CN111582276B - 一种基于多特征融合的寄生虫虫卵的识别方法及系统 - Google Patents
一种基于多特征融合的寄生虫虫卵的识别方法及系统 Download PDFInfo
- Publication number
- CN111582276B CN111582276B CN202010477442.0A CN202010477442A CN111582276B CN 111582276 B CN111582276 B CN 111582276B CN 202010477442 A CN202010477442 A CN 202010477442A CN 111582276 B CN111582276 B CN 111582276B
- Authority
- CN
- China
- Prior art keywords
- image
- egg
- module
- insect
- cloud server
- 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
- 235000013601 eggs Nutrition 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 64
- 244000045947 parasite Species 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 241000238631 Hexapoda Species 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000003709 image segmentation Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000002360 preparation method Methods 0.000 claims abstract description 9
- 239000011521 glass Substances 0.000 claims description 25
- 239000007788 liquid Substances 0.000 claims description 22
- 230000000007 visual effect Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 210000004681 ovum Anatomy 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 102000002322 Egg Proteins Human genes 0.000 claims description 7
- 108010000912 Egg Proteins Proteins 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000006059 cover glass Substances 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 241000223996 Toxoplasma Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000206602 Eukaryota Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000007918 pathogenicity Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000033458 reproduction Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于寄生虫虫卵识别技术领域，公开了一种基于多特征融合的寄生虫虫卵的识别方法及系统，所述基于多特征融合的寄生虫虫卵的识别系统包括：虫卵标本制作模块、虫卵图像采集模块、显示模块、中央处理模块、无线传输模块、云服务器、图像分割模块、虫卵图像处理模块、虫卵图像特征提取模块、虫卵特征对比模块和特征分类模块。本发明虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析。本发明能够提高识别系统对虫卵的识别度，并且提高了虫卵识别的效率；同时本发明中云服务器与无线传输模块连接，云服务器对检测的数据进行处理，提高了虫卵识别准确度。
Description
技术领域
本发明属于寄生虫虫卵识别技术领域，尤其涉及一种基于多特征融合的寄生虫虫卵的识别方法及系统。
背景技术
目前，寄生虫(parasite)指具有致病性的低等真核生物，可作为病原体，也可作为媒介传播疾病。寄生虫特征为在宿主或寄主(host)体内或附着于体外以获取维持其生存、发育或者繁殖所需的营养或者庇护的一切生物。许多小动物以寄生的方式生存，依附在比它们更大的动物身上。寄生虫可以改变寄主的行为，以达到自身更好地繁殖生存的目的。人类若受到一些寄生在脑部的寄生虫，如终生寄生在脑部的弓形虫(Toxoplasmosis)，反应能力会降低。虫卵镜检是关键的防治技术，在临床应用广泛。但是现有的寄生虫虫卵的识别过程中，不易对寄生虫虫卵的进行识别，降低了寄生虫虫卵的准确度。同时现有的寄生虫虫卵的识别过程中，不能对寄生虫虫卵图像进行大数据处理，易产生识别的错误。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的寄生虫虫卵的识别过程中，不易对寄生虫虫卵的进行识别，降低了寄生虫虫卵的准确度。
(2)现有的寄生虫虫卵的识别过程中，不能对寄生虫虫卵图像进行大数据处理，易产生识别的错误。
发明内容
针对现有技术存在的问题，本发明提供了一种基于多特征融合的寄生虫虫卵的识别方法及系统。
本发明是这样实现的，一种基于多特征融合的寄生虫虫卵的识别方法，所述基于多特征融合的寄生虫虫卵的识别方法，包括：
步骤一，虫卵标本制作模块提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体；
步骤二，虫卵图像采集模块将制作完成的虫卵标本放置在显微镜数字摄像头下，获取虫卵图像；
步骤三，虫卵图像处理模块利用图像处理程序将采集的虫卵图像在空域上通过傅立叶变换，对虫卵图像进行描述；并利用图像处理程序进行增强、复原；
所述图像增强方法包括：
根据采集的虫卵图像，在虫卵图像中RGB颜色通道的直方图的数据进行均衡化运算，并且利用映射表替代RGB颜色通道中的颜色值；
根据映射表替代RGB颜色通道中的颜色值，利用亮度调节公式，对通道中的数据做均衡化运算；
均衡化运算完成后，根据映射表分别替换R、G、B通道颜色值；
步骤四，虫卵图像处理模块利用图像处理程序对增强复原后的图像进行匹配和描述；
所述图像描述方法包括：
1)利用图像特征提取训练模型，提取虫卵图像中的特征信息；根据提取的图像特征信息，建立相应的局部视觉向量集合；
2)根据建立的局部视觉向量集合，利用图像特征提取训练模型，提取包含突出的视觉特征；同时根据提取的突出的视觉特征，与单个局部视觉向量结合融合；
3)根据单个局部视觉向量的隐含层状态，动态决定从全局显著性视觉向量中获取哪些视觉特征，确定突出的视觉特征参与比例，对整体虫卵图像进行描述；
步骤五，图像分割模块把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记；
所述图像分割标记方法包括：利用小波变换将虫卵图像直方图分解为不同层次的小波系数；根据虫卵图像分割准则和小波系数选择阈值门限，计算对应的阈值；根据计算出的阈值，对图像分割的区域进行标记；
步骤六，虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据；虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；对比分析完成后，特征分类模块根据提取的虫卵特征，对分割完成的图像进行分类；
步骤七，根据采集和判断的结果数据，中央处理模块控制显示模块利用显示屏显示虫卵识别系统检测或者采集的图像信息；中央处理模块控制无线传输模块通过中央处理模块连接，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理；云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
进一步，所述利用显微镜数字摄像头获取虫卵图像包括：
利用显微镜数字图像摄像头下对虫卵标本进行多次采样，并依据采集图像的清晰度、噪点数量参数选择1-3张最优图像作为采集的虫卵图像。
进一步，步骤三中，所述虫卵图像傅立叶变换还包括：
在虫卵图像傅立叶变换过程中，降低图像的相关性，利用二维滤波，调整压缩图像的变换比率。
进一步，步骤六中，所述虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据过程为：
将有关虫卵图像进行灰度化处理，采用Gamma校正法对输入图像进行颜色空间的标准化；
输入图像颜色空间的标准化完成后，对图像中每个像素的梯度进行确定；
将相应的图像划分成若干小区域，对每个小区域中的梯度直方图进行描述；
根据描述完成的梯度直方图，对划分的若干个小区域进行重组，重组完成的虫卵图像中的每个小区域中的特征为虫卵图像中的图像特征。
进一步，步骤七中，所述虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析包括：
(1)获取提取的图像特征点；
(2)将获取的图像特征点与云服务器中下载的虫卵特征之间的一一匹配的特征点对；
(3)基于云服务器中下载的虫卵特征图像及获取的图像的各个特征点的分布情况，确定获取的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度；
(4)基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度；得到对比分析结果。
进一步，步骤(4)中，所述基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度包括：
基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度以及虫卵图像与云服务器中下载的虫卵特征图像的特征相似度进行虫卵图像与云服务器中下载的虫卵特征图像之间的相似度的确定。
本发明的另一目的在于提供一种实施所述的基于多特征融合的寄生虫虫卵的识别方法的基于多特征融合的寄生虫虫卵的识别系统，所述基于多特征融合的寄生虫虫卵的识别系统，包括：
虫卵标本制作模块，与中央处理模块连接，提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体；
虫卵图像采集模块，与中央处理模块连接，将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像；
显示模块，与中央处理模块连接，通过利用显示屏显示虫卵识别系统检测或者采集的图像信息；
中央处理模块，分别与虫卵标本制作模块、虫卵图像采集模块、显示模块、无线传输模块、图像分割模块、虫卵图像处理模块、虫卵图像特征提取模块和特征分类模块连接，协调各个模块的正常运行；
图像分割模块，与中央处理模块连接，把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记；
虫卵图像处理模块，与中央处理模块连接，通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述；
虫卵图像特征提取模块，与中央处理模块连接，根据检测的图像，利用特征提取程序提取虫卵图像特征数据；
虫卵特征对比模块，与中央处理模块连接，根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；
特征分类模块，与中央处理模块连接，根据提取的虫卵特征，对分割完成的图像进行分类。
进一步，所述中央处理模块与无线传输模块连接，无线传输模块与云服务器连接；
无线传输模块，通过中央处理模块与无线传输模块，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理；
云服务器，云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述基于多特征融合的寄生虫虫卵的识别方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述基于多特征融合的寄生虫虫卵的识别方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)本发明通过设置有虫卵标本制作模块，提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体。虫卵图像采集模块将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像。无线传输模块，通过中央处理模块与无线传输模块，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理。云服务器与无线传输模块连接，云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。图像分割模块把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记。虫卵图像处理模块通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述。虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据。虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析。特征分类模块根据提取的虫卵特征，对分割完成的图像进行分类。本发明能够提高识别系统对虫卵的识别度，并且提高了虫卵识别的效率；同时本发明中云服务器与无线传输模块连接，云服务器对检测的数据进行处理，提高了虫卵识别准确度。
(2)本发明对虫卵图像进行压缩，能够提高识别系统的储存量。
(3)本发明中虫卵图像处理模块通过利用图像处理程序对图像进行增强，便于整体识别系统对虫卵的识别。
(4)本发明中对虫卵图像进行描述，有利于识别系统对虫卵的识别。
(5)本发明中图像分割模块对图像进行分割，有利对图像中的特征进行提取识别。
(6)本发明中虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据，实现对虫卵的精确识别。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法流程图。
图2是本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法及系统结构示意图。
图中：1、虫卵标本制作模块；2、虫卵图像采集模块；3、显示模块；4、中央处理模块；5、无线传输模块；6、云服务器；7、图像分割模块；8、虫卵图像处理模块；9、虫卵图像特征提取模块；10、虫卵特征对比模块；11、特征分类模块。
图3是本发明实施例提供的虫卵图像进行描述方法流程图。
图4是本发明实施例提供的图像分割模块采用的图像分割方法流程图。
图5是本发明实施例提供的虫卵图像特征数据提取方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于多特征融合的寄生虫虫卵的识别方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法，包括：
S101，虫卵标本制作模块提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体。
S102，虫卵图像采集模块将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像。
S103，虫卵图像处理模块通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述；图像分割模块把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记。
S104，虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据；虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；对比分析完成后，特征分类模块根据提取的虫卵特征，对分割完成的图像进行分类。
S105，根据采集和判断的结果数据，中央处理模块控制显示模块利用显示屏显示虫卵识别系统检测或者采集的图像信息；中央处理模块控制无线传输模块通过中央处理模块连接，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理；云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
如图2所示，本发明实施例提供的基于多特征融合的寄生虫虫卵的识别系统，包括：
虫卵标本制作模块1，与中央处理模块4连接，提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体。
虫卵图像采集模块2，与中央处理模块4连接，将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像。
显示模块3，与中央处理模块4连接，通过利用显示屏显示虫卵识别系统检测或者采集的图像信息。
中央处理模块4，分别与虫卵标本制作模块1、虫卵图像采集模块2、显示模块3、无线传输模块5、图像分割模块7、虫卵图像处理模块8、虫卵图像特征提取模块9和特征分类模块11连接，协调各个模块的正常运行。
无线传输模块5，与中央处理模块4连接，通过中央处理模块与无线传输模块，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理。
云服务器6，与无线传输模块5连接，云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
图像分割模块7，与中央处理模块4连接，把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记。
虫卵图像处理模块8，与中央处理模块4连接，通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述。
虫卵图像特征提取模块9，与中央处理模块4连接，根据检测的图像，利用特征提取程序提取虫卵图像特征数据。
虫卵特征对比模块10，与中央处理模块4连接，根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析。
特征分类模块11，与中央处理模块4连接，根据提取的虫卵特征，对分割完成的图像进行分类。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，本发明实施例提供的虫卵图像处理模块通过利用图像处理程序，对图像进行压缩的过程为：
将采集的虫卵图像在空域上通过傅立叶变换，对虫卵图像进行描述；
在虫卵图像傅立叶变换过程中，降低图像的相关性，利用二维滤波，调整压缩图像的变换比率。
实施例2：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，本发明实施例提供的虫卵图像处理模块通过利用图像处理程序，对图像进行增强的过程为：
根据采集的虫卵图像，在虫卵图像中RGB颜色通道的直方图的数据进行均衡化运算，并且利用映射表替代RGB颜色通道中的颜色值；
根据映射表替代RGB颜色通道中的颜色值，利用亮度调节公式，对通道中的数据做均衡化运算；
均衡化运算完成后，根据映射表分别替换R、G、B通道颜色值。
实施例3：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的对虫卵图像进行描述的过程为：
S201，利用图像特征提取训练模型，提取虫卵图像中的特征信息；根据提取的图像特征信息，建立相应的局部视觉向量集合；
S202，根据建立的局部视觉向量集合，利用图像特征提取训练模型，提取包含突出的视觉特征；同时根据提取的突出的视觉特征，与单个局部视觉向量结合融合；
S203，根据单个局部视觉向量的隐含层状态，动态决定从全局显著性视觉向量中获取哪些视觉特征，确定突出的视觉特征参与比例，对整体虫卵图像进行描述。
实施例4：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的图像分割模块采用的图像分割过程为：
S301，利用小波变换将虫卵图像直方图分解为不同层次的小波系数；
S302，根据虫卵图像分割准则和小波系数选择阈值门限，计算对应的阈值；
S303，根据计算出的阈值，对图像分割的区域进行标记。
实施例5：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据过程为：
S401，将有关虫卵图像进行灰度化处理，采用Gamma校正法对输入图像进行颜色空间的标准化；
S402，输入图像颜色空间的标准化完成后，对图像中每个像素的梯度进行确定；
S403，将相应的图像划分成若干小区域，对每个小区域中的梯度直方图进行描述；
S404，根据描述完成的梯度直方图，对划分的若干个小区域进行重组，重组完成的虫卵图像中的每个小区域中的特征为该图像中的图像特征。
实施例6：
本发明实施例提供的基于多特征融合的寄生虫虫卵的识别方法方法如图1所示，作为优选实施例，本发明实施例提供的虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析包括：
(1)获取提取的图像特征点；
(2)将获取的图像特征点与云服务器中下载的虫卵特征之间的一一匹配的特征点对；
(3)基于云服务器中下载的虫卵特征图像及获取的图像的各个特征点的分布情况，确定获取的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度；
(4)基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度；得到对比分析结果。
步骤(4)中，本发明实施例提供的基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度包括：
基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度以及虫卵图像与云服务器中下载的虫卵特征图像的特征相似度进行虫卵图像与云服务器中下载的虫卵特征图像之间的相似度的确定。
本发明的工作原理为：虫卵标本制作模块1提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体。虫卵图像采集模块2将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像。虫卵图像处理模块8通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述；图像分割模块7把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记。
虫卵图像特征提取模块9根据检测的图像，利用特征提取程序提取虫卵图像特征数据；虫卵特征对比模块10根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；对比分析完成后，特征分类模块11根据提取的虫卵特征，对分割完成的图像进行分类。根据采集和判断的结果数据，中央处理模块4控制显示模块3利用显示屏显示虫卵识别系统检测或者采集的图像信息；中央处理模块4控制无线传输模块5通过中央处理模块4连接，将检测的数据或者判断的结果传输到云服务器6中，实现大数据处理；云服务器6将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于多特征融合的寄生虫虫卵的识别方法，其特征在于，所述基于多特征融合的寄生虫虫卵的识别方法，包括：
步骤一，虫卵标本制作模块提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体；
步骤二，虫卵图像采集模块将制作完成的虫卵标本放置在显微镜数字摄像头下，获取虫卵图像；
步骤三，虫卵图像处理模块利用图像处理程序将采集的虫卵图像在空域上通过傅立叶变换，对虫卵图像进行描述；并利用图像处理程序进行增强、复原；
图像增强方法包括：
根据采集的虫卵图像，在虫卵图像中RGB颜色通道的直方图的数据进行均衡化运算，并且利用映射表替代RGB颜色通道中的颜色值；
根据映射表替代RGB颜色通道中的颜色值，利用亮度调节公式，对通道中的数据做均衡化运算；
均衡化运算完成后，根据映射表分别替换R、G、B通道颜色值；
步骤四，虫卵图像处理模块利用图像处理程序对增强复原后的图像进行匹配和描述；
图像描述方法包括：
1)利用图像特征提取训练模型，提取虫卵图像中的特征信息；根据提取的图像特征信息，建立相应的局部视觉向量集合；
2)根据建立的局部视觉向量集合，利用图像特征提取训练模型，提取包含突出的视觉特征；同时根据提取的突出的视觉特征，与单个局部视觉向量结合融合；
3)根据单个局部视觉向量的隐含层状态，动态决定从全局显著性视觉向量中获取哪些视觉特征，确定突出的视觉特征参与比例，对整体虫卵图像进行描述；
步骤五，图像分割模块把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记；
所述图像分割标记方法包括：利用小波变换将虫卵图像直方图分解为不同层次的小波系数；根据虫卵图像分割准则和小波系数选择阈值门限，计算对应的阈值；根据计算出的阈值，对图像分割的区域进行标记；
步骤六，虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据；虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；对比分析完成后，特征分类模块根据提取的虫卵特征，对分割完成的图像进行分类；
步骤七，根据采集和判断的结果数据，中央处理模块控制显示模块利用显示屏显示虫卵识别系统检测或者采集的图像信息；中央处理模块控制无线传输模块通过中央处理模块连接，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理；
云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考；
步骤六中，所述虫卵图像特征提取模块根据检测的图像，利用特征提取程序提取虫卵图像特征数据过程为：
将有关虫卵图像进行灰度化处理，采用Gamma校正法对输入图像进行颜色空间的标准化；
输入图像颜色空间的标准化完成后，对图像中每个像素的梯度进行确定；
将相应的图像划分成若干小区域，对每个小区域中的梯度直方图进行描述；
根据描述完成的梯度直方图，对划分的若干个小区域进行重组，重组完成的虫卵图像中的每个小区域中的特征为虫卵图像中的图像特征；
步骤七中，所述虫卵特征对比模块根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析包括：
(1)获取提取的图像特征点；
(2)将获取的图像特征点与云服务器中下载的虫卵特征之间的一一匹配的特征点对；
(3)基于云服务器中下载的虫卵特征图像及获取的图像的各个特征点的分布情况，确定获取的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度；
(4)基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度；得到对比分析结果。
2.如权利要求1所述的基于多特征融合的寄生虫虫卵的识别方法，其特征在于，利用显微镜数字摄像头获取虫卵图像包括：
利用显微镜数字图像摄像头下对虫卵标本进行多次采样，并依据采集图像的清晰度、噪点数量参数选择1-3张最优图像作为采集的虫卵图像。
3.如权利要求1所述的基于多特征融合的寄生虫虫卵的识别方法，其特征在于，步骤三中，所述虫卵图像傅立叶变换还包括：
在虫卵图像傅立叶变换过程中，降低图像的相关性，利用二维滤波，调整压缩图像的变换比率。
4.如权利要求1所述的基于多特征融合的寄生虫虫卵的识别方法，其特征在于，步骤(4)中，所述基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度确定虫卵图像与云服务器中下载的虫卵特征图像之间的相似度包括：
基于确定的虫卵图像与云服务器中下载的虫卵特征图像的几何相似度以及虫卵图像与云服务器中下载的虫卵特征图像的特征相似度进行虫卵图像与云服务器中下载的虫卵特征图像之间的相似度的确定。
5.一种实施如权利要求1-4任意一项所述的基于多特征融合的寄生虫虫卵的识别方法的基于多特征融合的寄生虫虫卵的识别系统，其特征在于，所述基于多特征融合的寄生虫虫卵的识别系统包括：
虫卵标本制作模块，与中央处理模块连接，提取相应的虫卵液放置在载玻片上，将相应的盖玻片盖在载玻片上，利用吸水纸吸去盖玻片周围溢出的液体；
虫卵图像采集模块，与中央处理模块连接，将制作完成的虫卵标本放置在显微镜数字摄像头下，获取相应的虫卵图像；
显示模块，与中央处理模块连接，通过利用显示屏显示虫卵识别系统检测或者采集的图像信息；
中央处理模块，分别与虫卵标本制作模块、虫卵图像采集模块、显示模块、无线传输模块、图像分割模块、虫卵图像处理模块、虫卵图像特征提取模块和特征分类模块连接，协调各个模块的正常运行；
图像分割模块，与中央处理模块连接，把虫卵图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且将分割的图像进行标记；
虫卵图像处理模块，与中央处理模块连接，通过利用的图像处理程序，对图像进行压缩、增强和复原，匹配和描述；
虫卵图像特征提取模块，与中央处理模块连接，根据检测的图像，利用特征提取程序提取虫卵图像特征数据；
虫卵特征对比模块，与中央处理模块连接，根据提取的虫卵特征与云服务器中下载的虫卵特征进行比对分析；
特征分类模块，与中央处理模块连接，根据提取的虫卵特征，对分割完成的图像进行分类。
6.如权利要求5所述的基于多特征融合的寄生虫虫卵的识别系统，其特征在于，所述基于多特征融合的寄生虫虫卵的识别系统还包括：
中央处理模块与无线传输模块连接，无线传输模块与云服务器连接；
无线传输模块，通过中央处理模块与无线传输模块，将检测的数据或者判断的结果传输到云服务器中，实现大数据处理；
云服务器，云服务器将检测的数据进行储存和共享，同时为虫卵识别系统提供相应的数据参考。
7.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述基于多特征融合的寄生虫虫卵的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477442.0A CN111582276B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477442.0A CN111582276B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582276A CN111582276A (zh) | 2020-08-25 |
| CN111582276B true CN111582276B (zh) | 2023-09-29 |
Family
ID=72123590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010477442.0A Active CN111582276B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582276B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858597A (zh) * | 2021-01-05 | 2021-05-28 | 张丹 | 一种食品现场检验检测用样品存放系统及方法 |
| CN113989211B (zh) * | 2021-10-22 | 2024-04-02 | 广东海洋大学 | 一种虫卵计数方法和装置 |
| CN114299494B (zh) * | 2022-01-20 | 2022-07-22 | 广东省农业科学院动物科学研究所 | 一种水产品图像虫卵圆形特征检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5747057A (en) * | 1993-08-18 | 1998-05-05 | Virbac, Inc. | Sustained release pyriproxifen compositions for parasite control |
| CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
| CN103268494A (zh) * | 2013-05-15 | 2013-08-28 | 江苏大学 | 基于稀疏表示的寄生虫虫卵识别方法 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN108922516A (zh) * | 2018-06-29 | 2018-11-30 | 北京语言大学 | 检测调域值的方法和装置 |
| CN109187422A (zh) * | 2018-11-07 | 2019-01-11 | 浙江大学 | 基于太赫兹光谱技术的受桑螟危害初期桑叶的识别方法 |
| CN110503107A (zh) * | 2018-05-16 | 2019-11-26 | 刘小英 | 寄生虫虫卵图像特征选择方法 |
| CN110516505A (zh) * | 2018-05-21 | 2019-11-29 | 朱姝 | 寄生虫虫卵图像识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO331345B1 (no) * | 2010-02-05 | 2011-12-05 | Esben Beck | Anordning og fremgangsmate for a uskadeliggjore parasitter pa fisk |
-
2020
- 2020-05-29 CN CN202010477442.0A patent/CN111582276B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5747057A (en) * | 1993-08-18 | 1998-05-05 | Virbac, Inc. | Sustained release pyriproxifen compositions for parasite control |
| CN102073872A (zh) * | 2011-01-20 | 2011-05-25 | 中国疾病预防控制中心寄生虫病预防控制所 | 基于图像的寄生虫虫卵形状识别方法 |
| CN103268494A (zh) * | 2013-05-15 | 2013-08-28 | 江苏大学 | 基于稀疏表示的寄生虫虫卵识别方法 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN110503107A (zh) * | 2018-05-16 | 2019-11-26 | 刘小英 | 寄生虫虫卵图像特征选择方法 |
| CN110516505A (zh) * | 2018-05-21 | 2019-11-29 | 朱姝 | 寄生虫虫卵图像识别方法 |
| CN108922516A (zh) * | 2018-06-29 | 2018-11-30 | 北京语言大学 | 检测调域值的方法和装置 |
| CN109187422A (zh) * | 2018-11-07 | 2019-01-11 | 浙江大学 | 基于太赫兹光谱技术的受桑螟危害初期桑叶的识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Roxana Flores-Quispe，等.Classification of human parasite eggs based on enhanced multitexton histogram.《2014 IEEE Colombian Conference on Communications and Computing (COLCOM)》.2014,全文. * |
| 罗泽举，等.基于新型特征提取的寄生虫卵图像识别研究.《计算机应用》.2007,(第6期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582276A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582276B (zh) | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
| CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
| CN112633297B (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
| CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
| CN112966548A (zh) | 一种大豆地块识别方法及系统 | |
| CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
| CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
| Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
| CN111666813A (zh) | 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
| CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
| CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
| CN114700941B (zh) | 一种基于双目视觉的草莓采摘方法、机器人系统 | |
| CN111783580B (zh) | 基于人腿检测的行人识别方法 | |
| CN112926602A (zh) | 一种基于可视化算法的岩石岩性分析方法、装置及设备 | |
| CN113379658A (zh) | 一种无人机观测目标特征双光融合方法及系统 | |
| CN112668585B (zh) | 一种动态环境下的物体辨识与定位方法 | |
| CN109190633A (zh) | 一种基于深度学习的智能物体识别系统及控制方法 | |
| CN117437654B (zh) | 一种基于语义识别的栅格地图解析方法、设备和介质 | |
| CN116977615B (zh) | 荔枝果梗识别定位方法及装置 | |
| CN116205940B (zh) | 基于医学检验的数字图像目标检测方法及系统 | |
| CN113869321A (zh) | 一种基于bm4d去噪算法和knn算法的苹果分类方法 | |
| CN117765410B (zh) | 遥感影像双分支特征融合固废识别方法、系统及电子设备 |
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 |