CN111932542B - 一种基于多焦距的图像识别方法及装置、存储介质 - Google Patents
一种基于多焦距的图像识别方法及装置、存储介质 Download PDFInfo
- Publication number
- CN111932542B CN111932542B CN202011094140.1A CN202011094140A CN111932542B CN 111932542 B CN111932542 B CN 111932542B CN 202011094140 A CN202011094140 A CN 202011094140A CN 111932542 B CN111932542 B CN 111932542B
- Authority
- CN
- China
- Prior art keywords
- image
- detection target
- target
- detection
- sample
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Microscoopes, Condenser (AREA)
Abstract
一种基于多焦距的图像识别方法及装置、存储介质,其中图像识别方法包括:获取多幅不同焦距的样本图像;对各幅样本图像分别进行目标识别,得到每幅样本图像中各检测目标的识别信息;根据各幅样本图像中各检测目标的识别信息进行去重处理,将去重后的检测目标存入预设的多焦点图像目标集中。本申请技术方案无需进行样本图像的多焦点重建就可以有效地识别出所有检测目标,如此不仅能够提高图像识别的准确度,还能够提高图像处理速度且缩短识别所需的时间,从而有助于提升医疗检测装置的实用性能。
Description
技术领域
本发明涉及医疗检测技术领域,具体涉及一种基于多焦距的及装置、存储介质。
背景技术
在现有医疗检测装置中,往往需要拍摄获取样本在染色或者显色后的图像,摄取的图像质量对后续的样本分析起到至关重要的作用。当被拍摄对象的厚度大于景深时,则拍摄出的图像中会存在部分位于焦平面而部分处于离焦状态的情况,即近处物体拍摄清楚而远处物体模糊,此时就不能很好地获取失焦部分物体的信息,那么采用单一焦点图像进行识别时就会使得图像识别的准确率受到严重影响。
目前,解决失焦问题的技术手段是同时拍摄不同焦点的图像,得到清晰的远处物体图像和清晰的近处物体图像之后进行算法融合,从而获得一张远处物体清晰且近处物体也清晰的图像。但是,这种算法融合方式还存在着几点不足,例如,该方式要求得到多张焦点图像时,物体不能有位移,否则算法融合无法避免“拖影”的现象;此外,该方式需要遍历多张图像的所有像素点,则在处理高清图像时会严重拖慢融合算法的运算速度,占用过多的系统资源,从而降低用户的设备体验感。
发明内容
本发明主要解决的技术问题是:如何提高医疗检测装置中样本图像识别的准确度。为解决上述技术问题,本申请提供一种基于多焦距的图像识别方法及装置、存储介质。
根据第一方面,一种实施例中提供一种基于多焦距的图像识别方法,其包括:获取多幅不同焦距的样本图像;每幅所述样本图像包括一个或多个检测目标;对各幅所述样本图像分别进行目标识别,得到每幅所述样本图像中各所述检测目标的识别信息;根据各幅所述样本图像中各所述检测目标的识别信息进行去重处理,将去重后的所述检测目标存入预设的多焦点图像目标集中。
所述获取多幅不同焦距的样本图像包括:控制显微镜的焦点聚焦于样本上不同焦距对应的焦平面;通过相机拍摄获取每个所述焦平面在相同视野下的图像并作为对应焦距的样本图像。
所述检测目标为细胞和/或微生物的成像状态;所述样本用于在静止预设的时间后进行拍摄取像。
所述对各幅所述样本图像分别进行目标识别,得到每幅所述样本图像中各所述检测目标的识别信息包括:将每幅所述样本图像输入至预设的目标识别算法,通过所述目标识别算法生成各所述检测目标的识别信息;所述识别信息包括所述检测目标的所属类别、识别结果置信度和所在图像区域的坐标。
所述根据各幅所述样本图像中各所述检测目标的识别信息进行去重处理,将去重后的所述检测目标存入预设的多焦点图像目标集中包括:根据各所述检测目标的识别信息判断多幅所述样本图像中归类于同一检测目标的若干个所述检测目标,并对归类于同一检测目标的若干个所述检测目标进行去重;将去重后所述检测目标存入预设的多焦点图像目标集中。
