CN110675368A - 一种融合图像分割与分类的细胞图像语义分割方法 - Google Patents

一种融合图像分割与分类的细胞图像语义分割方法 Download PDF

Info

Publication number
CN110675368A
CN110675368A CN201910819365.XA CN201910819365A CN110675368A CN 110675368 A CN110675368 A CN 110675368A CN 201910819365 A CN201910819365 A CN 201910819365A CN 110675368 A CN110675368 A CN 110675368A
Authority
CN
China
Prior art keywords
image
cell
segmentation
classification
neural network
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
Application number
CN201910819365.XA
Other languages
English (en)
Other versions
CN110675368B (zh
Inventor
黄凯
郭叙森
康德开
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.)
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201910819365.XA priority Critical patent/CN110675368B/zh
Publication of CN110675368A publication Critical patent/CN110675368A/zh
Application granted granted Critical
Publication of CN110675368B publication Critical patent/CN110675368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种融合图像分割与分类的细胞图像语义分割方法，将细胞图像数据预处理后分别经过双线性细粒度分类神经网络和通过OSTU算法及填充算法进行处理，分别得到细胞分类模型和细胞分割图，将细胞分类模型对细胞分割图的前景连通区域进行预测，将预测结果赋给该连通区域从而得到逐区域的分类结果，结合分割得到的背景区域，最终得到细胞测试图像的语义分割结果。本发明融合了传统阈值方法以及深度学习方法实现对细胞图像的精确语义分割，与传统细胞图像分割方法相比，本发明还能够得到细胞的语义信息，并且是逐像素的语义类别，能够运用于细胞污染的鉴定以及隔离。

