分布情况作为该稻米断面的淀粉粒分布情况，即确定该稻米断面的重心点，并以该稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。即以该重心点到该稻米断面的轮廓的最远距离作为最大半径，以该最大半径的距离为100％，计算0-10％、10％-20％…90％-100％半径范围内的淀粉含量以作为淀粉粒的分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110以及淀粉分布确定模块120。所述淀粉分布确定模块120包括图形分割模块121、密度计算模块122、统计模块123。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。所述图像重建模块110利用图像数据中各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述图形分割模块121将该重建后的淀粉粒分布图像划分成一定数量的网格，如图2所示。所述密度计算模块122计算每个网格中的淀粉粒含量。所述统计模块123以该稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。即计算网格中心到重心点的距离在预定半径范围内的所有网格的淀粉含量总和以作为该预定半径范围内的淀粉含量。比如该稻米断面的最大半径为100％，计算网格中心到重心点的距离在0-10％、10％-20％…90％-100％半径范围内的淀粉含量以作为淀粉粒的分布情况。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110、淀粉分布确定模块120以及轮廓分析模块130。所述淀粉分布确定模块120包括图形分割模块121、密度计算模块122、统计模块123。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。
所述轮廓分析模块130对该图像数据进行二值化处理以得到该稻米断面的轮廓。
所述图像重建模块110利用图像数据中轮廓范围内各个像素的颜色特征来提取蓝紫色的像素即淀粉颗粒的像素，并记录该些淀粉颗粒的像素的位置，并利用该些像素的位置重建淀粉粒分布图像。
所述轮廓分析模块130对所述图像重建模块110重建后的淀粉粒分布图像进行二值化处理以得到该稻米断面的轮廓。
所述图形分割模块121将该重建后的淀粉粒分布图像划分成一定数量的网格，如图2所示。所述密度计算模块122计算每个网格中的淀粉粒含量。所述统计模块123以该稻米断面的重心点为圆心，以该重心点到该稻米断面的轮廓的最远距离作为最大半径，计算预定半径范围内的淀粉含量。即计算网格中心到圆心的距离在预定半径范围内的所有网格的淀粉含量总和以作为该预定半径范围内的淀粉含量。比如该稻米断面的最大半径为100％，计算网格中心到圆心的距离在0-10％、10％-20％…90％-100％半径范围内的淀粉含量以作为淀粉粒的分布情况。所述统计模块计算该该重建后的图像中的所有淀粉粒像素的面积与该图像的像素总和的比例作为该稻米断面的淀粉粒含量。
在一实施例中，如图1所示，所述淀粉粒分布分析装置100包括图像重建模块110、淀粉分布确定模块120以及轮廓分析模块130。所述图像重建模块110包括：颜色分析模块111、图像识别提取模块112。所述淀粉分布确定模块120包括图形分割模块121、密度计算模块122、统计模块123。
将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒呈现蓝紫色，其它成分如细胞壁等呈现玫红色。
所述轮廓分析模块130对该图像数据进行二值化处理以得到该稻米断面的轮廓。
所述颜色分析模块111分析该图像中轮廓范围内各个像素的颜色并获取每个像素的颜色特征值，将该些像素的颜色特征值提供给所述图像识别提取模块112。所述图像识别提取模块112根据淀粉粒的颜色的特征值范围来筛选该些像素以提取淀粉粒的像素，并基于该些像素的位置生成淀粉粒分布图像。
进一步地，所述颜色特征值包括但不限于颜色、饱和度、亮度即HSV参数。
所述图形分割模块121将该重建后的淀粉粒分布图像划分成一定数量的网格，如图2所示。所述密度计算模块122计算每个网格中的淀粉粒含量。所述统计模块123以该稻米断面的重心点为圆心，以该重心点到该稻米断面的轮廓的最远距离作为最大半径，计算预定半径范围内的淀粉含量。即计算网格中心到圆心的距离在预定半径范围内的所有网格的淀粉含量总和以作为该预定半径范围内的淀粉含量。比如该稻米断面的最大半径为100％，计算网格中心到圆心的距离在0-10％、10％-20％…90％-100％半径范围内的淀粉含量以作为淀粉粒的分布情况。所述统计模块计算该轮廓范围内的所有淀粉粒像素的面积与该轮廓范围的像素总和的比例作为该稻米断面的淀粉粒含量。
根据本发明的一个方面，提供一种淀粉粒分布分析方法300。如图3所示，所述淀粉粒分布分析方法300包括：
S310：基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像。
可以理解，将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。根据淀粉粒染色后的颜色来提取淀粉粒的图像分量，并根据该写图像分量重建一淀粉粒分布图像，且该图像中不包括该稻米断面的其他成分的图像。
S320：基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
可以理解，在该重建后的淀粉粒分布图像中，该淀粉粒的像素分布情况即是该稻米断面的淀粉粒含量分布情况。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S311：分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值。