所述根据各所述检测目标的识别信息判断多幅所述样本图像中归类于同一检测目标的若干个所述检测目标,并对归类于同一检测目标的若干个所述检测目标进行去重包括:根据所述识别信息中所述检测目标的所属类别判断所述检测目标的类别;遍历各所述检测目标,根据所述检测目标的所在图像区域的坐标找到多幅所述样本图像中归类于同一所述检测目标的若干个所述检测目标;根据所述检测目标的识别结果置信度在多幅所述样本图像且归类于同一所述检测目标的若干个所述检测目标中选择一所述检测目标。
所述遍历各所述检测目标,根据所述检测目标的所在图像区域的坐标找到多幅所述样本图像中归类于同一所述检测目标的若干个所述检测目标包括:所述检测目标的所在图像区域的坐标为所述检测目标的所在图像区域的两对角点的坐标,根据每个所述检测目标所在图像区域的两对角点坐标形成矩形区域;计算每两个所述检测目标所在图像区域的两对角点坐标形成的矩形区域的重合面积与每两个所述检测目标所在图像区域的两对角点坐标形成的矩形区域的总面积的比值,若所述比值大于或等于预设的阈值,则判断这两个所述检测目标归类于同一所述检测目标。
所述根据所述检测目标的识别结果置信度在多幅所述样本图像且归类于同一所述检测目标的若干个所述检测目标中选择一所述检测目标包括:对归类于同一所述检测目标的若干个所述检测目标的识别结果置信度进行排序,并将识别结果置信度最高的所述检测目标确定为最佳的所述检测目标。
根据第二方面,一种实施例中提供一种医疗检测装置,其包括显微镜、相机、检测器;所述显微镜的物镜用于以不同的焦距对焦于滴有样本的玻片;所述相机用于通过所述显微镜的目镜对所述玻片进行拍摄取像;所述检测器分别与所述显微镜和所述相机信号连接,用于根据上述第一方面中所述的图像识别方法得到多焦点图像目标集;所述多焦点图像目标集用于显示以便用户查看存入的所述检测目标。
根据第三方面,一种实施例中提供一种计算机可读存储介质,其包括程序,所述程序能够被处理器执行以实现上述第一方面中所述的图像识别方法。
本申请的有益效果是:
依据上述实施例的一种基于多焦距的图像识别方法及装置、存储介质。其中图像识别方法包括:获取多幅不同焦距的样本图像;对各幅样本图像分别进行目标识别,得到每幅样本图像中各检测目标的识别信息;根据各幅样本图像中各检测目标的识别信息进行去重处理,将去重后的检测目标存入预设的多焦点图像目标集中。第一方面,由于获取多幅不同焦距的样本图像,则便于从各幅样本图像中识别出清晰的检测目标,可以避免单一焦点图像导致的部分图像区域失焦的问题发生;第二方面,由于对各幅样本图像分别进行目标识别并得到每幅样本图像中各检测目标的识别信息,使得检测目标的所属类别、识别结果置信度和所在图像区域的坐标得以充分考虑,利于区分出每幅样本图像中的各检测目标,从而得到各样本图像中的全部目标区域;第三方面,由于根据各幅样本图像中各检测目标的识别信息进行去重处理,则不仅可以对全部检测目标进行准确归类,还可以从归类于同一检测目标的若干个检测目标中选择出清晰的检测目标,从而提高目标去重的准确度,还能够有效克服拖影等不利情况造成的干扰;第四方面,由于将去重后的检测目标存入预设的多焦点图像目标集中,使得多焦点图像目标集中展示的是清晰的检测目标,既利于用户准确查看样本的状态,也利于系统对图像进一步地分析处理;第五方面,本申请技术方案无需进行样本图像的多焦点重建就可以有效地识别出所有检测目标,不仅能够提高图像识别的准确率,还能够提高图像处理速度且缩短识别所需的时间,从而有助于提升医疗检测装置的实用性能。
附图说明
图1为本申请中医疗检测装置的结构示意图;
图2为本申请中基于多焦距的图像识别方法的流程图;
图3为获取样本图像的流程图;
图4为获得检测目标的识别信息的流程图;
图5为检测目标去重处理并存入多焦点图像目标集的流程图;
图6为对各检测目标进行去重处理的流程图;
图7为另一种实施例中医疗检测装置的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
实施例一、
请参考图1,本实施中公开一种医疗检测装置,其包括显微镜11、相机12、检测器13,下面分别说明。
显微镜11具有载物台111、物镜112和目镜113,其中载物台111用于承载滴入有样本的玻片,物镜112用于以不同的焦距对焦于滴有样本的玻片,目镜113用于视觉观察玻片上反射进入物镜112的映像。此外,物镜112具有自动变焦能力,通过切换不同镜头或者焦距微调来实现变焦。
相机12设于目镜113处,用于通过显微镜11的目镜113对玻片进行拍摄取像。相机的类型和摄像参数可以根据实际需要而选定,这里不做限制。
检测器13是具有信号控制和数据处理功能的电子设备,且分别与显微镜11和相机12信号连接。该检测器13主要用于根据实施例二中介绍的图像识别方法得到多焦点图像目标集;这里的多焦点图像目标集用于显示以便用户查看存入的检测目标。
在本实施例中,检测器13可以向显微镜11发送变焦调节信号,从而使得物镜112的焦点聚焦于玻片的不同样本层,进而在各样本层的位置分别形成不同焦距对应的焦平面。由于焦距的不同,焦点将落在不同的焦平面上,因此可以对玻片上的不同样本层进行聚焦,从而得到聚焦处的清晰图像。
在本实施例中,检测器13还可以向相机12发送拍摄调节信号,从而使得相机12拍摄获取每个焦平面在相同视野下的图像,并将摄取的图像作为对应焦距的样本图像。相同视野是指相机12在玻片上的取像范围不发生变化。
在本实施例中,为得到多焦点图像目标集,检测器13首先从相机12获取多幅不同焦距的样本图像,每幅样本图像包括一个或多个检测目标,这里的检测目标可以认为是细胞和/或微生物的成像状态;然后,检测器13对各幅样本图像分别进行目标识别,得到每幅样本图像中各检测目标的识别信息,这里的识别信息包括检测目标的所属类别、识别结果置信度和所在图像区域的坐标;最后,检测器13根据各幅样本图像中各检测目标的识别信息进行目标去重处理,将去重后的检测目标存入预设的多焦点图像目标集中。关于检测器13的具体功能可以参考下文的实施例二。
本领域的技术人员可以理解,检测器13将去重后的检测目标存入预设的多焦点图像目标集中,使得多焦点图像目标集中展示的是清晰的检测目标,既利于用户准确查看样本中所有物体(如细胞和/或微生物)的状态,也利于系统对图像进一步地分析处理(如统计物体的数目或活动状态等)。
在另一个实施例中,检测器13可以是设备主控面板,该主控面板不仅可以收发信号和处理图像数据,还可以连接显示器等辅助设备,从而对生成的多焦点图像目标集进行图像显示,甚至可以连接至上位机,从而将生成的多焦点图像目标集发送至上位机以进行图像显示。
实施例二、
在实施例一中公开的医疗检测装置的基础上,本实施例中公开一种基于多焦距的图像识别方法,该图像识别方法主要应用在图1中示意的检测器13上,从而实现相应的功能。
请参考图2,在本实施例中,请求保护的图像识别方法包括步骤S210-S230,下面分别说明。
步骤S210,获取多幅不同焦距的样本图像,其中每幅样本图像包括一个或多个检测目标,这里的检测目标可以为细胞和/或微生物的成像状态,那么每个检测目标就对应单个细胞或单个微生物。
在本实施例中,为使得样本在玻片上处于较好的分布状态并摄取到较好的样本图像,可以在样本滴于玻片上且静止预设的时间后由检测器13控制相机12进行拍摄取像,比如静止时间为10~30s。
在本实施例中,检测器13可以控制显微镜11的物镜112进行连续变焦,同时控制相机12在相同视野下连续拍摄多幅不同焦距的样本图像。
步骤S220,对各幅样本图像分别进行目标识别,得到每幅样本图像中各检测目标的识别信息。
由于样本图像中包括一个或多个检测目标,且每个检测目标所在的像素区域具有区别于环境像素的颜色和形状,所以可以据此对各幅样本图像中的检测目标进行目标识别,从而容易得到检测目标的所属类别、识别结果置信度和所在图像区域的坐标等识别信息。
在本实施例中,可以采用现有的图像识别技术或者未来出现的图像识别技术对每一幅样本图像进行目标识别处理。比如,利用深度学习、Burns(基于线状特征提取的目标识别技术)等方式来实现,在采用深度学习的方式时,可以先构建深度学习模型并利用标注好的样本图像来进行训练和学习,从而借助训练好的深度学习模型对输入的各幅未标注的样本图像进行目标识别处理,输出样本图像中每个检测目标的识别信息。
步骤S230,根据各幅样本图像中各检测目标的识别信息进行去重处理,将去重后的检测目标存入预设的多焦点图像目标集中。
由于各幅样本图像反应的是玻片中不同样本层的成像状态,那么各幅样本图像中相同像素位置就可能表示的是同一个检测目标,此时就有必要对各幅样本图像中归类于同一个检测目标的若干个检测目标进行去重,从而仅保留其中清晰度最高的检测目标。那么可以理解,多焦点图像目标集中存入的各检测目标实质上是高清晰度检测目标的图像区域像素,不同检测目标分别对应的图像区域像素可能来自于不同的样本图像。
在一个具体实施例中,上述步骤S210主要涉及获取多幅不同焦距的样本图像的过程,那么参见图3,该步骤可以具体包括步骤S211-S212,这里结合图1对具体步骤的分别说明如下。
步骤S211,检测器13控制显微镜11的焦点聚焦于样本上不同焦距对应的焦平面。可以理解,显微镜的物镜焦点聚焦于玻片的某一个样本层,就容易在该样本层的位置形成物镜当前焦距对应的焦平面。
步骤S212,检测器13通过相机12拍摄获取每个焦平面在相同视野下的图像并作为对应焦距的样本图像。
需要说明的是,这里由于获取多幅不同焦距的样本图像,则便于检测器13从各幅样本图像中识别出清晰的检测目标,可以避免单一焦点图像导致的部分图像区域失焦的问题发生。
在一个具体实施例中,上述步骤S220主要涉及对样本图像进行目标识别的过程,那么参见图4,该步骤可以具体包括步骤S221-S222,这里结合图1对具体步骤的分别说明如下。
步骤S221,检测器13将每幅样本图像输入至预设的目标识别算法。预设的目标识别算法可以是采用现有技术已经训练好的深度学习模型,能够对样本图像中的各检测目标进行有效识别。
步骤S222,检测器13通过目标识别算法生成各检测目标的识别信息。在借助训练好的深度学习模型作为目标识别算法时,则深度学习模型可以针对每个检测目标输出一些结果参数,比如检测目标属于白细胞、红细胞或其它微生物的类别数值,检测目标识别正确的置信度数值,检测目标所在图像区域的对角点坐标数值。
那么,生成的每个检测目标的识别信息可以包括该检测目标的所属类别、识别结果置信度和所在图像区域的坐标。在某些情况下,为了便于识别信息的管理,检测器13可以构建各个样本图像的目标集,比如Q1、Q2、…、Qn,其中n表示样本图像的数量,那么第一个样本图像中各检测目标对应的识别信息可以存入目标集Q1中,第二个样本图像中各检测目标对应的识别信息存入目标集Q2中,以此类推。
需要说明的是,这里由于对各幅样本图像分别进行目标识别并得到每幅样本图像中各检测目标的识别信息,使得检测目标的所属类别、识别结果置信度和所在图像区域的坐标得以充分考虑,利于区分出每幅样本图像中的各检测目标,从而得到各样本图像中的全部目标区域。
在一个具体实施例中,上述步骤S230主要涉及检测目标去重处理的过程,为了达到这一目的,则可以根据各检测目标的识别信息判断多幅样本图像中归类于同一检测目标的若干个检测目标,从而对归类于同一检测目标的若干个检测目标进行去重。那么参见图5,该步骤可以具体包括步骤S231-S234,这里结合图1对具体步骤的分别说明如下。
步骤S231,检测器13根据识别信息中检测目标的所属类别判断检测目标的类别。
比如,对于某一个检测目标,如果它的识别信息中所属类别显示为红细胞,那么就可以判断该检测目标的类别为红细胞。
步骤S232,检测器13遍历各检测目标,根据检测目标的所在图像区域的坐标找到多幅样本图像中归类于同一检测目标的若干个检测目标。为进一步说明该步骤的具体实现过程,可以参见图6中的步骤S2321-S2325。
步骤S2321,在检测目标的所在图像区域的坐标为检测目标的所在图像区域的两对角点的坐标情况下,可以根据每个检测目标所在图像区域的两对角点坐标形成矩形区域。可以理解,在图像中为准确表示某一个检测目标的位置,那么可以用矩形框对该检测目标的所在区域进行标记,则标记范围就是对应的矩形区域。
步骤S2322,计算每两个检测目标所在图像区域的两对角点坐标形成的矩形区域的重合面积与每两个检测目标所在图像区域的两对角点坐标形成的矩形区域的总面积。
对于任意两个检测目标,其分别对应的矩形区域可以在二维坐标系中进行准确表示,那么就容易得到两个矩形区域叠加之后的重合面积和总面积。
步骤S2323,判断重合面积和总面积的比值是否超过预设的阈值(比如50%),若是则进入步骤S2334,若否则进入步骤S2335。
比如,用A表示一个检测目标的矩形区域,B表示另一个检测目标的矩形区域,则比值P可以用公式表示为
步骤S2324,在比值大于或等于阈值的情况下,则判断这两个检测目标归类于同一检测目标。
步骤S2325,在比值小于阈值的情况下,认定这两个检测目标不属于同一个检测目标,则不能进行同一检测目标的归类。
需要说明的是,为了能够遍历各检测目标并且找到那些检测目标归类于同一检测目标,可以利用一个总目标集Qs对各样本图像对应的目标集进行统计,即Qs = Q1+Q2…+Qn,那么就可以重复执行上述的步骤S2321-S2325,对总目标集Qs中的每两个检测目标进行归类判断,从而实现遍历各检测目标的目的。
步骤S233,检测器13根据检测目标的识别结果置信度在多幅样本图像且归类于同一检测目标的若干个检测目标中选择一检测目标。
为了能够在归类于同一检测目标的若干个检测目标中选择出清晰度最高的检测目标,则可以对归类于同一检测目标的若干个检测目标的识别结果置信度进行排序,并将识别结果置信度最高的检测目标确定为最佳的检测目标。
需要说明的是,这里由于根据各幅样本图像中各检测目标的识别信息进行去重处理,从而选择最佳的检测目标,则不仅可以对全部检测目标进行准确归类,还可以从归类于同一检测目标的若干个检测目标中选择出清晰的检测目标,从而提高目标去重的准确度,还能够有效克服拖影等不利情况造成的干扰。
步骤S234,检测器13将去重后检测目标存入预设的多焦点图像目标集中。比如可以假设多焦点图像目标集为Qss,那么将归类于同一检测目标中识别结果置信度最高的那个检测目标(即最佳的检测目标)存入Qss中。由于可能存在很多个组归类于同一检测目标的若干个检测目标,所以多焦点图像目标集Qss中会存在不止一个检测目标。
需要说明的是,如果两个检测目标对应的比值P小于阈值(比如50%),则这两个检测目标将不能进行同一检测目标的归类。并且,在这两个检测目标都具有最高置信度的情况下,则这两个检测目标都将存入多焦点图像目标集Qss中。
本领域的技术人员可以理解,在本实施例中,由于将去重后的检测目标存入预设的多焦点图像目标集中,使得多焦点图像目标集中展示的是清晰的检测目标,既利于用户准确查看样本的状态,也利于系统对图像进一步地分析处理。此外,本实施例技术方案无需进行样本图像的多焦点重建就可以有效地识别出所有检测目标,这样不仅能够提高图像识别的准确率,还能够提高图像处理速度且缩短识别所需的时间,从而有助于提升医疗检测装置的实用性能。
实施例三、
请参考图7,本实施例公开了一种医疗检测装置,该医疗检测装置3可以包括存储器31和处理器32。
其中,存储器31用于存储程序。由于存储器31可以视为是计算机可读存储介质,所以存储的程序可以是实施例二中步骤S210-S230对应的程序代码。
其中,处理器32与存储器31连接,用于执行相关程序来实现实施例二中公开的图像识别方法,并处理得到多焦点图像目标集。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (8)
1.一种基于多焦距的图像识别方法,其特征在于,包括:
获取多幅不同焦距的样本图像;每幅所述样本图像包括一个或多个检测目标;
对各幅所述样本图像分别进行目标识别,得到每幅所述样本图像中各所述检测目标的识别信息;所述识别信息包括所述检测目标的所属类别、识别结果置信度和所在图像区域的坐标;
根据各幅所述样本图像中各所述检测目标的识别信息进行去重处理,将去重后的所述检测目标存入预设的多焦点图像目标集中;该步骤具体包括:根据所述识别信息中所述检测目标的所属类别判断所述检测目标的类别,遍历各所述检测目标,根据所述检测目标的所在图像区域的坐标找到多幅所述样本图像中归类于同一所述检测目标的若干个所述检测目标,根据所述检测目标的识别结果置信度在多幅所述样本图像且归类于同一所述检测目标的若干个所述检测目标中选择一所述检测目标,将选择的所述检测目标存入预设的多焦点图像目标集中。
2.如权利要求1所述的图像识别方法,其特征在于,所述获取多幅不同焦距的样本图像包括:
控制显微镜的焦点聚焦于样本上不同焦距对应的焦平面;
通过相机拍摄获取每个所述焦平面在相同视野下的图像并作为对应焦距的样本图像。
3.如权利要求2所述的图像识别方法,其特征在于,所述检测目标为细胞和/或微生物的成像状态;所述样本用于在静止预设的时间后进行拍摄取像。
4.如权利要求1所述的图像识别方法,其特征在于,所述对各幅所述样本图像分别进行目标识别,得到每幅所述样本图像中各所述检测目标的识别信息包括:
将每幅所述样本图像输入至预设的目标识别算法,通过所述目标识别算法生成各所述检测目标的识别信息。
5.如权利要求1所述的图像识别方法,其特征在于,所述遍历各所述检测目标,根据所述检测目标的所在图像区域的坐标找到多幅所述样本图像中归类于同一所述检测目标的若干个所述检测目标包括:
所述检测目标的所在图像区域的坐标为所述检测目标的所在图像区域的两对角点的坐标,根据每个所述检测目标所在图像区域的两对角点坐标形成矩形区域;
计算每两个所述检测目标所在图像区域的两对角点坐标形成的矩形区域的重合面积与每两个所述检测目标所在图像区域的两对角点坐标形成的矩形区域的总面积的比值,若所述比值大于或等于预设的阈值,则判断这两个所述检测目标归类于同一所述检测目标。
6.如权利要求1所述的图像识别方法,其特征在于,所述根据所述检测目标的识别结果置信度在多幅所述样本图像且归类于同一所述检测目标的若干个所述检测目标中选择一所述检测目标包括:
对归类于同一所述检测目标的若干个所述检测目标的识别结果置信度进行排序,并将识别结果置信度最高的所述检测目标确定为最佳的所述检测目标。
7.一种医疗检测装置,其特征在于,包括显微镜、相机、检测器;
所述显微镜的物镜用于以不同的焦距对焦于滴有样本的玻片;
所述相机用于通过所述显微镜的目镜对所述玻片进行拍摄取像;
所述检测器分别与所述显微镜和所述相机信号连接,用于根据权利要求1-6中任一项所述的图像识别方法得到多焦点图像目标集;所述多焦点图像目标集用于显示以便用户查看存入的所述检测目标。
8.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-6中任一项所述的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094140.1A CN111932542B (zh) | 2020-10-14 | 2020-10-14 | 一种基于多焦距的图像识别方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094140.1A CN111932542B (zh) | 2020-10-14 | 2020-10-14 | 一种基于多焦距的图像识别方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932542A CN111932542A (zh) | 2020-11-13 |
CN111932542B true CN111932542B (zh) | 2021-02-02 |
Family
ID=73335262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011094140.1A Active CN111932542B (zh) | 2020-10-14 | 2020-10-14 | 一种基于多焦距的图像识别方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932542B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446363A (zh) * | 2021-01-29 | 2021-03-05 | 广州市玄武无线科技股份有限公司 | 一种基于视频抽帧的图像拼接与去重方法及装置 |
CN113163167B (zh) * | 2021-03-31 | 2023-04-28 | 杭州海康机器人股份有限公司 | 图像获取方法和装置 |
KR20220158094A (ko) | 2021-05-21 | 2022-11-29 | 센스타임 인터내셔널 피티이. 리미티드. | 에지 컴퓨팅 방법, 장치, 에지 기기 및 저장 매체 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542545A (zh) * | 2010-12-24 | 2012-07-04 | 方正国际软件(北京)有限公司 | 一种多焦距照片融合方法、系统及拍照装置 |
CN108139650A (zh) * | 2015-09-24 | 2018-06-08 | 徕卡生物系统公司 | 线扫描成像中的实时聚焦 |
-
2020
- 2020-10-14 CN CN202011094140.1A patent/CN111932542B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542545A (zh) * | 2010-12-24 | 2012-07-04 | 方正国际软件(北京)有限公司 | 一种多焦距照片融合方法、系统及拍照装置 |
CN108139650A (zh) * | 2015-09-24 | 2018-06-08 | 徕卡生物系统公司 | 线扫描成像中的实时聚焦 |
Also Published As
Publication number | Publication date |
---|---|
CN111932542A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932542B (zh) | 一种基于多焦距的图像识别方法及装置、存储介质 | |
US9704017B2 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
JP6453298B2 (ja) | 細胞診標本を観察および解析するためのシステムおよび方法 | |
US8350905B2 (en) | Microscope system, image generating method, and program for practicing the same | |
KR101346539B1 (ko) | 얼굴들을 상관시킴으로써 디지털 이미지들을 구조화하기 | |
US9934571B2 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
CN109085113B (zh) | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 | |
WO2015098177A1 (ja) | 画像処理装置、プログラム、情報記憶媒体、及び画像処理方法 | |
Shah et al. | Identification of robust focus measure functions for the automated capturing of focused images from Ziehl–Neelsen stained sputum smear microscopy slide | |
US20220012884A1 (en) | Image analysis system and analysis method | |
US12038966B2 (en) | Method and apparatus for data retrieval in a lightfield database | |
CN105223110A (zh) | 一种显微镜定位跟踪成像方法、装置及尿沉渣分析系统 | |
US20120249770A1 (en) | Method for automatically focusing a microscope on a predetermined object and microscope for automatic focusing | |
CN113705298A (zh) | 图像采集方法、装置、计算机设备及存储介质 | |
US20170242235A1 (en) | System and method for embedded images in large field-of-view microscopic scans | |
JP7432182B2 (ja) | 細胞病理検査における細胞診画像を取得する方法およびシステム | |
CN111656247B (zh) | 一种细胞图像处理系统、方法、自动读片装置与存储介质 | |
CN105122037A (zh) | 图像处理系统、图像处理设备、程序、存储介质和图像处理方法 | |
CN117310962A (zh) | 显微成像的对焦控制方法及装置 | |
US11069084B2 (en) | Object identification method and device | |
Jiménez et al. | Image quality metrics applied to digital pathology | |
RU2647645C1 (ru) | Способ устранения швов при создании панорамных изображений из видеопотока кадров в режиме реального времени | |
WO2018180206A1 (ja) | 細胞画像評価装置および方法並びにプログラム | |
CN114384681A (zh) | 显微镜快速精准自动对焦方法、系统、计算机设备及介质 | |
JP6156137B2 (ja) | 画像処理装置及びプログラム |
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 |