CN111583255A - 面向多领域的高适应性识别计数方法 - Google Patents

Abstract

本发明公开了一种面向多领域的高适应性识别计数方法，适于对目标进行计数，其包括如下步骤：输入待测图像；对所述待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI；提取所述目标区域ROI的阵列特征；依据所述阵列特征判断所述目标是否呈规则阵列分布，依据判断结果对所述目标进行计数，以得到所述目标的计数值；本发明的面向多领域的高适应性识别计数方法可自动寻找目标并进行计数操作，以满足不同领域的计数需求，且无需重复开发、部署，其适应性强、计数效率高，能够大大缩短计数方法的开发周期，有效提高生产率。

Description

面向多领域的高适应性识别计数方法

技术领域

本发明涉及计数方法技术领域，尤其涉及一种面向多领域的高适应性识别计数方法。

背景技术

在生物、医药、半导体、化工等领域，经常需要对目标对象进行识别，并统计其数量，作为后续研究、生产等的依据。例如生物领域统计样本内癌变细胞数量，作为癌变判断的依据；医药领域计算单位批次药品数量，判断产线的稳定性；半导体领域识别晶片切割的数量，判断切割利用率及良率；化工领域感知金相碳素的数量，判断金属材料的性能和品质。

现有的识别并计数的方法主要有人工识别法、光电感应法、生物融合法、图像处理法。其中，人工识别法采用人的经验来识别特定的目标并计数，各领域广泛采用，对于着重经验，并不依赖效率的场合，普遍采用这一方法，但这样严重依赖人力，并且经验的不稳定大，造成重复精度差、效率低；光电感应法采用光电感应传感器计数，多见于工业流水线，仅适用于简单的无差别计数，不能对目标物体进行智能识别计数；生物融合法多见于生物科技领域，采用细胞工程中的受体结合原理，来筛选目标细胞，完成识别和计数，但这种方法成本高，代价大，且破坏了识别对象；图像处理法是在各个领域广泛采用的间接识别方法，对目标物体无破坏性，且能兼顾精度和效率，但现有的图像识别方法都是针对单一领域采用的单一处理方法，针对不同的领域和不同的产品，都要进行定制的开发和部署，适应性差、效率低。

因此，亟需一种面向多领域的高适应性识别计数方法来解决上述问题。

发明内容

本发明的目的是提供一种面向多领域的高适应性识别计数方法，可自动寻找目标并进行计数操作，以满足不同领域的计数需求，且无需重复开发、部署，其适应性强、计数效率高，能够大大缩短计数方法的开发周期，有效提高生产率。

为了实现上有目的，本发明公开了一种面向多领域的高适应性识别计数方法，适于对目标进行计数，其包括如下步骤：

S1、输入待测图像；

S2、对所述待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI；

S3、提取所述目标区域ROI的阵列特征；

S4、依据所述阵列特征判断所述目标是否呈规则阵列分布，依据判断结果对所述目标进行计数，以得到所述目标的计数值。

与现有技术相比，本发明的面向多领域的高适应性识别计数方法，一方面，对待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI，针对不同领域的待测图像分析获得目标区域ROI，以满足不同领域的计数需求；另一方面，本发明提取目标区域ROI的阵列特征，依据阵列特征判断目标是否呈规则阵列分布，依据判断结果对目标进行计数，以得到目标的计数值，无需针对不同领域的目标重复开发、部署分析方法，适应性强，其计数方法简单、且相较于现有的技术具有很强的适应性，对大部分领域的计数目标均适用。

较佳地，所述步骤(3)进一步包括如下步骤：

S31、提取所述目标区域ROI的形状特征；

所述步骤(4)具体包括如下步骤：

S41、若所述目标呈规则阵列分布，则依据规则阵列对所述目标进行计数；

S42、若所述目标呈非规则阵列分布，则依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数。

具体地，所述步骤(42)中，依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数，具体包括如下步骤：

S421、若所述目标呈规则形状设置，则依据所述形状特征对所述目标进行计数；

S422、若所述目标呈非规则形状设置，则对所述目标区域ROI进行差分法处理，得到初步目标区域；

S423、判断所述初步目标区域是否存在粘连，依据判断结果对所述目标进行计数。

更具体地，所述步骤(423)具体包括如下步骤：

S4231、若所述初步目标区域存在粘连，则消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，并对所述目标进行计数；

S4232、若所述初步目标区域不存在粘连，则直接对所述目标进行计数。

较佳地，所述步骤(3)进一步包括如下步骤：

S301、对所述目标区域ROI进行Blob分析，提取所述目标区域ROI的边界；

S302、将所述边界进行直线拟合，得到若干线段，并筛选前40％长度的长线段；

S303、计算所有长线段的角度，得出概率分布曲线；

S304、若所述概率分布曲线为正态分布，则所述目标区域ROI为阵列特征，若所述概率分布曲线为均匀分布，则所述目标区域ROI为非阵列特征；

S305、若所述概率分布曲线为正态分布且具有多个波峰，则所述目标区域ROI为纵横阵列特征，若所述概率分布曲线为正态分布且具有一个波峰，则所述目标区域ROI为单向阵列特征。

具体地，所述步骤(304)进一步包括如下步骤：

S3041、若所述概率分布曲线为正态分布且具有多个波峰，则分别提取角度在-π/4～π/4的长线段和π/4～3π/4的长线段；

S3042、构建仿射变换矩阵，将所述目标区域ROI进行仿射变换，使其中的长线段水平；

S3043、变换后的所述目标区域ROI进行水平灰度投影，得到投影数组；

S3044、构建投影数组函数，并平滑所述投影数组函数；

S3045、求出所述投影数组函数的一阶和二阶导数；

S3046、求出所述投影数组函数的一阶导数的零点所对应的坐标值，标记为灰度均质区域所在的坐标；

S3047、求出所述投影数组函数的一阶导数值为零时对应的二阶导数的值，并与预设阈值比较，得出所述灰度均质区域的中点坐标；

S3048、将得到的中点坐标数组进行错位相减，得到均质区域间距值；

S3049、求平均后得到均质区域间距均值，并与均质区域间距值比较，剔除离群坐标，得到目标区域坐标；

S30410、若所述概率分布曲线为正态分布且具有一个波峰，则目标区域坐标数为所述目标的计数值；

S30411、若所述概率分布曲线为正态分布且具有多个波峰，构造目标区域坐标线段，并将线段逆仿射变换，则线段围成的区域数量为所述目标的计数值。

较佳地，所述步骤(31)进一步包括如下步骤：

S311、建立多形状特征模板库；

S312、对所述目标区域ROI进行多类型模板匹配，以确定最佳匹配方式；

S313、计算多类型模板匹配，得到多结果数量；

S314、若所述多结果数量均低于预设阈值，则判断所述目标区域ROI为不规则形状特征；

S315、若多结果数量中至少一个的数量高于预设阈值，则判断所述目标区域ROI为标准形状特征，并通过对比数量得出最佳匹配方式；

S316、依据所述最佳匹配方式得到匹配结果数量，所述匹配结果数量记为所述目标的计数值。

具体地，所述多类型模板匹配包括普通模板匹配、比例模板匹配、变形模型匹配。

较佳地，所述步骤(422)中，对所述目标区域ROI进行差分法处理，得到初步目标区域，具体包括如下步骤：

S4221、对所述目标区域ROI进行Blob分析，提取所述目标区域ROI背景的边界；

S4222、使用二值化和形态学，提取所述目标区域ROI；

S4223、将所述目标区域ROI的补集喷涂背景色，形成合成图像；

S4224、使用掩模对所述合成图像进行中值筛选，得到中值图像；

S4225、使用所述合成图像与中值图像差分，得到差分图像；

S4226、使用二值化与特征筛选获得所述初步目标区域。

较佳地，所述步骤(4231)中，消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，具体包括如下步骤：

S42311、对所述初步目标区域进行距离变换，得到距离图像；

S42312、将所述距离图像取反、映射，得到映射图像；

S42313、将所述映射图像采用分水岭分割，并与所述映射图像取交集；

S42314、使用二值化与特征筛选以获得不存在粘连的所述目标。

附图说明

图1是本发明的面向多领域的高适应性识别计数方法的流程框图。

图2是本发明的面向多领域的高适应性识别计数方法的一优选方式的流程框图。

图3是本发明的面向多领域的高适应性识别计数方法中步骤(4)进一步的流程框图。

图4是本发明的面向多领域的高适应性识别计数方法中步骤(42)进一步的流程框图。

图5是本发明的面向多领域的高适应性识别计数方法中步骤(423)进一步的流程框图。

图6是本发明的面向多领域的高适应性识别计数方法中步骤(3)的具体流程框图。

图7是本发明的面向多领域的高适应性识别计数方法中步骤(304)的具体流程框图。

图8是本发明的面向多领域的高适应性识别计数方法中步骤(31)的具体流程框图。

图9是本发明的面向多领域的高适应性识别计数方法中步骤(422)的具体流程框图。

图10是本发明的面向多领域的高适应性识别计数方法中步骤(4231)的具体流程框图。

图11是本发明的面向多领域的高适应性识别计数方法的执行流程图。

图12是待测图像中目标区域ROI呈矩阵特征的示意图。

图13是待测图像中目标区域ROI呈形状特征的示意图。

图14是待测图像中目标区域ROI呈非矩阵特征时不存在粘连的示意图。

图15是待测图像中目标区域ROI呈非矩阵特征时存在粘连的示意图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

请参阅图1、图11、图12、图13、图14和图15所示，本实施例的本发明公开了一种面向多领域的高适应性识别计数方法，适于对目标进行计数，其包括如下步骤：

S1、输入待测图像。该待测图像可以是灰度图像，或者颜色通道拆分后，目标对比度最高的图像。当待测图像是三通道图像时，综合使用灰度转换、HSV和RGB，以筛选出待测图像中，目标对比度最高的单通道图像。

S2、对所述待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI。对于单通道图像，本发明根据预估的目标灰度和形特征，采用Blob分析、形态学的方法，提取待测图像的目标区域ROI，图12-图15示出了不同类型的待测图像。

S3、提取所述目标区域ROI的阵列特征。

S4、依据所述阵列特征判断所述目标是否呈规则阵列分布，依据判断结果对所述目标进行计数，以得到所述目标的计数值。其中，图12给出了所述目标区域ROI呈阵列特征的示意图。

请参阅图2、图3、图12、图13、图14和图15所示，较佳地，所述步骤(3)进一步包括如下步骤：

S31、提取所述目标区域ROI的形状特征，图13给出了所述目标区域ROI为形状特征的示意图。结合步骤(3)，针对不同领域的带计数的目标，一般为具有规则的阵列和规则的形状的目标(多见于自动化产线)，也有具有非规则的阵列和非规则的形状的目标(多见于生物、化工领域)，因此，为了适应不同领域，本发明分别提取所述目标区域ROI的阵列特征和形状特征，以满足后续对各种类型的目标的分析计算。

所述步骤(4)具体包括如下步骤：

S41、若所述目标呈规则阵列分布，则依据规则阵列对所述目标进行计数。

S42、若所述目标呈非规则阵列分布，则依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数。图14和图15分别给出了所述目标区域ROI为非形状特征的两种示意图。

请参阅图4、图14和图15所示，具体地，所述步骤(42)中，依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数，具体包括如下步骤：

S421、若所述目标呈规则形状设置，则依据所述形状特征对所述目标进行计数。

S422、若所述目标呈非规则形状设置，则对所述目标区域ROI进行差分法处理，得到初步目标区域。图14和图15为需要进行差分处理的所述目标区域ROI。

S423、判断所述初步目标区域是否存在粘连，依据判断结果对所述目标进行计数。

请参阅图5、图14和图15所示，更具体地，所述步骤(423)具体包括如下步骤：

S4231、若所述初步目标区域存在粘连，则消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，并对所述目标进行计数。图15给出了所述目标区域ROI存在粘连的示意图。

S4232、若所述初步目标区域不存在粘连，则直接对所述目标进行计数。图14给出了所述目标区域ROI不存在粘连的示意图。

请参阅图6所示，较佳地，所述步骤(3)进一步包括如下步骤：

S301、对所述目标区域ROI进行Blob分析，提取所述目标区域ROI的边界；

S302、将所述边界进行直线拟合，得到若干线段，并筛选前40％长度的长线段；

S303、计算所有长线段的角度，得出概率分布曲线；

S304、若所述概率分布曲线为正态分布，则所述目标区域ROI为阵列特征，若所述概率分布曲线为均匀分布，则所述目标区域ROI为非阵列特征；

S305、若所述概率分布曲线为正态分布且具有多个波峰，则所述目标区域ROI为纵横阵列特征，若所述概率分布曲线为正态分布且具有一个波峰，则所述目标区域ROI为单向阵列特征。

请参阅图7所示，具体地，所述步骤(304)进一步包括如下步骤：

S3041、若所述概率分布曲线为正态分布且具有多个波峰，则分别提取角度在-π/4～π/4的长线段和π/4～3π/4的长线段；

S3042、构建仿射变换矩阵，将所述目标区域ROI进行仿射变换，使其中的长线段水平；

S3043、变换后的所述目标区域ROI进行水平灰度投影，得到投影数组；

S3044、构建投影数组函数，并平滑所述投影数组函数；

S3045、求出所述投影数组函数的一阶和二阶导数；

S3046、求出所述投影数组函数的一阶导数的零点所对应的坐标值，标记为灰度均质区域所在的坐标；

S3047、求出所述投影数组函数的一阶导数值为零时对应的二阶导数的值，并与预设阈值比较，得出所述灰度均质区域的中点坐标；

S3048、将得到的中点坐标数组进行错位相减，得到均质区域间距值；

S3049、求平均后得到均质区域间距均值，并与均质区域间距值比较，剔除离群坐标，得到目标区域坐标；

S30410、若所述概率分布曲线为正态分布且具有一个波峰，则目标区域坐标数为所述目标的计数值；

S30411、若所述概率分布曲线为正态分布且具有多个波峰，构造目标区域坐标线段，并将线段逆仿射变换，则线段围成的区域数量为所述目标的计数值。

请参阅图8所示，较佳地，所述步骤(31)进一步包括如下步骤：

S311、建立多形状特征模板库；

S312、对所述目标区域ROI进行多类型模板匹配，以确定最佳匹配方式；

S313、计算多类型模板匹配，得到多结果数量；

S314、若所述多结果数量均低于预设阈值，则判断所述目标区域ROI为不规则形状特征；

S315、若多结果数量中至少一个的数量高于预设阈值，则判断所述目标区域ROI为标准形状特征，并通过对比数量得出最佳匹配方式；

S316、依据所述最佳匹配方式得到匹配结果数量，所述匹配结果数量记为所述目标的计数值。

具体地，所述多类型模板匹配包括普通模板匹配、比例模板匹配、变形模型匹配。

上述模板匹配采用平均绝对差算法，来计算模板与目标图像的匹配误差D，D最小则为目标，误差D的计算公式如下：

，1≤i≤m-M+1，1≤j≤n-N+1，其中，S(x,y)是大小为m×n的搜索图像，T(x,y)是大小为M×N的模板图像。

请参阅图9所示，较佳地，所述步骤(422)中，对所述目标区域ROI进行差分法处理，得到初步目标区域，具体包括如下步骤：

S4221、对所述目标区域ROI进行Blob分析，提取所述目标区域ROI背景的边界；

S4222、使用二值化和形态学，提取所述目标区域ROI；

S4223、将所述目标区域ROI的补集喷涂背景色，形成合成图像；

S4224、使用掩模对所述合成图像进行中值筛选，得到中值图像；

S4225、使用所述合成图像与中值图像差分，得到差分图像；

S4226、使用二值化与特征筛选获得所述初步目标区域。

上述差分图像中，每一个像素的灰度值为G，计算公式如下：

G1代表第一幅图像的灰度值，G2代表第二幅图像的灰度值，M代表两幅图像相减后的增益，N代表差分图像的灰度增量。上述公式计算得出的效果是将第一幅图像相对于第二幅图像中的亮场增强，减弱同质区域。

请参阅图10所示，较佳地，所述步骤(4231)中，消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，具体包括如下步骤：

S42311、对所述初步目标区域进行距离变换，得到距离图像；

S42312、将所述距离图像取反、映射，得到映射图像；

S42313、将所述映射图像采用分水岭分割，并与所述映射图像取交集；

S42314、使用二值化与特征筛选以获得不存在粘连的所述目标。

结合图1-图15，本发明的面向多领域的高适应性识别计数方法，一方面，对待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI，针对不同领域的待测图像分析获得目标区域ROI，以满足不同领域的计数需求；另一方面，本发明提取目标区域ROI的阵列特征，依据阵列特征判断目标是否呈规则阵列分布，依据判断结果对目标进行计数，以得到目标的计数值，无需针对不同领域的目标重复开发、部署分析方法，适应性强，其计数方法简单、且相较于现有的技术具有很强的适应性，对大部分领域的计数目标均适用。

以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种面向多领域的高适应性识别计数方法，适于对目标进行计数，其特征在于，包括如下步骤：

输入待测图像；

对所述待测图像的待测区域进行基于灰度信息及形状信息分析，得到目标区域ROI；

提取所述目标区域ROI的阵列特征；

依据所述阵列特征判断所述目标是否呈规则阵列分布，依据判断结果对所述目标进行计数，以得到所述目标的计数值。

2.如权利要求1所述的面向多领域的高适应性识别计数方法，其特征在于，所述提取所述目标区域ROI的阵列特征，进一步包括如下步骤：

提取所述目标区域ROI的形状特征；

所述依据所述阵列特征判断所述目标是否呈规则阵列分布，依据判断结果对所述目标进行计数，具体包括如下步骤：

若所述目标呈规则阵列分布，则依据规则阵列对所述目标进行计数；

若所述目标呈非规则阵列分布，则依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数。

3.如权利要求2所述的面向多领域的高适应性识别计数方法，其特征在于，所述依据所述形状特征判断所述目标是否呈规则形状设置，依据判断结果对所述目标进行计数，具体包括如下步骤：

若所述目标呈规则形状设置，则依据所述形状特征对所述目标进行计数；

若所述目标呈非规则形状设置，则对所述目标区域ROI进行差分法处理，得到初步目标区域；

判断所述初步目标区域是否存在粘连，依据判断结果对所述目标进行计数。

4.如权利要求3所述的面向多领域的高适应性识别计数方法，其特征在于，所述判断所述初步目标区域是否存在粘连，依据判断结果对所述目标进行计数，具体包括如下步骤：

若所述初步目标区域存在粘连，则消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，并对所述目标进行计数；

若所述初步目标区域不存在粘连，则直接对所述目标进行计数。

5.如权利要求1所述的面向多领域的高适应性识别计数方法，其特征在于，所述提取所述目标区域ROI的阵列特征，进一步包括如下步骤：

对所述目标区域ROI进行Blob分析，提取所述目标区域ROI的边界；

将所述边界进行直线拟合，得到若干线段，并筛选前40％长度的长线段；

计算所有长线段的角度，得出概率分布曲线；

若所述概率分布曲线为正态分布，则所述目标区域ROI为阵列特征，若所述概率分布曲线为均匀分布，则所述目标区域ROI为非阵列特征。

6.如权利要求5所述的面向多领域的高适应性识别计数方法，其特征在于，所述若所述概率分布曲线为正态分布，则所述目标区域ROI为阵列特征，若所述概率分布曲线为均匀分布，则所述目标区域ROI为非阵列特征，进一步包括如下步骤：

若所述概率分布曲线为正态分布且具有多个波峰，则分别提取角度在-π/4～π/4的长线段和π/4～3π/4的长线段；

构建仿射变换矩阵，将所述目标区域ROI进行仿射变换，使其中的长线段水平；

变换后的所述目标区域ROI进行水平灰度投影，得到投影数组；

构建投影数组函数，并平滑所述投影数组函数；

求出所述投影数组函数的一阶和二阶导数；

求出所述投影数组函数的一阶导数的零点所对应的坐标值，标记为灰度均质区域所在的坐标；

求出所述投影数组函数的一阶导数值为零时对应的二阶导数的值，并与预设阈值比较，得出所述灰度均质区域的中点坐标；

将得到的中点坐标数组进行错位相减，得到均质区域间距值；

求平均后得到均质区域间距均值，并与均质区域间距值比较，剔除离群坐标，得到目标区域坐标；

若所述概率分布曲线为正态分布且具有一个波峰，则目标区域坐标数为所述目标的计数值；

若所述概率分布曲线为正态分布且具有多个波峰，构造目标区域坐标线段，并将线段逆仿射变换，则线段围成的区域数量为所述目标的计数值。

7.如权利要求2所述的面向多领域的高适应性识别计数方法，其特征在于，所述提取所述目标区域ROI的形状特征，进一步包括如下步骤：

建立多形状特征模板库；

对所述目标区域ROI进行多类型模板匹配，以确定最佳匹配方式；

计算多类型模板匹配，得到多结果数量；

若所述多结果数量均低于预设阈值，则判断所述目标区域ROI为不规则形状特征；

若多结果数量中至少一个的数量高于预设阈值，则判断所述目标区域ROI为标准形状特征，并通过对比数量得出最佳匹配方式；

依据所述最佳匹配方式得到匹配结果数量，所述匹配结果数量记为所述目标的计数值。

8.如权利要求7所述的面向多领域的高适应性识别计数方法，其特征在于，所述多类型模板匹配包括普通模板匹配、比例模板匹配、变形模型匹配。

9.如权利要求3所述的面向多领域的高适应性识别计数方法，其特征在于，所述对所述目标区域ROI进行差分法处理，得到初步目标区域，具体包括如下步骤：

对所述目标区域ROI进行Blob分析，提取所述目标区域ROI背景的边界；

使用二值化和形态学，提取所述目标区域ROI；

将所述目标区域ROI的补集喷涂背景色，形成合成图像；

使用掩模对所述合成图像进行中值筛选，得到中值图像；

使用所述合成图像与中值图像差分，得到差分图像；

使用二值化与特征筛选获得所述初步目标区域。

10.如权利要求3所述的面向多领域的高适应性识别计数方法，其特征在于，所述消除所述初步目标区域的粘连，以得到不存在粘连的所述目标，具体包括如下步骤：

对所述初步目标区域进行距离变换，得到距离图像；

将所述距离图像取反、映射，得到映射图像；

将所述映射图像采用分水岭分割，并与所述映射图像取交集；

使用二值化与特征筛选以获得不存在粘连的所述目标。

Images