CN110503107A - 寄生虫虫卵图像特征选择方法 - Google Patents
寄生虫虫卵图像特征选择方法 Download PDFInfo
- Publication number
- CN110503107A CN110503107A CN201810468313.8A CN201810468313A CN110503107A CN 110503107 A CN110503107 A CN 110503107A CN 201810468313 A CN201810468313 A CN 201810468313A CN 110503107 A CN110503107 A CN 110503107A
- Authority
- CN
- China
- Prior art keywords
- feature
- parasite egg
- image
- selection approach
- obtains
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了寄生虫虫卵图像特征选择方法，涉及寄生虫虫卵特征选择，包括寄生虫虫卵样本图像，还包括以下步骤：S1，进行图像去噪处理后，对所述寄生虫虫卵样本图像进行图像信息统计，获得基本统计特征集；S2，获取基于图像自身属性的特征点集；S3，获取区域定义的特征点集；S4，依据S1‑S3获取的特征集，计算每个特征集子项的方差，并选取方差最小的6个特征，再将6个特征采用特征压缩方法进行降维，形成3个描述特征作为图像的特征，作为寄生虫虫卵图像的特征参数。本发明通过选择合适的特征，能够有效提高寄生虫虫卵图像特征选择的稳定性、精确性及实时性；能够综合考虑不同条件下的特征有效性，提高图像特征的抗干扰能力。
Description
技术领域
本发明涉及寄生虫虫卵特征选择，具体涉及寄生虫虫卵图像特征选择方法。
背景技术
人体寄生虫指以人作为宿主之寄生虫。可分为内部寄生虫和外部寄生虫两大类。大多属原生动物、线形动物、扁形动物、环节动物和节肢动物。寄生虫学中习惯上把原生动物称为原虫类，把线形动物和扁形动物合称为蠕虫类。内部寄生虫之重要的种类大多包括在原虫类、线虫类、吸虫类和绦虫类中。研究寄生虫虫卵对医学生学习和指导具有重要的意义。目前寄生虫虫卵图像存在干扰项多，难以选择良好识别特征的问题。
发明内容
本发明所要解决的技术问题是目前寄生虫虫卵图像存在干扰项多，难以选择良好识别特征的问题，目的在于提供寄生虫虫卵图像特征选择方法，解决上述问题。
本发明通过下述技术方案实现：
寄生虫虫卵图像特征选择方法，包括寄生虫虫卵样本图像，还包括以下步骤：
S1，进行图像去噪处理后，对所述寄生虫虫卵样本图像进行图像信息统计，获得基本统计特征集；
S2，获取基于图像自身属性的特征点集；
S3，获取区域定义的特征点集；
S4，依据S1-S3获取的特征集，计算每个特征集子项的方差，并选取方差最小的6个特征，再将6个特征采用特征压缩方法进行降维，形成3个描述特征作为图像的特征，作为寄生虫虫卵图像的特征参数。
进一步地，所述区域定义的特征点集，包括LOG算子、Forstner算子、SIFT算子。
进一步地，所述基于自身属性的特征点集，包括边缘点、角点、交叉点。
进一步地，所述基本统计特征，包括亮度、重心、灰度直方图。
进一步地，所述特征压缩方法采用最小方差排名的前6项中，排名为奇数的特征与其后一位的特征相乘，形成新的特征。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明寄生虫虫卵图像特征选择方法，通过选择合适的特征，能够有效提高寄生虫虫卵图像特征选择的稳定性、精确性及实时性；
2、本发明寄生虫虫卵图像特征选择方法，能够综合考虑不同条件下的特征有效性，提高图像特征的抗干扰能力。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本发明寄生虫虫卵图像特征选择方法，包括寄生虫虫卵样本图像，还包括以下步骤：
S1，进行图像去噪处理后，对所述寄生虫虫卵样本图像进行图像信息统计，获得基本统计特征集；
S2，获取基于图像自身属性的特征点集；
S3，获取区域定义的特征点集；
S4，依据S1-S3获取的特征集，计算每个特征集子项的方差，并选取方差最小的6个特征，再将6个特征采用特征压缩方法进行降维，形成3个描述特征作为图像的特征，作为寄生虫虫卵图像的特征参数。
所述区域定义的特征点集，包括LOG算子、Forstner算子、SIFT算子。
所述基于自身属性的特征点集，包括边缘点、角点、交叉点。
所述基本统计特征，包括亮度、重心、灰度直方图。
所述特征压缩方法采用最小方差排名的前6项中，排名为奇数的特征与其后一位的特征相乘，形成新的特征。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.寄生虫虫卵图像特征选择方法，包括寄生虫虫卵样本图像，其特征在于，还包括以下步骤：
S1，进行图像去噪处理后，对所述寄生虫虫卵样本图像进行图像信息统计，获得基本统计特征集；
S2，获取基于图像自身属性的特征点集；
S3，获取区域定义的特征点集；
S4，依据S1-S3获取的特征集，计算每个特征集子项的方差，并选取方差最小的6个特征，再将6个特征采用特征压缩方法进行降维，形成3个描述特征作为图像的特征，作为寄生虫虫卵图像的特征参数。
2.根据权利要求1所述的寄生虫虫卵图像特征选择方法，其特征在于，所述区域定义的特征点集，包括LOG算子、Forstner算子、SIFT算子。
3.根据权利要求1所述的寄生虫虫卵图像特征选择方法，其特征在于，所述基于自身属性的特征点集，包括边缘点、角点、交叉点。
4.根据权利要求1所述的寄生虫虫卵图像特征选择方法，其特征在于，所述基本统计特征，包括亮度、重心、灰度直方图。
5.根据权利要求1所述的寄生虫虫卵图像特征选择方法，其特征在于，所述特征压缩方法采用最小方差排名的前6项中，排名为奇数的特征与其后一位的特征相乘，形成新的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810468313.8A CN110503107A (zh) | 2018-05-16 | 2018-05-16 | 寄生虫虫卵图像特征选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810468313.8A CN110503107A (zh) | 2018-05-16 | 2018-05-16 | 寄生虫虫卵图像特征选择方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110503107A true CN110503107A (zh) | 2019-11-26 |
Family
