CN111402232B - 精液中精子聚集检测方法 - Google Patents

精液中精子聚集检测方法 Download PDF

Info

Publication number
CN111402232B
CN111402232B CN202010180786.5A CN202010180786A CN111402232B CN 111402232 B CN111402232 B CN 111402232B CN 202010180786 A CN202010180786 A CN 202010180786A CN 111402232 B CN111402232 B CN 111402232B
Authority
CN
China
Prior art keywords
contour
semen
sperm
video
image
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
Application number
CN202010180786.5A
Other languages
English (en)
Other versions
CN111402232A (zh
Inventor
聂涛
李乔亮
齐素文
黄桂林
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.)
Shenzhen Reetoo Biotechnology Co Ltd
Original Assignee
Shenzhen Reetoo Biotechnology Co Ltd
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 Shenzhen Reetoo Biotechnology Co Ltd filed Critical Shenzhen Reetoo Biotechnology Co Ltd
Priority to CN202010180786.5A priority Critical patent/CN111402232B/zh
Publication of CN111402232A publication Critical patent/CN111402232A/zh
Application granted granted Critical
Publication of CN111402232B publication Critical patent/CN111402232B/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
    • G06T7/0002—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/10056—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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种精液中精子聚集检测方法，包括如下步骤：获取男科精液镜检视频；背景建模，得到背景图像；对背景图像进行图像处理；对图像处理后的背景图像进行轮廓识别，得到轮廓勾画图像；对轮廓进行面积计算并判断该轮廓所对应的像素面积S3的大小；当轮廓的像素面积S3>第一面积S1时，则判断该轮廓为精子聚集，遍历所有轮廓并计数，得到精子聚集的个数，所述S1＝2000。与现有技术相比，实现对精子聚集的检测，而采用自动化替代人工镜检方式，能够提高检测的精度以及效率。

Description

精液中精子聚集检测方法
技术领域
本发明涉及一种医学领域的检测技术，特别涉及一种精液中精子聚集检测方法。
背景技术
目前对精液中精子聚集的判断采用人工镜检方法：一般医院医生采用人工镜检的方式对精子聚集进行大致的判别，人工判别时一般需要手动对显微镜进行调焦，通过不断改变显微镜中的视野查找精子聚集的个数以及位置，这是一项重复，繁琐的工作，而且人是通过培训后主观判别的，每个人可能存在不同的对精子聚集的判别标准。因而迫切需要一项计算机图像处理技术对精子聚集进行自动检测，可用于自动化仪器上，无需人工参与，减少劳动力，更可以在计算机图像算法中做到标准的统一。
发明内容
本发明的目的在于提供一种精液中精子聚集检测方法，要解决的技术问题是实现精液中精子聚集检测并计数，提高检测精度以及效率。
为解决上述问题，本发明采用以下技术方案实现：一种精液中精子聚集检测方法，包括如下步骤：
步骤S1、获取男科精液镜检视频；
步骤S2、背景建模，通过截取男科精液镜检视频中的其中一时间段的视频后，采集该时间段的视频所对应的每帧视频图像后通过高斯混合模型进行训练得到背景图像；
步骤S3、对背景图像进行图像处理；
步骤S4、对步骤S3中图像处理后的背景图像进行轮廓识别，得到轮廓勾画图像；
步骤S5、对轮廓进行面积计算并判断该轮廓所对应的像素面积S3的大小；当轮廓的像素面积S3>第一面积S1时，则判断该轮廓为精子聚集，遍历所有轮廓并计数，得到精子聚集的个数，所述S1＝2000。
进一步地，在步骤S5之后还包括步骤S6对像素面积S3≤第一面积S1的轮廓的像素面积进行进一步判断，当轮廓的像素面积S3<S2时，则认为单个精子，舍弃并不纳入计算，所述S2＝200。
进一步地，所述步骤S6之后还包括步骤S7，当S2≤轮廓的像素面积S3≤S1时，对轮廓进行形状判断，当轮廓上每个像素点到该轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差小于λ时，则认为该轮廓是近圆形，其为其它细胞，舍弃并不纳入计算，所述λ＝0.6。
进一步地，所述步骤S7还包括：当轮廓上每个像素点到轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差大于或等于λ时，则认为该轮廓不是近圆形，则进入步骤S8，对轮廓通过多边形逼近拟合算法，得到过拟合后的轮廓并进入步骤S9；
步骤S9、当过拟合后的轮廓的角大于2时，则判断该轮廓为精子聚集，加入计数，小于或等于2时，则判断其为少精子块，舍弃并不纳入计算。
进一步地，所述计数为在被判断为精子聚集的轮廓在背景图像中所对应的位置采用外矩形框进行描绘并对该外矩形框的个数进行计数。
进一步地，所述步骤S7中，当判断为其它细胞时，通过采用标记和/或外矩形框对该被判断为细胞的轮廓在背景图像中所对应的位置进行描绘。
进一步地，所述步骤S9中，当判断少精子块时，采用标记和/或外矩形框对该被判断为少精子块的轮廓在背景图像中所对应的位置进行描绘。
进一步地，所述步骤S2包括：
步骤S21、截取该男科精液镜检视频中其中一时间段的视频后，采集该时间段的视频所对应的每一帧视频图像；所述时间段为至少2秒，帧率不小于60帧/秒；
步骤S22、建立高斯混合模型，对高斯混合模型初始化后将视频图像输入至高斯混合模型中进行训练，然后从训练完成的高斯混合模型中获取训练后的背景图像。
进一步地，所述步骤S3包括：对背景图像进行二值化、膨胀与腐蚀处理。
进一步地，所述膨胀与腐蚀处理采用一次膨胀和三次腐蚀。
本发明与现有技术相比，通过高斯背景模型对视频中每一帧图像进行背景建模得到背景图像，然后对背景图像进行二值化后进行轮廓识别，再遍历每个标识的轮廓，根据轮廓的面积大小，形状从而判断出该轮廓是否为精子聚集并计数，最终得出精子聚集的个数，以实现对精子聚集的检测，而采用自动化替代人工镜检方式，能够提高检测的精度以及效率。
附图说明
图1是本发明的流程图。
图2是通过高斯背景模型进行训练后得到的背景图像。
图3是对背景图像进行二值化后的二值化图像。
图4是对二值化图像进行膨胀处理后的二值化图像。
图5是对膨胀后的二值化图像进行腐蚀后的二值化图像。
图6是对腐蚀后的二值化图像进行轮廓识别后的轮廓图像。
图7是对轮廓图像多边形逼近过拟合处理后的图像。
图8是根据轮廓的面积大小和形状，识别后圈出的精子聚集部分以及圆细胞部分的视图。
图9是图1中步骤S2的具体步骤。
图10是图1中步骤S3的具体步骤。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示，本发明的精液中精子聚集检测方法包括如下步骤：
步骤S1、获取男科精液镜检视频；
步骤S2、背景建模，通过截取男科精液镜检视频中的其中一时间段的视频后，采集该时间段的视频所对应的每帧视频图像后通过高斯混合模型进行训练得到背景图像(图2所示)；
如图9所示，所述背景建模包括：
步骤S21、截取该男科精液镜检视频中其中一时间段的视频后，采集该时间段的视频所对应的每一帧视频图像；所述时间段为至少2秒，帧率不小于60帧/秒，优选地，时间段为2秒；所述男科精液镜检视频一般为灰度视频；
步骤S22、建立高斯混合模型，对高斯混合模型初始化后将视频图像输入至高斯混合模型中进行训练，然后从训练完成的高斯混合模型中获取训练后的背景图像(如图2所示)。具体地采用现有技术中的BackgroundSubtractorMOG2对高斯混合模型进行创建以及初始化。所述背景图像为一张。
步骤S3、对背景图像进行图像处理，包括图像二值化处理，数学形态学闭运算，所述数学形态学闭运算包括膨胀以及腐蚀；
如图10所示，所述步骤S3具体包括：
步骤S31、对背景图像进行二值化处理，从而能够得到背景图像中不运动精子；具体地，所述二值化处理的灰度阈值λ＝100，以得到二值化图像(图3所示)。
步骤S32、对二值化图像进行图像的膨胀与腐蚀得到处理后的二值化图像；具体地，所述图像的膨胀与腐蚀采用进行一次膨胀(图4)和三次腐蚀(图5)，膨胀可保证聚集的精子可以相连成团，腐蚀可消除不聚集成团的精子。
步骤S4、对处理后的二值化图像进行轮廓识别，以对处理后的二值化图像中的成团精子的边缘进行轮廓勾画，得到轮廓勾画图像；具体地，通过现有技术中的opencv中的函数cvFindContours从处理后的二值化图像中的成团精子进行轮廓检索(图6)；
步骤S5、对步骤S4中的轮廓进行面积计算并判断该轮廓所对应的像素面积S3的大小，从而判断出精子聚集的个数；具体地：设第一面积S1，S1＝2000(个像素)；通过现有技术的opencv中的cvContourArea函数对轮廓进行面积计算，当轮廓的像素面积S3>第一面积S1时，则判断该轮廓为精子聚集，遍历所有轮廓并计数，得到精子聚集的个数；当轮廓的像素面积S3≤第一面积S1时，则执行步骤S6。
所述计数包括根据被判断为精子聚集的轮廓在背景图像中对应位置采用外矩形框进行描述并对该外矩形框的个数进行计数；具体为通过现有技术的opencv中的cvBoundingRect函数，在背景图像中得到此精子聚集的轮廓的外矩形框的中心坐标与外矩形框的长和宽，选择用彩色的外矩形框(图8中标记为T1的外矩形框)对该聚集部分进行描绘即可圈出精子聚集的位置，对该外矩形框的个数进行计数，即可得出大量精子聚集的个数；优选为精子聚集的外矩形框的颜色可采用白色，但本发明不限于此，还可以采用标记与外矩形框相结合的方式实现(如图8中标记“T1”以及该“T1”所对应的外矩形框)。
步骤S6、对小于或等于第一面积的轮廓的像素面积进行进一步判断，以对精液中的其他成分进行检测识别，设第二面积S2，S2＝200(个像素)，当轮廓的像素面积S3<S2时，则认为单个精子，舍弃该轮廓所对应的成团精子并不纳入计算；当S2≤轮廓的像素面积S3≤S1时，则进入步骤S7；
步骤S7、当S2≤轮廓的像素面积S3≤S1时，则对轮廓进行形状判断，当判断为近圆形时则判断该轮廓为圆细胞等其它细胞；设方差阈值λ，λ＝0.6，当轮廓上每个像素点到该轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差小于λ时，则认为该轮廓是近圆形，其为圆细胞等其它细胞；舍弃并不纳入计算；当轮廓上每个像素点到轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差大于或等于λ时，则认为该轮廓不是近圆形，则进入步骤S8。具体地，通过现有技术中的opencv中的函数minEnclosingCircle得到轮廓的最小包围圆的圆心和半径。
步骤S8、对被认为不是近圆形的轮廓通过多边形逼近算法进行处理，用现有技术的opencv中的approxPolyDP函数进行多边形逼近，设定逼近参数为30，得到过拟合后的轮廓(图7)。
步骤S9、当过拟合后的轮廓的角大于2时，则判断该轮廓为精子聚集，加入计数，小于或等于2时，则判断其为少精子块，即精子数量小于5个，舍弃该过拟合后的轮廓所对应的成团精子并不纳入计算。
所述步骤S7中当判断为圆细胞等其它细胞时，采用外矩形框对被判断为圆细胞等细胞的轮廓在背景图像中所对应的位置进行描绘，具体为通过现有技术的opencv中的cvBoundingRect函数实现，该用于被判断为圆细胞等细胞的外矩形框(图8中标记T2所对应的外矩形框)的颜色可以使用与被判断为精子聚集的外矩形框的颜色不相同，以进行区分。当然本发明不限于此，还可以通过采用具有标记的外矩形框对该被判断为圆细胞等细胞的轮廓在背景图像中所对应的位置进行描绘(图8中标记“T2”和“T2”所对应的外矩形框)和/或通过不同尺寸的外矩形框进行区分。
所述步骤S9中当判断少精子块时，通过外矩形框对判断为少精子块的轮廓在背景图像中所对应的位置进行描述，具体为通过现有技术的opencv中的cvBoundingRect函数实现，该用于被判断为少精子块的外矩形框(图8中标记T3所对应外矩形框)的颜色与被判断为精子聚集的外矩形框的颜色以及被判断为圆细胞等细胞的外矩形框的颜色均不相同；但本发明不限于此，还可以采用具有标记的外矩形框对该被判断为少精子块的轮廓在背景图像中所对应的位置进行描绘(图8中标记“T3“和”T3”所对应的外矩形框)和/或通过不同尺寸的外矩形框进行区分。从而对不同属性的轮廓进行区分，同时生成的已标识的背景图像，能够更为直观的进行人工判断。
在本发明中圆细胞、少精子块、精子聚集采用标记以及外矩形框进行区分时，标记采用不相同的字符，例如圆细胞等细胞的标记可以使用字符“T2”、少精子块可以使用字符“T3”、精子聚集可以使用字符“T1”。
本发明采用高斯混合模型进行背景建模对精子聚集进行检测，高斯混合背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息表示背景，然后使用统计差分进行目标像素判断，可以对复杂动态背景进行建模。在得到背景图像后，可识别出在背景中不运动的精子；只对背景中精子聚集的识别，可以去除运动的精子在某一时刻聚集在一起，而实际上不是精子聚集的情况。(精子聚集一般是指长时间聚在一起而不发生移动的精子团)。同时可区分出单精子，圆细胞等细胞，少精子块，精子聚集，以此实现自动化替代人工镜检方式，能够统一标准，提高检测的精度。

Claims (9)

1.一种精液中精子聚集检测方法，其特征在于：包括如下步骤：
步骤S1、获取男科精液镜检视频；
步骤S2、背景建模，通过截取男科精液镜检视频中的其中一时间段的视频后，采集该时间段的视频所对应的每帧视频图像后通过高斯混合模型进行训练得到背景图像；
步骤S3、对背景图像进行图像处理；
步骤S4、对步骤S3中图像处理后的背景图像进行轮廓识别，得到轮廓勾画图像；
步骤S5、对轮廓进行面积计算并判断该轮廓所对应的像素面积S3的大小；当轮廓的像素面积S3>第一面积S1时，则判断该轮廓为精子聚集，遍历所有轮廓并计数，得到精子聚集的个数，所述S1=2000；所述计数为在被判断为精子聚集的轮廓在背景图像中所对应的位置采用外矩形框进行描绘并对该外矩形框的个数进行计数。。
2.根据权利要求1所述的精液中精子聚集检测方法，其特征在于：在步骤S5之后还包括步骤S6对像素面积S3≤第一面积S1的轮廓的像素面积进行进一步判断，当轮廓的像素面积S3<S2时，则认为单个精子，舍弃并不纳入计算，所述S2=200。
3.根据权利要求2所述的精液中精子聚集检测方法，其特征在于：所述步骤S6之后还包括步骤S7，当S2≤轮廓的像素面积S3≤S1时，对轮廓进行形状判断，当轮廓上每个像素点到该轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差小于λ时，则认为该轮廓是近圆形，其为其它细胞，舍弃并不纳入计算，所述λ=0.6。
4.根据权利要求3所述的精液中精子聚集检测方法，其特征在于：所述步骤S7还包括：当轮廓上每个像素点到轮廓的最小包围圆圆心的距离与轮廓的最小包围圆的半径的方差大于或等于λ时，则认为该轮廓不是近圆形，则进入步骤S8，对轮廓通过多边形逼近拟合算法，得到过拟合后的轮廓并进入步骤S9；
步骤S9、当过拟合后的轮廓的角大于2时，则判断该轮廓为精子聚集，加入计数，小于或等于2时，则判断其为少精子块，舍弃并不纳入计算。
5.根据权利要求3或4所述的精液中精子聚集检测方法，其特征在于：所述步骤S7中，当判断为其它细胞时，通过采用标记和/或外矩形框对该被判断为细胞的轮廓在背景图像中所对应的位置进行描绘。
6.根据权利要求4所述的精液中精子聚集检测方法，其特征在于：所述步骤S9中，当判断少精子块时，采用标记和/或外矩形框对该被判断为少精子块的轮廓在背景图像中所对应的位置进行描绘。
7.根据权利要求1所述的精液中精子聚集检测方法，其特征在于：所述步骤S2包括：
步骤S21、截取该男科精液镜检视频中其中一时间段的视频后，采集该时间段的视频所对应的每一帧视频图像；所述时间段为至少2秒，帧率不小于60帧/秒；
步骤S22、建立高斯混合模型，对高斯混合模型初始化后将视频图像输入至高斯混合模型中进行训练，然后从训练完成的高斯混合模型中获取训练后的背景图像。
8.根据权利要求1所述的精液中精子聚集检测方法，其特征在于：所述步骤S3包括：对背景图像进行二值化、膨胀与腐蚀处理。
9.根据权利要求8所述的精液中精子聚集检测方法，其特征在于：所述膨胀与腐蚀处理采用一次膨胀和三次腐蚀。
CN202010180786.5A 2020-03-16 2020-03-16 精液中精子聚集检测方法 Active CN111402232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010180786.5A CN111402232B (zh) 2020-03-16 2020-03-16 精液中精子聚集检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010180786.5A CN111402232B (zh) 2020-03-16 2020-03-16 精液中精子聚集检测方法

Publications (2)

Publication Number Publication Date
CN111402232A CN111402232A (zh) 2020-07-10
CN111402232B true CN111402232B (zh) 2023-05-16

Family

ID=71432460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010180786.5A Active CN111402232B (zh) 2020-03-16 2020-03-16 精液中精子聚集检测方法

Country Status (1)

Country Link
CN (1) CN111402232B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200803B (zh) * 2020-11-04 2023-10-10 成都朴华科技有限公司 精子核蛋白成熟度检测方法及装置
CN113221860B (zh) * 2021-07-07 2021-10-22 深圳市瑞图生物技术有限公司 Dna碎片识别方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011248702A (ja) * 2010-05-28 2011-12-08 Sharp Corp 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体
JP2013206034A (ja) * 2012-03-28 2013-10-07 Fujitsu Ltd 情報処理装置、画像処理方法およびプログラム
CN108986108A (zh) * 2018-06-26 2018-12-11 西安电子科技大学 一种基于素描线段聚集特性的sar图像样本块选择方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008212017A (ja) * 2007-03-01 2008-09-18 Nikon Corp 細胞状態判定装置、および細胞状態判定方法
KR20150108963A (ko) * 2014-03-18 2015-10-01 삼성전기주식회사 세포 분석 장치 및 세포 분석 방법
CN104658008B (zh) * 2015-01-09 2017-09-12 北京环境特性研究所 一种基于视频图像的人员聚集检测方法
US10948420B2 (en) * 2015-12-09 2021-03-16 Indevr, Inc. Automated agglutination analyzer with contour comparison
CN107220634B (zh) * 2017-06-20 2019-02-15 西安科技大学 基于改进d-p算法与多模板匹配的手势识别方法
CN110866937A (zh) * 2019-10-25 2020-03-06 深圳市瑞图生物技术有限公司 精子运动轨迹重建及分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011248702A (ja) * 2010-05-28 2011-12-08 Sharp Corp 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体
JP2013206034A (ja) * 2012-03-28 2013-10-07 Fujitsu Ltd 情報処理装置、画像処理方法およびプログラム
CN108986108A (zh) * 2018-06-26 2018-12-11 西安电子科技大学 一种基于素描线段聚集特性的sar图像样本块选择方法

Also Published As

Publication number Publication date
CN111402232A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN107527028B (zh) 目标细胞识别方法、装置及终端
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN116385445B (zh) 一种基于视觉技术的电镀五金件瑕疵检测方法
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN111402232B (zh) 精液中精子聚集检测方法
CN111860459B (zh) 一种基于显微图像的禾本科植物叶片气孔指数测量方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
Laga et al. Image-based plant stornata phenotyping
CN108052886A (zh) 一种小麦条锈病菌夏孢子自动统计计数方法
CN109117703A (zh) 一种基于细粒度识别的混杂细胞种类鉴定方法
CN117173158B (zh) 一种精密连接器质量智能检测方法及系统
CN110866937A (zh) 精子运动轨迹重建及分类方法
CN101739556A (zh) 钢坯号自动识别方法
CN114782330B (zh) 基于人工智能的炉排异常检测方法及系统
KR100868884B1 (ko) 유리 기판 유리 불량 정보 시스템 및 분류 방법
CN113962994B (zh) 基于图像处理的三连杆上锁销清洁度检测方法
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测系统
CN112329664A (zh) 一种原核期胚胎原核数量的评估方法
CN109035296A (zh) 一种改进的视频中运动物体检测方法
CN116978543A (zh) 人工智能辅助骨髓肿瘤病理诊断装置
CN112381140B (zh) 一种基于新特征参数的磨粒图像机器学习识别方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法

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