可以理解，将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。分析该些颜色并获取每个像素的颜色特征值。
进一步地，所述颜色特征值包括但不限于颜色、饱和度、亮度即HSV参数。
S312：识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
可以理解，根据淀粉粒的染色颜色以及该颜色的颜色特征值设定一颜色特征值范围作为该图像数据中的像素的筛选条件即可筛选出所有淀粉粒的像素，并基于该些淀粉粒的像素的位置信息重建淀粉粒分布图像。
S320：基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
可以理解，在该重建后的淀粉粒分布图像中，该淀粉粒的像素分布情况即是该稻米断面的淀粉粒含量分布情况。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S330：将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。对该些图像数据进行二值化处理以得到所述稻米断面的轮廓。
S310：基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像。
在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。根据淀粉粒染色后的颜色来提取淀粉粒的图像分量，并根据该写图像分量重建一淀粉粒分布图像，且该图像中不包括该稻米断面的其他成分的图像。
S320：基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
可以理解，在该重建后的淀粉粒分布图像中，该淀粉粒的像素分布情况即是该稻米断面的淀粉粒含量分布情况。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S310：基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像。
可以理解，将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。根据淀粉粒染色后的颜色来提取淀粉粒的图像分量，并根据该写图像分量重建一淀粉粒分布图像，且该图像中不包括该稻米断面的其他成分的图像。
S320：基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
可以理解，在该重建后的淀粉粒分布图像中，该淀粉粒的像素分布情况即是该稻米断面的淀粉粒含量分布情况。计算该稻米断面的图像数据中预定区域内的淀粉粒像素的面积总和与该预定区域的面积比例并将其作为该预定区域内的淀粉含量。
进一步地，该预定区域为以该稻米断面的重心点为圆心，预定半径范围内的区域。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S310：基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像。
可以理解，将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。根据淀粉粒染色后的颜色来提取淀粉粒的图像分量，并根据该写图像分量重建一淀粉粒分布图像，且该图像中不包括该稻米断面的其他成分的图像。
S321：将该重建后的淀粉粒分布图像划分成一定数量的网格；
S322：计算每个网格中的淀粉粒含量，即该网格中的淀粉粒像素占该网格中所有像素的比例；
S323：以该稻米断面的重心点为圆心，计算预定半径范围内的各个网格中的淀粉粒含量的总和并将该总和作为该预定半径范围内的淀粉含量。
其中，以该稻米断面的重心点到其边缘的最远距离作为最大半径，以该半径的百分比作为范围，比如计算该最大半径的0-10％、10％-20％…90％-100％的范围内的淀粉含量。
进一步地，为方便计算，以该网格的中心点是否在该预定半径范围内作为区分该网格是否在该预定半径范围内的标准。即计算出网格的中心电在该预定半径范围内的所有网格的淀粉含量的总和作为该预定半径范围内的淀粉含量。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S311：分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值。
可以理解，将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。分析该些颜色并获取每个像素的颜色特征值。
进一步地，所述颜色特征值包括但不限于颜色、饱和度、亮度即HSV参数。
S312：识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
可以理解，根据淀粉粒的染色颜色以及该颜色的颜色特征值设定一颜色特征值范围作为该图像数据中的像素的筛选条件即可筛选出所有淀粉粒的像素，并基于该些淀粉粒的像素的位置信息重建淀粉粒分布图像。
S321：将该重建后的淀粉粒分布图像划分成一定数量的网格；
S322：计算每个网格中的淀粉粒含量，即该网格中的淀粉粒像素占该网格中所有像素的比例；
S323：以该稻米断面的重心点为圆心，计算预定半径范围内的各个网格中的淀粉粒含量的总和并将该总和作为该预定半径范围内的淀粉含量。
其中，以该稻米断面的重心点到其边缘的最远距离作为最大半径，以该半径的百分比作为范围，比如计算该最大半径的0-10％、10％-20％…90％-100％的范围内的淀粉含量。
进一步地，为方便计算，以该网格的中心点是否在该预定半径范围内作为区分该网格是否在该预定半径范围内的标准。即计算出网格的中心电在该预定半径范围内的所有网格的淀粉含量的总和作为该预定半径范围内的淀粉含量。
在一实施例中，如图3所示，所述淀粉粒分布分析方法300包括：
S330：将获得的稻米断面的切片染色后，采用一些光学成像装置获取稻米断面切片的图像数据。对该些图像数据进行二值化处理以得到所述稻米断面的轮廓。
S311：分析所述图像中轮廓内各像素的颜色分布以获得每个像素的颜色特征值。
在该些图像数据中，染色后的稻米断面切片中的淀粉颗粒与该稻米断面的其它成分如细胞壁的呈现颜色不同。分析该些颜色并获取每个像素的颜色特征值。
进一步地，所述颜色特征值包括但不限于颜色、饱和度、亮度即HSV参数。
S312：识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
可以理解，根据淀粉粒的染色颜色以及该颜色的颜色特征值设定一颜色特征值范围作为该图像数据中的像素的筛选条件即可筛选出所有淀粉粒的像素，并基于该些淀粉粒的像素的位置信息重建淀粉粒分布图像。
S321：将该重建后的淀粉粒分布图像划分成一定数量的网格；
S322：计算每个网格中的淀粉粒含量，即该网格中的淀粉粒像素占该网格中所有像素的比例；
S323：以该稻米断面的重心点为圆心，计算预定半径范围内的各个网格中的淀粉粒含量的总和并将该总和作为该预定半径范围内的淀粉含量。
其中，以该稻米断面的重心点到该轮廓的最远距离作为最大半径，以该半径的百分比作为范围，比如计算该最大半径的0-10％、10％-20％…90％-100％的范围内的淀粉含量。
进一步地，为方便计算，以该网格的中心点是否在该预定半径范围内作为区分该网格是否在该预定半径范围内的标准。即计算出网格的中心电在该预定半径范围内的所有网格的淀粉含量的总和作为该预定半径范围内的淀粉含量。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的一个方面，提供一种淀粉粒分布分析装置，包括处理器和耦接至该处理器的存储器。所述存储器上存储有计算机指令，所述处理器在执行该些计算机指令时实现上述的任意一种淀粉粒分布分析方法。
根据本发明的一个方面，提供一种淀粉粒分布分析系统，所述淀粉粒分析系统包括光学成像装置以及上述任意一种淀粉粒分布分析装置。所述光学成像装置用于获取染色后的稻米断面切片的图像以作为该淀粉粒分布分析装置的处理对象。
进一步地，该光学成像装置包括光学显微镜以及光学传感器。
所述光学显微镜包括具有预设放大倍数的目镜和物镜，用于放大该稻米断面切片。可以理解，由于光学显微镜的放大倍数越高，其视野越小。而由于本发明需要获取的图像数据具有一定的分辨率要求，因此需要相应大小的放大倍数，在某些放大倍数下，该光学显微镜无法观察到整个稻米断面，因此需要拍出一系列的稻米断面的局部图，然后由计算机将该些图像拼接成一个完整的符合分辨率要求的稻米断面的图像。
所述光学传感器耦接至该光学显微镜用于对光学显微镜显示出的稻米断面切片的图像进行成像以获得该稻米断面的图像。
根据本发明的一个方面，提供一种淀粉粒分布分析系统，所述淀粉粒分布分析系统包括光学成像装置、处理器和耦接至该处理器的存储器。
所述光学成像装置用于获取染色后的稻米断面切片的图像以作为该淀粉粒分布分析装置的处理对象。
所述存储器上存储有计算机指令，所述处理器在执行该些计算机指令时实现上述的任意一种淀粉粒分布分析方法。
进一步地，该光学成像装置包括光学显微镜以及光学传感器。
所述光学显微镜包括具有预设放大倍数的目镜和物镜，用于放大该稻米断面切片。可以理解，由于光学显微镜的放大倍数越高，其视野越小。而由于本发明需要获取的图像数据具有一定的分辨率要求，因此需要相应大小的放大倍数，在某些放大倍数下，该光学显微镜无法观察到整个稻米断面，因此需要拍出一系列的稻米断面的局部图，然后由计算机将该些图像拼接成一个完整的符合分辨率要求的稻米断面的图像。
所述光学传感器耦接至该光学显微镜用于对光学显微镜显示出的稻米断面切片的图像进行成像以获得该稻米断面的图像。
根据本发明的一个方面，提供一种可读存储介质，其上存储有计算机程序，该些计算机程序被处理器执行时实现上述的任意一种淀粉粒分布分析方法的步骤。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (18)
1.一种淀粉粒分布分析装置，用于对经染色的稻米断面切片的图像进行分析处理，所述淀粉粒分布分析装置包括：
图像重建模块，用于基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像；以及
淀粉分布确定模块，用于基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
2.如权利要求1所述的淀粉粒分布分析装置，其特征在于，所述图像重建模块包括：
颜色分析模块，用于分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值；以及
图像识别提取模块，识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
3.如权利要求1所述的淀粉粒分布分析装置，其特征在于，还包括：
轮廓分析模块，用于对所述图像进行二值化处理以得到所述稻米断面的轮廓。
4.如权利要求1所述的淀粉粒分布分析装置，其特征在于，所述淀粉分布确定模块计算所述稻米断面的预定区域内的淀粉粒像素的面积总和与所述预定区域的面积比例以作为所述预定区域的淀粉含量。
5.如权利要求4所述的淀粉粒分布分析装置，其特征在于，所述淀粉分布确定模块以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。
6.如权利要求5所述的淀粉粒分布分析装置，其特征在于，所述淀粉分布计算模块包括：
图形分割模块，用于将所述淀粉粒分布图像网格化；
密度计算模块，计算每个网格中的含量；以及
统计模块，加总以所述稻米断面的重心点为圆心的预定半径范围内各网格中的含量以获得所述预定半径范围内的淀粉含量。
7.一种淀粉粒分布分析方法，用于对经染色的稻米断面切片的图像进行分析处理，所述淀粉粒分布分析方法包括：
基于所述图像中各像素的颜色分布提取关于淀粉粒的图像分量以建立淀粉粒分布图像；以及
基于所述淀粉粒分布图像中淀粉粒像素的分布确定稻米断面的淀粉含量分布。