ID=68585016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810468313.8A Withdrawn CN110503107A (zh) | 2018-05-16 | 2018-05-16 | 寄生虫虫卵图像特征选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503107A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
-
2018
- 2018-05-16 CN CN201810468313.8A patent/CN110503107A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582276A (zh) * | 2020-05-29 | 2020-08-25 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
| CN111582276B (zh) * | 2020-05-29 | 2023-09-29 | 北京语言大学 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nandy et al. | The nature of letter crowding as revealed by first-and second-order classification images | |
| CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
| DE202016007816U1 (de) | Das Entdecken von Unternehmen aus Bildern | |
| DE112016005555T5 (de) | CAPTCHA-Aufgaben auf Bildbasis | |
| DE102016206010B4 (de) | Systeme und Verfahren zur Klassifizierung und Angleichung von hochgradig ähnlichen oder selbstähnlichen Mustern | |
| DE102013210375A1 (de) | Auffinden von text in natürlichen szenen | |
| TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
| CN104680545B (zh) | 光学图像中存在显著目标的检测方法 | |
| DE102016222036A1 (de) | System für eine visuelle Objekt- und Ereignis-Erkennung und - Vorhersage unter Verwendung von Sakkaden | |
| García-Pérez et al. | Sampling plans for fitting the psychometric function | |
| DE102022208700A1 (de) | Elektronische vorrichtungen mit körperzusammensetzungsanalyseschaltung | |
| Safira et al. | K-Nearest Neighbour Classification and Feature Extraction GLCM for Identification of Terry's Nail | |
| Selvapandian et al. | Performance analysis of meningioma brain tumor classifications based on gradient boosting classifier | |
| Herlambang et al. | Retracted: Application of liver disease detection using iridology with back-propagation neural network | |
| Mondal et al. | Landmark-based geometric morphometric analysis of wing shape among certain species of Aedes mosquitoes in District Dehradun (Uttarakhand), India | |
| Choung et al. | Dissecting (un) crowding | |
| CN110503107A (zh) | 寄生虫虫卵图像特征选择方法 | |
| US20170007118A1 (en) | Apparatus and method for estimating gaze from un-calibrated eye measurement points | |
| Pasupathy | The neural basis of image segmentation in the primate brain | |
| Wallis et al. | Mach bands and multiscale models of spatial vision: the role of first, second, and third derivative operators in encoding bars and edges | |
| CN105809085B (zh) | 人眼定位方法及装置 | |
| Wang et al. | Comparing the minimum spatial-frequency content for recognizing Chinese and alphabet characters | |
| CN106056580A (zh) | 一种通过点云特征测量人体体重的方法 | |
| Krishna et al. | Developmental changes in ambient and focal visual processing strategies | |
| Schwanck et al. | Measuring lesion attributes and analysing their spatial patterns at the leaf scale using digital image analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191126 |