CN110807786B - 从特征常变图像中提取显著特征并归一化的图像处理方法 - Google Patents
从特征常变图像中提取显著特征并归一化的图像处理方法 Download PDFInfo
- Publication number
- CN110807786B CN110807786B CN202010012034.8A CN202010012034A CN110807786B CN 110807786 B CN110807786 B CN 110807786B CN 202010012034 A CN202010012034 A CN 202010012034A CN 110807786 B CN110807786 B CN 110807786B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- region
- image
- deep
- map
- 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.)
- Active
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出了一种从特征常变图像中提取显著特征并归一化的图像处理方法,主要包含几个部分:读取经过图像增强和拉直的单条染色体子图、提取每张子图中染色体的整体轮廓、提取染色体轮廓中代表深带的连通区域、确定每一个深带区域的中心和轴向宽度、将深带区域归一化成一条完整的条带。这几个主要部分里面分别包含了一系列的图像处理算法方法,包括阈值分割、轮廓填充、区域标记、距离变换等方法,来最终实现精确提取显著条带并归一化的目的。结果显示,同一类的染色体的条带排列模式在归一化以后更加相近,而且与标准模式图也更加相近。
Description
技术领域
本发明涉及一种从特征常变图像中提取显著特征并归一化的图像处理方法,属于图像处理领域。
背景技术
染色体核型分析在遗传病检测中处于至关重要的地位。细胞样本经过了培养、收获、制片和扫描成像步骤以后,核型分析师即可对着染色体图像进行核型分析了。
一般一张染色体图像中仅聚焦一个细胞的染色体,细胞中的所有染色体分散排列。每条染色体的条带排列模式是进行核型分析的重要依据。随着人工智能的高速发展,计算机辅助的染色体核型分析技术也取得了重大进展,甚至可以根据染色体的条带排列模式识别染色体的类别或者检测染色体异常的可能性。然而,由于目前制片众多环节皆由人工完成且染色体本身的链式结构,染色体的带纹排列和显色程度在成像中经常具有一定的随机性(包括带纹的弯曲、时有时无、时深时浅,等)。图像中染色体条带排列和显色程度方面的随机性经常给计算机识别和检测造成一定程度上的误差。
因此,本发明将图像中每条染色体的显著带纹序列提取出来并进行归一化,从而拉近同类染色体排列模式之间的距离,也就等于拉大不同类染色体排列模式之间的差别。最终目标是为下一步提高计算机算法对染色体识别和异常检测方面的准确率提供更加有效的图像特征。
名词解释:
连通区域:复平面上的一个区域G,如果在其中任做一条简单闭曲线,而闭曲线的内部总属于G,就称G为单连通区域。一个区域如果不是单连通区域,就称为多连通区域。
发明内容
为达到上述目标,本发明公开了一种从特征常变图像中提取显著特征并归一化的图像处理方法,主要包含几个部分:读取经过图像增强和拉直的单条染色体子图、提取每张子图中染色体的整体轮廓、提取目标轮廓中代表深带的连通区域并确定每一个区域的中心和轴向宽度、将深带区域归一化成一条完整的条带。这几个主要部分里面分别包含了一系列的图像处理算法方法,来最终实现提取目标轮廓中显著条带并归一化的目的。
为实现上述目的,本发明技术方案如下:
一种从特征常变图像中提取显著特征并归一化的图像处理方法,包括如下步骤:
步骤一、将染色体图中的染色体进行拉直得到拉直后的染色体图;
步骤二、使用阈值方法通过阈值Th1将染色体图二值化,使染色体图变成只有黑白两种颜色的二值化图一;
步骤三、轮廓填充,并提取轮廓内代表深带的区域:对二值化图一进行空洞填充,获得完整的染色体区域轮廓;然后对完整的染色体区域轮廓内所有像素再次使用阈值Th2进行阈值分割,将代表深带的区域和深带区域以外的区域分割开来;获得多个代表深带区域的小连通区域;求出拉直后的染色体图中对应每个小连通区域的所在区域的平均灰度值;
步骤四、对深带区域进行编号和距离变换获得距离变换地图:从距离变换地图上获得每个深带区域中距离变换最大值所在的位置和最大值的数值;
步骤五、确定每个带纹的归一化范围并赋值:按照深带区域的编号,以每一个深带区域的距离变换最大值所在点的坐标为中心,以距离变换最大值向下取整以后的数为步长,沿着染色体的轴向方向,往上和往下分别扩展步长数像素的距离则扩展以后的轴向范围上限和下限与染色体横向轮廓线相交的范围即为深带区域归一化以后的横向带纹区域;
步骤六、将拉直后的染色体图中对应横向带纹区域的区域内所有像素都赋值为所述平均灰度值,拉直后的染色体图中的所有显著带纹均被归一化为横向带纹即得到染色体核型图。
进一步的改进,所述染色体核型图用于输入计算机进行核型自动分析。
进一步的改进,所述染色体图先进行图像增强处理后再进行拉直处理。
进一步的改进,所述染色体图为单条染色体子图。
