CN110532941A - 一种常见藻类的特征图像提取方法 - Google Patents
一种常见藻类的特征图像提取方法 Download PDFInfo
- Publication number
- CN110532941A CN110532941A CN201910796652.3A CN201910796652A CN110532941A CN 110532941 A CN110532941 A CN 110532941A CN 201910796652 A CN201910796652 A CN 201910796652A CN 110532941 A CN110532941 A CN 110532941A
- Authority
- CN
- China
- Prior art keywords
- image
- algae
- cell
- characteristic
- feature
- 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.)
- Pending
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000877 morphologic effect Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 28
- 238000001514 detection method Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 210000003495 flagella Anatomy 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种常见藻类的特征图像提取方法,首先需要对藻类的显微图像进行细胞提取,并从细胞提取中处理得到形态特征、颜色特征和纹理特征,其中形态特征根据大小可分为外观形态特征和细胞形态特征,细胞形态特征包括细胞的形状、大小和轮廓等,形态特征为外部特征,可以从外观和藻类分割图像上直接提取,颜色特征和纹理特征属于内部特征,需要对图像内部区域所对应的表面性质进行提取,显微图像细胞目标提取方法能够从带有泥沙、残骸等干扰物的藻类显微图像中较为精确的提取目标细胞,从而可以大幅度降低对藻类自动分类识别工作的技术要求,提高效率和识别准确率;而且也可以比较精确的提取藻类的特征,为藻类研究者提供有效地指导和帮助。
Description
技术领域
本发明涉及藻类检测技术领域,具体为一种常见藻类的特征图像提取方法。
背景技术
藻类是一类广泛分布于各类生境的生物,对生态系统的平衡起着至关重要的作用,它是地球海洋初级生产力的主要组成部分。除此之外,藻类在许多领域都有广泛的应用,如水质检测和赤潮预报等,这些应用都离不开对藻类的鉴定工作。
常见的藻类鉴定需要观察定量样品的特征及生长情况,根据细胞中色素的成分和含量及其同化产物、藻丝、鞭毛长度和生殖方法等,鉴定工作繁琐复杂;生物外形一直是生物学家对生物进行分类的最重要,也是最基本的手段,从藻类显微图像中精确地提取目标细胞特征就成为藻类鉴定和研究工作中重要的一步,而且还可以大幅度降低对藻类自动分类识别工作的技术要求,提高效率和识别准确率。
发明内容
本发明所解决的技术问题在于提供一种常见藻类的特征图像提取方法,以解决上述背景技术中提出的问题。
本发明所解决的技术问题采用以下技术方案来实现:一种常见藻类的特征图像提取方法,首先需要对藻类的显微图像进行细胞提取,并从细胞提取中处理得到形态特征、颜色特征和纹理特征,其中形态特征根据大小可分为外观形态特征和细胞形态特征,细胞形态特征包括细胞的形状、大小和轮廓等,形态特征为外部特征,可以从外观和藻类分割图像上直接提取,颜色特征和纹理特征属于内部特征,需要对图像内部区域所对应的表面性质进行提取;所述藻类的显微图像细胞提取包括以下步骤:
步骤一、将藻类原始图像经过预处理后并基于区域进行图像分割得到藻类分割图像;
步骤二、经过步骤一处理得到的分割图像为二值图像,利用数学形态学膨胀和腐蚀操作以连接目标细胞断裂的边缘并消除物体边界点;
步骤三、提取步骤二中的二值图像与原始图像做逻辑与运算并进行种子填充,得到细胞目标图像。
优选的,所述细胞形态特征基于细胞目标图像封闭的轮廓线,利用细胞目标图像中的像素点视作单位并以此计算出细胞的面积、周长和圆弧度。
优选的,所述颜色特征提取是在HSI颜色空间基础上,采用颜色直方图的方法提取。
优选的,所述纹理特征通过灰度共生矩阵的纹理特征分析方法提取。
优选的,所述步骤一中图像预处理包括利用形态学梯度法,加强原始灰度图像的边缘,并通过中值滤波算法,减少图像中背景噪声影响,随后进行灰度直方图增强处理,加强图片对比度。
优选的,所述步骤一中的藻类图像分割方法为阈值分割法。
优选的,所述步骤三中的种子填充为漫水法填充。
与现有技术相比,本发明的有益效果是:显微图像细胞目标提取方法能够从带有泥沙、残骸等干扰物的藻类显微图像中较为精确的提取目标细胞,从而可以大幅度降低对藻类自动分类识别工作的技术要求,提高效率和识别准确率;而且也可以比较精确的提取藻类的特征,为藻类研究者提供有效地指导和帮助。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解,进一步阐述本发明。
本实施例中,一种常见藻类的特征图像提取方法,首先需要对藻类的显微图像进行细胞提取,并从细胞提取中处理得到形态特征、颜色特征和纹理特征,其中形态特征根据大小可分为外观形态特征和细胞形态特征,细胞形态特征包括细胞的形状、大小和轮廓等,形态特征为外部特征,可以从外观和藻类分割图像上直接提取,颜色特征和纹理特征属于内部特征,需要对图像内部区域所对应的表面性质进行提取;所述藻类的显微图像细胞提取包括以下步骤:
步骤一、将藻类原始图像经过预处理后并基于区域进行图像分割得到藻类分割图像;
步骤二、经过步骤一处理得到的分割图像为二值图像,利用数学形态学膨胀和腐蚀操作以连接目标细胞断裂的边缘并消除物体边界点;
步骤三、提取步骤二中的二值图像与原始图像做逻辑与运算并进行种子填充,得到细胞目标图像。
本实施例中,所述细胞形态特征基于细胞目标图像封闭的轮廓线,利用细胞目标图像中的像素点视作单位并以此计算出细胞的面积、周长和圆弧度。
本实施例中,所述颜色特征提取是在HSI颜色空间基础上,采用颜色直方图的方法提取。
本实施例中,所述纹理特征通过灰度共生矩阵的纹理特征分析方法提取。
本实施例中,所述步骤一中图像预处理包括利用形态学梯度法,加强原始灰度图像的边缘,并通过中值滤波算法,减少图像中背景噪声影响,随后进行灰度直方图增强处理,加强图片对比度。
本实施例中,所述步骤一中的藻类图像分割方法为阈值分割法。
本实施例中,所述步骤三中的种子填充为漫水法填充。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种常见藻类的特征图像提取方法,其特征在于:首先需要对藻类的显微图像进行细胞提取,并从细胞提取中处理得到形态特征、颜色特征和纹理特征,其中形态特征根据大小可分为外观形态特征和细胞形态特征,细胞形态特征包括细胞的形状、大小和轮廓等,形态特征为外部特征,可以从外观和藻类分割图像上直接提取,颜色特征和纹理特征属于内部特征,需要对图像内部区域所对应的表面性质进行提取;所述藻类的显微图像细胞提取包括以下步骤:
步骤一、将藻类原始图像经过预处理后并基于区域进行图像分割得到藻类分割图像;
步骤二、经过步骤一处理得到的分割图像为二值图像,利用数学形态学膨胀和腐蚀操作以连接目标细胞断裂的边缘并消除物体边界点;
步骤三、提取步骤二中的二值图像与原始图像做逻辑与运算并进行种子填充,得到细胞目标图像。
2.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述细胞形态特征基于细胞目标图像封闭的轮廓线,利用细胞目标图像中的像素点视作单位并以此计算出细胞的面积、周长和圆弧度。
3.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述颜色特征提取是在HSI颜色空间基础上,采用颜色直方图的方法提取。
4.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述纹理特征通过灰度共生矩阵的纹理特征分析方法提取。
5.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述步骤一中图像预处理包括利用形态学梯度法,加强原始灰度图像的边缘,并通过中值滤波算法,减少图像中背景噪声影响,随后进行灰度直方图增强处理,加强图片对比度。
6.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述步骤一中的藻类图像分割方法为阈值分割法。
7.根据权利要求1所述的一种常见藻类的特征图像提取方法,其特征在于:所述步骤三中的种子填充为漫水法填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796652.3A CN110532941A (zh) | 2019-08-27 | 2019-08-27 | 一种常见藻类的特征图像提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796652.3A CN110532941A (zh) | 2019-08-27 | 2019-08-27 | 一种常见藻类的特征图像提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532941A true CN110532941A (zh) | 2019-12-03 |
Family
ID=68664448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910796652.3A Pending CN110532941A (zh) | 2019-08-27 | 2019-08-27 | 一种常见藻类的特征图像提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532941A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113430243A (zh) * | 2021-08-06 | 2021-09-24 | 鄂尔多斯市琢成生物科技有限责任公司 | 一种螺旋藻藻种鉴定方法 |
CN113435389A (zh) * | 2021-07-09 | 2021-09-24 | 大连海洋大学 | 基于图像特征深度学习的小球藻和金藻分类识别方法 |
CN114418994A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226155A (zh) * | 2007-12-21 | 2008-07-23 | 中国人民解放军第八一医院 | 智能化肺癌早期细胞病理图像识别处理方法 |
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
CN101777121A (zh) * | 2010-03-02 | 2010-07-14 | 中国海洋大学 | 一种无角毛类赤潮藻显微图像细胞目标提取方法 |
CN104331712A (zh) * | 2014-11-24 | 2015-02-04 | 齐齐哈尔格林环保科技开发有限公司 | 一种藻类细胞图像自动分类方法 |
-
2019
- 2019-08-27 CN CN201910796652.3A patent/CN110532941A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226155A (zh) * | 2007-12-21 | 2008-07-23 | 中国人民解放军第八一医院 | 智能化肺癌早期细胞病理图像识别处理方法 |
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
CN101777121A (zh) * | 2010-03-02 | 2010-07-14 | 中国海洋大学 | 一种无角毛类赤潮藻显微图像细胞目标提取方法 |
CN104331712A (zh) * | 2014-11-24 | 2015-02-04 | 齐齐哈尔格林环保科技开发有限公司 | 一种藻类细胞图像自动分类方法 |
Non-Patent Citations (1)
Title |
---|
