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 PDF

Info

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Withdrawn
Application number
CN201810468313.8A
Other languages
English (en)
Inventor
刘小英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810468313.8A priority Critical patent/CN110503107A/zh
Publication of CN110503107A publication Critical patent/CN110503107A/zh
Withdrawn legal-status Critical Current

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

寄生虫虫卵图像特征选择方法
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。
CN201810468313.8A 2018-05-16 2018-05-16 寄生虫虫卵图像特征选择方法 Withdrawn CN110503107A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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
Gonzalez et al. Analysis of sexual dimorphism of craniofacial traits using geometric morphometric techniques
Fowlkes et al. Local figure–ground cues are valid for natural images
Nandy et al. The nature of letter crowding as revealed by first-and second-order classification images
DE202016007816U1 (de) Das Entdecken von Unternehmen aus Bildern
DE112016005555T5 (de) CAPTCHA-Aufgaben auf Bildbasis
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
DE102013210375A1 (de) Auffinden von text in natürlichen szenen
DE102016222036A1 (de) System für eine visuelle Objekt- und Ereignis-Erkennung und - Vorhersage unter Verwendung von Sakkaden
DE202015009137U1 (de) Verwenden von Bildmerkmalen zur Extraktion von Ansichtsfenstern aus Bildern
DE102016206010A1 (de) Systeme und Verfahren zur Klassifizierung und Angleichung von hochgradig ähnlichen oder selbstähnlichen Mustern
Ubelaker Craniofacial superimposition: historical review and current issues
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
Mondal et al. Landmark-based geometric morphometric analysis of wing shape among certain species of Aedes mosquitoes in District Dehradun (Uttarakhand), India
US20170007118A1 (en) Apparatus and method for estimating gaze from un-calibrated eye measurement points
Herlambang et al. Retracted: Application of liver disease detection using iridology with back-propagation neural network
Volokitin et al. Predicting when saliency maps are accurate and eye fixations consistent
Choung et al. Dissecting (un) crowding
CN110503107A (zh) 寄生虫虫卵图像特征选择方法
CN105678208B (zh) 提取人脸纹理的方法及装置
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
EP3410324B1 (de) Bestimmen eines anonymisierten dosisberichtbildes

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