进一步的改进,Th1=200-250;Th2=30~70。
本发明的优点:
首次将实际常变的染色体带纹特征提取出来并归一化为类似的表达方式。归一化以后的带纹能够分割开那些明显粘连在一起的条带区域。算法促进了同类染色体之间的相似性,也就意味着拉大了不同类染色体之间的排列模式差别,为进一步的计算机辅助的核型分析提供能够更加有效地区分不同类染色体的图像特征。
附图说明:
附图1:该发明中算法的流程图;
附图2:经过增强和拉直的单条染色体子图;
附图3:二值化以后的染色体轮廓图;
附图4:二值化以后的染色体深带区域图;
附图5:对深带区域进行编号的结果图;
附图6:对深带区域进行距离变换的结果图;
附图7:确定一个深带区域归一化后范围的示意图;
附图8:带纹归一化以后染色体子图。
具体实施方式:
为了更具体地阐述该发明,以两张染色体图像为例对本发明中算法进行阐述。本发明的流程如附图1所示,通过以下五个部分数据处理实现:
步骤一、读取子图
读取经过增强(方法如文献1所示:Dah-Chung Chang and Wen-Rong Wu.ImageContrast Enhancement Based on a Histogram Transformation of Local StandardDeviation(1998). IEEE Transactions on Medical Imaging, 17(4):518-531.)和拉直(方法如文献2所示:Wei Wu, Xiaoli Yang, and Charles C. Tseng. EffectiveAlgorithms for Altering Human Chromosomes(2011). The 2011 International Conference on Modeling, Simulation and Visualization Methods. pp. 257-261,2011, Las Vegas)的染色体子图。
步骤二、提取目标染色体轮廓
使用阈值方法和第一个阈值Th1(取值范围220~250)将子图二值化,使子图中颜色较深的染色体轮廓区域和颜色较浅的背景区域变成分别呈现白色和黑色的二值化图。
步骤三、修正目标轮廓
由于染色体轮廓内也经常存在与子图背景颜色接近的区域,因此步骤二中获得的二值化图中,染色体轮廓区域内会出现空洞。因此该步骤对二值化图进行空洞填充,来获得完整的染色体区域轮廓。
步骤四、提取深带区域
a. 在步骤三中获得的染色体区域轮廓内,进一步使用第二个阈值Th2(取值范围30~70)将颜色较深的、代表深带的区域和颜色较浅的、代表浅带的区域分割开来。这一步骤可以获得多个代表深带区域的小连通区域(深带区域)。
b. 另外,对应这些深带区域在原子图中对应像素的灰度值,求出每个小深带区域的平均灰度值。
步骤五、获得深带区域的中心和其距离边界的最大距离
a. 对步骤四a获得的深带区域进行编号。注意,代码的编号算法的默认顺序是先列循环后行循环。因此在编号之前先对整个矩阵转置,然后获得的编号就是符合染色体带纹排列逻辑的顺序(先行循环后列循环)。
b. 对步骤三中的结果图进行距离变换来获得距离变换地图。距离变换地图上可以体现出来每个深带区域中DT最大值所在的位置和最大值的数值。
步骤六、确定带纹归一化范围并赋值
a. 按照步骤五a中获得的编号逐一遍历步骤四a中获得的每个深带区域,根据每一个深带区域的DT最大值所在点的坐标为中心,以最大DT值向下取整以后的数为步长,沿着染色体的轴向方向,往上和往下分别扩展与步长等长的距离。那么这个扩展以后的轴向范围与染色体的两条横向轮廓线相交的范围就是该深带区域归一化以后的范围。
b. 对步骤六a步骤中获得的归一化范围内的像素都赋值为步骤四b中计算获得的对应深带区域的平均灰度值。
完成了以上多个步骤以后,就可以得到带纹归一化以后的整条染色体图像。
具体示例如下:
1. 读取单条染色体子图,如附图2所示。
2. 使用阈值Th1将附图2二值化,获得如附图3所示的黑白图。这里Th1取值为235;可以看到二值化以后的目标轮廓中存在空洞。
3. 使用空洞填充方法填充附图3,获得完整的染色体区域轮廓图,并使用阈值Th2将完整的染色体区域轮廓图进行二值化,即可得到提取出来的深带区域结果图,如附图4所示。其中,Th2确定为50。
4. 计算每个深带区域在附图2中对应像素的平均灰度值g i 。
5. 对附图4对应的二维矩阵进行转置,然后进行编号。结果图如附图5所示。
6. 对附图5进行距离变换算法,即可获的每个深带区域的DT地图,如附图6所示。
7. 然后找到每个深带区域中最大DT值所在的位置(x i ,y i )和最大值D i 。然后以(x i ,y i )为中心,以D i 为步长,沿着染色体的轴向方向分别向上和向下扩展D i 个像素。同时,沿着染色体的横向方向上分别向左和向右延伸到染色体的轮廓线为止。这四个方向上扩展出来的区域即为该深带区域所对应的归一化区域。具体区域如附图7所示。
8. 按照编号遍历每个深带区域,并确定其归一化区域。然后给每个归一化区域中的所有像素赋值为步骤4中计算所得的g i 。遍历完以后,即可获得一张带纹归一化以后的结果图,如附图8所示。从图中可以看出不规则深带纹都已经被归一化为规则的带纹。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变换,均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种从特征常变图像中提取显著特征并归一化的图像处理方法,其特征在于,包括如下步骤:
步骤一、将染色体图中的染色体进行拉直得到拉直后的染色体图;
步骤二、使用阈值方法通过阈值Th1将染色体图二值化,使染色体图变成只有黑白两种颜色的二值化图一;
步骤三、轮廓填充,并提取轮廓内代表深带的区域:对二值化图一进行空洞填充,获得完整的染色体区域轮廓;然后对完整的染色体区域轮廓内所有像素再次使用阈值Th2进行阈值分割,将代表深带的区域和深带区域以外的区域分割开来;获得多个代表深带区域的小连通区域;求出拉直后的染色体图中对应每个小连通区域的所在区域的平均灰度值;
步骤四、对深带区域进行编号和距离变换获得距离变换地图:从距离变换地图上获得每个深带区域中距离变换最大值所在的位置和最大值的数值;
步骤五、确定每个带纹的归一化范围并赋值:按照深带区域的编号,以每一个深带区域的距离变换最大值所在点的坐标为中心,以距离变换最大值向下取整以后的数为步长,沿着染色体的轴向方向,往上和往下分别扩展步长数像素的距离则扩展以后的轴向范围上限和下限与染色体横向轮廓线相交的范围即为深带区域归一化以后的横向带纹区域;将拉直后的染色体图中对应横向带纹区域的区域内所有像素都赋值为所述平均灰度值;
步骤六、拉直后的染色体图中的所有显著带纹均被归一化为横向带纹即得到染色体核型图。
2.如权利要求1所述的从特征常变图像中提取显著特征并归一化的图像处理方法,其特征在于,所述染色体核型图用于输入计算机进行核型自动分析。
3.如权利要求1所述的从特征常变图像中提取显著特征并归一化的图像处理方法,其特征在于,所述染色体图先进行图像增强处理后再进行拉直处理。
4.如权利要求1所述的从特征常变图像中提取显著特征并归一化的图像处理方法,其特征在于,所述染色体图为单条染色体子图。
5.如权利要求1所述的从特征常变图像中提取显著特征并归一化的图像处理方法,其特征在于,Th1=220-250;Th2=30~70。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012034.8A CN110807786B (zh) | 2020-01-07 | 2020-01-07 | 从特征常变图像中提取显著特征并归一化的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012034.8A CN110807786B (zh) | 2020-01-07 | 2020-01-07 | 从特征常变图像中提取显著特征并归一化的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807786A CN110807786A (zh) | 2020-02-18 |
CN110807786B true CN110807786B (zh) | 2020-05-12 |
Family
ID=69493417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010012034.8A Active CN110807786B (zh) | 2020-01-07 | 2020-01-07 | 从特征常变图像中提取显著特征并归一化的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807786B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8574836B2 (en) * | 2005-01-12 | 2013-11-05 | Ramesh Vallabhaneni | Method and apparatus for chromosome profiling |
US20180088048A1 (en) * | 2016-04-29 | 2018-03-29 | Northwestern University | Devices, methods, and systems relating to super resolution imaging |
CN108846802A (zh) * | 2018-01-25 | 2018-11-20 | 湖南省自兴人工智能研究院 | 一种去除染色体g显带中期灰度图像噪声方法 |
CN109035222A (zh) * | 2018-07-10 | 2018-12-18 | 泰山医学院 | 一种智能染色体异常核型图像库控制系统及控制方法 |
CN109344874B (zh) * | 2018-08-31 | 2020-09-15 | 华侨大学 | 一种基于深度学习的染色体自动分析方法及系统 |
CN115601374B (zh) * | 2019-08-22 | 2023-12-08 | 杭州德适生物科技有限公司 | 一种染色体图像分割方法 |
CN110533672B (zh) * | 2019-08-22 | 2022-10-28 | 杭州德适生物科技有限公司 | 一种基于条带识别的染色体排序方法 |
-
2020
- 2020-01-07 CN CN202010012034.8A patent/CN110807786B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110807786A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bejnordi et al. | Automated detection of DCIS in whole-slide H&E stained breast histopathology images | |
Escalona et al. | Fully convolutional networks for automatic pavement crack segmentation | |
Gurari et al. | How to collect segmentations for biomedical images? A benchmark evaluating the performance of experts, crowdsourced non-experts, and algorithms | |
Xu et al. | Computerized classification of prostate cancer gleason scores from whole slide images | |
Riccio et al. | A new unsupervised approach for segmenting and counting cells in high-throughput microscopy image sets | |
US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
Liao et al. | A segmentation method for lung parenchyma image sequences based on superpixels and a self-generating neural forest | |
Somasundaram et al. | Separation of overlapped chromosomes and pairing of similar chromosomes for karyotyping analysis | |
Gopikha et al. | Regularised Layerwise Weight Norm Based Skin Lesion Features Extraction and Classification. | |
CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN110807786B (zh) | 从特征常变图像中提取显著特征并归一化的图像处理方法 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN114170224B (zh) | 应用生成式染色归一化的细胞病理分类的系统及方法 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN113158950B (zh) | 一种重叠染色体自动分割方法 | |
Canales et al. | Optimal segmentation of image datasets by genetic algorithms using color spaces | |
CN112712541A (zh) | 一种图像形状描述子生成方法 | |
CN109658382B (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
CN111242168A (zh) | 一种基于多尺度注意力特征的人体皮肤图像病变分类方法 | |
Kavithamani et al. | Advanced Grape Leaf Disease Detection using Neural Network | |
Giraldo-Zuluaga et al. | Semi-supervised recognition of the Diploglossus millepunctatus lizard species using artificial vision algorithms | |
Varghese et al. | Auto-pore segmentation of digital microscopic leather images for species identification | |
Souza et al. | Handwritten numerical character recognition based on paraconsistent artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |