CN111445490B - 一种显微操作系统目标前景提取方法及系统 - Google Patents

一种显微操作系统目标前景提取方法及系统 Download PDF

Info

Publication number
CN111445490B
CN111445490B CN202010107527.XA CN202010107527A CN111445490B CN 111445490 B CN111445490 B CN 111445490B CN 202010107527 A CN202010107527 A CN 202010107527A CN 111445490 B CN111445490 B CN 111445490B
Authority
CN
China
Prior art keywords
image
target image
target
pixel
mask
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
CN202010107527.XA
Other languages
English (en)
Other versions
CN111445490A (zh
Inventor
于兴虎
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010107527.XA priority Critical patent/CN111445490B/zh
Publication of CN111445490A publication Critical patent/CN111445490A/zh
Application granted granted Critical
Publication of CN111445490B publication Critical patent/CN111445490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T7/13—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种显微操作系统目标前景提取方法及系统，所述提取方法包括：获取目标图像；对所述目标图像进行遮挡处理；对所述遮挡处理后的目标图像进行高斯滤波；对所述高斯滤波后的目标图像进行高斯双边滤波；对所述高斯双边滤波后的目标图像进行自适应阈值处理；对所述自适应阈值处理后的目标图像进行中值滤波处理；提取所述中值滤波处理后的目标图像中的感兴趣区域；提取所述感兴趣区域中的目标轮廓。本发明中的上述方法能够精确获取目标对象。