乔小燕: "基于生物形态学的赤潮藻显微图像分割与特征提取研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435389A (zh) * | 2021-07-09 | 2021-09-24 | 大连海洋大学 | 基于图像特征深度学习的小球藻和金藻分类识别方法 |
CN113435389B (zh) * | 2021-07-09 | 2024-03-01 | 大连海洋大学 | 基于图像特征深度学习的小球藻和金藻分类识别方法 |
CN113430243A (zh) * | 2021-08-06 | 2021-09-24 | 鄂尔多斯市琢成生物科技有限责任公司 | 一种螺旋藻藻种鉴定方法 |
CN114418994A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 |
CN114418994B (zh) * | 2022-01-19 | 2022-11-15 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulwa et al. | A state-of-the-art survey for microorganism image segmentation methods and future potential | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
Ma et al. | A state-of-the-art survey of object detection techniques in microorganism image analysis: from classical methods to deep learning approaches | |
AU2013353154B2 (en) | Cell monitoring device, cell monitoring method and program thereof. | |
CN104778711B (zh) | 一种卵裂阶段的细胞计数定位方法 | |
CN110532941A (zh) | 一种常见藻类的特征图像提取方法 | |
CN102663406A (zh) | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 | |
CN114067114B (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN101777122B (zh) | 一种角毛藻显微图像细胞目标提取方法 | |
Zhang et al. | A comprehensive survey with quantitative comparison of image analysis methods for microorganism biovolume measurements | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN111429461A (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
CN117495851A (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
CN109214393B (zh) | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 | |
Liimatainen et al. | Supervised method for cell counting from bright field focus stacks | |
Atteya et al. | Image segmentation and particles classification using texture analysis method | |
Dannemiller et al. | A new method for the segmentation of algae images using non-uniform background improvement and support vector machine | |
Xue et al. | A general approach for segmenting elongated and stubby biological objects: extending a chord length transform with the radon transform | |
Rojas et al. | Improved segmentation of meristem cells by an automated optimisation algorithm | |
Kousaka et al. | Automated Cell Structure Extraction for 3D Electron Microscopy by Deep Learning | |
Chen et al. | Metallographic image segmentation method based on superpixels algorithm and transfer learning | |
Ren et al. | Research on single-cell segmentation and identification based on image features fusion | |
Chang et al. | 3D Segmentation, Visualization and Quantitative Analysis of Differentiation Activity for Mouse Embryonic Stem Cells using Time-Lapse Fluorescence Microscopy Images | |
Yu et al. | A practical visual perception-based species recognition system for non-setae marine microalgae |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |