CN111563550B - 基于图像技术的精子形态检测方法和装置 - Google Patents
基于图像技术的精子形态检测方法和装置 Download PDFInfo
- Publication number
- CN111563550B CN111563550B CN202010368329.9A CN202010368329A CN111563550B CN 111563550 B CN111563550 B CN 111563550B CN 202010368329 A CN202010368329 A CN 202010368329A CN 111563550 B CN111563550 B CN 111563550B
- Authority
- CN
- China
- Prior art keywords
- sperm
- target object
- independent
- image
- outline
- 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
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了基于图像技术的精子形态检测方法和装置。涉及计算机视觉领域,该方法的一具体实施方式包括:识别待测精液图像中的任意一个独立精子;获取独立精子的关键部位的轮廓;由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标;基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓;根据独立精子的轮廓,对独立精子进行形态检测。该实施方式提高了精子检测的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及计算机视觉领域,尤其涉及基于图像技术的精子形态检测方法和装置、基于图像技术的目标形态检测方法和装置。
背景技术
图像处理方法广泛应用于工业、农业、环境以及医药行业的目标特征获取中,对目标形态特征的准确计量也有很好的效果。以往,基于图像的目标形态研究中,由于受到实验仪器、软件操作尤其是目标与目标之间相互作用的影响,测量精度都受到了不同程序的制约。随着图像处理方法和手段的进一步发展,图像处理技术及测量精度都得到了长足的发展。
基于机器学习或深度学习可以实现对目标形态缺陷进行分类,如基于贝叶斯分类器、SVM分类器和简单的卷积神经网络对图像中目标的各个部位进行形态缺陷分类。
发明内容
提供了一种基于图像技术的目标形态检测方法、装置、基于图像技术的精子形态检测方法、装置以及设备、存储介质。
根据第一方面,本申请实施例提供了一种基于图像技术的目标形态检测方法,上述方法包括:识别包括目标对象的待检测图像中的独立目标对象;获取独立目标对象的关键部位的轮廓;由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;根据独立目标对象的轮廓,对独立目标对象进行形态检测。
根据第二方面,本申请实施例提供了一种基于图像技术的精子形态检测方法,上述方法包括:识别待测精液图像中的任意一个独立精子;获取独立精子的关键部位的轮廓;由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标;基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓;根据独立精子的轮廓,对独立精子进行形态检测。
根据第三方面,本申请实施例提供了一种基于图像技术的目标形态检测装置,上述装置包括:对象识别模块,被配置成识别包括目标对象的待检测图像中的独立目标对象;部位获取模块,被配置成获取独立目标对象的关键部位的轮廓;坐标确定模块,被配置成由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;轮廓提取模块,被配置成基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;形态检测模块,被配置成根据独立目标对象的轮廓,对独立目标对象进行形态检测。
根据第四方面,本申请实施例提供了一种基于图像技术的精子形态检测装置,上述装置包括:独立精子识别模块,被配置成识别待测精液图像中的任意一个独立精子;精子部位获取模块,被配置成获取独立精子的关键部位的轮廓;精子坐标确定模块,被配置成由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标;精子轮廓提取模块,被配置成基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓;精子形态检测模块,被配置成根据独立精子的轮廓,对独立精子进行形态检测。
根据第五方面,本申请实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
根据第六方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
本申请提供的基于图像技术的目标形态检测方法和装置,首先识别待检测图像中独立目标对象,然后获取独立目标对象的关键部位的轮廓;再后由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;再后基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;最后根据独立目标对象的轮廓,对独立目标对象进行形态检测。由此,本申请中,基于目标对象的关键部位的显著性,确定关键部位的轮廓,由关键部位的轮廓确定独立目标对象的关键部位的中心坐标,进一步由关键部位的中心坐标辅助在待检测图像中提取独立目标对象的轮廓,根据本申请的技术提高了独立目标对象轮廓显示的可靠性,更易于对独立目标对象的形态进行检测,并且提高了形态检测的效率。
本申请提供的基于图像技术的精子形态检测方法和装置,包括:识别待测精液图像中的任意一个独立精子;获取独立精子的关键部位的轮廓;由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标;基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓;根据独立精子的轮廓,对独立精子进行形态检测。该方法提高了精子检测的效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的基于图像技术的目标形态检测方法的第一实施例的示例性流程图;
图2是根据本申请实施例的对独立目标对象进行形态检测的方法的一种示例性流程图;
图3是根据本申请实施例的确定独立目标对象的非关键部位的轮廓的方法的一种示例性流程图;
图4是根据本申请实施例的提取独立目标对象的轮廓的一种示例性流程图;
图5是根据本申请实施例的基于图像技术的目标形态检测方法的第二实施例的示例性流程图;
图6是根据本申请实施例的基于图像技术的精子形态检测方法的一实施例的示例性流程图;
图7是根据本申请实施例的基于图像技术的目标形态检测装置的结构示意图;
图8是根据本申请实施例的基于图像技术的精子形态检测装置的结构示意图;
图9是用来实现本申请实施例的基于图像技术的目标形态检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请基于图像技术的目标形态检测方法的第一实施例的示例性流程100。上述基于图像技术的目标形态检测方法包括以下步骤:
步骤101,识别包括目标对象的待检测图像中的独立目标对象。
本实施例中,目标对象可以是图像中的生物对象或非生物对象,而生物对象可以是宏观世界中可视的生物对象及其组成单位,宏观世界中可视的生物对象比如动物对象、植物对象、菌物对象等,生物对象的组成单位因生物对象种类的不同而不同,比如动物对象的组成单位包括五官、四肢等特征,植物对象的组成单位包括枝叶、根系等特征;生物对象也可以是微观世界中可视的生物对象及其组成单位,微观世界中可视的生物对象比如为微生物对象等,而微生物对象组成单位包括多种细胞和多种非细胞特征。
本实施例中,待检测图像为包括目标对象的图像,可以为一张或多张。同一视野下拍摄的多张待检测图像,其清晰度可能不同。而清晰度不同的待检测图像上同一目标对象的不同组成单位的清晰度也可能不同。当待检测图像为一张时,该张待检测图像可以是多张包括目标对象的原始图像经过图像处理后得到的。
本实施例中,待检测图像中的目标对象,可能是多个单独的目标对象独立存在,也可能是多个目标对象聚集在一起存在,或者既有单独的目标对象又有多个目标对象聚集在一起存在。比如,待检测图像中的微生物目标对象包括多个独立显示的微生物目标对象以及多个聚集在一起互相遮挡显示的微生物目标对象,又如,通过显微镜拍摄的待检测图像中的微生物细胞目标对象包括多个独立的细胞目标对象以及紧凑拼接在一起的多个细胞目标对象。而识别待检测图像中的独立的微生物细胞目标对象,即独立微生物细胞目标对象,可以便于对微生物细胞形态进行可靠的检测。
可选地,识别包括目标对象的待检测图像中的独立目标对象可以采用以下方式:1)以预设的独立目标对象的尺寸作为参照,通过过滤待检测图像,识别出所有与预设的独立目标对象的尺寸相同或相近的目标对象;2)采用可区分独立目标的图像分类模型,将待检测图像输入图像分类模型,图像分类模型便可将与独立目标对象不同的目标对象全部区分开来。
步骤102,获取独立目标对象的关键部位的轮廓。
本实施例中,独立目标对象的关键部位是对独立目标对象最紧要的部分,对于识别独立目标对象起决定性作用的部位。独立目标对象的关键部位包括以下任意一种:1)独立目标对象的重要的部位,比如,细胞的细胞膜;2)独立目标对象上可突出独立目标的特征的部位,比如,神经元细胞对象的用于接受刺激的树突;3)独立目标对象显著的部位,比如,蝌蚪状病毒对象的头部。
可选地,获取独立目标对象的关键部位的轮廓的方式的可以包括以下几种:
1)采用计算机视觉库获取待检测图像中的独立目标对象的关键部位的轮廓,计算机视觉库中设置有轮廓查找算法,在步骤101识别到独立目标对象之后,通过轮廓查找算法可以发现待检测图像中独立目标对象的轮廓,并且将独立目标对象的关键部位的轮廓画出来。
计算机视觉库的种类可因应用的语言或者操作系统或者开发侧重点的不同而不同,比如OpenCV库(Open Source Computer Vision Library),OpenCV是一个基于BSD(Berkeley Software Distribution,伯克利软件套件)许可发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法,进一步,在步骤101识别到独立目标对象之后,采用OpenCV库里的findContours()函数寻找待检测图像中独立目标对象的轮廓,然后基于关键部位在独立目标对象的轮廓的位置,采用OpenCV库里的drawContours()函数绘出待检测图像中独立目标对象的关键部位的轮廓,当然,也可以在步骤101识别到独立目标对象之后,直接采用OpenCV库里的findContours()函数寻找待检测图像中独立目标对象的关键部位的轮廓,再采用OpenCV库里的drawContours()函数绘出待检测图像中独立目标对象的关键部位的轮廓,由此实现了上述获取待检测图像中的独立目标对象的关键部位的轮廓过程。
2)基于深度学习的独立目标对象的关键部位的轮廓提取,例如,采用HED(Holistically-Nested Edge Detection,整体嵌套边缘检测)进行边缘检测,提取轮廓。
其中,HED是一个深度学习的边缘提取的算法,它具有两个特色:①整体图像训练和预测;②多尺度、多层特征学习,HED利用全卷积网络,自动学习丰富的分层表示。具体地,基于深度学习的独立目标对象的关键部位的轮廓提取过程如下:在步骤101识别到独立目标对象之后,去除或隐藏待检测图像中不属于独立目标对象的图像,并将去除或隐藏处理后的图像进行HED算法计算,得到独立目标对象的轮廓,然后基于关键部位在独立目标对象的轮廓的位置,得到独立目标对象的关键部位的轮廓。
基于上述获取独立目标对象的关键部位的轮廓的方式较复杂,本实施例的一些可选实现方式中,上述关键部位包括:头部,上述获取独立目标对象的关键部位的轮廓包括:将待检测图像中的独立目标对象依次经过HSV色彩空间的Hue通道、腐蚀和膨胀运算,得到所述独立目标对象的头部的轮廓。
本实现方式,在步骤101识别到独立目标对象之后,由于关键部位在独立目标对象上特殊性,其与独立目标对象其他部位的具有区别,而通过将待检测图像转化为HSV(HueSaturation Value,色相、饱和度、明度)色彩空间,并通过设置HSV色彩空间的高低阈值得到独立目标对象的关键部位的区域,进一步,通过腐蚀运算可以删除该区域某些像素,通过膨胀运算可以为该区域添加某些像素,得到独立目标对象的关键部位的轮廓。需要说明的是,本实施例中,上述腐蚀和膨胀运算可以先进行腐蚀运算后进行膨胀运算,也可以先进行膨胀运算后进行腐蚀运算,并且本实施例对腐蚀运算和膨胀运算的运算次数也不做具体限定,只要能产生较好效果的运算次数均在本实施例的保护范围之内。
具体地,HSV色彩空间可以将亮度从色彩中分解出来,其中,色相简称H,饱和度简称S,明度简称V,HSV色彩空间可以用一个圆锥空间模型来描述,圆锥的顶点处,V=0,H和S无定义,代表黑色。圆锥的顶面中心处V为最大值,S=0,H无定义,代表白色,为了更好地感知待检测图像的图像颜色,可以利用HSV分量从图像中提取感兴趣的区域。
本可选实现方式中,采用HSV色彩空间的Hue通道分解待检测图像,可以从待检测图像中分解独立目标对象所在区域,采用HSV色彩空间的Hue通道结构简单,实现容易,便于从待检测图像中提取独立目标对象的关键部位所在区域。
进一步,图像的膨胀(dilation)和腐蚀(erosion)是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域。其中,膨胀类似“领域扩张”,将图像的高亮区域或白的部分进行扩张,其运行结果图比原图的高亮区域更大。腐蚀类似“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。在对形态学图像处理时,腐蚀运算和膨胀运算组合使用的效果如下:先腐蚀后膨胀的过程称为开运算,它具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用;先膨胀后腐蚀的过程称为闭运算。它具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。通常由于噪声的影响,图像在阈值化后得到的边界通常都很不平滑,物体区域具有一定噪声孔,而背景区域上散布着一些小的噪声物体,连续的开和闭运算可以有效改善这种情况。而有时,需要经过多次腐蚀,然后加上相同次数的膨胀,才能产生比较好的处理效果,可见,本可选实现方式腐蚀与膨胀相结合可以使图像有较理想的处理效果。
本可选实现方式中,HSV色彩空间的Hue通道、腐蚀和膨胀均是传统的图像处理算法,本实施例中采用传统的图像处理算法生成独立目标对象的头部的轮廓,可以为分离独立目标对象的轮廓提供辅助帮助,便于独立目标对象更快、更精细的从待检测图像中分离出来。
步骤103,由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标。
本实施例中,在得到关键部位的轮廓之后,可以首先计算关键部位的图像矩,然后通过计算得到的图像矩,标出独立目标对象的关键部位的中心坐标,图像矩是对特征进行参数描述的一种算法,该特征可以是颜色特征、纹理特征、形状特征、空间位置特征等。
步骤104,基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓。
本实施例中,每个独立目标对象的关键部位在整个独立目标对象的位置是固定的,在确定独立目标对象的关键部位以及关键部位的中心坐标之后,首先可以按照上述获取独立目标对象的关键部位的轮廓的方式,获取独立目标对象的轮廓,然后,再由独立目标对象的关键部位的中心坐标以及预设的独立目标对象的关键部位的中心坐标在整个独立目标对象的位置,通过与预设的独立目标对象的轮廓进行比对,验证获取的独立目标对象的轮廓是否正确,由验证正确的独立目标对象的轮廓即为得到的独立目标对象的轮廓。
步骤105,根据独立目标对象的轮廓,对独立目标对象进行形态检测。
本实施例中,可以首先获取正常形态的独立目标对象的轮廓,将正常形态的独立目标对象作为模板轮廓,将独立目标对象的轮廓和模板轮廓进行比对,若两者的相似度在设定的相似阈范围之内,确定独立目标对象的形态正常。其中设定的相似阈范围可根据目标形态检测要求设置,比如,设定的相似阈范围为90%~95%之间。
综上,本申请的实施例提供的基于图像技术的目标形态检测方法,首先识别待检测图像中独立目标对象,然后获取独立目标对象的关键部位的轮廓;再后由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;再后基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;最后根据独立目标对象的轮廓,对独立目标对象进行形态检测。由此,本申请中,基于目标对象的关键部位的显著性,确定关键部位的轮廓,由关键部位的轮廓确定独立目标对象的关键部位的中心坐标,进一步由关键部位的中心坐标辅助在待检测图像中提取独立目标对象的轮廓,提高了独立目标对象轮廓显示的可靠性,更易于对独立目标对象的进行形态检测,并且提高了形态检测的效率。
为了更好地对独立目标对象进行形态检测,本实施例的一些可选实现方式中,上述根据独立目标对象的轮廓,对独立目标对象进行形态检测,进一步参考图2,可以按照如下流程200执行:
步骤201,基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的非关键部位的轮廓。
本步骤中,独立目标对象的部位包括:关键部位和非关键部位,非关键部位为独立目标对象中除关键部位之外的部位,非关键部位可以是独立目标对象的一个部位也可以独立目标对象的多个部位,比如蝌蚪状病毒对象的关键部位为头部,蝌蚪状病毒对象的非关键部位为颈部和尾部。
由于独立目标对象为实体,独立目标对象的关键部位的中心坐标至独立目标对象的非关键部位各个点之间的距离可以通过测量得到,从而可以由预先设置的关键部位的中心坐标至独立目标对象的非关键部位各个点之间的距离确定独立目标对象的非关键部位的轮廓。
可选地,上述基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的非关键部位的轮廓,包括:
基于独立目标对象的关键部位的中心坐标以及独立目标对象的关键部位的中心坐标至独立目标对象的非关键部位各个点之间的预设距离,确定并提取独立目标对象的轮廓中非关键部位的轮廓,得到独立目标对象的非关键部位的轮廓。
本可选方式中,通过关键部位的中心坐标与非关键部位各个点之间的距离关系,确定独立目标对象的非关键部位的轮廓,给出了非关键部位的轮廓的一种得到方式,保证独立目标对象的轮廓得到的可靠性。
步骤202,基于独立目标对象的非关键部位的轮廓和独立目标对象的关键部位的轮廓,提取独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
本实施例中,在确定了独立目标对象的非关键部位的轮廓和独立目标对象的关键部位的轮廓之后,可以针对同一个独立目标对象从单视野下多个待检测图像中取该独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
具体地,可以使用图像处理算法(比如去模糊算法、局部直方图算法)对待检测图像中包括独立目标对象的非关键部位的轮廓和独立目标对象的关键部位的轮廓部分图像进行清晰化处理后,再提取独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。其中,清晰化处理包括:图像增强、图像复原和超分辨率重构,其中,图像增强的目的是改善图像的视觉效果,针对指定图像的应用场合,有目的地强调图像的整体或局部特征,将原来不清晰的图像变得清晰或强调某些感兴趣的特征。图像复原是指对提升退化图像品质,并通过图像品质的提升达到图像在视觉上的改善。超分辨率重构是指通过信号处理的方法,在提高图像分辨率的同时改善采集图像质量,其核心思想是通过对成像系统之外的信号高频成分估计来提高图像的分辨率。
本实施例的一些可选实现方式中,上述基于独立目标对象的非关键部位的轮廓和关键部位的轮廓,提取独立目标对象非关键部位的清晰图像和关键部位的清晰图像,包括:将清晰度不同的多个待检测图像、独立目标对象的非关键部位的轮廓和关键部位的轮廓输入清晰度模型,得到所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
本实现方式中,清晰度模型是预先训练完成的模型,其用于根据独立目标对象的非关键部位的轮廓以及关键部位的轮廓,分别从多个或一个待检测图像中确定独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。通过清晰度模型可以快速、准确地得到独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
进一步,清晰度模型可以采用清晰/不清晰二分类模型,该二分类模型按照清晰这类的预测概率选择最高的输出,其采用的结构可以包括:ResNet结构,ResNext结构,DenseNet结构,MobileNet结构。
其中,ResNet(Residual Neural Network,剩余神经网络)的主要思想是在网络中增加了直连通道,即Highway Network的思想。此前的网络结构是性能输入做一个非线性变换,而Highway Network则允许保留之前网络层的一定比例的输出。ResNet的思想和Highway Network的思想也非常类似,允许原始输入信息直接传到后面的层中,这一层的神经网络可以不用学习整个的输出,而是学习上一个网络输出的残差,因此ResNet又叫做残差网络。
ResNext是ResNet的改进版本,其设计目的是为了使得最终网络结构只需要较少参数设置,但可以获得较好的效果。
DenseNet(Dense Convolutional Network,密集卷积网络)提出了一个更激进的密集连接机制,即互相连接所有的层,具体来说就是每个层都会接受其前面所有层作为其额外的输入,其脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维。
MobileNet(Mobile Network,移动网络)是基于一个流线型的架构,它使用深度可分离的卷积来构建轻量级的深层神经网络。其通过引入两个简单的全局超参数,在延迟度和准确度之间有效地进行平衡。这两个超参数允许模型构建者根据问题的约束条件,为其应用选择合适大小的模型。
本实现方式中,因为每个独立目标对象在单个视野下若干张清晰度不同的图像上的坐标是相同的,基于这些信息可以将每张图像上的独立目标对象的各个部位轮廓,送入清晰度模型,由清晰度模型区分在每张图像上呈现的最清晰的部位,最终得到同一个独立目标对象的不同部位的清晰图像,便于对独立目标对象各个部位进行形态检测,提高了后续形态检测的准确性。
步骤203,将独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像。
本实施例中,可以采用图像拼接技术将独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像。图像拼接技术就是将数张有重叠部分的图像(可能是不同时间、不同视角或者不同传感器获得的)拼成一幅无缝的全景图或高分辨率图像的技术。
具体地,采用图像拼接技术将独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像,包括:
1)找到独立目标对象的非关键部位的清晰图像和关键部位的清晰图像两幅图像中相同的特征点,即匹配特征点。
2)将该两幅图像的坐标转换在同一坐标下,并根据匹配特征点计算透视矩阵,将独立目标对象的非关键部位的清晰图像经过透视矩阵进行透视变换(PerspectiveTransformation),然后与独立目标对象的关键部位的清晰图像进行拼接,从而得到了完整的独立目标对象的图像。
其中,透视变换的本质是将独立目标对象的非关键部位的清晰图像投影到一个新的视平面,该视平面与独立目标对象的关键部位的清晰图像所在平面一致。
步骤204,对完整的独立目标对象的图像进行形态检测。
本实施例中,对完整的独立目标对象的图像进行形态检测,可以为改变或改进独立目标对象提供支持。
进一步,检测独立目标对象的形态是否有缺陷可以针对独立目标对象整体,也可针对独立目标对象各个部位(比如关键部位和/或非关键部位)。而检测缺陷的方式可以采用以下任意一种或多种:人工肉眼进行缺陷分类;采用与缺陷模板进行对比以对独立目标对象整体进行缺陷分类;采用多个部位的缺陷模板对独立目标对象多个部位进行缺陷分类;采用分类模型对独立目标对象整体进行缺陷分类;以及采用多个分类模型对独立目标对象多个部位进行缺陷分类。
本实施例的一些可选实现方式中,上述对完整的独立目标对象的图像进行形态检测,包括:将完整的独立目标对象的图像输入分类模型,得到独立目标对象的非关键部位和关键部位两者的形态缺陷分类;分类模型由完整的独立目标对象的图像训练得到,用于对完整的独立目标对象的非关键部位和关键部位进行形态缺陷分类。
本实现方式中,将完整的独立目标对象的作为分类模型的输入,分类模型在提取完整的独立目标对象通用的形状特征同时,还提取关键部位和非关键部位的特征,对完整的独立目标及其关键部位、非关键部位进行缺陷分类,分别输出缺陷的标签以及置信度。
本可选实现方式,仅使用一个分类模型实现对独立目标对象的非关键部位和关键部位的形态缺陷分类,提高了分类效率,减小计算量。
进一步,在本实施例一些可选实现方式中,关键部位包括:头部,非关键部位包括:颈部和尾部;上述对完整的独立目标对象的图像进行形态检测,包括:将完整的独立目标对象的图像输入已训练的卷积神经网络模型,得到由已训练的卷积神经网络模型输出的头部对应的头部缺陷类型、颈部对应的颈部缺陷类型以及尾部对应的尾部缺陷类型。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,它的结构包括:输入层、隐含层以及输出层。其中,输入层可以处理多维数据。
隐含层包括卷积层、激活函数、池化层和全连接层等构筑。卷积层通过卷积核提取图像结构特征;激活函数模拟了神经元的特征,当输入信号超过该神经元的阈值后,该神经元就处于激活的状态,否则为抑制状态,激活函数用于增加网络的复杂度和表现力;池化层在完成卷积之后提取主要特征,减小参数个数;全连接层用于对提取的特征进行非线性组合以得到输出,即全连接层本身不被期望具有特征提取能力,而是试图利用现有的高阶特征完成学习目标。
上述介绍的卷积层、激活函数和池化层在卷积神经网络中都是起到特征提取的作用,因此还需要全连接层将学到的特征进行分类,全连接层相当于“分类器”的作用,其将卷积层、激活函数和池化层学到的特征表示映射到样本标记空间。
输出层的上游通常是全连接层。对于图像分类问题,输出层使用逻辑函数或归一化指数函数(softmax function)输出分类标签。在物体识别(object detection)问题中,输出层可设计为输出物体的中心坐标、大小和分类。在图像语义分割中,输出层直接输出每个像素的分类结果。
本实现方式实现了仅使用一个卷积神经网络模型实现独立目标对象的形态缺陷分类,将独立且清晰的独立目标对象图像作为卷积神经网络模型的输入,低层提取通用的形状特征,并且在网络中加入三个注意力机制单元分别提取头部、颈部和尾部的特征,输出特征分别送入三个全连接层进行缺陷分类,每个与全连接层连接的输出层输出一个部位的缺陷的标签以及置信度。
本实现方式针对具有头、颈和尾部位的独立目标对象,采用一个卷积神经网络模型提取三者的特征,并由该卷积神经网络模型输出三者缺陷,提高了独立目标对象各个部位缺陷检测的效率,减小分类检测的计算量。
本实施例中,针对具有头部、颈部以及尾部等部位的细胞的形态检测,上述头部缺陷类型可以包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;颈部缺陷类型可以包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,所述第一设定半径值大于所述第二设定半径值;尾部缺陷类型可以包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
本实施例中,第一设定半径值、第二设定半径值、第一设定量、第二设定量,可以根据细胞的种类以及形状等要求进行不同规格的设置。本实施例中,由上述头部、颈部以及尾部不同部位的缺陷类型,为具有头、颈以及尾部的细胞的形态检测提供了多种缺陷类型划分,保证了形态检测的全面性。
可选地,上述对完整的独立目标对象的图像进行形态检测,还可以包括:将完整的独立目标对象的图像输入已训练的卷积神经网络模型,得到由已训练的卷积神经网络模型输出的独立目标对象的缺陷类型以及置信度。
图2所示的可选实现方式中,首先基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的非关键部位的轮廓,然后,提取独立目标对象的关键部位的清晰图像和非关键部位的清晰图像,合成完整的独立目标对象的图像,最后对完整的独立目标对象的图像进行形态检测。采用图像拼接技术对独立目标对象各个部位的清晰图像进行合成,实现简单、方便;再对合成后的完整的独立目标对象的图像进行形态检测,保证了独立目标形态检测的可靠性,相对未合成的独立目标对象,本实施例提高了独立目标的清晰度,可以使形态检测的结果更加具有参考价值以及指导意义。
在本实施例的一些可选的实现方式中,进一步参考图3,上述基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的非关键部位的轮廓,可以按照如下流程300执行:
步骤301,基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓中的关键部位的轮廓。
本实施例中,由于独立目标对象的轮廓已经确定,该轮廓中的像素点的坐标分别与独立目标对象的关键部位的中心坐标有一定距离,且在该轮廓中将与独立目标对象的关键部位的中心坐标距离相同的所有像素点的坐标连接在一起,可以提取独立目标对象的轮廓中的关键部位的轮廓,其与获取的独立目标对象的关键部位的轮廓可以相同,也可以具有细微差别。而采用独立目标对象的轮廓中的关键部位的轮廓,可以为后续非关键部位的得到与提取奠定基础。
步骤302,基于独立目标对象的轮廓中的关键部位的轮廓以及预设的非关键部位与关键部位之间的位置关系,提取独立目标对象的非关键部位的轮廓。
本实施例中,预设的非关键部位与关键部位之间的位置关系,是根据不同种类的独立目标对象模板的外观形状(包括非关键部位与关键部位的位置)预先测量得到。
进一步,在确定了独立目标对象的轮廓中的关键部位的轮廓,又得知非关键部位与关键部位之间的位置关系之后,很容易根据预设的独立目标对象模板,从独立目标对象中检测出非关键部位的轮廓。由此根据独立目标对象中关键部位与非关键部位之间的位置关系,确定独立目标对象的非关键部位的轮廓,确定容易,实现简单,便于快速得到独立目标对象的非关键部位的轮廓。
在本实施例的一些可选的实现方式中,进一步参考图4,上述基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓,可以按照如下流程400执行:
步骤401,将待检测图像输入分割模型,输出目标对象的轮廓。
本实施例中,待检测图像可以是单张图像,该单张图像作为分割模型的输入,获得分割模型输出的目标对象的多边形的精细的轮廓。
分割模型用于实现对待检测图像中目标对象进行精细的轮廓分割,其可将待检测图像中的目标对象与其背景分离,并对目标对象进行特征提取和分析。分割模型可以采用语义分割模型,比如UNet,UNet++,HRNet等模型。其中,U-Net是一种基于深度学习的图像语义分割模型,在一些文献中被称为编码器-解码器结构,其前半部分作用是特征提取,后半部分的是常采用,即可以理解为:先下采样,经过不同程度的卷积,学习了深层次的特征,在经过上采样回复为原图大小,上采样用反卷积实现,最后输出类别数量的特征图。
UNet++为U-Net的改进版,其与U-Net不同之处就在于,去掉了U-Net的长连接全部使用短连接,而UNet++的作者认为长连接是有必要的,它联系了输入图像的很多信息,有助于还原降采样所带来的信息损失,在一定程度上和残差的操作非常类似,因此加入长连接的信息最终结构诞生。
HRNet(high-resolution subnetwork,高分辨率子网络)作为第一阶段开始,逐步增加高分辨率到低分辨率的子网,形成更多的阶段,并将多分辨率子网并行连接。HRNet通过并行连接高分辨率到低分辨率卷积来保持高分辨率表示,并通过重复跨并行卷积执行多尺度融合来增强高分辨率表示。
其次,通过分割模型输出的目标对象的轮廓既包括独立目标对象的轮廓,又包括多个独立目标对象叠置或者缠绕在一起的轮廓,为了实现对独立目标对象进行形态检测,需要在后续步骤中将多个独立目标对象叠置在一起的轮廓去掉。
步骤402,计算目标对象的轮廓的面积值。
本实施例中,当两个或两个以上独立目标对象重叠或者缠绕在一起时,分割模型输出的目标对象的轮廓是包含两个或两个以上独立目标对象的轮廓,目标对象的轮廓的面积值可用于确定两个或两个以上细胞重叠或者缠绕的情况,比如,当目标对象的轮廓的面积值大于预设的面积值时可认为不是独立目标对象。
本实施例中,计算目标对象的轮廓的面积值可以采用OpenCV中图像矩算法实现。
步骤403,将目标对象的轮廓的面积值与预设的面积值进行比对。
本实施例中,预设的面积值是通过计算独立目标对象的轮廓的面积得到的,由于不同类型的独立目标对象的轮廓的面积不同,因此预设的面积值可根据独立目标对象类型而设置。
步骤404,响应于确定比对的结果为目标对象的轮廓的面积值与预设的面积值之间的关系符合预设条件,提取由独立目标对象的关键部位的中心坐标标记的独立目标对象的轮廓。
本实施例中,目标对象的轮廓的面积值与预设的面积值之间的关系包括:目标对象的轮廓的面积值与预设的面积值的比值或差值,预设条件为:目标对象的轮廓的面积值与预设的面积值的比值在预设比例范围之内,或者目标对象的轮廓的面积值与预设的面积值的差值在预设差值范围之内。比如,当目标对象的轮廓的面积值与预设的面积值的比值不在预设比例范围内时,目标对象不是独立目标对象;当目标对象的轮廓的面积值与预设的面积值的比值在预设比例范围内时,确定目标对象是独立目标对象。进一步,预设比例范围或者预设差值范围可以根据目标对象的类型而设置。
在确定了待检测图像中所有的独立目标对象之后,在所有的独立目标对象中寻找含有独立目标对象的关键部位的中心坐标的独立目标对象,即为目标对象的轮廓中由独立目标对象的关键部位的中心坐标标记的独立目标对象的轮廓。
本实施例的可选的实现方式中,首先将待检测图像输入分割模型,输出目标对象的轮廓;然后计算目标对象的轮廓的面积值;再后将目标对象的面积值与预设的面积值进行比对;最后基于比对结果提取独立目标对象的关键部位的中心坐标标记的独立目标对象的轮廓。本实现方式,采用分割模型可以将待检测图像中独立目标对象分割出来,通过目标对象的面积值与预设的面积值进行比对,可以排除重叠在一起的多个独立目标对象,并且结合独立目标对象的关键部位的中心坐标,可以得到完全独立的独立目标对象,为独立目标对象的形态检测提供了精确的图像基础,保证了形态检测的可靠性。
为了更好的显示独立目标对象的形态检测结果,继续参考图5,图5示出了根据本申请基于图像技术的目标形态检测方法的第二实施例的示例性流程图500,该基于图像技术的目标形态检测方法包括以下步骤:
步骤501,识别包括目标对象的待检测图像中的独立目标对象。
步骤502,获取独立目标对象的关键部位的轮廓。
步骤503,由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标。
步骤504,基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓。
步骤505,根据独立目标对象的轮廓,对独立目标对象进行形态检测。
步骤506,基于对完整的独立目标对象的图像进行形态检测的结果,输出形态检测提示信息。
本实施例的一些可选实现方式中,针对具有头部、颈部以及尾部等部位的细胞的形态检测,输出的形态检测提示信息可以包括图像和列表,其中,图像可以包含若干个(比如200个)独立且形态清晰的细胞的图像,列表长度为单个视野下独立的细胞个数。列表的每个元素为一个字典,内容包含细胞的轮廓信息、缺陷类别、包含细胞中头部最清晰的输入图片的索引,包含细胞中颈部最清晰的输入图片的索引和包含细胞中尾部最清晰的输入图片的索引。
当然,输出的形态检测提示信息不限于包括图像和列表,还可以包括,语音信息,该语音信息可以针对每个部位缺陷类别进行详细的语音内容,以在输出时播报。
进一步,输出的形态检测提示信息还可以包括:针对每个部位缺陷类别进行统计的统计信息,比如,细胞计数功能:计数准确率>99%;不良形态检测准确率:与权威专家检测的一致性>95%;形态异常分类统计:分类统计率>90%。检测速度:平均30秒出具一份报告,时效性高。
本实施提供的基于图像技术的目标形态检测方法,可以在得到若干张包含独立目标对象的显微图像之后,依次可以采用传统图像处理算法、分割模型、清晰度模型得到完整的独立目标对象的图像,并通过分类模型对完整的独立目标对象的图像进行形态检测,并基于对完整的独立目标对象的图像进行形态检测的结果,输出形态检测提示信息,该形态检测提示信息包括了独立目标对象的缺陷类别,或者独立目标对象不同部位的缺陷类别,为研究独立目标对象提供了可靠的基础,提高了缺陷分类的效率,节省了缺陷分类的成本。
进一步地,本申请提供了一种基于图像技术的精子形态检测方法的一个实施例。
如图6所示,图6示出了根据本申请基于图像技术的精子形态检测方法的一实施例的示例性流程600,本实施例提供的基于图像技术的精子形态检测方法包括以下步骤:
步骤601,识别待测精液图像中的任意一个独立精子。
本实施例中,待测精液图像可以是通过显微镜拍摄男性的精液得到的图像,待测精液图像中的精子可能是多个单独的精子各自独立存在,也可能是多个精子聚集在一起存在,或者既有单独的精子又有多个精子聚集在一起存在。进一步地,待测精液图像可以为一张或多张,同一视野下拍摄的多张待测精液图像的清晰度可能不同。而清晰度不同的待测精液图像上同一精子的不同组成单位的清晰度也可能不同。
具体地,执行主体可以识别待测精液图像中的任意一个独立精子,之后获取该独立精子的关键部位,该独立精子的关键部位可以是突出独立精子的特征的部位或者独立精子对象显著的部位,由于精子形状的特殊性,其头部占整个独立精子的比例较大,因此可以将独立精子的头部作为其关键部位。
可选地,识别待测精液图像中的独立精子可以采用以下方式:1)以预设的独立精子的尺寸作为参照,通过过滤待检测图像,识别出所有与预设的独立精子的尺寸相同或相近的精子;2)采用可区分独立目标的图像分类模型,将待检测图像输入图像分类模型,图像分类模型便可将与独立精子不同的精子全部区分开来。
步骤602,获取独立精子的关键部位的轮廓。
本实施例中,独立精子的关键部位是对独立精子最紧要的部分,对于识别独立精子起决定性作用的部位。例如,独立精子的关键部位是指精子的头部。
实例性地,获取独立精子的关键部位的轮廓的方式的包括但不限于:1)采用计算机视觉库获取待测精液图像中的独立精子的关键部位的轮廓,2)基于深度学习模型提取独立精子的关键部位的轮廓提取。3)将待测精液图像中的独立精子对象依次经过HSV色彩空间的Hue通道、腐蚀和膨胀运算,得到独立精子的头部的轮廓。
步骤603,由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标。
本实施例中,在得到关键部位的轮廓之后,可以首先计算关键部位的图像矩,然后通过计算得到的图像矩,标出独立精子的关键部位的中心坐标,图像矩是对特征进行参数描述的一种算法,该特征可以是颜色特征、纹理特征、形状特征、空间位置特征等。
步骤604,基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓。
本实施例中,每个独立精子的关键部位在整个独立精子的位置是固定的,在确定独立精子的关键部位以及关键部位的中心坐标之后。首先可以按照上述获取独立精子的关键部位的轮廓的方式,获取独立精子的轮廓,然后,再由独立精子的关键部位的中心坐标以及预设的独立精子的关键部位的中心坐标在整个独立精子的位置,通过与预设的独立精子的轮廓进行比对,验证获取的独立精子的轮廓是否正确,验证正确的独立精子的轮廓即为得到的独立精子的轮廓。
本实施例的一个可选实现方式中,上述基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓,包括:将待测精液图像输入分割模型,输出精子的轮廓;计算精子的轮廓的面积值;将精子的轮廓的面积值与预设的面积值进行比对;响应于确定比对的结果为精子的轮廓的面积值与预设的面积值之间的关系符合预设条件,提取由独立精子的关键部位的中心坐标标记的独立精子的轮廓。
本可选实现方式中,待测精液图像中的精子的轮廓的面积值与预设的面积值之间的关系包括:待测精液图像中的精子的轮廓的面积值与预设的面积值的比值或差值,预设条件为:待测精液图像中的精子的轮廓的面积值与预设的面积值的比值在预设比例范围之内,或者精子的轮廓的面积值与预设的面积值的差值在预设差值范围之内。
例如,当待测精液图像中的精子的轮廓的面积值与预设的面积值的比值不在预设比例范围内时,待测精液图像中的精子不是独立精子;当待测精液图像中的精子的轮廓的面积值与预设的面积值的比值在预设比例范围内时,可以确定待测精液图像中的精子是独立精子。进一步,在实践中,预设比例范围或者预设差值范围,可以在实际测量作为标准的独立精子的面积的基础上,根据经验或应用场景进行调整而得到。
本可选实现方式中,采用分割模型可以将待检测图像中的独立精子分割出来,通过对精子的面积值与预设的面积值进行比对,可以排除重叠在一起的多个独立精子,并且结合独立精子的关键部位的中心坐标,可以得到完全独立的独立精子,为独立精子的形态检测提供了精确的图像基础,保证了形态检测的可靠性。
步骤605,根据独立精子的轮廓,对独立精子进行形态检测。
本实施例中,可以首先获取正常形态的独立精子的轮廓,将正常形态的独立精子作为模板轮廓,将独立精子的轮廓和模板轮廓进行比对,若两者的相似度在设定的相似阈范围之内,确定独立精子的形态正常。其中设定的相似阈范围可根据目标形态检测要求设置,比如,设定的相似阈范围为90%~95%之间。
综上,本实施例提供的基于图像技术的精子形态检测方法,对显微镜拍摄的单个视野下的精液图像进行图像处理,识别到其中的单个精子,通过单个精子的关键部位的轮廓,确定单个独立精子的关键部位的中心坐标,由单个独立精子的关键部位的中心坐标,提取单个独立精子的轮廓,根据单个独立精子的轮廓对精液图像中单个独立精子进行形态分析,从而提高了单个独立精子形态检测的可靠性以及准确性。
本实施例的一个可选实现方式中,上述根据独立精子的轮廓,对独立精子进行形态检测,可以包括:基于独立精子的轮廓与独立精子的关键部位的中心坐标,提取独立精子的非关键部位的轮廓;基于独立精子的非关键部位的轮廓和独立精子的关键部位的轮廓,提取独立精子的非关键部位的清晰图像和关键部位的清晰图像;将独立精子的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立精子的图像;对完整的独立精子的图像进行形态检测。
本可选实现方式中,独立精子的非关键部位是独立精子中除关键部位之外的部位,独立精子的非关键部位可以是独立精子的一个部位,也可以是独立精子的多个部位,比如,独立精子的关键部位为头部,独立精子的非关键部位为颈部和尾部。当然,在独立精子的关键部位为头部,独立精子的非关键部位也可以是颈部,或者独立精子的非关键部位为尾部。
由于独立精子为实体,独立精子的关键部位的中心坐标至独立精子的非关键部位各个点之间的距离可以通过测量得到,由此根据测量得到的距离可提取独立精子的非关键部位。
进一步地,通过计算机视觉算法中的清晰图像提取算法,可以提取独立精子的关键部位的清晰图像和非关键部位的清晰图像,通过计算机视觉算法中的图像合成算法将独立精子的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立精子的图像。
之后,上述执行主体可以对完整的独立精子的图像进行形态检测。
本可选实现方式中,鉴于同一视野下拍摄的多张待测精液图像的清晰度可能不同,在得到独立精子的关键部位和非关键部位的轮廓之后,可以分别从多张检测精液图像中提取该独立精子的非关键部位的清晰图像和关键部位的清晰图像,合成清晰的独立精子的图像,进一步为单个独立精子形态检测提供了可靠的图像依据,提高了精子形态分析的可靠性。
本实施例的一个可选实现方式中,在独立精子的关键部位包括精子头部、独立精子的非关键部位包括精子颈部和精子尾部时,上述对完整的独立精子的图像进行形态检测,可以包括:将完整的独立精子的图像输入已训练的卷积神经网络模型,得到由已训练的卷积神经网络模型输出的精子头部对应的精子头部缺陷类型、精子颈部对应的精子颈部缺陷类型以及精子尾部对应的精子尾部缺陷类型。
本可选实现方式中,将完整的独立精子的图像输入一个已训练的卷积神经网络模型,可以得到精子头部对应的精子头部缺陷类型、精子颈部对应的精子颈部缺陷类型以及精子尾部对应的精子尾部缺陷类型,相对于采用多个卷积神经网络模型分别对精子进行缺陷检测减少了计算量,缩短了计算耗时,并且以完整的独立精子的图像作为,提高了检测结果的可靠性。
本实施的一个可选实现方式中,上述精子头部缺陷类型包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;上述精子颈部缺陷类型包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,第一设定半径值大于第二设定半径值;上述精子尾部缺陷类型包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
本可选实现方式中,第一设定半径值、第二设定半径值、第一设定量、第二设定量,可以根据大数据统计的作为正常男子的标准的精子样本规格而设置。
本可选实现方式中,由于上述精子头部、精子颈部以及精子尾部各自对应的缺陷类型,为独立精子的形态检测提供了多种缺陷类型划分,从而为全面检测精子缺陷提供了依据。
进一步参考图7,作为对上述各图所示基于图像技术的目标形态检测方法的实现,本申请提供了基于图像技术的目标形态检测装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可应用于各种电子设备中。
如图7所示,本实施例提供的基于图像技术的目标形态检测装置700包括:对象识别模块701,部位获取模块702,坐标确定模块703,轮廓提取模块704,形态检测模块705。上述对象识别模块701,可以被配置成识别包括目标对象的待检测图像中的独立目标对象。上述部位获取模块702,可以被配置成获取独立目标对象的关键部位的轮廓。上述坐标确定模块703,可以被配置成由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标。上述轮廓提取模块704,可以被配置成基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓。上述形态检测模块705,被配置成根据独立目标对象的轮廓,对独立目标对象进行形态检测。
在本实施例中,基于图像技术的目标形态检测装置700中:对象识别模块701,部位获取模块702,坐标确定模块703,轮廓提取模块704,形态检测模块705的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104和步骤105的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述形态检测模块705包括:部位提取单元(图中未示出),图像提取单元(图中未示出),图像合成单元(图中未示出),形态检测单元(图中未示出)。其中,上述部位提取单元,可以被配置成基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的非关键部位的轮廓。上述图像提取单元,可以被配置成基于独立目标对象的非关键部位的轮廓以及独立目标对象的关键部位的轮廓,提取独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。上述图像合成单元,可以被配置成将独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像。上述形态检测单元,可以被配置成对完整的独立目标对象的图像进行形态检测。
在本实施例的一些可选的实现方式中,上述形态检测模块705还包括:提示输出单元(图中未示出)。提示输出单元,可以被配置成基于对完整的独立目标对象的图像进行形态检测的结果,输出形态检测提示信息。
在本实施例的一些可选的实现方式中,上述部位提取单元包括:轮廓分离子单元(图中未示出),轮廓提取子单元(图中未示出)。其中,上述轮廓分离子单元,可以被配置成基于独立目标对象的轮廓与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓中的关键部位的轮廓。上述轮廓提取子单元,可以被配置成基于独立目标对象的轮廓中的关键部位的轮廓以及预设的非关键部位与关键部位之间的位置关系,提取独立目标对象的非关键部位的轮廓。
在本实施例的一些可选的实现方式中,上述图像提取单元包括:图像得到子单元(图中未示出),可以被配置成将清晰度不同的多个待检测图像、独立目标对象的非关键部位的轮廓和关键部位的轮廓输入清晰度模型,得到独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
在本实施例的一些可选的实现方式中,上述形态检测单元包括:模型输入子单元(图中未示出),被配置成将完整的独立目标对象的图像输入分类模型,得到独立目标对象的非关键部位和关键部位两者的形态缺陷分类;分类模型由完整的独立目标对象的图像训练得到,用于对完整的独立目标对象的非关键部位和关键部位进行形态缺陷分类。
在本实施例的一些可选的实现方式中,上述轮廓提取模块704包括:
图像分割单元(图中未示出),面积计算单元(图中未示出),面积比对单元(图中未示出),轮廓得到单元(图中未示出)。其中,上述图像分割单元,可以被配置成将待检测图像输入分割模型,输出目标对象的轮廓。上述面积计算单元,可以被配置成计算目标对象的轮廓的面积值。上述面积比对单元,可以被配置成将目标对象的轮廓的面积值与预设的面积值进行比对。上述轮廓得到单元,可以被配置成响应于确定比对的结果为目标对象的轮廓的面积值与预设的面积值之间的关系符合预设条件,提取由独立目标对象的关键部位的中心坐标标记的独立目标对象的轮廓。
在本实施例的一些可选的实现方式中,关键部位包括:头部,上述部位获取模块702包括:轮廓运算单元(图中未示出)。上述轮廓运算单元可以被配置成将待检测图像中的独立目标对象依次经过HSV色彩空间的Hue通道、腐蚀和膨胀运算,得到独立目标对象的头部的轮廓。
本申请实施例提供的基于图像技术的目标形态检测装置,首先对象识别模块识别待检测图像中独立目标对象,然后部位获取模块获取独立目标对象的关键部位的轮廓;再后坐标确定模块由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;再后轮廓提取模块基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;最后形态检测模块根据独立目标对象的轮廓,对独立目标对象进行形态检测。由此,基于目标对象的关键部位的显著性,确定关键部位的轮廓,由关键部位的轮廓得到独立目标对象的关键部位的中心坐标,进一步由关键部位的中心坐标辅助在待检测图像中提取独立目标对象的轮廓,根据本申请的技术提高了独立目标对象轮廓显示的可靠性,更易于对独立目标对象的形态进行检测,并且提高了形态检测的效率。
进一步地参考图8,作为对上述基于图像技术的精子形态检测方法的实现,本申请提供了基于图像技术的精子形态检测装置的一个实施例,该装置实施例具体可应用于各种电子设备中。
如图8所示,本实施例提供的基于图像技术的精子形态检测装置800包括:独立精子识别模块801、精子部位获取模块802、精子坐标确定模块803、精子轮廓提取模块804、精子形态检测模块805。上述独立精子识别模块801,可以被配置成识别待测精液图像中的任意一个独立精子。上述精子部位获取模块802,可以被配置成获取独立精子的关键部位的轮廓。上述精子坐标确定模块803,可以被配置成由独立精子的关键部位的轮廓确定独立精子的关键部位的中心坐标。上述精子轮廓提取模块804,可以被配置成基于待测精液图像与独立精子的关键部位的中心坐标,提取独立精子的轮廓。上述精子形态检测模块805,可以被配置成根据独立精子的轮廓,对独立精子进行形态检测。
在本实施例的一些可选的实现方式中,上述精子形态检测模块805包括:精子部位提取单元(图中未示)、精子图像提取单元(图中未示)、精子图像合成单元(图中未示)、精子形态检测单元(图中未示)。上述精子部位提取单元,可以被配置成基于独立精子的轮廓与独立精子的关键部位的中心坐标,提取独立精子的非关键部位的轮廓。上述精子图像提取单元,可以被配置成基于独立精子的非关键部位的轮廓和独立精子的关键部位的轮廓,提取独立精子的非关键部位的清晰图像和关键部位的清晰图像。上述精子图像合成单元,可以被配置成将独立精子的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立精子的图像。上述精子形态检测单元,可以被配置成对完整的独立精子的图像进行形态检测。
在本实施例的一些可选的实现方式中,关键部位包括:精子头部,非关键部位包括:精子颈部和精子尾部;上述精子形态检测单元,可以被配置成将完整的独立精子的图像输入已训练的卷积神经网络模型,得到由已训练的卷积神经网络模型输出的精子头部对应的精子头部缺陷类型、精子颈部对应的精子颈部缺陷类型以及精子尾部对应的精子尾部缺陷类型。
在本实施例的一些可选的实现方式中,上述精子头部缺陷类型可以包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;上述精子颈部缺陷类型包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,第一设定半径值大于第二设定半径值。上述精子尾部缺陷类型包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
在本实施例的一些可选的实现方式中,上述精子轮廓提取模块804包括:精子图像分割单元(图中未示)、精子面积计算单元(图中未示)、精子面积比对单元(图中未示)、精子轮廓得到单元(图中未示)。上述精子图像分割单元,可以被配置成将待测精液图像输入分割模型,输出精子的轮廓。上述精子面积计算单元,可以被配置成计算精子的轮廓的面积值。上述精子面积比对单元,可以被配置成将精子的轮廓的面积值与预设的面积值进行比对。上述精子轮廓得到单元,可以被配置成响应于确定比对的结果为精子的轮廓的面积值与预设的面积值之间的关系符合预设条件,提取由独立精子的关键部位的中心坐标标记的独立精子的轮廓。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例的基于图像技术的目标形态检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线905互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的基于图像技术的目标形态检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的基于图像技术的目标形态检测方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于图像技术的目标形态检测方法对应的程序指令/模块(例如,附图7所示的对象识别模块701、部位获取模块702、坐标确定模块703、轮廓提取模块704和形态检测模块705)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于图像技术的目标形态检测方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于图像技术的目标形态检测电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至基于图像技术的目标形态检测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于图像技术的目标形态检测方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线905或者其他方式连接,图9中以通过总线905连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与基于图像技术的目标形态检测电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,首先识别待检测图像中独立目标对象,然后获取独立目标对象的关键部位的轮廓;再后由独立目标对象的关键部位的轮廓确定独立目标对象的关键部位的中心坐标;再后基于待检测图像与独立目标对象的关键部位的中心坐标,提取独立目标对象的轮廓;最后根据独立目标对象的轮廓,对独立目标对象进行形态检测。由此,本申请中,基于目标对象的关键部位的显著性,确定关键部位的轮廓,由关键部位的轮廓得到独立目标对象的关键部位的中心坐标,进一步由关键部位的中心坐标辅助在待检测图像中提取独立目标对象的轮廓,根据本申请的技术提高了独立目标对象轮廓显示的可靠性,更易于对独立目标对象的形态进行检测,并且提高了形态检测的效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (30)
1.一种基于图像技术的目标形态检测方法,包括:
识别包括目标对象的待检测图像中的独立目标对象;
获取所述独立目标对象的关键部位的轮廓;
由所述独立目标对象的关键部位的轮廓确定所述独立目标对象的关键部位的中心坐标;
基于所述待检测图像与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的轮廓;
根据所述独立目标对象的轮廓,对所述独立目标对象进行形态检测包括:基于所述独立目标对象的轮廓与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的非关键部位的轮廓;基于所述非关键部位的轮廓和所述独立目标对象的关键部位的轮廓,对所述独立目标对象进行形态检测。
2.根据权利要求1所述的方法,其中,所述基于所述非关键部位的轮廓和所述独立目标对象的关键部位的轮廓,对所述独立目标对象进行形态检测,包括:
基于所述非关键部位的轮廓和所述独立目标对象的关键部位的轮廓,提取所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像;
将所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像;
对所述完整的独立目标对象的图像进行形态检测。
3.根据权利要求1所述的方法,其中,所述基于所述独立目标对象的轮廓与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的非关键部位的轮廓,包括:
基于所述独立目标对象的轮廓与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的轮廓中的关键部位的轮廓;
基于所述独立目标对象的轮廓中的关键部位的轮廓以及预设的非关键部位与关键部位之间的位置关系,提取所述独立目标对象的非关键部位的轮廓。
4.根据权利要求2所述的方法,其中,所述基于所述非关键部位的轮廓和所述独立目标对象的关键部位的轮廓,提取所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像,包括:
将清晰度不同的多个待检测图像、所述独立目标对象的非关键部位的轮廓和所述独立目标对象的关键部位的轮廓输入清晰度模型,得到所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
5.根据权利要求2所述的方法,其中,所述对所述完整的独立目标对象的图像进行形态检测,包括:
将所述完整的独立目标对象的图像输入分类模型,得到所述独立目标对象的非关键部位和关键部位两者的形态缺陷分类;
所述分类模型由所述完整的独立目标对象的图像训练得到,用于对所述完整的独立目标对象的非关键部位和关键部位进行形态缺陷分类。
6.根据权利要求1-5之一所述的方法,其中,所述基于所述待检测图像与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的轮廓,包括:
将所述待检测图像输入分割模型,输出所述目标对象的轮廓;
计算所述目标对象的轮廓的面积值;
将所述目标对象的轮廓的面积值与预设的面积值进行比对;
响应于确定所述比对的结果为所述目标对象的轮廓的面积值与所述预设的面积值之间的关系符合预设条件,提取由所述独立目标对象的关键部位的中心坐标标记的所述独立目标对象的轮廓。
7.根据权利要求1-5之一所述的方法,其中,所述关键部位包括:头部,所述获取所述独立目标对象的关键部位的轮廓,包括:
将所述待检测图像中的独立目标对象依次经过HSV色彩空间的Hue通道、腐蚀和膨胀运算,得到所述独立目标对象的头部的轮廓。
8.根据权利要求2所述的方法,其中,所述关键部位包括:头部,所述非关键部位包括:颈部和尾部;
所述对所述完整的独立目标对象的图像进行形态检测,包括:
将所述完整的独立目标对象的图像输入已训练的卷积神经网络模型,得到由所述已训练的卷积神经网络模型输出的所述头部对应的头部缺陷类型、所述颈部对应的颈部缺陷类型以及所述尾部对应的尾部缺陷类型。
9.根据权利要求8所述的方法,其中,
所述头部缺陷类型包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;
所述颈部缺陷类型包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,所述第一设定半径值大于所述第二设定半径值;
所述尾部缺陷类型包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
10.根据权利要求2-5之一所述的方法,所述方法还包括:
基于所述对所述完整的独立目标对象的图像进行形态检测的结果,输出形态检测提示信息。
11.一种基于图像技术的精子形态检测方法,所述方法包括:
识别待测精液图像中的任意一个独立精子;
获取所述独立精子的关键部位的轮廓;
由所述独立精子的关键部位的轮廓确定所述独立精子的关键部位的中心坐标;
基于所述待测精液图像与所述独立精子的关键部位的中心坐标,提取所述独立精子的轮廓;
根据所述独立精子的轮廓,对所述独立精子进行形态检测包括:基于所述独立精子的轮廓与所述独立精子的关键部位的中心坐标,提取所述独立精子的非关键部位的轮廓;基于所述非关键部位的轮廓和所述独立精子的关键部位的轮廓,对所述独立精子进行形态检测。
12.根据权利要求11所述的方法,其中,所述基于所述非关键部位的轮廓和所述独立精子的关键部位的轮廓,对所述独立精子进行形态检测,包括:
基于所述非关键部位的轮廓和所述独立精子的关键部位的轮廓,提取所述独立精子的非关键部位的清晰图像和关键部位的清晰图像;
将所述独立精子的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立精子的图像;
对所述完整的独立精子的图像进行形态检测。
13.根据权利要求12所述的方法,其中,所述关键部位包括:精子头部,所述非关键部位包括:精子颈部和精子尾部;
所述对所述完整的独立精子的图像进行形态检测,包括:
将所述完整的独立精子的图像输入已训练的卷积神经网络模型,得到由所述已训练的卷积神经网络模型输出的所述精子头部对应的精子头部缺陷类型、所述精子颈部对应的精子颈部缺陷类型以及所述精子尾部对应的精子尾部缺陷类型。
14.根据权利要求13所述的方法,其中,
所述精子头部缺陷类型包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;
所述精子颈部缺陷类型包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,所述第一设定半径值大于所述第二设定半径值;
所述精子尾部缺陷类型包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
15.根据权利要求11-14之一所述的方法,其中,所述基于所述待测精液图像与所述独立精子的关键部位的中心坐标,提取所述独立精子的轮廓,包括:
将所述待测精液图像输入分割模型,输出精子的轮廓;
计算所述精子的轮廓的面积值;
将所述精子的轮廓的面积值与预设的面积值进行比对;
响应于确定所述比对的结果为所述精子的轮廓的面积值与所述预设的面积值之间的关系符合预设条件,提取由所述独立精子的关键部位的中心坐标标记的所述独立精子的轮廓。
16.一种基于图像技术的目标形态检测装置,包括:
对象识别模块,被配置成识别包括目标对象的待检测图像中的独立目标对象;
部位获取模块,被配置成获取所述独立目标对象的关键部位的轮廓;
坐标确定模块,被配置成由所述独立目标对象的关键部位的轮廓确定所述独立目标对象的关键部位的中心坐标;
轮廓提取模块,被配置成基于所述待检测图像与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的轮廓;
形态检测模块,被配置成根据所述独立目标对象的轮廓,对所述独立目标对象进行形态检测;所述形态检测模块进一步被配置成:基于所述独立目标对象的轮廓与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的非关键部位的轮廓;基于所述非关键部位的轮廓和所述独立目标对象的关键部位的轮廓,对所述独立目标对象进行形态检测。
17.根据权利要求16所述的装置,其中,所述形态检测模块包括:
图像提取单元,被配置成基于所述非关键部位的轮廓以及所述独立目标对象的关键部位的轮廓,提取所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像;
图像合成单元,被配置成将所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立目标对象的图像;
形态检测单元,被配置成对所述完整的独立目标对象的图像进行形态检测。
18.根据权利要求16所述的装置,其中,所述形态检测模块包括部位提取单元,所述部位提取单元包括:
轮廓分离子单元,被配置成基于所述独立目标对象的轮廓与所述独立目标对象的关键部位的中心坐标,提取所述独立目标对象的轮廓中的关键部位的轮廓;
轮廓提取子单元,被配置成基于所述独立目标对象的轮廓中的关键部位的轮廓以及预设的非关键部位与关键部位之间的位置关系,提取所述独立目标对象的非关键部位的轮廓。
19.根据权利要求17所述的装置,其中,所述图像提取单元包括:
图像得到子单元,被配置成将清晰度不同的多个待检测图像、所述独立目标对象的非关键部位的轮廓和关键部位的轮廓输入清晰度模型,得到所述独立目标对象的非关键部位的清晰图像和关键部位的清晰图像。
20.根据权利要求17所述的装置,其中,所述形态检测单元包括:
模型输入子单元,被配置成将所述完整的独立目标对象的图像输入分类模型,得到所述独立目标对象的非关键部位和关键部位两者的形态缺陷分类;
所述分类模型由所述完整的独立目标对象的图像训练得到,用于对所述完整的独立目标对象的非关键部位和关键部位进行形态缺陷分类。
21.根据权利要求16-20之一所述的装置,其中,所述轮廓提取模块包括:
图像分割单元,被配置成将所述待检测图像输入分割模型,输出所述目标对象的轮廓;
面积计算单元,被配置成计算所述目标对象的轮廓的面积值;
面积比对单元,被配置成将所述目标对象的轮廓的面积值与预设的面积值进行比对;
轮廓得到单元,被配置成响应于确定所述比对的结果为所述目标对象的轮廓的面积值与所述预设的面积值之间的关系符合预设条件,提取由所述独立目标对象的关键部位的中心坐标标记的所述独立目标对象的轮廓。
22.根据权利要求16-20之一所述的装置,其中,所述关键部位包括:头部,所述部位获取模块包括:
轮廓运算单元,被配置成将所述待检测图像中的独立目标对象依次经过HSV色彩空间的Hue通道、腐蚀和膨胀运算,得到所述独立目标对象的头部的轮廓。
23.根据权利要求17-20之一所述的装置,其中,所述形态检测模块还包括:
提示输出单元,被配置成基于所述对所述完整的独立目标对象的图像进行形态检测的结果,输出形态检测提示信息。
24.一种基于图像技术的精子形态检测装置,包括:
独立精子识别模块,被配置成识别待测精液图像中的任意一个独立精子;
精子部位获取模块,被配置成获取所述独立精子的关键部位的轮廓;
精子坐标确定模块,被配置成由所述独立精子的关键部位的轮廓确定所述独立精子的关键部位的中心坐标;
精子轮廓提取模块,被配置成基于所述待测精液图像与所述独立精子的关键部位的中心坐标,提取所述独立精子的轮廓;
精子形态检测模块,被配置成根据所述独立精子的轮廓,对所述独立精子进行形态检测;所述精子形态检测模块进一步被配置成:基于所述独立精子的轮廓与所述独立精子的关键部位的中心坐标,提取所述独立精子的非关键部位的轮廓;基于所述非关键部位的轮廓和所述独立精子的关键部位的轮廓,对所述独立精子进行形态检测。
25.根据权利要求24所述的装置,其中,所述精子形态检测模块包括:
精子图像提取单元,被配置成基于所述非关键部位的轮廓和所述独立精子的关键部位的轮廓,提取所述独立精子的非关键部位的清晰图像和关键部位的清晰图像;
精子图像合成单元,被配置成将所述独立精子的非关键部位的清晰图像和关键部位的清晰图像合成为完整的独立精子的图像;
精子形态检测单元,被配置成对所述完整的独立精子的图像进行形态检测。
26.根据权利要求25所述的装置,其中,所述关键部位包括:精子头部,所述非关键部位包括:精子颈部和精子尾部;
所述精子形态检测单元,被配置成将所述完整的独立精子的图像输入已训练的卷积神经网络模型,得到由所述已训练的卷积神经网络模型输出的所述精子头部对应的精子头部缺陷类型、所述精子颈部对应的精子颈部缺陷类型以及所述精子尾部对应的精子尾部缺陷类型。
27.根据权利要求26所述的装置,其中,
所述精子头部缺陷类型包括:锥形、梨形、无顶体圆形、小圆形、不定形、顶部有气泡;
所述精子颈部缺陷类型包括:颈部弯曲、非对称性、颈部半径大于第一设定半径值、颈部半径小于第二设定半径值、颈部存在胞浆大于第一设定量,所述第一设定半径值大于所述第二设定半径值;
所述精子尾部缺陷类型包括:尾部过短、尾部弯曲、尾部卷曲、尾部存在胞浆大于第二设定量。
28.根据权利要求24-27之一所述的装置,其中,所述精子轮廓提取模块,包括:
精子图像分割单元,被配置成将所述待测精液图像输入分割模型,输出精子的轮廓;
精子面积计算单元,被配置成计算所述精子的轮廓的面积值;
精子面积比对单元,被配置成将所述精子的轮廓的面积值与预设的面积值进行比对;
精子轮廓得到单元,被配置成响应于确定所述比对的结果为所述精子的轮廓的面积值与所述预设的面积值之间的关系符合预设条件,提取由所述独立精子的关键部位的中心坐标标记的所述独立精子的轮廓。
29.一种电子设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-15中任一项所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368329.9A CN111563550B (zh) | 2020-04-30 | 2020-04-30 | 基于图像技术的精子形态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368329.9A CN111563550B (zh) | 2020-04-30 | 2020-04-30 | 基于图像技术的精子形态检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563550A CN111563550A (zh) | 2020-08-21 |
CN111563550B true CN111563550B (zh) | 2023-08-25 |
Family
ID=72074571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010368329.9A Active CN111563550B (zh) | 2020-04-30 | 2020-04-30 | 基于图像技术的精子形态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563550B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036384B (zh) * | 2020-11-04 | 2021-02-05 | 成都朴华科技有限公司 | 精子头部形态识别方法、装置及设备 |
CN112508955B (zh) * | 2021-02-08 | 2022-05-10 | 中国科学院自动化研究所 | 基于深度神经网络对活体细胞形态检测的方法及相关产品 |
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 |
CN113780145A (zh) * | 2021-09-06 | 2021-12-10 | 苏州贝康智能制造有限公司 | 精子形态检测方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003035824A1 (en) * | 2001-10-25 | 2003-05-01 | Bar-Ilan University | Interactive transparent individual cells biochip processor |
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN104268515A (zh) * | 2014-09-18 | 2015-01-07 | 山东大学 | 一种精子形态异常检测方法 |
CN104296691A (zh) * | 2014-10-28 | 2015-01-21 | 电子科技大学 | 基于机器视觉的飞机发动机尾部轮廓测量装置及方法 |
CN107677235A (zh) * | 2017-09-22 | 2018-02-09 | 安徽江淮汽车集团股份有限公司 | 一种车身类型识别系统及方法 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN110245555A (zh) * | 2019-04-30 | 2019-09-17 | 国网江苏省电力有限公司电力科学研究院 | 一种基于图像识别的电力系统端子箱凝露判定方法和系统 |
CN209640927U (zh) * | 2018-10-31 | 2019-11-15 | 北京新网视信传媒科技有限公司 | 精子质量检测仪及精子质量检测系统 |
CN110930345A (zh) * | 2018-08-31 | 2020-03-27 | 赛司医疗科技(北京)有限公司 | 一种精子的尾部识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI577796B (zh) * | 2013-01-28 | 2017-04-11 | 國立清華大學 | 精子品質檢測裝置 |
CN107563384B (zh) * | 2017-08-31 | 2020-02-21 | 江苏大学 | 基于广义Hough聚类的粘连猪的头尾识别方法 |
-
2020
- 2020-04-30 CN CN202010368329.9A patent/CN111563550B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003035824A1 (en) * | 2001-10-25 | 2003-05-01 | Bar-Ilan University | Interactive transparent individual cells biochip processor |
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN104268515A (zh) * | 2014-09-18 | 2015-01-07 | 山东大学 | 一种精子形态异常检测方法 |
CN104296691A (zh) * | 2014-10-28 | 2015-01-21 | 电子科技大学 | 基于机器视觉的飞机发动机尾部轮廓测量装置及方法 |
CN107677235A (zh) * | 2017-09-22 | 2018-02-09 | 安徽江淮汽车集团股份有限公司 | 一种车身类型识别系统及方法 |
CN110930345A (zh) * | 2018-08-31 | 2020-03-27 | 赛司医疗科技(北京)有限公司 | 一种精子的尾部识别方法 |
CN209640927U (zh) * | 2018-10-31 | 2019-11-15 | 北京新网视信传媒科技有限公司 | 精子质量检测仪及精子质量检测系统 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN110245555A (zh) * | 2019-04-30 | 2019-09-17 | 国网江苏省电力有限公司电力科学研究院 | 一种基于图像识别的电力系统端子箱凝露判定方法和系统 |
Non-Patent Citations (1)
Title |
---|
汪创.基于计算机视觉的动物精子形态分析系统.《电子世界》.2018,28-30. * |
Also Published As
Publication number | Publication date |
---|---|
CN111563550A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563550B (zh) | 基于图像技术的精子形态检测方法和装置 | |
CN109344701B (zh) | 一种基于Kinect的动态手势识别方法 | |
CN108510482B (zh) | 一种基于阴道镜图像的宫颈癌检测装置 | |
CN110288597B (zh) | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
Kirac et al. | Hierarchically constrained 3D hand pose estimation using regression forests from single frame depth data | |
WO2020133636A1 (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN108090906B (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
CN112132813B (zh) | 基于改进的UNet网络模型的皮肤超声影像分割方法 | |
CN114821014A (zh) | 基于多模态与对抗学习的多任务目标检测识别方法及装置 | |
WO2024016812A1 (zh) | 显微图像的处理方法、装置、计算机设备及存储介质 | |
WO2023246921A1 (zh) | 目标属性识别方法、模型训练方法和装置 | |
Marais et al. | An evaluation of hand-based algorithms for sign language recognition | |
Gnanapriya et al. | A Hybrid Deep Learning Model for Real Time Hand Gestures Recognition. | |
Balmik et al. | A robust object recognition using modified YOLOv5 neural network | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
CN111599444A (zh) | 智能舌诊检测方法、装置、智能终端和存储介质 | |
CN115274099B (zh) | 一种人与智能交互的计算机辅助诊断系统与方法 | |
CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 |
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 |