CN111583178A - 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 - Google Patents
一种在藻类细胞显微图像中分割黏连藻类细胞的方法 Download PDFInfo
- Publication number
- CN111583178A CN111583178A CN202010252961.7A CN202010252961A CN111583178A CN 111583178 A CN111583178 A CN 111583178A CN 202010252961 A CN202010252961 A CN 202010252961A CN 111583178 A CN111583178 A CN 111583178A
- Authority
- CN
- China
- Prior art keywords
- algae
- image
- microscopic image
- pits
- pit
- 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.)
- Granted
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 105
- 239000000853 adhesive Substances 0.000 title abstract description 7
- 230000001070 adhesive effect Effects 0.000 title abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 67
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000005260 corrosion Methods 0.000 claims abstract description 14
- 230000007797 corrosion Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000001464 adherent effect Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 230000009194 climbing Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 235000009566 rice Nutrition 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 27
- 238000011426 transformation method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000750 progressive effect Effects 0.000 description 4
- 230000008961 swelling Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—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
- G06T7/13—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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种在藻类细胞显微图像中分割黏连藻类细胞的方法，该方法包括：使用图像处理中常用的腐蚀、膨胀的形态学操作方法来初步分割略有黏连的藻类细胞，使用本发明进行改进后的基于凹点匹配的分割算法进行分割，为了解决孤立凹点的问题引进的通过距离变换函数的方式通过最短距离快速切分开黏连藻类细胞。本发明改进了传统的凹点匹配方式，大大减少了计算量，同时优化了圆形藻类三黏连区域的凹点匹配方式，并引入了距离变换方法解决孤立凹点匹配的问题，使得分割准确率更高，且所需要的计算开销更小，运算时间更短。
Description
技术领域
本发明涉及图像分割领域，尤其涉及一种在藻类细胞显微图像中分割黏连藻类细胞的方法。
背景技术
从自然界中提取出的用于精确识别的真实水样中肯定不会只存在单个藻，因此在实际水样的显微图像中肯定是存在着大量的藻类，而且由于藻类在水样中的分布带有一定随机性，故而在显微镜中的藻类分布也会存在一定随机性，排序方式必定是复杂多变的，出现众多藻类黏连在一起的情况几乎是必定的。同时，这也是为了对真实水样中的统计藻类个数信息进行统计。
目前藻类细胞显微图像的分割方案主要有四类：图像形态学操作、分水岭分割方法、基于拟合分割线的分割方法和基于凹点匹配的分割方法。所以，在对水样中的藻类进行识别以前，必须要将黏连藻类分割为孤立的藻类图像，这就需要用到对藻类显微图像的分割了。
形态学方法主要是对种子图像进行形态学操作来实现粘连区域的分割。将二值图像形态学操作应用在粘连种子图像上，通过渐进腐蚀(progressive erosion)的方式将连通对象分离，然后通过渐进膨胀(progressive dilate)的方式将分离后的对象还原。形态学方法对粘连程度较轻的部分分割效果较好，但是当粘连区域的长度比种子自身宽度还要长时，就会出现种子已经被腐蚀“消失”而粘连区域依然存在的现象，故目前形态学方法在藻类显微图像分割方法中主要起辅助作用。
分水岭方法是一种基于拓扑理论的数学形态学的分割方法。该方法对二值图像使用距离变换函数将其立体化为一副地貌，对地貌上不同的汇水盆地注水，然后修建分水岭来防止不同区域水的聚合，修建的分水岭即图像分割线。但是由于分水岭方法对微弱的边缘较为敏感，图像中的噪声、图像结构特征和物体表面细微的灰度变化等因素都会使分水岭方法产生过分割；同时分水岭方法适用于形状规则的目标物，由于藻类细胞形态各异，分水岭方法的实际分割效果并不理想。
基于拟合分割线的方法是一种根据种子轮廓信息来拟合粘连区域分割线的一种方法。基于拟合分割线的方法在处理粘连个数较少的区块时效果较好，一旦粘连细胞个数增多，该类方法在寻找轮廓样本点时易出错，最终拟合出的错误分割线将导致误分割。