8.如权利要求7所述的淀粉粒分布分析方法，其特征在于，所述建立淀粉粒分布图像包括：
分析所述图像中各像素的颜色分布以获得每个像素的颜色特征值；以及
识别和提取所述图像中符合预设的颜色特征值范围的像素，并将提取的像素按照原有的位置信息生成所述淀粉粒分布图像。
9.如权利要求7所述的淀粉粒分布分析方法，其特征在于，还包括：
对所述图像进行二值化处理以得到所述稻米断面的轮廓。
10.如权利要求7所述的淀粉粒分布分析方法，其特征在于，所述确定稻米断面的淀粉含量分布包括计算所述稻米断面的预定区域内的淀粉粒像素的面积总和与所述预定区域的面积比例以作为所述预定区域的淀粉含量。
11.如权利要求10所述的淀粉粒分布分析方法，其特征在于，计算所述预定区域的淀粉含量包括以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量。
12.如权利要求11所述的淀粉粒分布分析方法，其特征在于，所述以所述稻米断面的重心点为圆心计算预定半径范围内的淀粉含量包括：
将所述淀粉粒分布图像网格化；
计算每个网格中的含量；以及
加总以所述稻米断面的重心点为圆心的预定半径范围内各网格中的含量以获得所述预定半径范围内的淀粉含量。
13.一种淀粉粒分布分析装置，包括处理器和耦接至所述处理器的存储器，所述存储器上存储有计算机指令，所述处理器在执行所述计算机指令时实现如权利要求7-12中任一项所述的方法。
14.一种淀粉粒分布分析系统，包括：
光学成像装置，用于拍摄经染色的稻米断面切片的图像；以及
如权利要求1-6中任一项所述的淀粉粒分布分析装置。
15.如权利要求14所述的淀粉粒分布分析系统，其特征在于，所述光学成像装置包括：
光学显微镜，所述显微镜包括具有预设放大倍数的目镜和物镜，用于放大所述稻米断面切片；以及
光学传感器，耦接至所述光学显微镜以对经放大的所述稻米断面切片进行成像以获得所述图像。
16.一种淀粉粒分布分析系统，包括：
光学成像装置，用于拍摄经染色的稻米断面切片的图像；以及
如权利要求13所述的淀粉粒分布分析装置。
17.如权利要求16所述的淀粉粒分布分析系统，其特征在于，所述光学成像装置包括：
光学显微镜，所述显微镜包括具有预设放大倍数的目镜和物镜，用于放大所述稻米断面切片；以及
光学传感器，耦接至所述光学显微镜以对经放大的所述稻米断面切片进行成像以获得所述图像。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求7-12中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316258.0A CN110378949B (zh) | 2018-04-10 | 2018-04-10 | 一种淀粉粒分布分析装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810316258.0A CN110378949B (zh) | 2018-04-10 | 2018-04-10 | 一种淀粉粒分布分析装置及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378949A true CN110378949A (zh) | 2019-10-25 |
| CN110378949B CN110378949B (zh) | 2024-03-01 |
Family
ID=68242909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810316258.0A Active CN110378949B (zh) | 2018-04-10 | 2018-04-10 | 一种淀粉粒分布分析装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378949B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050074146A1 (en) * | 2003-09-17 | 2005-04-07 | Advanta Technology, Ltd. | Method and apparatus for analyzing quality traits of grain or seed |
| CN103366161A (zh) * | 2013-06-28 | 2013-10-23 | 北京农业信息技术研究中心 | 一种白粉虱数量的统计方法及系统 |
| CN103674816A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 垩白米粒检测方法及系统 |
| WO2014047708A1 (en) * | 2012-09-28 | 2014-04-03 | Vale S.A. | Automatic morphometry and classification of crystals of iron oxides |
-
2018
- 2018-04-10 CN CN201810316258.0A patent/CN110378949B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050074146A1 (en) * | 2003-09-17 | 2005-04-07 | Advanta Technology, Ltd. | Method and apparatus for analyzing quality traits of grain or seed |
| WO2014047708A1 (en) * | 2012-09-28 | 2014-04-03 | Vale S.A. | Automatic morphometry and classification of crystals of iron oxides |
| CN103366161A (zh) * | 2013-06-28 | 2013-10-23 | 北京农业信息技术研究中心 | 一种白粉虱数量的统计方法及系统 |
| CN103674816A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 垩白米粒检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张巧杰等: "稻米品质检测装置研究", 《仪器仪表学报》 * |
| 陈文静等: "基于HSV空间的岩心图像处理", 《中国粉体技术》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378949B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morales et al. | Espina: a tool for the automated segmentation and counting of synapses in large stacks of electron microscopy images | |
| CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
| CN108717554A (zh) | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 | |
| Son et al. | Morphological change tracking of dendritic spines based on structural features | |
| CN103279744B (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
| CN103959332B (zh) | 图像处理 | |
| CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
| JP2022506135A (ja) | ヒトの寄与を組み込む反復的深層学習フローを使用した顕微鏡画像内の３ｄ細胞間構造のセグメント化 | |
| Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
| JP4383352B2 (ja) | 核多形性の組織学的評価 | |
| CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
| CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
| Raut et al. | Review on leaf disease detection using image processing techniques | |
| WO2021164320A1 (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
| Sankari et al. | Automatic tumor segmentation using convolutional neural networks | |
| Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
| Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
| CN109829879A (zh) | 维管束的检测方法及装置 | |
| Elbischger et al. | Automatic analysis of collagen fiber orientation in the outermost layer of human arteries | |
| Thakur et al. | Deep learning based processing framework for spatio-temporal analysis and classification of laser biospeckle data | |
| CN110378949A (zh) | 一种淀粉粒分布分析装置及其方法 | |
| CN114627010B (zh) | 一种基于染色密度图的染色空间迁移方法 | |
| CN110399891A (zh) | 一种基于大数据的医学图像的高效分类管理方法 | |
| CN103234472A (zh) | 一种獭兔被毛纤维细度、密度检测方法及系统 | |
| Barbosa et al. | Characterizing neuromorphologic alterations with additive shape functionals |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200609 Address after: 200032 building 4, No. 300 Fenglin Road, Xuhui District, Shanghai Applicant after: Center for excellence and innovation in molecular plant science, Chinese Academy of Sciences Address before: 200031 Yueyang Road, Shanghai, No. 319, No. Applicant before: SHANGHAI INSTITUTES FOR BIOLOGICAL SCIENCES, CHINESE ACADEMY OF SCIENCES |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |