CN110866906B - 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 - Google Patents
基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 Download PDFInfo
- Publication number
- CN110866906B CN110866906B CN201911100361.2A CN201911100361A CN110866906B CN 110866906 B CN110866906 B CN 110866906B CN 201911100361 A CN201911100361 A CN 201911100361A CN 110866906 B CN110866906 B CN 110866906B
- Authority
- CN
- China
- Prior art keywords
- image
- myocardial cell
- gray
- beating
- myocardial
- 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
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 96
- 230000010349 pulsation Effects 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000010009 beating Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 210000004027 cell Anatomy 0.000 claims description 86
- 210000004413 cardiac myocyte Anatomy 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009545 invasion Effects 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007877 drug screening Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000004115 adherent culture Methods 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 231100000027 toxicology Toxicity 0.000 description 1
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，具体如下：将心肌细胞搏动视频序列帧的第一帧作为参照图像；将参照图像转换为灰度图像；获取每个心肌细胞团的子图像；提取每个心肌细胞团边缘位置点的坐标及灰度值，计算每个心肌细胞团参考边缘点的灰度平均值；将随后采集的心肌细胞搏动视频的序列帧作为实时图像，并行灰度化处理；根据参照图像中的参考边缘点坐标位置，计算实时图像中每个心肌细胞团参考边缘点的灰度平均值；绘制各心肌细胞团的心肌细胞搏动曲线；检测心肌细胞搏动曲线中的心肌细胞搏动频率及幅度。基于图像边缘提取技术自动检测心肌细胞搏动特性，具有智能化、非入侵、低成本、可重复、实时处理的优点。
Description
技术领域
本发明属于心肌细胞的搏动特性检测技术领域，更具体地，本发明涉及一种基于图像边缘提取的三维培养人体心肌细胞搏动检测方法。
背景技术
由人体干细胞分化的心肌细胞对研究心脏疾病、毒理学、新药创制等方面具有重要作用。人体心肌细胞的三维培养是一种新的培养体系，克服了传统二维贴壁细胞培养的单层局限，通过模拟机体内细胞生长的微环境，具有细胞培养直观性和条件可控性等优势。检测心肌细胞搏动频率和强度，可以直观反映心脏是否病变，对医学和药物研究都有重要价值。在心肌细胞搏动频率检测方面，传统的基于显微镜钙成像技术需要对心肌细胞进行染色，操作复杂，且染色对心肌细胞产生毒性，影响心肌细胞功能。基于图像处理的心肌细胞搏动特性检测方法具有便捷、非入侵、可重复等技术优势。
现有基于图像处理的心肌细胞搏动频率检测方法多是针对二维培养的贴壁心肌细胞，三维培养的心肌细胞结构更为复杂，需要研究新的检测方法。从检测方法看，现有的基于图像处理的心肌细胞搏动频率检测方法分为两种：1、基于像元强度差异的方法。通过计算电子显微镜录取的视频中，不同帧图像指定参考点像元强度的变化获取细胞搏动频率曲线。该方法具有的不稳定和精度差等缺点，尤其对参考点的选取有很高的技术要求。2、基于运动矢量分析的方法。利用光流运动追踪等技术，通过计算不同帧图像在指定区域内所有点的运动矢量，分析细胞搏动频率。该方法具有操作复杂、处理速度慢等缺点。
发明内容
本发明提供一种基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，基于图像边缘提取技术自动检测心肌细胞搏动频率，旨在提高心肌细胞搏动频率及幅度的检测精准度。
为了实现上述目的，一种基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，所述方法具体包括如下步骤：
S1、将心肌细胞搏动视频序列帧的第一帧作为参照图像；
S2、将参照图像转换为灰度图像，获得参照图像的灰度图像；
S3、对参照图像的灰度图像进行自动分割，获取每个心肌细胞团的子图像；
S4、提取每个心肌细胞团边缘位置点的坐标及灰度值，将所述边缘位置点记为参考边缘点，计算每个心肌细胞团参考边缘点的灰度平均值；
S5、将随后采集的心肌细胞搏动视频的序列帧作为实时图像，对实时图像进行灰度化处理；
S6、根据参照图像中提供的参考边缘点坐标位置，计算实时图像中每个心肌细胞团参考边缘点的灰度平均值；
S7、绘制各心肌细胞团的心肌细胞搏动曲线；
S8、检测心肌细胞搏动曲线中波峰或波谷位置，统计单位时间内波峰或波谷的个数即可获得心肌细胞搏动频率，并统计相邻波峰与波谷的差值可获得心肌细胞搏动幅度。
进一步的，灰度图像中各像素点灰度值I的计算公式为：I＝0.299*R+0.587*G+0.114*B，其中，R、G、B分别为参照图像中对应像素点的红、绿、蓝三个通道的值。
进一步的，心肌细胞搏动曲线的绘制方法具体如下：
以时间序列为横坐标轴，将参照图像和实时图像中参考边缘点的灰度平均值为纵坐标轴，绘制得到的曲线即为心肌细胞搏动曲线。
进一步的，利用熵率超像素分割算法对参照图像的灰度图像进行自动分割。
进一步的，利用Prewitt边缘检测算法自动提取每个心肌细胞团参考边缘点的坐标及灰度值。
本发明基于图像边缘提取技术，可以自动检测心肌细胞搏动频率，具有智能化、非入侵、无标记、低成本、可重复、实时处理优点。利用边缘点灰度值变化统计规律反映心肌细胞搏动，避免了选取单个参考点造成的精度误差。同时，本发明只需针对参照图像进行一次分割和边缘提取，再进行参考边缘点灰度平均值的计算即可，大幅提高了计算效率。此外，避免了传统运动矢量方法需要对兴趣点所有数据进行逐帧计算运动矢量。本发明可在心肌细胞模型研究和药物筛选等方面发挥价值。
附图说明
图1为本发明实施例提供的基于图像边缘提取的三维培养人体心肌细胞搏动智能检测方法流程图；
图2为本发明实施例提供的心肌细胞自动分割图，其中，A为分割前的心肌细胞团，B为分割后的三个心肌细胞团；
图3为本发明实施例提供的心肌细胞边缘检测图；
图4为本发明实施例提供的心肌细胞搏动曲线，A、B及C分别为图2B中三个心肌细胞团的心肌细胞搏动曲线。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
图1为本发明实施例提供的基于图像熵的三维培养人体心肌细胞搏动智能检测方法流程图，该方法具体包括如下步骤：
S1、读取心肌细胞搏动视频序列帧，将心肌细胞搏动视频序列帧的第一帧作为参照图像；
在本发明实施例中，心肌细胞搏动图像视频帧即为心肌细胞搏动视频中逐帧提取的图像，是通过电子显微镜拍摄三维培养的人体心肌细胞获取的。
S2、将参照图像转换为灰度图像，获得参照图像的灰度图像；上述灰度图像中各像素点灰度值I的计算公式为：I＝0.299*R+0.587*G+0.114*B，其中，R、G、B分别为参照图像中对应像素点的红、绿、蓝三个通道的值。
S3、利用熵率超像素分割(Entropy Rate superpixel Segmentation，ERS)算法对参照图像的灰度图像进行自动分割，获取每个心肌细胞团的子图像；
熵率超像素分割(Entropy Rate superpixel Segmentation，ERS)算法对参照图像进行自动分割。为避免不同子细胞团搏动频率不一致的影响，本发明首先利用ERS算法对参照图像进行自动分割，将每个子细胞团单独提取出来进行分析，该关键点可以提高频率检测精度和效率。图2B为本发明提出的心肌细胞自动分割结果，用不同的灰度值分别表示三个心肌细胞团。
S4、利用Prewitt边缘检测算法自动提取每个心肌细胞团边缘位置点的坐标及灰度值，将上述边缘位置点称为参考边缘点，计算每个心肌细胞团参考边缘点的灰度平均值；
研究发现，从图像上看，三维培养的人体心肌细胞在搏动时，参考边缘点的灰度变化最为显著，也即心肌细胞参考边缘点的灰度信息可以很好地表征心肌细胞搏动。因此，提出利用Prewitt边缘检测算法提取边缘点，再统计边缘点在各帧图像中的灰度平均值的变化。利用图像边缘提取技术，可以大幅度降低要分析的数据量，提高运算速度。此外，对所有边缘点像素进行灰度值平均，可以避免传统方法统计单个参考点造成的统计误差。图3为本发明提出心肌细胞边缘检测结果。
从图像上看，三维培养的人体细胞搏动特性主要体现在图像边缘，而在边缘往内的像元不能表征心肌细胞搏动。这在以前的二维培养的人体细胞中是不存在。故提出了利用边缘检测技术结合图像分割算法来快速、有效地提取三维培养人体心肌细胞搏动特性。因此，图像分割算法和边缘检测算法其实是不固定的，只要用现有的图像处理技术可以把图像分割和边缘检测，按照本发明的思路，均可以实现本发明的目的。唯一的区别在于，不同的图像分割和边缘检测的精度不同，搏动特性检测效果可能略有差异。
S5、将随后采集的心肌细胞搏动视频的序列帧作为实时图像，对实时图像进行灰度化处理；
在本发明实施例中，心肌细胞搏动视频序列帧中第一帧为参照图像，心肌细胞搏动视频序列帧中的第二帧及第二帧之后的图像为实时图像，参照图像有两个作用，作用如下：1)确定心肌细胞团的个数；2)确定各心肌细胞团的参考边缘点，给出参考边缘点在实时图像中的坐标位置。以后每次读取一帧实时图像，直接提取实时图像中各心肌细胞团的参考边缘点，进而直接计算各心肌细胞团的参考边缘点的灰度平均值，不用每帧图像重新进行心肌细胞团个数的确定及实时图像的参考边缘点位置的确定，简化操作方法。
S6、根据参照图像中提供的参考边缘点坐标位置，计算实时图像中每个心肌细胞团参考边缘点的灰度平均值；
S7、绘制各心肌细胞团的心肌细胞搏动曲线，心肌细胞搏动曲线的绘制方法具体如下：
以时间序列为横坐标轴，将参照图像和实时图像中参考边缘点参考边缘点的灰度平均值为纵坐标轴，绘制得到的曲线即为心肌细胞搏动曲线。如图4所示，若参照图像中存在三个心肌细胞团，则对应的绘制出三条心肌细胞搏动曲线，每个心肌细胞团均会形成一条心肌细胞搏动曲线，且不同心肌细胞团的心肌细胞搏动频率及幅度可能均不同。
S8、利用阈值法检测心肌细胞搏动曲线中波峰或波谷位置，统计单位时间内波峰或波谷的个数即可获得心肌细胞搏动频率，并统计相邻波峰与波谷的差值可获得心肌细胞搏动幅度。
本发明利用三维培养人体心肌细胞边缘点的图像灰度值可以很好地表征心肌细胞搏动特性，精确、快速、智能化地提取心肌细胞搏动频率和幅度。在计算精度方面，由于是统计了可以表征心肌细胞搏动的所有边缘点灰度平均值，避免了选取单个点或少数点造成的偏差，检测精度较高。在计算复杂度方面，本发明只需对参照图像进行一次图像分割和边缘提取，边缘提取后的像元点大幅度减少，效率极高，实时图像只需按照时间序列逐帧计算相应位置参考边缘点的灰度平均值，计算负担可以忽略不计。因此，本发明针对三维培养的人体心肌细胞，可以进行精确、高效的搏动频率和幅度智能检测。
本发明基于图像边缘提取技术，可以自动检测心肌细胞搏动频率和幅度，具有智能化、非入侵、无标记、低成本、可重复、实时处理优点。利用边缘点灰度值变化统计规律反映心肌细胞搏动，避免了选取单个参考点造成的精度误差。同时，本发明只需针对参照图像进行一次分割和边缘提取，再进行参考边缘点灰度平均值的计算即可，大幅提高了计算效率，避免了传统运动矢量方法需要对兴趣点所有数据进行逐帧计算运动矢量。本发明可在心肌细胞模型研究和药物筛选等方面发挥价值。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (4)
1.一种基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，其特征在于，所述方法具体包括如下步骤：
S1、将心肌细胞搏动视频序列帧的第一帧作为参照图像；
S2、将参照图像转换为灰度图像，获得参照图像的灰度图像；
S3、对参照图像的灰度图像进行自动分割，获取每个心肌细胞团的子图像；
S4、提取每个心肌细胞团边缘位置点的坐标及灰度值，将所述边缘位置点记为参考边缘点，计算每个心肌细胞团参考边缘点的灰度平均值；
S5、将随后采集的心肌细胞搏动视频的序列帧作为实时图像，对实时图像进行灰度化处理；
S6、根据参照图像中提供的参考边缘点坐标位置，计算实时图像中每个心肌细胞团参考边缘点的灰度平均值；
S7、以时间序列为横坐标轴，将参照图像和实时图像中参考边缘点的灰度平均值为纵坐标轴，绘制各心肌细胞团的心肌细胞搏动曲线；
S8、检测心肌细胞搏动曲线中波峰或波谷位置，统计单位时间内波峰或波谷的个数即获得心肌细胞搏动频率，并统计相邻波峰与波谷的差值即获得心肌细胞搏动幅度。
2.如权利要求1所述基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，其特征在于，灰度图像中各像素点灰度值I的计算公式为：I=0.299*R+0.587*G+0.114*B，其中，R、G、B分别为参照图像中对应像素点的红、绿、蓝三个通道的值。
3.如权利要求1所述基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，其特征在于，利用熵率超像素分割算法对参照图像的灰度图像进行自动分割。
4.如权利要求1所述基于图像边缘提取的三维培养人体心肌细胞搏动检测方法，其特征在于，利用Prewitt边缘检测算法自动提取每个心肌细胞团参考边缘点的坐标及灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911100361.2A CN110866906B (zh) | 2019-11-12 | 2019-11-12 | 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911100361.2A CN110866906B (zh) | 2019-11-12 | 2019-11-12 | 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866906A CN110866906A (zh) | 2020-03-06 |
| CN110866906B true CN110866906B (zh) | 2022-07-08 |
Family
ID=69654281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911100361.2A Active CN110866906B (zh) | 2019-11-12 | 2019-11-12 | 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866906B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583292B (zh) * | 2020-05-11 | 2023-07-07 | 浙江大学 | 一种面向双光子钙成像视频数据的自适应图像分割方法 |
| CN112205968B (zh) * | 2020-09-30 | 2024-03-08 | 上海市东方医院（同济大学附属东方医院） | 一种基于视频测量心肌细胞收缩能力的方法、装置及设备 |
| CN112348037A (zh) * | 2020-11-26 | 2021-02-09 | 北京工业大学 | 一种提取离心式喷嘴锥形液膜流动特性参数的方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2657229A1 (en) * | 2006-08-17 | 2008-02-21 | Caridianbct, Inc. | Blood processing apparatus with robust automated process control |
| CN102906789B (zh) * | 2010-03-29 | 2017-05-17 | 索尼公司 | 数据处理装置、数据处理方法、图像处理装置和方法以及程序 |
| CN101968886B (zh) * | 2010-09-09 | 2012-07-04 | 西安电子科技大学 | 基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法 |
| JP2015031831A (ja) * | 2013-08-02 | 2015-02-16 | オリンパス株式会社 | 細胞追跡装置及び方法、細胞追跡プログラム |
| JP6402717B2 (ja) * | 2013-09-18 | 2018-10-10 | 株式会社ニコン | 画像解析装置、画像解析方法、画像解析プログラム、細胞の製造方法、細胞の製造装置、細胞の培養方法、および細胞の培養装置 |
| EP3076219B1 (en) * | 2014-01-07 | 2020-04-08 | Sony Corporation | Analysis system, analysis program, and analysis method |
| US9355459B2 (en) * | 2014-01-29 | 2016-05-31 | Cellogy, Inc. | Method and system for characterizing cell motion |
| CN104263804B (zh) * | 2014-09-15 | 2016-06-08 | 浙江大学 | 一种基于光学图像分析的心肌细胞机械搏动检测方法 |
| CN106846359B (zh) * | 2017-01-17 | 2019-09-20 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
| WO2018220282A1 (en) * | 2017-06-02 | 2018-12-06 | Tampereen Yliopisto | Analysis of myocyte contraction characteristics |
| CN107909570A (zh) * | 2017-11-10 | 2018-04-13 | 南开大学 | 一种测量细胞内应变的方法 |
| CN109003244A (zh) * | 2018-08-03 | 2018-12-14 | 沈阳建筑大学 | 基于图像匹配算法提取电动力场中细胞自旋转速度的方法 |
| CN110120096A (zh) * | 2019-05-14 | 2019-08-13 | 东北大学秦皇岛分校 | 一种基于显微单目视觉的单细胞三维重建方法 |
-
2019
- 2019-11-12 CN CN201911100361.2A patent/CN110866906B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866906A (zh) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866906B (zh) | 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 | |
| CN107886086B (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
| CN106570486B (zh) | 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法 | |
| CN111539273A (zh) | 一种交通视频背景建模方法及系统 | |
| Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
| CN106503695B (zh) | 一种基于航拍图像的烟草植株识别与计数方法 | |
| Salem et al. | A comparative study of white blood cells segmentation using otsu threshold and watershed transformation | |
| CN107179272B (zh) | 一种显微镜下急性分离神经细胞捕捉方法 | |
| CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
| CN113298023B (zh) | 一种基于深度学习及图像技术的昆虫动态行为识别方法 | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| CN110110667B (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
| CN108364300A (zh) | 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质 | |
| CN115641364B (zh) | 基于胚胎动力学参数的胚胎分裂周期智能预测系统及方法 | |
| CN107273815A (zh) | 一种个体行为识别方法及系统 | |
| CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
| Wang et al. | The seedling line extraction of automatic weeding machinery in paddy field | |
| Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
| CN104156977A (zh) | 基于多线列时差扫描扩展采样的点目标运动速度探测方法 | |
| CN105335717B (zh) | 基于智能移动终端视频抖动分析的人脸识别系统 | |
| CN110706231B (zh) | 基于图像熵的三维培养人体心肌细胞搏动特性检测方法 | |
| Lv et al. | Design and research on vision system of apple harvesting robot | |
| Jiang et al. | Superpixel segmentation based gradient maps on RGB-D dataset | |
| CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 | |
| CN114066934B (zh) | 一种面向靶向微操作的抗遮挡细胞追踪方法 |
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 |