基于凹点匹配的分割方法是一种将粘连种子的凹点按照一定的规则进行两两配对，然后根据匹配好的凹点对来分割粘连种子的一种方法。最简单的应用方法是根据种子边缘曲率识别凹点，并根据最短距离进行匹配分割，但该方法由于判断条件过于简单，凹点匹配极易出错。之后改进的较为完善的凹点匹配方法，将分割点分为基点(Base Point)和匹配点(Matching Point)并根据匹配规则进行凹点对匹配。该方法相比前一方法在分割准确率上有了提升，但因没有考虑当基点对匹配点距离最短时匹配点相对基点不一定最短的情况，故方法依然容易匹配出错。进一步改进的方式是将基点与匹配点的匹配由原来的单向匹配改为双向匹配，从而解决了匹配出错的问题，达到了较高的分割准确率。但该方法在匹配过程中是基于全局凹点进行匹配的，其计算复杂度较高。上述所有基于凹点匹配的方法都没有考虑分割之后可能出现的孤立凹点问题，孤立凹点由于没有与之配对的凹点因而无法实现粘连区域的分割。
发明内容
针对上述问题，本发明提出了一种在藻类细胞显微图像中分割黏连藻类细胞的方法，该方法引用了3种藻类细胞显微图像的分割方法，第一种是使用图像处理中常用的腐蚀、膨胀的形态学操作方法来初步分割略有黏连的藻类细胞，尽量降低后续需要处理的黏连藻类细胞数量。第二种是使用本发明进行改进后的基于凹点匹配的分割算法进行分割，改进点主要有两点——首先是匹配策略从原始算法的全局匹配变为了使用贪心策略的最近邻满足条件的凹点匹配，在几乎不影响匹配准确率的情况下，显著地减少了算法的复杂程度，较大地提升了运行算法的时间开销；其次是在一定范围内剩余三个黏连藻细胞且拥有三个凹点时，通过找到三个凹点的中心点，将其当做分割中心进行分割，这是为了降低圆形藻类细胞的分割残缺度，从而提高分割质量。第三种是为了解决孤立凹点的问题引进的通过距离变换函数的方式通过最短距离快速切分开黏连藻类细胞。
本发明为解决在实际水样的显微图像中，藻类细胞较为密集，且存在较为严重的黏连情况，在较为快速的情况下准确将藻类细胞分割为一个个单独的藻细胞图像。本发明改进了传统的凹点匹配方式，大大减少了计算量，同时优化了圆形藻类三黏连区域的凹点匹配方式，并引入了距离变换方法解决孤立凹点匹配的问题，使得分割准确率更高，且所需要的计算开销更小，运算时间更短。
附图说明
图1为现有技术中藻类显微图像中黏连图像
图2为现有技术中藻类显微图像中黏连图像预处理后的二值图
图3为本发明的分割黏连藻类细胞的方法流程图
图4为本发明的分割黏连藻类细胞的方法处理后的实际图像效果示意图
图5为本发明的轮廓信息和凹点信息提取效果示意图
图6为本发明的处于藻类内部的圆形模板圆弧(黄色)示意图
图7为本发明的轻微黏连的分割方法流程图
图8为本发明的轻微黏连过程的实际示意图
图9为现有技术中基于全局凹点匹配的分割算法的流程图
图10为本发明的改进后的凹点匹配算法流程图
图11为本发明的圆形藻类三黏连的特殊团簇情况示意图
图12为本发明的圆形藻类三黏连特殊情况被误分示意图
图13为本发明找到分割中心点后再分割圆形藻类三黏连特殊情况效果图
图14为本发明的加入藻类三黏连特殊情况的改进凹点匹配算法流程图
图15为本发明的距离变换处理示意图
图16为本发明的距离变换后的三维“山峰图”
图17为本发明的孤立凹点的最终分割结果
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。
本发明提出了一种在藻类细胞显微图像中分割黏连藻类细胞的方法。
由于藻类显微图像中黏连图像对于藻类的提取会有很多的阻碍，为了在一张完整的藻类显微图像中提取所有的单个藻类，就需要对存在黏连的藻类图像区域进行分割。其中藻类中圆形或近似圆形的藻类较多，这种藻类黏连的方式绝大多数情况下只有并排的黏连，以及三黏连，如图1所示，其预处理后的二值图如图2所示。传统分割方法对于二黏连能较好处理，但对于三黏连藻类的处理效果相当差，并且耗时很长。本发明主要针对上述问题优化算法速度以及提高对三黏连处理的效果。
本发明的在藻类细胞显微图像中分割黏连藻类细胞的方法流程图如图3所示，其包括如下步骤：
步骤1：输入藻类细胞显微图像，并进行预处理得到藻类细胞显微图像的二值图后，提取出藻类细胞显微图像中的轮廓与凹点信息；
步骤2：对已提取出轮廓与凹点信息的藻类细胞显微图像使用形态学操作初步分割；
步骤3：对已进行了初步分割的藻类细胞显微图像检测是否还存在中度黏连区域，若还存在中度黏连区域，进入步骤4；若不存在中度黏连区域，则进入步骤7；
步骤4：对还存在中度黏连区域的藻类细胞显微图像使用改进凹点匹配方法进行分割；
步骤5：对采用改进凹点匹配方法进行分割后的藻类细胞显微图像检测是否还存在孤立凹点，若还存在孤立凹点，进入步骤6；若不存在孤立凹点，进入步骤7；
步骤6：对存在孤立凹点的藻类细胞显微图像通过距离变换分割孤立凹点；
步骤7：结束，得到分割了黏连藻类细胞后的藻类细胞显微图像。
按照上述步骤进行处理后的实际图像效果示意如图4所示。
具体地，步骤1所采用的具体方法包括轮廓信息提取和凹点信息提取两部分，具体方法为：
轮廓信息提取
为了分割藻类细胞显微图像，需要提取出藻类细胞显微图像上黏连区域的凹点信息，但是，为了能够提取凹点信息，需要首先提取出藻类细胞的边缘，即轮廓信息。
由于Canny算子提取出的边缘更为清晰准确，本发明使用Canny算子对藻类显微图像进行轮廓信息提取。Canny算子是非微分的一种算子，其进行轮廓信息提取具体分为以下几步：
步骤1.1：对藻类细胞显微图像使用高斯模板进行高斯模糊，也叫高斯滤波。
步骤1.2：计算进行了高斯模糊的藻类细胞显微图像的水平X方向、竖直Y方向的梯度，根据梯度计算藻类细胞显微图像边缘幅度值和角度的大小。
为了简化计算，选择Sobel算子计算梯度的方式，即使用式(3-1)和式(3-2)分别计算X与Y方向的梯度。角度大小则可以通过式(3-3)计算得到。
式(3-3)中由于反三角函数的范围是[-π/2，π/2]，为了便于计算加上π/2，使其角度值范围在[0，π]。
步骤1.3：边缘细化。
在步骤1.2中通过水平和竖直方向梯度提取出的边缘还是较为模糊的，为了细化边缘，采用非最大信号压制处理，可以将边缘像素进一步减少、细化。
步骤1.4：双阈值边缘连接。
在步骤1.3边缘细化后，得到的输出结果有可能包含少量的非边缘像素点。这时候就需要对这些像素点进行一些舍弃。单阈值处理效果较差，且没有边缘连接的效果。因此，采用双阈值方法来进行边缘选取，并具有边缘连接的效果，由此得到提取出的藻类细胞显微图像中藻类细胞轮廓信息。
图5是凹点信息提取效果示意图，其中图5(a)为藻类显微图像原图；图5(b)为预处理后的二值图；图5(c)为Canny算子边缘提取图；图5(d)为圆形模板提取凹点信息。使用Canny算子进行轮廓信息提取的效果如图5(c)所示。
凹点信息提取
在提取出藻类细胞的轮廓信息后，还必须提取出轮廓信息中的凹点信息才能进行本发明后续黏连藻类分割所需的凹点匹配算法。本发明基于计算量较小的考虑使用了圆形模板检测藻类细胞轮廓凹点。同时，由于轮廓中还可能存在一些细小的杂质轮廓，这里设定了一个轮廓面积的阈值以过滤杂质轮廓。凹点信息提取效果示意图，如图5(d)所示。
图5(d)中的红色圆圈就是圆形模板，这是以图5(c)中的轮廓为圆心且能随着轮廓逐个像素点移动，半径为R的圆，公式如式(3-4)所示
其中|Ai|表示藻类细胞显微图像中藻类细胞的轮廓上以任意一个像素点i为圆心且半径为R个像素点的圆形模板位于藻类内部部分的圆弧的像素点个数，NR为所述圆形模板的圆形轮廓上的像素点总个数，此处取R＝6，即取6个像素点为所述圆形模板的半径长度，Ci表示以任意一个像素点i为圆心的所述圆形模板位于藻类内部部分的圆弧的像素点个数与所述圆形模板的圆形轮廓上的像素点总个数比值；
判断某一点是不是轮廓凹点的公式如式(3-5)。
多次实验后，在本发明的实施例中，根据经验取α＝0.57。
为了避免存在多个待选凹点，即在凹点处会有多个连续的边缘点满足式(3-5)的检测标准的情况，对式(3-5)进行修正，如式(3-6)所示。
式中，L是引入的像素点偏移量，目的是在长度为2L+1个像素点的轮廓中，取最大Ci值作为凹点。经过多次实验后，在本发明的实施例中，根据经验取值L＝8。
具体地，步骤2所采用的具体方法为：
通过实验发现，黏连藻类中，轻微黏连的情况占了一半左右，能够快速去除轻微黏连可以为后续的分割减少很大的计算压力。首先对轻微黏连进行处理后，对后续处理二黏连，三黏连等黏连情况有着较为直观的简化。对于四黏连及以上情况，比重很小，而且存在很大可能是一整片藻细胞黏在一块，在图像上不具有可分性，对于这种图像上不可分的，只会做标记处理。另外，三黏连藻类基本只出现在圆藻以及少量椭圆形藻中，至于其他的不规则形藻有极少分布出现，而条形藻没有该类情形出现，本发明主要考虑圆藻以及椭圆形藻，还有少量条形藻。
针对藻类图像中的黏连区域中存在的轻微黏连情况，采用图像处理中经典的腐蚀、膨胀形态学操作方法，就可以有效且准确地将轻微黏连的藻类细胞分割出来。流程图如图7所示。
分割出轻微黏连藻类细胞的判断方法是轮廓的凹点数量减少。而通过最多不超过6次的腐蚀操作，足以将轻微黏连藻类细胞分割开来，即让轻微黏连藻类细胞轮廓分割开。单独提取出分割开的单独藻类细胞后，还会通过同样次数的膨胀操作对藻类细胞的形态做尽量还原。整个算法过程的实际示意图如图8所示。
成功分离轻微黏连藻类后，进行膨胀的原因是为了尽可能地恢复因为腐蚀操作丢失的部分轮廓信息。因此，膨胀的次数要与前面腐蚀的次数以及方式进行对应以最大程度恢复藻类细胞的轮廓信息。
具体地，步骤2所采用的具体方法为：
步骤2.1：输入已提取出轮廓与凹点信息的藻类细胞显微图像，该图像疑似存在黏连区域。
步骤2.2：对于输入的已提取出轮廓与凹点信息的藻类细胞显微图像进行一次腐蚀操作。
步骤2.3：对已进行过一次腐蚀操作的藻类细胞显微图像，检测有无孤立藻类细胞出现。若没有出现孤立藻类细胞，进入步骤2.4；若出现了孤立藻类细胞，进入步骤2.5。
步骤2.4：对于没有出现孤立藻类细胞的藻类细胞显微图像，检测该图像腐蚀次数有没有超过6次。若没有超过6次，进入步骤2.2；若超过了6次，进入步骤2.6。
步骤2.5：对于出现孤立藻类细胞的藻类细胞显微图像，检测藻类细胞显微图像中是否还存在黏连藻类细胞。若仍存在黏连藻类细胞，进入步骤2.2；若不存在黏连藻类细胞，进入步骤2.6。
步骤2.6：对于腐蚀次数超过6的图像或不存在黏连藻类细胞的藻类细胞显微图像，进行对应腐蚀次数的膨胀操作。
步骤2.7：结束，得到已进行了初步分割的藻类细胞显微图像。
按照上述步骤进行处理后的实际图像效果示意如图8所示。
成功提取出轮廓凹点信息并使用形态学操作初步分割后，还需要准确地匹配到每个凹点对应的凹点才能实现藻类细胞的正确分割。
2017年G.Lu等人提出的基于全局凹点匹配的分割算法仍是目前公认的分割效果最好的凹点匹配算法，如图9所示，其分割效果比之前的其他凹点匹配算法提升了很多，但全局凹点匹配分割算法的流程，对于一张存在N个待匹配凹点的藻类图像，需要计算N(N-1)次凹点距离。在分析了大量的黏连藻类显微图像后，能够正确匹配上的凹点对之间的距离是在该种黏连藻类的直径(对于圆形藻)或长度(对于条形藻)内的。
基于此将全局凹点匹配改为一定范围内的局部凹点匹配就可以减少初始计算距离的次数。假设在存在N个待匹配凹点的藻类图像中，有M个点满足局部范围要求(M≤N)，则只需要计算M(M-1)次凹点距离。
改进凹点匹配算法流程图如图10所示。
步骤3.1：在已进行了初步分割的藻类细胞显微图像中未匹配的凹点中选择一个点，记为A，计算A到一定范围内的未匹配凹点的距离。
步骤3.2：计算完A与其他未匹配凹点距离或前面的B点匹配失败后，选择距离A最近的未匹配凹点B，计算B到一定范围内的未匹配凹点的距离。
步骤3.3：计算完B与其他未匹配凹点距离后，判断A与B各自的最短距离是否相同。若不同，进入步骤3.4；若相同，进入步骤3.5。
步骤3.4：A与B各自的最短距离不相同，将B记为新的A，携带新的A与其他未匹配凹点的距离信息进入步骤3.2。
步骤3.5：A与B各自的最短距离相同，判断A与B之间的连线是否在藻细胞图像内部。若不在藻细胞内部，B点匹配失败，进入步骤3.2。若在藻细胞图像内部，进入步骤3.6。
步骤3.6：A与B之间的连线在藻细胞图像内部，判断A与B之间的连线是否在A、B两个凹点的夹角内。若不在夹角内，B点匹配失败，进入步骤3.2；若在夹角内，进入步骤3.7。
步骤3.7：A与B之间的连线在A、B两个凹点的夹角，匹配凹点A与凹点B。
步骤3.8：匹配上A、B两个凹点后，判断是否所有凹点匹配完毕。若还有凹点未匹配，进入步骤3.1；若所有凹点均已经均已经匹配，进入步骤3.9。
步骤3.9：结束，得到采用了改进凹点匹配方法进行分割后的藻类细胞显微图像。
进一步地，初始就计算完所有凹点与其他凹点间的距离其实并无必要，因为有一些凹点之间的距离已经超过藻细胞的直径(阈值)了，不可能匹配上。如果动态地计算距离，可以更进一步地减少计算次数。假设在存在N个待匹配凹点的藻类图像中，有M个点满足局部范围要求(M≤N)，最终最优情况只需要计算M(M-1)/2次凹点距离，而对500个黏连区域进行分割实验得知，最优情况出现413次，占比82.6％；次优情况出现76次，占比15.2％；其他情况出现11次，占比2.2％。
本发明将全局凹点匹配的流程图中的一个凹点的备用凹点筛选方式由全局筛选改为局部筛选。此处根据实验分析，备用凹点的搜索范围可选择以待匹配凹点为中心的半径为稻米种子平均长度的圆形区域。这样，原本判断连线长度的步骤也可去除，从而减少了判断步骤，进而带来分割效率的提升。本文选取了100张黏连程度较高的藻类显微图像，在每张藻类显微图像中，藻类个数为30到50个，来进行现有技术的全局凹点匹配和改进的局部凹点匹配两种方法的对比。实验计算机环境为操作系统Windows 7Service Pack 1，CPU为Intel(R)Core(TM)i5-3210M CPU@2.50GHZ，GPU为AMD Radeon HD 7500M/7600M Series，内存为12G，编译器为Visual Studio 2013，OpenCV版本为OpenCV 2411。得到的两种凹点匹配方式时间对比结果，该结果不包含形态学操作时间，现有技术的全局凹点匹配方法的分割平均运行时间为0.2291秒，改进的局部凹点匹配方法的分割平均时间为0.1628秒。改进匹配方式后平均速度快了0.0663秒，相比原算法提升了28.9％的运算速度。
更进一步地，圆形藻类(包括椭圆形藻类)的三黏连有较大概率出现一种较为特殊的团簇形式，如图11所示。对于此种情况，使用上述分割方法也能成功分割出三个单独的藻类，但是分割出的轮廓显然和原图的真实轮廓有所差距。
圆形藻类三黏连特殊情况会有一个圆藻细胞的圆弧被“切掉”一部分，“分给”另外两个圆形藻细胞，如图12所示，从而影响藻类细胞分割的完整程度。针对此种情况，经过实验发现此种特殊三黏连情况的中心点是一个很好的分割中间点。找到这个分割中间点后，原本的三个凹点直接向切割中间点进行分割就可以更为完整的分割出三个黏连的圆形藻类细胞，寻找中心点后，以中心点与三个凹点进行匹配，这样可以提高藻类分割的完整度，如图13所示。
使用此种特殊的分割算法分割出的三个圆形藻类细胞完整程度有较大地提升。使用该特殊分割方法仅限于特殊情况三黏连，通过多次实验分析可以得出该特殊情况三黏连的三个凹点间两两距离基本相同，且没有发现有其他三凹点间两两距离基本相同的黏连情况不属于该种特殊三黏连情况。因此，可以得出特殊三黏连情况藻类与三个凹点间两两距离基本相同为充分必要条件。基于此前提，本发明对图10所示的流程图作进一步改进，如图14所示。
步骤4.1：在已进行了初步分割的藻类细胞显微图像中未匹配的凹点中选择一个点，记为A，计算A到一定范围内的未匹配凹点的距离。
步骤4.2：计算完A与其他未匹配凹点距离后，判断最短的两个距离长度相差是否在一定的区间内。若最短的两个距离长度相差在一定区间内，进入步骤4.3；若最短的两个距离长度相差不在一定区间内，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.3：距离凹点A最短的两个距离长度相差在一定区间内，将对应的另外两个凹点记为B、C，计算凹点B与凹点C之间的距离。
步骤4.4：计算凹点B与凹点C之间的距离后，判断BC之间的距离与AB、AC之间的距离相差是否在一定区间内。若相差在一定的区间内，进入步骤4.5；若相差超过了一定区间范围，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.5：BC之间的距离与AB、AC之间的距离相差在一定区间内，判断AB、AC、BC三条连线是否在藻细胞内部。若三条连线都在藻细胞内部，进入步骤4.6；若三条连线不全在或全不在藻细胞内部，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.6：AB、AC、BC三条连线是在藻细胞内部，判断三条连线是否在各个凹点处，都处于对应凹点的夹角内。若三条线都在各自对应凹点的夹角内，进入步骤4.7；若三条线不都在各自对应凹点的夹角内，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.7：三条连线都在各自对应凹点的夹角内，找到凹点A、B、C三点的中心点O，匹配OA、OB、OC。特殊三黏连情况匹配成功，进入步骤4.14。
步骤4.8：特殊三黏连情况匹配失败或常规凹点匹配B点失败，开始常规凹点匹配过程，选择距离A最近的未匹配凹点B，计算B到一定范围内的未匹配凹点的距离。
步骤4.9：计算完B与其他未匹配凹点距离后，判断A与B各自的最短距离是否相同。若不同，进入步骤4.10；若相同，进入步骤4.11。
步骤4.10：A与B各自的最短距离不相同，将B记为新的A，携带新A与其他未匹配凹点的距离信息进入步骤4.2。
步骤4.11：A与B各自的最短距离相同，判断A与B之间的连线是否在藻细胞图像内部。若不在藻细胞内部，B点匹配失败，进入步骤4.8。若在藻细胞图像内部，进入步骤4.12。
步骤4.12：A与B之间的连线在藻细胞图像内部，判断A与B之间的连线是否在A、B两个凹点的夹角内。若不在夹角内，B点匹配失败，进入步骤4.8；若在夹角内，进入步骤4.13。
步骤4.13：A与B之间的连线在A、B两个凹点的夹角，匹配凹点A与凹点B。
步骤4.14：匹配上A、B两个凹点后，判断是否所有凹点匹配完毕。若还有凹点未匹配，进入步骤4.1；若所有凹点均已经均已经匹配，进入步骤4.15。
步骤4.15：结束，得到了采用加入藻类三黏连特殊情况的进一步改进凹点匹配方法进行分割后的藻类细胞显微图像。
具体地，步骤6所采用的具体方法为：
两个凹点正确地两两配对是凹点匹配算法的核心，但是，在有奇数个凹点的情况下，经过凹点匹配算法处理后就会产生单独的一个凹点没有其他待匹配凹断与其匹配的情况，即出现孤立凹点，如图12所示。孤立凹点是传统凹点匹配方法无法解决的问题，本发明提出一种适用于孤立凹点的分割方法。
距离变换(Distance Transform)是二值图像处理与操作中常用手段，在骨架提取，图像窄化以及黏连物体分离等领域中有所应用。距离变换的结果是得到一张与输入的二值图图像类似的灰度值图像，其中原二值图黑色背景部分不变，而白色的前景部分则会根据每个像素点距离其最近的背景轮廓距离远近而不同——距离背景轮廓越近的点灰度值越小(灰度值0为黑色)；相反，越远则灰度值越大(灰度值255为白色)。
距离变换首先是通过标识空间点(目标点与背景点)的方法将二值图转换为一张灰度图像，图像中目标物的轮廓与原图相似，只是其像素点的灰度发生了变化。每个目标物像素点的灰度值是原图像中此像素到其边界的最短距离。本发明将使用欧式距离变换，即像素之间的距离使用欧氏距离计算。设内部点为(xi,yi)，其到边界最短距离所对应的边界点为(xj,yj)，则两者间的欧式距离公式如下式。
经过距离变换函数处理后的结果如图15所示，其中图15(a)表示原二值图；图15(b)表示距离变换处理图。
如上图(b)所示，像素点距离中心位置越近，距离变换所对应的点灰度值越亮；像素点距离边缘越近，距离变换所对应的点灰度值越暗。
如果将采用距离变换函数后图像像素对应的灰度值设置为高度，则可得到一张三维的“山峰图”，如图16所示。对于经过距离变换处理后的藻类二值图，若将灰度值的大小想象为高度，则就可以将该灰度图想象为“山峰俯视图”——黑色是山底，颜色越浅则山峰海拔越高。孤立的凹点必然是位于山底的黑色区域，且处于两座“山峰”的一个交汇处。至此，分割孤立凹点的问题就转变为找到一条合适的路劲来翻过“山峰”，即使用最短的路径来“翻越”。
图16中存在一个孤立凹点，该点位于两座“山峰”交界处的“山底”位置。本发明提出一种通过最短路径来分割粘连种子的方法：从孤立凹点的位置以最短路程从“山底”位置爬上“山峰”，然后再从“山峰”以最短路程爬到另一面的“山底”位置，其中走过的路径就是分割线。算法一共分为两个阶段：在越过“山峰”之前，从孤立凹点处沿最陡的方向“爬山”；在越过最高点“山峰”之后，此时沿最陡的方向“下山”。在图像上，“爬山”的方向即梯度的反方向，“下山”的方向即梯度方向。最终分割结果如图17所示，其中图17(a)表示原二值图；图17(b)表示通过距离变换处理后的孤立凹点的最终分割图。
本发明选取了20张特殊三黏连情况较高的藻类显微图像，来对比进一步加入特殊三黏连情况分割改进后与只使用本发明改进凹点匹配方式后的分割算法加上距离变换的分割算法时间开销方面的对比，两种方法都将形态学操作的时间包含了进去，实验环境为操作系统Windows 7Service Pack 1，CPU为Intel(R)Core(TM)i5-3210M CPU@2.50GHZ，GPU为AMD Radeon HD 7500M/7600M Series，内存为12G，编译器为Visual Studio 2013，OpenCV版本为OpenCV 2411。得到的时间对比结果为，在特殊三黏连情况较多的藻类显微图像中，加入特殊三黏连藻类分割后的算法平均运行时间是0.2339秒，没有加入特殊三黏连藻类分割的算法的平均运行时间是0.2485秒，俩者相差0.0146秒，加入特殊三黏连藻类分割后的算法比之前的算法快5.9％。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围。凡采用等同替换或等效替换，这些变化是显而易见，一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种在藻类细胞显微图像中分割黏连藻类细胞的方法，其特征在于，该方法包括以下步骤：
步骤1：输入藻类细胞显微图像，并进行预处理得到藻类细胞显微图像的二值图后，提取出藻类细胞显微图像中的轮廓与凹点信息；
步骤2：对已提取出轮廓与凹点信息的藻类细胞显微图像使用形态学操作初步分割；
步骤3：对已进行了初步分割的藻类细胞显微图像检测是否还存在中度黏连区域，若还存在中度黏连区域，进入步骤4；若不存在中度黏连区域，则进入步骤7；
步骤4：对还存在中度黏连区域的藻类细胞显微图像使用改进凹点匹配方法进行分割；
步骤5：对使用改进凹点匹配方法进行分割后的藻类细胞显微图像检测是否还存在孤立凹点，若还存在孤立凹点，进入步骤6；若不存在孤立凹点，进入步骤7；
步骤6：对存在孤立凹点的藻类细胞显微图像通过距离变换分割孤立凹点；
步骤7：结束，得到分割了黏连藻类细胞后的藻类细胞显微图像。
2.根据权利要求1所述的在藻类细胞显微图像中分割黏连藻类细胞的方法，其特征在于，所述步骤1中提取出藻类细胞显微图像中的轮廓与凹点信息的方法具体为：
为了能够提取凹点信息，首先使用Canny算子提取出藻类细胞显微图像中藻类细胞的轮廓信息，Canny算子进行轮廓信息提取具体分为以下几个步骤：
步骤1.1：对藻类细胞显微图像使用高斯模板进行高斯模糊，即高斯滤波；
步骤1.2：计算进行了高斯模糊的藻类细胞显微图像的水平X方向、竖直Y方向的梯度，并根据梯度计算藻类细胞显微图像边缘幅度值和角度大小；
使用Sobel算子计算梯度，即使用式3-1和式3-2分别计算水平X与竖直Y方向的梯度，角度大小则可以通过式3-3计算得到：
其中，f(x,y)表示藻类细胞显微图像，Gx为水平X方向边缘检测图像幅值，Gy为竖直Y方向边缘检测图像幅值，式3-3中由于反三角函数的范围是[-π/2，π/2]，为了便于计算加上π/2，使其角度值范围在[0，π]；
步骤1.3：边缘细化
在步骤1.2中通过水平X和竖直Y方向梯度提取出的边缘检测图像幅值进行边缘细化，采用非最大信号压制处理，将边缘像素进一步减少、细化；
步骤1.4：双阈值边缘连接
在步骤1.3进行边缘细化后，得到的输出结果中包含少量的非边缘像素点，对这些非边缘像素点进行舍弃，采用双阈值方法来进行边缘选取，其具有边缘连接的效果，由此得到提取出的藻类细胞显微图像中藻类细胞轮廓信息；
在提取出藻类细胞显微图像中藻类细胞的轮廓信息后，使用圆形模板检测藻类细胞轮廓凹点以提取出轮廓信息中的凹点信息，对于轮廓中存在的细小杂质轮廓，设定一个轮廓面积的阈值以过滤杂质轮廓，
所述圆形模板以藻类细胞显微图像中藻类细胞的轮廓为圆心且能随着轮廓逐个像素点移动，所述圆形模板为半径为R的圆，公式如式3-4所示
其中|Ai|表示藻类细胞显微图像中藻类细胞的轮廓上以任意一个像素点i为圆心且半径为R个像素点的圆形模板位于藻类内部部分的圆弧的像素点个数，NR为所述圆形模板的圆形轮廓上的像素点总个数，此处取R＝6，即取6个像素点为所述圆形模板的半径长度，Ci表示以任意一个像素点i为圆心的所述圆形模板位于藻类内部部分的圆弧的像素点个数与所述圆形模板的圆形轮廓上的像素点总个数比值；
判断某一点是不是轮廓凹点的公式如式3-5所示，
此处取α＝0.57；
为了避免存在多个待选凹点，即在凹点处会有多个连续的边缘点满足式3-5的检测标准的情况，对式3-5进行修正，如式(3-6)所示。
式中，L是引入的像素点偏移量，目的是在长度为2L+1个像素点的藻类细胞显微图像中藻类细胞的轮廓中，取最大的Ci值作为凹点，此处取L＝8。
3.根据权利要求2所述的在藻类细胞显微图像中分割黏连藻类细胞的方法，其特征在于，所述步骤2中使用形态学操作初步分割的方法具体包括：
步骤2.1：输入已提取出轮廓与凹点信息的藻类细胞显微图像，该藻类细胞显微图像疑似存在黏连区域；
步骤2.2：对于输入的已提取出轮廓与凹点信息的藻类细胞显微图像进行一次腐蚀操作；
步骤2.3：对已进行过一次腐蚀操作的藻类细胞显微图像，检测有无孤立藻类细胞出现，若没有出现孤立藻类细胞，进入步骤2.4；若出现了孤立藻类细胞，进入步骤2.5；
步骤2.4：对于没有出现孤立藻类细胞的藻类细胞显微图像，检测该藻类细胞显微图像腐蚀次数有没有超过6次，若没有超过6次，进入步骤2.2；若超过了6次，进入步骤2.6；
步骤2.5：对于出现孤立藻类细胞的藻类细胞显微图像，检测藻类细胞显微图像中是否还存在黏连藻类细胞，若仍存在黏连藻类细胞，进入步骤2.2；若不存在黏连藻类细胞，进入步骤2.6；
步骤2.6：对于腐蚀次数超过6的藻类细胞显微图像或不存在黏连藻类细胞的藻类细胞显微图像，进行对应腐蚀次数的膨胀操作；
步骤2.7：结束，得到已进行了初步分割的藻类细胞显微图像。
4.根据权利要求3所述的在藻类细胞显微图像中分割黏连藻类细胞的方法，其特征在于，所述步骤4中使用改进凹点匹配方法进行分割的方法具体包括：
步骤3.1：在已进行了初步分割的藻类细胞显微图像中未匹配的凹点中选择一个点，记为A，计算A到预设范围内的未匹配凹点的距离；
步骤3.2：计算完A与其他未匹配凹点距离或前面的B点匹配失败后，选择距离A最近的未匹配凹点B，计算B到预设范围内的未匹配凹点的距离；
步骤3.3：计算完B与其他未匹配凹点距离后，判断A与B各自的最短距离是否相同，若不同，进入步骤3.4；若相同，进入步骤3.5；
步骤3.4：A与B各自的最短距离不相同，将B记为新的A，携带新的A与其他未匹配凹点的距离信息进入步骤3.2；
步骤3.5：A与B各自的最短距离相同，判断A与B之间的连线是否在藻细胞图像内部，若不在藻细胞内部，B点匹配失败，进入步骤3.2。若在藻细胞图像内部，进入步骤3.6；
步骤3.6：A与B之间的连线在藻细胞图像内部，判断A与B之间的连线是否在A、B两个凹点的夹角内，若不在夹角内，B点匹配失败，进入步骤3.2；若在夹角内，进入步骤3.7；
步骤3.7：A与B之间的连线在A、B两个凹点的夹角，匹配凹点A与凹点B；
步骤3.8：匹配上A、B两个凹点后，判断是否所有凹点匹配完毕，若还有凹点未匹配，进入步骤3.1；若所有凹点均已经均已经匹配，进入步骤3.9；
步骤3.9：结束，得到采用了改进凹点匹配方法进行分割后的藻类细胞显微图像；
进一步地，针对圆形藻类细胞三黏连的三个凹点间两两距离基本相同的情况，所述改进凹点匹配方法进一步调整为加入藻类三黏连特殊情况的进一步改进凹点匹配方法，所述加入藻类三黏连特殊情况的进一步改进凹点匹配方法具体包括：
步骤4.1：在已进行了初步分割的藻类细胞显微图像中未匹配的凹点中选择一个点，记为A，计算A到预设范围内的未匹配凹点的距离。
步骤4.2：计算完A与其他未匹配凹点距离后，判断最短的两个距离长度相差是否在预设区间内。若最短的两个距离长度相差在预设区间内，进入步骤4.3；若最短的两个距离长度相差不在预设区间内，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.3：距离凹点A最短的两个距离长度相差在预设区间内，将对应的另外两个凹点记为B、C，计算凹点B与凹点C之间的距离。
步骤4.4：计算凹点B与凹点C之间的距离后，判断BC之间的距离与AB、AC之间的距离相差是否在预设区间内。若相差在预设的区间内，进入步骤4.5；若相差超过了预设区间范围，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.5：BC之间的距离与AB、AC之间的距离相差在预设区间内，判断AB、AC、BC三条连线是否在藻细胞内部。若三条连线都在藻细胞内部，进入步骤4.6；若三条连线不全在或全不在藻细胞内部，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.6：AB、AC、BC三条连线是在藻细胞内部，判断三条连线是否在各个凹点处，都处于对应凹点的夹角内。若三条线都在各自对应凹点的夹角内，进入步骤4.7；若三条线不都在各自对应凹点的夹角内，则特殊三黏连情况匹配失败，进入步骤4.8。
步骤4.7：三条连线都在各自对应凹点的夹角内，找到凹点A、B、C三点的中心点O，匹配OA、OB、OC。特殊三黏连情况匹配成功，进入步骤4.14。
步骤4.8：特殊三黏连情况匹配失败或常规凹点匹配B点失败，开始常规凹点匹配过程，选择距离A最近的未匹配凹点B，计算B到预设范围内的未匹配凹点的距离。
步骤4.9：计算完B与其他未匹配凹点距离后，判断A与B各自的最短距离是否相同。若不同，进入步骤4.10；若相同，进入步骤4.11。
步骤4.10：A与B各自的最短距离不相同，将B记为新的A，携带新A与其他未匹配凹点的距离信息进入步骤4.2。
步骤4.11：A与B各自的最短距离相同，判断A与B之间的连线是否在藻细胞图像内部。若不在藻细胞内部，B点匹配失败，进入步骤4.8。若在藻细胞图像内部，进入步骤4.12。
步骤4.12：A与B之间的连线在藻细胞图像内部，判断A与B之间的连线是否在A、B两个凹点的夹角内。若不在夹角内，B点匹配失败，进入步骤4.8；若在夹角内，进入步骤4.13。
步骤4.13：A与B之间的连线在A、B两个凹点的夹角，匹配凹点A与凹点B。
步骤4.14：匹配上A、B两个凹点后，判断是否所有凹点匹配完毕。若还有凹点未匹配，进入步骤4.1；若所有凹点均已经均已经匹配，进入步骤4.15。
步骤4.15：结束，得到了采用加入藻类三黏连特殊情况的进一步改进凹点匹配方法进行分割后的藻类细胞显微图像。
其中，所述预设范围为以待匹配凹点为中心的半径为稻米种子平均长度的圆形区域。
5.根据权利要求4所述的在藻类细胞显微图像中分割黏连藻类细胞的方法，其特征在于，所述步骤6中对存在孤立凹点的藻类细胞显微图像通过距离变换分割孤立凹点的方法具体包括：
采用距离变换首先是通过标识空间点的方法将预处理后得到的藻类细胞显微图像的二值图转换为一张灰度图像，该灰度图像中目标物的轮廓与原图相似，其像素点的灰度发生了变化，其中，每个像素点的灰度值是原二值图图像中此像素到其边界的最短距离，具体采用欧式距离变换，即像素之间的距离使用欧氏距离计算，设内部点为(xi，yi)，其到边界最短距离所对应的边界点为(xj，yj)，则两者间的欧式距离公式如下式。
经过欧式距离变换公式处理后，像素点距离中心位置越近，欧式距离变换所对应的点灰度值越亮；像素点距离边缘越近，距离变换所对应的点灰度值越暗；
对于经过欧式距离变换处理后的藻类细胞显微图像的二值图，将灰度值的大小想象为高度，该灰度图即为山峰俯视图，其中黑色是山底，颜色越浅则山峰海拔越高，孤立凹点是位于山底的黑色区域，且处于两座山峰的一个交汇处，即孤立凹点位于两座山峰交界处的山底位置；
采用最短路径方法进行分割：从孤立凹点的位置以最短路程从山底位置爬上山峰，然后再从山峰以最短路程爬到另一面的山底位置，其中走过的路径就是分割线；所述最短路径方法一共分为两个阶段：在越过山峰之前，从孤立凹点处沿最陡的方向爬山；在越过最高点山峰之后，沿最陡的方向下山，在图像处理中，爬山的方向即梯度的反方向，下山的方向即梯度方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010252961.7A CN111583178B (zh) | 2020-04-02 | 2020-04-02 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010252961.7A CN111583178B (zh) | 2020-04-02 | 2020-04-02 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583178A true CN111583178A (zh) | 2020-08-25 |
| CN111583178B CN111583178B (zh) | 2022-11-08 |
Family
ID=72112466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010252961.7A Expired - Fee Related CN111583178B (zh) | 2020-04-02 | 2020-04-02 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583178B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
| CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
| CN117351470A (zh) * | 2023-12-04 | 2024-01-05 | 西北工业大学 | 一种基于时空特征的作业人员疲劳检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101424680A (zh) * | 2008-12-11 | 2009-05-06 | 东华大学 | 异形纤维计算机自动识别装置与方法 |
| JP2009199340A (ja) * | 2008-02-21 | 2009-09-03 | Fuji Xerox Co Ltd | データ処理装置、外郭データ生成装置、データ処理プログラム、外郭データ生成プログラム |
| CN106097412A (zh) * | 2016-06-03 | 2016-11-09 | 安徽大学 | 一种基于弯曲层次树的曲线曲折度描述方法 |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
| CN106530272A (zh) * | 2016-10-09 | 2017-03-22 | 山东师范大学 | 基于凹点匹配的重叠蛋白质点分离方法及装置 |
| CN106650738A (zh) * | 2016-11-23 | 2017-05-10 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 |
| CN109118494A (zh) * | 2018-07-24 | 2019-01-01 | 山东大学 | 一种基于凹点匹配的重叠区域分割方法及装置 |
| CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
| CN110246140A (zh) * | 2019-05-14 | 2019-09-17 | 电子科技大学 | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 |
-
2020
- 2020-04-02 CN CN202010252961.7A patent/CN111583178B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009199340A (ja) * | 2008-02-21 | 2009-09-03 | Fuji Xerox Co Ltd | データ処理装置、外郭データ生成装置、データ処理プログラム、外郭データ生成プログラム |
| CN101424680A (zh) * | 2008-12-11 | 2009-05-06 | 东华大学 | 异形纤维计算机自动识别装置与方法 |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
| CN106097412A (zh) * | 2016-06-03 | 2016-11-09 | 安徽大学 | 一种基于弯曲层次树的曲线曲折度描述方法 |
| CN106530272A (zh) * | 2016-10-09 | 2017-03-22 | 山东师范大学 | 基于凹点匹配的重叠蛋白质点分离方法及装置 |
| CN106650738A (zh) * | 2016-11-23 | 2017-05-10 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 |
| CN109118494A (zh) * | 2018-07-24 | 2019-01-01 | 山东大学 | 一种基于凹点匹配的重叠区域分割方法及装置 |
| CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
| CN110246140A (zh) * | 2019-05-14 | 2019-09-17 | 电子科技大学 | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| LU GAO 等: "Segmentation of touching seeds based on shape feature and multiple concave point detection", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGING SYSTEMS AND TECHNIQUES (IST)》 * |
| 邱立英 等: "基于主凹点检测的血细胞图像去粘连分割算法研究", 《微型机与应用》 * |
| 陈树越等: "基于凹点检测的粮仓粘连害虫图像分割算法", 《计算机工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
| CN114067114B (zh) * | 2021-11-12 | 2024-05-03 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
| CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
| CN117351470A (zh) * | 2023-12-04 | 2024-01-05 | 西北工业大学 | 一种基于时空特征的作业人员疲劳检测方法 |
| CN117351470B (zh) * | 2023-12-04 | 2024-03-19 | 西北工业大学 | 一种基于时空特征的作业人员疲劳检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583178B (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
| CN110246140B (zh) | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 | |
| CN102044069B (zh) | 一种白细胞图像分割方法 | |
| CN103971128B (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
| CN103136528B (zh) | 一种基于双边缘检测的车牌识别方法 | |
| WO2020000253A1 (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
| CN108052904B (zh) | 车道线的获取方法及装置 | |
| CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
| CN101114335A (zh) | 全角度快速指纹识别方法 | |
| CN102663700B (zh) | 粘连颗粒二值图像的分割方法 | |
| CN101520890B (zh) | 一种基于灰度特征图像的粘连染色体自动分割方法 | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN102982545A (zh) | 一种图像深度估计方法 | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| CN108846844A (zh) | 一种基于海天线的海面目标检测方法 | |
| CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
| CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
| CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
| Asgarian Dehkordi et al. | Vehicle type recognition based on dimension estimation and bag of word classification | |
| CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
| Wang et al. | Road detection based on illuminant invariance and quadratic estimation | |
| CN105336035A (zh) | 一种脏污冠字号图像分类的方法与系统 | |
| CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
| CN113837094A (zh) | 基于全色高分遥感图像的路况快捷分析方法 | |
| CN105160300A (zh) | 一种基于水平集分割的文本抽取方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221108 |