Description

一种融合图像分割与分类的细胞图像语义分割方法
技术领域
本发明涉及细胞图像处理领域，更具体地，涉及一种融合图像分割与分类的细胞图像语义分割方法。
背景技术
目前细胞语义分割方法，有基于阈值分割法和基于深度学习的分割方法。基于阈值分割法较为简单，但在阈值的选取很大程度上影响图像分割的效果，它只考虑像素本身的灰度值，而不考虑图像的空间分布，这样其分割结果就对噪声很敏感，造成准确率低。而基于深度学习的分割方法，需要大量标记数据作为全卷积网络的训练样本，特别是对于语义分割任务，需要像素级别的语义标签，这是十分难获取的。并且一般医学图像需要有医师的经验才能很好的完成标注工作，因此训练数据的获取需要耗费非常大的成本。
发明内容
本发明为克服上述现有技术细胞图像语义分割的准确率低和全卷积网络训练耗费成本高的问题，提供一种融合图像分割与分类的细胞图像语义分割方法，借助深度学习技术获取语义信息，能够得到细胞图像的语义分割结果，准确率高且无需经过全卷积网络进行训练。
为解决上述技术问题，本发明采用的技术方案是：提供一种融合图像分割与分类的细胞图像语义分割方法，包括以下步骤：
步骤一：构建细胞图像数据集，将细胞的相差显微镜数据按照细胞的类别分成七大类；
步骤二：对图像数据进行预处理；
步骤三：构建双线性细粒度分类神经网络,将步骤二中预处理后的图像输入双线性细粒度分类神经网络,双线性细粒度分类神经网络输出为图像中细胞的类别；
步骤四：训练步骤三中的双线性细粒度分类神经网络，使用梯度下降算法优化总体损失值,直到算法收敛且损失值不再下降后，保存网络参数,得到细胞分类模型；
步骤五：将步骤二中预处理后的图像转化为细胞分割图；
步骤六：使用步骤四中的细胞分类模型对细胞分割图每个前景连通区域进行采样预测，将预测结果赋给该连通区域从而得到逐区域的分类结果，结合分割得到的背景区域，最终得到细胞测试图像的语义分割结果。
优选的，在所述步骤二中，图像数据预处理包括背景光照均一化以及灰度值均一化；
优选的，背景光照均一化的操作步骤为：
S1：统计细胞图像数据库中单个细胞在图像中的平均大小；
S2：将细胞图像转为灰度图,并使用尺寸大于细胞大小的高斯卷积核与细胞图像进行卷积,得到细胞图像的背景光照亮度图像；
S3：将细胞灰度图像减去背景光照强度,并逐像素加上背景光照均值,得到背景光照均一化之后的细胞图像，并将处理后灰度值小于0的像素的灰度值置为零,灰度值大于255的的像素的灰度值置为255。
在使用光学显微镜对细胞图像进行拍摄时,由于通光孔内的光线通常会不均匀的分布在细胞样本上,导致拍摄出的细胞图像经常呈现光照不均匀的现象,如中间亮四周暗、一边亮一边暗、一角亮三角暗等情况等。对图像背景光照均一化，可以提高细胞图像质量、消除不均匀光照对模型识别能力的影响。
优选的，灰度值均一化的步骤为：
S1:计算均一化处理后的细胞图像灰度值的均值和方差；
S2：计算灰度归一化之后的像素的灰度值，公式如下：
Figure BDA0002187103380000021
其中,Iin、Iout分别为输入、输出图像像素点的灰度值，Meanin、STDin为输入图像灰度均值及标准差，Meanout、STDout为预设的输出图像灰度值均值及标准差。
细胞图像的背景颜色通常与通光孔中光照强度与培养基颜色等因素有关,在细胞图像数据采集的过程中,由于同一种细胞图像经常在同一时间段采集,实验环境相似,因此细胞图像数据集中会出现同种细胞图像呈现某几种特定的背景颜色的情况。图像灰度归一化可以放置神经网络将细胞背景作为为细胞种类识别的一种特征,避免背景光照强度对细胞种类鉴定造成干扰。
优选的，输入双线性细粒度分类神经网络的图像数据切割为小图像块，切割过程中,使用宽为Wwin长为Hwin的矩形框去图像数据上截取小图像块，截取按照从左往右,从上往下的顺序，设定矩形框的从左往右的截取步长为Woffset，从上往下的截取步长为Hoffset，矩形框以预设的步长在细胞图像上滑动进行小图像的截取,将窗口内的图像作为新的细胞图像数据并将其类别标记为原始细胞图像所对应的类别。单位为像素。将窗口内的图像作为新的细胞图像数据并将其类别标记为原始细胞图像所对应的类别。
优选的，双线性细粒度分类神经网络输出细胞分裂模型的步骤为：
S1：小图像块输入神经网络，经过卷积层提取特征并产生特征图；
S2：对特征图进行卷积操作，产生特征向量；
S3：将特征向量与全连接网络相连接，并通过回归层产生细胞图像属于每个类别的概率值。
优选的，所述步骤五中，将步骤二中预处理后的图像通过OSTU算法进行边缘检测得到细胞的边缘，再通过使用形态学的填充算法得到最终的细胞分割图。
优选的，图像中像素灰度值不在[50,150]内则被判断为边缘。
与现有技术相比，有益效果是：
1.本发明融合了传统阈值方法以及深度学习方法实现对细胞图像的精确语义分割，与传统细胞图像分割方法相比，本发明还能够得到细胞的语义信息，并且是逐像素的语义类别，能够运用于细胞污染的鉴定以及隔离。
2.本发明所提出的的方法具有较强的鲁棒性。本发明考虑了拍照噪声、光照变化等因素对模型准确率的影响，对输入细胞图像进行高斯滤波及对比度提升，同时在训练过程中使用旋转、缩放、亮度调整等方法进行数据增强，避免模型学习到无关特征，提高模型的鲁棒性。
3.本发明所提出的的细粒度神经网络针对细胞种类，识别准确率较高。相比传统的卷积神经网络而言，本发明提出的细粒度神经网络首先使用卷积层提取图像特征，之后通过双线性操作对其特征进行全局性融合，能够提取输入图像的纹理等细粒度特征，避免传统卷积神经网络在纹理识别问题上准确率较低的缺陷。
附图说明
图1是本发明的流程图；
图2为本发明的双线性细粒度分类神经网络的网络架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
实施例
如图1所示为一种融合图像分割与分类的细胞图像语义分割方法的是实施例，包括以下步骤：
步骤一：构建细胞图像数据集，将细胞的相差显微镜数据按照细胞的类别分成七大类；细胞图像数据集中的图像分辨率1388×1040。
步骤二：对图像数据进行预处理，包括背景光照均一化以及灰度值均一化；
其中，背景光照均一化的操作步骤为：
S1：统计细胞图像数据库中单个细胞在图像中的平均大小；
S2：将细胞图像转为灰度图,并使用尺寸大于细胞大小的高斯卷积核与细胞图像进行卷积,得到细胞图像的背景光照亮度图像，本实施例选取的高斯核大小为(63,63),δ为9.8；
S3：将细胞灰度图像减去背景光照强度,并逐像素加上背景光照均值,得到背景光照均一化之后的细胞图像，并将处理后灰度值小于0的像素的灰度值置为零,大于255的置为255。
灰度值均一化的步骤为：
S1:计算均一化处理后的细胞图像灰度值的均值和方差；
S2：计算灰度归一化之后的像素的灰度值，公式如下：
Figure BDA0002187103380000051
其中,Iin、Iout分别为输入、输出图像像素点的灰度值，Meanin、STDin为输入图像灰度均值及标准差，Meanout、STDout为预设的输出图像灰度值均值及标准差，本实施例选取的Meanout、STDout分别为128、20。
步骤三：构建双线性细粒度分类神经网络,将步骤二中预处理后的图像切割为小图像块后输入双线性细粒度分类神经网络,双线性细粒度分类神经网络输出为图像中细胞的类别；
具体的，图像切割过程为,使用宽为192长为192的矩形框去图像数据上截取小图像块，截取按照从左往右,从上往下的顺序，设定矩形框的从左往右的截取步长为1，从上往下的截取步长为1，矩形框以预设的步长在细胞图像上滑动进行小图像的截取。将窗口内的图像作为新的细胞图像数据并将其类别标记为原始细胞图像所对应的类别。通过细胞图像的有重叠裁剪,可以将单种细胞图像数据库扩大为原来的数倍。
另外的，双线性细粒度分类神经网络如图2所示，该网络的功能可以使用一个四元组表示:B＝(fA,fB,P,C),其中fA和fB是基于卷积神经网络的特征函数,P为池化函数,C为分类函数。特征函数是一个映射:f:L×I→RK×D,该映射将图像I及其位置信息L作为输入,产生一个大小为K×D的特征图。在双线性卷积神经网络中,不同模型的各个位置之间的特征输出通过矩阵外积进行融合。特征图维度中K的值与模型相关,为了能够进行外积操作,fA与fB需要保证具有相同的K值。若先将双线性特征进行池化,之后将其结合就可以获得图像全局性的特征描述Φ(I),在使用求和方式进行池化的情况下,则该过程可以表示为
Figure BDA0002187103380000052
若fA与fB的大小分别为K×M及K×N,则Φ(I)的大小即为M×N。由于特征中的位置信息在池化时被忽略,因此双线性层Φ(I)能够得到一种无序的图像特征表示,从而避免图像中物体发生姿态变化对识别效果的影响。同时,双线性特征是一种通用的图像特征表示方式,能够作为任意分类器的输入,具有较广的使用范围。同时,双线性卷积网络中特征函数fA与fB可以有多种组合方式,它们可以是完全独立的、局部共享得到或全局共享的。
神经网络输出细胞分裂模型的步骤为：
S1：192×192×1的小图像块输入神经网络，经过卷积层提取特征并产生12×12×512特征图；
S2：使用大小为12×12,维度为1024的大型卷积核对特征图进行卷积操作，产生维度为1024特征向量；
S3：将特征向量与维度分别为1024及7的全连接网络相连接，并通过回归层产生细胞图像属于每个类别的概率值。
步骤四：训练步骤三中的双线性细粒度分类神经网络，使用梯度下降算法优化总体损失值,直到算法收敛且损失值不再下降后，保存网络参数,得到细胞分类模型；训练过程中,优化器为Adam,学习率为0.0001。每代迭代2800次,共迭代10次。
步骤五：将步骤二中预处理后的图像通过OSTU算法进行边缘检测得到细胞的边缘，再通过使用形态学的填充算法得到最终的细胞分割图。其中，图像中像素灰度值不在[50,150]内则被判断为边缘。
步骤六：使用步骤四中的细胞分类模型对细胞分割图每个前景连通区域进行采样预测，将预测结果赋给该连通区域从而得到逐区域的分类结果，结合分割得到的背景区域，最终得到细胞测试图像的语义分割结果。
本实施例的有益效果：
1.本实施例融合了传统阈值方法以及深度学习方法实现对细胞图像的精确语义分割，传统细胞图像分割方法相比，本发明还能够得到细胞的语义信息，并且是逐像素的语义类别，能够运用于细胞污染的鉴定以及隔离。
2.本实施例所提出的的方法具有较强的鲁棒性。本发明考虑了拍照噪声、光照变化等因素对模型准确率的影响，对输入细胞图像进行高斯滤波及对比度提升，同时在训练过程中使用旋转、缩放、亮度调整等方法进行数据增强，避免模型学习到无关特征，提高模型的鲁棒性。
3.本实施例所提出的的细粒度神经网络针对细胞种类，识别准确率较高。相比传统的卷积神经网络而言，本发明提出的细粒度神经网络首先使用卷积层提取图像特征，之后通过双线性操作对其特征进行全局性融合，能够提取输入图像的纹理等细粒度特征，避免传统卷积神经网络在纹理识别问题上准确率较低的缺陷。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，包括如下步骤：
步骤一：构建细胞图像数据集，将细胞的相差显微镜数据按照细胞的类别分成七大类；
步骤二：对图像数据进行预处理；
步骤三：构建双线性细粒度分类神经网络,将步骤二中预处理后的图像输入双线性细粒度分类神经网络,双线性细粒度分类神经网络输出为图像中细胞的类别；
步骤四：训练步骤三中的双线性细粒度分类神经网络使用梯度下降算法优化总体损失值,直到算法收敛且损失值不再下降后，保存网络参数,得到细胞分类模型；
步骤五：将步骤二中预处理后的图像转化为细胞分割图；
步骤六：使用步骤四中的细胞分类模型对步骤五中的细胞分割图每个前景连通区域进行采样预测，将预测结果赋给该连通区域从而得到逐区域的分类结果，结合分割得到的背景区域，最终得到细胞测试图像的语义分割结果。
2.根据权利要求1所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，在所述步骤二中，图像数据预处理包括背景光照均一化以及灰度值均一化。
3.根据权利要求2所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，背景光照均一化的操作步骤为：
S1：统计细胞图像数据库中单个细胞在图像中的平均大小；
S2：将细胞图像转为灰度图,并使用尺寸大于细胞大小的高斯卷积核与细胞图像进行卷积,得到细胞图像的背景光照亮度图像；
S3：将细胞灰度图像减去背景光照强度,并逐像素加上背景光照均值,得到背景光照均一化之后的细胞图像，并将处理后灰度值小于0的像素的灰度值置为零,大于255的置为255。
4.根据权利要求3所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，灰度值均一化的步骤为：
S1:计算均一化处理后的细胞图像灰度值的均值和方差；
S2：计算灰度归一化之后的像素的灰度值，公式如下：
Figure FDA0002187103370000021
其中,Iin、Iout分别为输入、输出图像像素点的灰度值，Meanin、STDin为输入图像灰度均值及标准差，Meanout、STDout为预设的输出图像灰度值均值及标准差。
5.根据权利要求1所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，输入双线性细粒度分类神经网络的图像数据切割为小图像块，切割过程中，使用矩形框去图像数据上截取小图像块，设定矩形框的截取步长，矩形框以预设的步长在细胞图像上滑动进行小图像的截取,将窗口内的图像作为新的细胞图像数据并将其类别标记为原始细胞图像所对应的类别。
6.根据权利要求5所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，双线性细粒度分类神经网络输出细胞分裂模型的步骤为：
S1：小图像块输入神经网络，经过卷积层提取特征并产生特征图；
S2：对特征图进行卷积操作，产生特征向量；
S3：将特征向量与全连接网络相连接，并通过回归层产生细胞图像属于每个类别的概率值。
7.根据权利要求1所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，所述步骤五中，将步骤二中预处理后的图像通过OSTU算法进行边缘检测得到细胞的边缘，再通过使用形态学的填充算法得到最终的细胞分割图。
8.根据权利要求7所述的一种融合图像分割与分类的细胞图像语义分割方法，其特征在于，图像中像素灰度值不在[50,150]内则被判断为边缘。
CN201910819365.XA 2019-08-31 2019-08-31 一种融合图像分割与分类的细胞图像语义分割方法 Active CN110675368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910819365.XA CN110675368B (zh) 2019-08-31 2019-08-31 一种融合图像分割与分类的细胞图像语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910819365.XA CN110675368B (zh) 2019-08-31 2019-08-31 一种融合图像分割与分类的细胞图像语义分割方法

Publications (2)

Publication Number Publication Date
CN110675368A true CN110675368A (zh) 2020-01-10
CN110675368B CN110675368B (zh) 2023-04-07

Family

ID=69076102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910819365.XA Active CN110675368B (zh) 2019-08-31 2019-08-31 一种融合图像分割与分类的细胞图像语义分割方法

Country Status (1)

Country Link
CN (1) CN110675368B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582111A (zh) * 2020-04-29 2020-08-25 电子科技大学 一种基于语义分割的细胞各成分分割方法
CN111612740A (zh) * 2020-04-16 2020-09-01 深圳大学 一种病理图像处理方法及装置
CN111860406A (zh) * 2020-07-29 2020-10-30 福州大学 基于区域混淆机制神经网络的血细胞显微图像分类方法
CN111932447A (zh) * 2020-08-04 2020-11-13 中国建设银行股份有限公司 一种图片处理方法、装置、设备及存储介质
CN112233082A (zh) * 2020-10-13 2021-01-15 深圳市瑞沃德生命科技有限公司 细胞图像自动曝光方法及其装置
CN112508900A (zh) * 2020-11-30 2021-03-16 上海交通大学 细胞病理图像分割方法及装置
CN112634243A (zh) * 2020-12-28 2021-04-09 吉林大学 一种强干扰因素下基于深度学习的图像分类识别系统
CN113160109A (zh) * 2020-12-15 2021-07-23 宁波大学 反背景差分的细胞图像分割方法
CN113160204A (zh) * 2021-04-30 2021-07-23 聚时科技(上海)有限公司 基于目标检测信息生成缺陷区域的语义分割网络训练方法
WO2021159686A1 (zh) * 2020-02-11 2021-08-19 苏州大学 基于滑动窗的癌细胞检测装置
CN113706468A (zh) * 2021-07-27 2021-11-26 河北光兴半导体技术有限公司 基于bp神经网络的玻璃缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709421A (zh) * 2016-11-16 2017-05-24 广西师范大学 一种基于变换域特征和cnn的细胞图像识别分类方法
CN109117703A (zh) * 2018-06-13 2019-01-01 中山大学中山眼科中心 一种基于细粒度识别的混杂细胞种类鉴定方法
US20190065817A1 (en) * 2017-08-29 2019-02-28 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN110147841A (zh) * 2019-05-22 2019-08-20 桂林电子科技大学 基于弱监督及无监督部件检测和分割的细粒度分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709421A (zh) * 2016-11-16 2017-05-24 广西师范大学 一种基于变换域特征和cnn的细胞图像识别分类方法
US20190065817A1 (en) * 2017-08-29 2019-02-28 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN109117703A (zh) * 2018-06-13 2019-01-01 中山大学中山眼科中心 一种基于细粒度识别的混杂细胞种类鉴定方法
CN110147841A (zh) * 2019-05-22 2019-08-20 桂林电子科技大学 基于弱监督及无监督部件检测和分割的细粒度分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIHAO ZHAO ET.AL: "Lidar Mapping Optimization Based on Lightweight Semantic Segmentation", <IEEE TRANSACTIONS ON INTELLIGENT VEHICLES> *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159686A1 (zh) * 2020-02-11 2021-08-19 苏州大学 基于滑动窗的癌细胞检测装置
CN111612740A (zh) * 2020-04-16 2020-09-01 深圳大学 一种病理图像处理方法及装置
CN111612740B (zh) * 2020-04-16 2023-07-25 深圳大学 一种病理图像处理方法及装置
CN111582111A (zh) * 2020-04-29 2020-08-25 电子科技大学 一种基于语义分割的细胞各成分分割方法
CN111582111B (zh) * 2020-04-29 2022-04-29 电子科技大学 一种基于语义分割的细胞各成分分割方法
CN111860406A (zh) * 2020-07-29 2020-10-30 福州大学 基于区域混淆机制神经网络的血细胞显微图像分类方法
CN111932447A (zh) * 2020-08-04 2020-11-13 中国建设银行股份有限公司 一种图片处理方法、装置、设备及存储介质
CN111932447B (zh) * 2020-08-04 2024-03-22 中国建设银行股份有限公司 一种图片处理方法、装置、设备及存储介质
CN112233082A (zh) * 2020-10-13 2021-01-15 深圳市瑞沃德生命科技有限公司 细胞图像自动曝光方法及其装置
CN112508900B (zh) * 2020-11-30 2022-11-01 上海交通大学 细胞病理图像分割方法及装置
CN112508900A (zh) * 2020-11-30 2021-03-16 上海交通大学 细胞病理图像分割方法及装置
CN113160109A (zh) * 2020-12-15 2021-07-23 宁波大学 反背景差分的细胞图像分割方法
CN113160109B (zh) * 2020-12-15 2023-11-07 宁波大学 反背景差分的细胞图像分割方法
CN112634243A (zh) * 2020-12-28 2021-04-09 吉林大学 一种强干扰因素下基于深度学习的图像分类识别系统
CN113160204A (zh) * 2021-04-30 2021-07-23 聚时科技(上海)有限公司 基于目标检测信息生成缺陷区域的语义分割网络训练方法
CN113706468A (zh) * 2021-07-27 2021-11-26 河北光兴半导体技术有限公司 基于bp神经网络的玻璃缺陷检测方法

Also Published As

Publication number Publication date
CN110675368B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110675368B (zh) 一种融合图像分割与分类的细胞图像语义分割方法
US11615559B2 (en) Methods and systems for human imperceptible computerized color transfer
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
WO2019089578A1 (en) Font identification from imagery
AU2014262134B2 (en) Image clustering for estimation of illumination spectra
CN111695633A (zh) 基于rpf-cam的低照度目标检测方法
CN110610509A (zh) 可指定类别的优化抠图方法及系统
CN111444844A (zh) 一种基于变分自编码器的液基细胞人工智能检测方法
CN115830585A (zh) 一种基于图像增强的港口集装箱号识别方法
CN114332136B (zh) 人脸属性数据标注方法、计算机设备及存储介质
CN114841992A (zh) 基于循环生成对抗网络和结构相似性的缺陷检测方法
CN110827327B (zh) 一种基于融合的长期目标跟踪方法
CN116665051B (zh) 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法
Culibrk Neural network approach to Bayesian background modeling for video object segmentation
CN110489584B (zh) 基于密集连接的MobileNets模型的图像分类方法及系统
Dietlmeier et al. Unsupervised mitochondria segmentation using recursive spectral clustering and adaptive similarity models
Jyothi et al. Computational color naming for human-machine interaction
CN113887652A (zh) 基于形态和多示例学习的遥感图像弱小目标检测方法
CN113792630B (zh) 一种基于对比学习的地外探测图像识别方法及系统
US20240177369A1 (en) System and methods for color gamut normalization for pathology slides
CN112907475B (zh) 一种冰晶图片的自动分割方法
CN117333703A (zh) 基于深度学习和特征融合的舌图像质量评估方法及系统
CN113313179A (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
Rajalakhmi et al. Image Recognition and Enhancement Using Multi-Scale Retinex and Histogram Equalization

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