Description

一种显微操作系统目标前景提取方法及系统
技术领域
本发明涉及图像处理领域，特别是涉及一种显微操作系统目标前景提取方法及系统。
背景技术
在显微操作系统的注射流程中，首先需要从复杂背景中提取出斑马鱼对象，同时要完好保留其纹理与轮廓细节，滤除环境噪声，为后续的轮廓分析打下良好基础。在处理过程中，实验环境存在大量干扰，如灰尘、颗粒等，对算法的鲁棒性提出了挑战，不同设备光照条件存在差异，需要算法在不同环境下能实现自适应，视野内存在多个物体，如何从多目标中提取目标也是算法的难点之一。
目前市面上没有针对斑马鱼进行操作的自动化显微操作系统，若采用传统的滤波、二值化处理、连通域查询的方式，可能会找到其他物体，如吸持针注射针，同时幼鱼轮廓会损失，会混入灰尘等干扰。
发明内容
本发明的目的是提供一种显微操作系统目标前景提取方法及系统，精确完整的提取目标轮廓。
为实现上述目的，本发明提供了如下方案：
一种显微操作系统目标前景提取方法，所述提取方法包括：
获取目标图像；
对所述目标图像进行遮挡处理；
对所述遮挡处理后的目标图像进行高斯滤波；
对所述高斯滤波后的目标图像进行高斯双边滤波；
对所述高斯双边滤波后的目标图像进行自适应阈值处理；
对所述自适应阈值处理后的目标图像进行中值滤波处理；
提取所述中值滤波处理后的目标图像中的感兴趣区域；
提取所述感兴趣区域中的目标轮廓。
可选的，对所述遮挡处理后的目标图像进行高斯滤波具体采用以下公式：
其中，/>为掩模系数的总和，s为掩膜x方向位置，t为掩膜y方向位置，m为掩膜宽度，n为掩膜高度，x为图像g(x,y)的x坐标，y为图像g(x,y)的y坐标。
可选的，对所述高斯双边滤波后的目标图像进行自适应阈值处理具体采用以下公式：
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-I(x,y)]，
其中，m(x,y)是以像素(x,y)为中心w×w大小范围内的局部均值，Imax是该区域像素最大值，Imin是该区域像素最小值，I(x,y)是(x,y)点像素值，T(x,y)是(x,y)点所取阈值；
其中，d(x,y)是目标图像在(x,y)位置处的像素值。
可选温度，所述提取所述感兴趣区域中的目标轮廓具体包括：
使用基于CHAIN_APPROX_SIMPLE的链式编码方法进行外层轮廓统计，得到统计轮廓面积；
提取最大面积轮廓，并绘制在空白图像中。
本发明另外提供一种显微操作系统目标前景提取系统，所述系统包括：
目标图像获取模块，用于获取目标图像；
遮挡处理模块，用于对所述目标图像进行遮挡处理；
高斯滤波模块，用于对所述遮挡处理后的目标图像进行高斯滤波；
高斯双边滤波模块，用于对所述高斯滤波后的目标图像进行高斯双边滤波；
自适应阈值处理模块，用于对所述高斯双边滤波后的目标图像进行自适应阈值处理；
中值滤波处理模块，用于对所述自适应阈值处理后的目标图像进行中值滤波处理；
感兴趣区域获取模块，用于获取所述中值滤波处理后的目标图像中的感兴趣区域；
目标轮廓提取模块，用于提取所述感兴趣区域中的目标轮廓。
可选的，所述高斯滤波模块具体采用以下公式：
其中，/>为掩模系数的总和，s为掩膜x方向位置，t为掩膜y方向位置t，m为掩膜宽度，n为掩膜高度，x为图像像素g(x,y)的x坐标，y为图像像素g(x,y)的y坐标。
可选的，所述自适应阈值处理模块具体采用以下公式：
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-I(x,y)]，
其中，m(x,y)是以像素(x,y)为中心w×w大小范围内的局部均值，Imax是该区域像素最大值，Imin是该区域像素最小值，I(x,y)是(x,y)点像素值，T(x,y)是(x,y)点所取阈值。
其中，d(x,y)是目标图像在(x,y)位置处的像素值。
可选的，所述感兴趣区域提取模块具体包括：
使用基于CHAIN_APPROX_SIMPLE的链式编码方法进行外层轮廓统计，得到统计轮廓面积；
提取最大面积轮廓，并绘制在空白图像中。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明中的上述方法及系统，采用高斯滤波、高斯双边滤波、中值滤波的图像处理方法，对实验环境存在大量如灰尘、颗粒等的干扰均具有很强的鲁棒性，在各种干扰下表现优异，采用自适应阈值分割能对不同的光照条件均能实现自适应，能够从视野中的多个物体中准确提取出幼鱼的完整轮廓，具有很高的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例显微操作系统目标前景提取方法流程图；
图2为本发明实施例斑马鱼放置位置示意图；
图3为本发明实施例吸持针遮挡处理效果图；
图4为本发明实施例实验环境灰尘颗粒的干扰示意图；
图5为本发明实施例高斯滤波后的效果图；
图6为本发明实施例高斯双边滤波后的效果图；
图7为本发明实施例自适应阈值处理效果图；
图8为本发明实施例中值滤波效果图；
图9为本发明实施例掩膜示意图；
图10为本发明实施例ROI区域示意图；
图11为本发明实施例目标轮廓提取效果图；
图12为本发明实施例显微操作系统目标前景提取系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种显微操作系统目标前景提取方法及系统，精确完整的提取目标轮廓。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种显微操作系统目标前景提取方法流程图，如图1所示，所述方法包括：
步骤101：获取目标图像。
步骤102：对所述目标图像进行遮挡处理。
显微镜视野中主要有三个物体，吸持针、注射针与斑马鱼，斑马鱼一般在视野中心附近位置，系统规定操作人员需将斑马鱼放置在规定的圆形区域，如图2所示，如果斑马鱼靠近边缘，吸持针会对目标提取产生干扰，需要进行遮挡处理，在吸持针与注射针位置用矩形块进行遮挡，矩形像素值取整张图空白区域的像素平均值，遮挡效果如图3所示。
步骤103：对所述遮挡处理后的目标图像进行高斯滤波。
实验中存在大量的灰尘干扰，如图4所示，为滤除细小干扰，首先使用尺寸为5x5，标准差为10的高斯核函数对显微镜采集到的整张图像进行卷积操作，图5为高斯滤波后的效果图。高斯核函数如1.1式所示：
一幅M×N的图像经过m×n的加权平均滤波器滤波的过程可由下式给出：
其中，/>为掩模系数的总和，s为掩膜x方向位置，t为掩膜y方向位置t，m为掩膜宽度，n为掩膜高度，x为图像像素g(x,y)的x坐标，y为图像像素g(x,y)的y坐标。
步骤104：对所述高斯滤波后的目标图像进行高斯双边滤波。
高斯双边滤波公式为：
其中，h(x,y)为高斯双边滤波后的输出图像(x,y)坐标的像素值，ξ1，ξ2为求和参数，w和h分别为尺度空间高斯函数所设定的宽度与高度，归化常量
σd为尺度空间上高斯函数的标准差，σr为颜色空间上高斯函数的标准差，
d((ξ1,ξ2)-(x,y))＝||(ξ1,ξ2)-(x,y)||为像素(ξ1,ξ2)与像素(x,y)的空间距离δ(g(ξ1,ξ2)-g(x,y))＝|g(ξ1,ξ2)-g(x,y)|为图像g上两个像素值之差。
高斯滤波完成后，对高斯滤波后的图像，使用高斯双边滤波进一步处理，这是因为视野中可能出现幼鱼残留的组织和环境中的灰尘，如果灰尘与鱼的身体接触，会影响轮廓的完整性(即轮廓中出现了灰尘)，先使用高斯滤波进行粗滤，这时图像中的所有信息包括轮廓边缘灰尘都得到了模糊，之后使用高斯双边滤波进行处理，进一步模糊灰尘，同时保留幼鱼的轮廓信息。双边模糊考虑了像素值分布的影响，对像素值空间分布差异较大的进行保留，分布差异小的进行高斯滤波，从而完整的保留了图像的边缘信息。如果仅仅使用高斯双边模糊，灰尘会被认为是强边缘，得不到滤除，如果仅仅使用高斯模糊，灰尘滤除程度不够(高斯窗口小)或者幼鱼轮廓边缘损失(高斯窗口大)，所以先使用高斯滤波进行粗滤，再使用高斯双边模糊进行边缘保留滤波，同时这两者顺序不能变，否则达不到效果，图6为高斯双边滤波后效果图。
步骤105：对所述高斯双边滤波后的目标图像进行自适应阈值处理。
针对系统光源可能存在不均匀和照度差异的情况，使用自适应阈值的方法进行处理。对高斯滤波与高斯双边滤波后的图像进行自适应阈值处理，前述步骤滤除了灰尘干扰，减小了图像二值化操作的噪声，使得自适应阈值算法能够将幼鱼的轮廓成功设置为255，背景设置为0。自适应算法主要是基于均值实现，根据计算均值的方法不同分为盒子模糊均值与高斯模糊均值，然后使用原图减去均值图像，得到的差值图像进行自适应分割。我们选用盒子模糊均值进行处理，效果图如图7所示，可以完好地保留幼鱼轮廓。
自适应阈值处理具体采用以下公式：
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-I(x,y)]，
其中，m(x,y)是以像素(x,y)为中心w×w大小范围内的局部均值，Imax是该区域像素最大值，Imin是该区域像素最小值，I(x,y)是(x,y)点像素值，T(x,y)是(x,y)点所取阈值；
其中，d(x,y)是目标图像在(x,y)位置处的像素值。
步骤106：对所述自适应阈值处理后的目标图像进行中值滤波处理。
使用自适应阈值处理过的图像存在椒盐噪声，使用5x5窗口进行中值滤波，窗口不断在窗口内移动，对窗口内的卷积像素值排序，取中值作为中心像素点的输出值，中值滤波效果图如图8所示，可见椒盐噪声得到了很好的滤除。
步骤107：提取所述中值滤波处理后的目标图像中的感兴趣区域。
提取ROI(感兴趣区)：在视野中心取一圆形区域作为掩膜，该区域的选取由显微操作的具体流程决定，操作过程中要求将斑马鱼幼鱼摆放到图像中央的圆形区域，真正的感兴趣区(ROI)为图像中央的圆形区域，取该区域作为掩膜，掩膜如图9所示。进行图像与操作，如果源图像在掩膜图像中的相应位置为白色像素，则该像素保留，否则置为0，通过掩膜提取出中心感兴趣区域，提取结果如图10所示，可以较好完整提取出前景，同时滤除噪声。
步骤108：提取所述感兴趣区域中的目标轮廓。
对于提取出的二值图像前景，使用基于CHAIN_APPROX_SIMPLE的链式编码方法进行外层轮廓统计，统计轮廓面积，提取最大面积轮廓，将其绘制在空白图像中，前景外层轮廓提取完成，效果如图11所示，可以完整地提取出目标轮廓。
图12为本发明实施例显微操作系统目标前景提取系统结构示意图，如图11所示，所述系统包括：目标图像获取模块201、遮挡处理模块202、高斯滤波模块203、高斯双边滤波模块204、自适应阈值处理模块205、中值滤波处理模块206、感兴趣区域获取模块207以及目标轮廓提取模块208。
其中，目标图像获取模块201用于获取目标图像；
遮挡处理模块202用于对所述目标图像进行遮挡处理；
高斯滤波模块203用于对所述遮挡处理后的目标图像进行高斯滤波；
高斯双边滤波模块204用于对所述高斯滤波后的目标图像进行高斯双边滤波；
自适应阈值处理模块205用于对所述高斯双边滤波后的目标图像进行自适应阈值处理；
中值滤波处理模块206用于对所述自适应阈值处理后的目标图像进行中值滤波处理；
感兴趣区域获取模块207用于获取所述中值滤波处理后的目标图像中的感兴趣区域；
目标轮廓提取模块208用于提取所述感兴趣区域中的目标轮廓。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种显微操作系统目标前景提取方法，其特征在于，所述提取方法包括：
获取目标图像；
对所述目标图像进行遮挡处理，具体包括：
在吸持针与注射针位置用矩形块进行遮挡，矩形像素值取整张图空白区域的像素平均值；
对所述遮挡处理后的目标图像进行高斯滤波；
对所述高斯滤波后的目标图像进行高斯双边滤波；
针对系统光源可能存在不均匀和照度差异的情况，对所述高斯双边滤波后的目标图像进行自适应阈值处理，具体包括：通过自适应阈值算法将幼鱼的轮廓设置为255，背景设置为0，并选用盒子模糊均值进行处理；
具体采用以下公式：
其中，d(x,y)是目标图像在(x,y)位置处的像素值，
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-I(x,y)]，
其中，m(x,y)是以像素(x,y)为中心w×w大小范围内的局部均值，Imax是该区域像素最大值，Imin是该区域像素最小值，I(x,y)是(x,y)点像素值，T(x,y)是(x,y)点所取阈值；
对所述自适应阈值处理后的目标图像进行中值滤波处理；
提取所述中值滤波处理后的目标图像中的感兴趣区域；
提取所述感兴趣区域中的目标轮廓，具体包括：
在视野中心取一圆形区域作为掩膜，如果源图像在掩膜图像中的相应位置为白色像素，则该像素保留，否则置为0，通过掩膜提取出中心感兴趣区域。
2.根据权利要求1所述的显微操作系统目标前景提取方法，其特征在于，对所述遮挡处理后的目标图像进行高斯滤波具体采用以下公式：
其中，/>为掩模系数的总和，s为掩膜x方向位置，t为掩膜y方向位置t，m为掩膜宽度，n为掩膜高度，x为图像像素g(x,y)的x坐标，y为图像像素g(x,y)的y坐标。
3.根据权利要求1所述的显微操作系统目标前景提取方法，其特征在于，所述提取所述感兴趣区域中的目标轮廓具体包括：
使用基于CHAIN_APPROX_SIMPLE的链式编码方法进行外层轮廓统计，得到统计轮廓面积；
提取最大面积轮廓，并绘制在空白图像中。
4.一种显微操作系统目标前景提取系统，其特征在于，所述系统包括：
目标图像获取模块，用于获取目标图像；
遮挡处理模块，用于对所述目标图像进行遮挡处理，具体包括：
在吸持针与注射针位置用矩形块进行遮挡，矩形像素值取整张图空白区域的像素平均值；
高斯滤波模块，用于对所述遮挡处理后的目标图像进行高斯滤波；
高斯双边滤波模块，用于对所述高斯滤波后的目标图像进行高斯双边滤波；
自适应阈值处理模块，针对系统光源可能存在不均匀和照度差异的情况，用于对所述高斯双边滤波后的目标图像进行自适应阈值处理；所述自适应阈值处理模块，具体包括：通过自适应阈值算法将幼鱼的轮廓设置为255，背景设置为0，并选用盒子模糊均值进行处理；
具体采用以下公式：
其中，d(x,y)是目标图像在(x,y)位置处的像素值，
T(x,y)＝k[m(x,y)+(Imax-Imin)(1-I(x,y)]，
其中，m(x,y)是以像素(x,y)为中心w×w大小范围内的局部均值，Imax是该区域像素最大值，Imin是该区域像素最小值，I(x,y)是(x,y)点像素值，T(x,y)是(x,y)点所取阈值；
中值滤波处理模块，用于对所述自适应阈值处理后的目标图像进行中值滤波处理；
感兴趣区域获取模块，用于获取所述中值滤波处理后的目标图像中的感兴趣区域；
目标轮廓提取模块，用于提取所述感兴趣区域中的目标轮廓，具体包括：
在视野中心取一圆形区域作为掩膜，如果源图像在掩膜图像中的相应位置为白色像素，则该像素保留，否则置为0，通过掩膜提取出中心感兴趣区域。
5.根据权利要求4所述的显微操作系统目标前景提取系统，其特征在于，所述高斯滤波模块具体采用以下公式：
其中，/>为掩模系数的总和，s为掩膜x方向位置，t为掩膜y方向位置t，m为掩膜宽度，n为掩膜高度，x为图像像素g(x,y)的x坐标，y为图像像素g(x,y)的y坐标。
6.根据权利要求4所述的显微操作系统目标前景提取系统，其特征在于，所述感兴趣区域提取模块具体包括：
使用基于CHAIN_APPROX_SIMPLE的链式编码方法进行外层轮廓统计，得到统计轮廓面积；
提取最大面积轮廓，并绘制在空白图像中。
CN202010107527.XA 2020-02-21 2020-02-21 一种显微操作系统目标前景提取方法及系统 Active CN111445490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010107527.XA CN111445490B (zh) 2020-02-21 2020-02-21 一种显微操作系统目标前景提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010107527.XA CN111445490B (zh) 2020-02-21 2020-02-21 一种显微操作系统目标前景提取方法及系统

Publications (2)

Publication Number Publication Date
CN111445490A CN111445490A (zh) 2020-07-24
CN111445490B true CN111445490B (zh) 2023-10-20

Family

ID=71650663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010107527.XA Active CN111445490B (zh) 2020-02-21 2020-02-21 一种显微操作系统目标前景提取方法及系统

Country Status (1)

Country Link
CN (1) CN111445490B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465906B (zh) * 2020-09-30 2022-06-14 宁波智能装备研究院有限公司 一种基于显微操作系统的斑马鱼姿态检测方法及系统
CN112465740B (zh) * 2020-09-30 2022-06-14 宁波智能装备研究院有限公司 一种基于显微操作系统的目标吸持点定位方法及系统
CN112669380B (zh) * 2020-12-25 2022-09-09 宁波智能装备研究院有限公司 一种显微操作系统中目标姿态控制方法及系统
CN116777797A (zh) * 2023-06-28 2023-09-19 广州市明美光电技术有限公司 各向异性导向滤波的明场显微图像清晰化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015114172A (ja) * 2013-12-10 2015-06-22 オリンパスソフトウェアテクノロジー株式会社 画像処理装置、顕微鏡システム、画像処理方法、及び画像処理プログラム
CN106067026A (zh) * 2016-05-30 2016-11-02 天水师范学院 一种中药材显微图像的特征提取与识别检索方法
CN106886779A (zh) * 2017-02-15 2017-06-23 厦门大学 一种荧光显微图像二值化的自适应阈值方法
CN108564124A (zh) * 2018-04-13 2018-09-21 山东农业大学 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN110517268A (zh) * 2019-08-29 2019-11-29 中国科学院深圳先进技术研究院 病理图像处理方法、装置、图像分析系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2560352A1 (en) * 2006-09-21 2008-03-21 Yu Sun High-throughput automated cellular injection system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015114172A (ja) * 2013-12-10 2015-06-22 オリンパスソフトウェアテクノロジー株式会社 画像処理装置、顕微鏡システム、画像処理方法、及び画像処理プログラム
CN106067026A (zh) * 2016-05-30 2016-11-02 天水师范学院 一种中药材显微图像的特征提取与识别检索方法
CN106886779A (zh) * 2017-02-15 2017-06-23 厦门大学 一种荧光显微图像二值化的自适应阈值方法
CN108564124A (zh) * 2018-04-13 2018-09-21 山东农业大学 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN110517268A (zh) * 2019-08-29 2019-11-29 中国科学院深圳先进技术研究院 病理图像处理方法、装置、图像分析系统及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Automatic multiple zebrafish larvae tracking in unconstrained microscopic video conditions;Xiaoying Wang et al.;《Scientific Reports》;全文 *
庄松霖.面向斑马鱼幼鱼的显微操作系统关键技术研究.《中国博士学位论文全文数据库 基础科学辑》.2020,第A006-3卷(第2020年01期),第51-52、61-68、134-135页. *
徐穗.《显微视觉测量与控制》.国防工业出版社,2014,(第1版),第54-61、77-78页. *
景晓军主编，周贤伟、付娅丽编著.《图像处理技术及其应用》.国防工业出版社,2005,(第1版),第89-97页. *
毛星云.《OpenCV3编程入门》.电子工业出版社,2015,(第1版),第304-328页. *
邢锋芝、穆凤芸主编.《计算机辅助绘图技术 AutoCAD 2009》.天津：天津大学出版社,2009,第77页. *
黄宗理、张良弼主编.《地球科学大辞典 应用科学卷》.北京：地质出版社,2005,第835页. *

Also Published As

Publication number Publication date
CN111445490A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445490B (zh) 一种显微操作系统目标前景提取方法及系统
CN110717922A (zh) 一种图像清晰度评价方法及装置
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN115439494A (zh) 用于喷雾机质检的喷雾图像处理方法
CN105741244B (zh) 一种室内巡检机器人弱光下去除阴影和光晕的方法
CN106296744A (zh) 一种结合自适应模型和多阴影属性的运动目标检测方法
CN108256521A (zh) 用于车身颜色识别的有效区域定位方法
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
CN106204617A (zh) 基于残差图像直方图循环移位的自适应图像二值化方法
CN116485787B (zh) 一种数据线成型外模外观缺陷检测方法
CN112001906A (zh) 一种结合非极大值抑制的钢板焊缝图像检测方法
CN112950589A (zh) 一种多尺度卷积神经网络的暗通道先验去雾算法
Pan et al. Single-image dehazing via dark channel prior and adaptive threshold
CN115439523A (zh) 一种半导体器件引脚尺寸检测方法、设备及存储介质
CN113763404B (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法
CN106023097B (zh) 一种基于迭代法的流场图像预处理方法
CN108596928A (zh) 基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法
CN112465740A (zh) 一种基于显微操作系统的目标吸持点定位方法及系统
CN109448010B (zh) 一种基于内容特征的四方连续纹样自动生成方法
CN115953459A (zh) 一种复杂光照条件下的激光条纹中心线提取方法
CN113674180B (zh) 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质
CN106339709A (zh) 一种图像实时提取方法
CN112270690B (zh) 一种基于改进clahe和滑窗搜索的自适应夜间车道线检测方法
CN110378354B (zh) 一种基于组织滤波算法的提花织物图片颜色提取方法
CN115235335A (zh) 一种高铁动车组走行部尺寸智能检测方法

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