CN112135048B - 一种目标对象的自动对焦方法以及装置 - Google Patents
一种目标对象的自动对焦方法以及装置 Download PDFInfo
- Publication number
- CN112135048B CN112135048B CN202011013572.5A CN202011013572A CN112135048B CN 112135048 B CN112135048 B CN 112135048B CN 202011013572 A CN202011013572 A CN 202011013572A CN 112135048 B CN112135048 B CN 112135048B
- Authority
- CN
- China
- Prior art keywords
- target object
- images
- sub
- pictures
- image
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本申请实施例提供一种目标对象的自动对焦方法以及装置,所述方法包括:获取目标对象在连续多个焦平面的图像,得到多张图像,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
Description
技术领域
本申请涉及图像自动对焦领域,具体而言本申请实施例涉及一种目标对象的自动对焦方法以及装置。
背景技术
对于目标对象(例如,服装材质纤维成分,或其它需要在显微镜下进行镜检的对象,例如生物体细胞或者组织等等)的检测分析任务,由于目标对象的尺寸小和本身材质特性(例如,纤维尺度小(微米级),纤维本身材质特性(柔软,不定型,甚至有分裂破碎等情况)),目标对象(例如,纤维)的不同种类间存在相似度极高的部分特征等情况,只能通过在高分辨率高精度的显微镜激进型采样分析。而且在采样中需要通过石蜡等材质作为目标对象(例如,纤维)的承载体来分散目标对象这就导致了在显微镜下成像时,目标对象(例如,纤维)除了本身在成像平面上有扭曲弯折等情况外,还会存在垂直成像平面方向上的高度变化而导致聚焦困难。相关方案需要人工手动对焦调焦,这对于自动化有很大的阻碍,而采用传统算法进行对焦时,又难以规避石蜡、灰尘、纤维碎块等对于成像的干扰。
发明内容
本申请实施例的目的在于提供一种目标对象的自动对焦方法及装置,与相关的人工对焦方法相比本申请一些实施例的自动对焦方法的自动化程度高,效果稳定且能够快速复制。而与传统计算机视觉算法相对比,本申请的一些实施例能够规避气泡灰尘等的干扰;此外,本申请一些的实施例的多段分别对焦的方法能够解决纤维结构复杂,跨越多个焦平面导致成像不稳定对焦困难的问题。另外,本申请的一些实施例通过连续多个焦平面组合成多通道图像返回能够最大程度保证覆盖最佳焦平面,保证聚焦效果和稳定性。
第一方面,本申请的一些实施例提供一种目标对象的自动对焦方法,所述方法包括:获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
本申请的一些实施例对目标对象在多个连续焦平面上的图像进行分段,之后再基于训练好的深度学习网络从各段目标对象的子图片中选出满足清晰度要求的图片,以用于后续对目标对象进行分类或者直径测量。也就是说,本申请的一些实施例通过连续获取目标对象在连续多个焦平面的图像来保证覆盖各段目标对象的最佳焦平面,进而实现了对目标对象各段的最佳对焦,进而获取各段目标对象相对更加清晰的图像,以用于对目标对象的分类任务或者直径测量等其它任务。
在一些实施例中,所述获取目标对象在连续多个焦平面的图像,包括:根据设定的连续采图的对焦深度范围和采图总数确定固定步长;根据所述固定步长在所述对焦深度范围内采集所述多张图像。
本申请的一些实施例提供一种如何获取覆盖最佳焦平面的多个连续焦平面的图像的策略,也就是说本申请一些实施例可以根据对焦深度范围以及采集图像的总数确定的固定步长来获取多个焦平面的多张图像,进而可以通过调整采集图像的张数来增加获取的焦平面的数量,最终保证尽可能覆盖整个目标对象所在的所有最佳焦平面,提升获取的各段目标对象的清晰度。
在一些实施例中,所述目标对象为纤维,所述固定步长为大于或等于2微米且小于或等于5微米。
本申请的一些实施例中提供了对于目标对象为纤维时固定步长的取值范围,由于纤维本身的特征,通过设置合适的固定步长来保证覆盖整根纤维各分段的最佳焦平面,以提升获取的各段纤维的图像的清晰度。
在一些实施例中,所述同样的分割标准包括分割的段数以及各分割点在所述目标对象上的位置。
本申请的一些实施例提供了一种对目标对象分段或者对多张图像的切分的标准,保证切分各张图像得到的各段目标对象完全相同,进而可以结合各段目标对象的连续焦平面图像来选取连续拍摄的清晰度高的图像用于对目标对象分类等任务。
在一些实施例中,所述分割标准是根据所述目标对象在所述多张图像上的弯曲度、长度以及获取所述多张图像的任务类型确定的,其中,所述任务类型包括采用神经网络对所述目标对象分类或者计算所述目标对象的直径。
本申请的一些实施例提供一种对目标对象分段的依据。本申请实施例的发明人发现由于弯曲度、长度以及任务类型的不同均会影响最佳焦平面的位置,因此本申请实施例根据这些参数来确定分割标准,可以更好的覆盖分割得到的各段目标对象的最佳焦平面,进而提升对应段目标对象的清晰度。
在一些实施例中,所述根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,包括:通过所述深度学习网络获取第一组子图片对应的第一段目标对象的多组所述子图片对应的清晰度值的和,其中,所述多组子图片清晰度值的和中的各组所述子图片清晰度值的和包括与所述通道数量相同数目的连续多个焦平面对应的子图片,所述第一段目标对象为分割得到的多段目标对象中的任意一段;根据所述多组清晰度值的和的排序确定所述第一段目标对象对应的多张连续焦平面图像。
本申请的一些实施例提供的深度学习网络是通过计算与通道数量相同的连续焦平面图像对应的各段目标对象的清晰度的和来选取各段目标对象的多张图片,采用这些图片进行向后续分类任务,进而提升后续分类等其它任务的处理效果。
第二方面,本申请的一些实施例提供一种深度学习网络训练方法,所述方法包括:依据固定步长采集目标对象中各目标对象的多张图像,其中,所述固定步长是根据设定的连续采图的对焦深度范围和采图总数确定的;根据任务类型和所述目标对象被拍摄时的特征将所述多种图像中的各张图像切分为多段;根据标注数据训练构建的深度学习分类模型,其中,所述标注数据是对切分各张图像得到的各段目标对象的清晰程度进行标注得到的,所述标注数据包括四类,分别为:成像清晰、成像模糊、中间区域以及干扰数据四类。
本申请的一些实施例采用分段以及四种标准数据来训练深度学习网络,由于本申请的训练数据包括了中间区域以及干扰数据来训练深度学习网络模型,因此使得训练好的神经网络能够有效改善由于纤维本身细小与粉尘等尺度相近,以及制备纤维玻片时易产生纤维碎块,石蜡本身的特性等原因,显微镜下常有气泡,灰尘以及脏污等干扰等采用传统算法进行对焦分析不准确的问题。
在一些实施例中,所述深度学习网络的输入参数包括通道数量,所述根据标注数据训练构建的深度学习分类模型,包括:根据所述通道数量和所述标注数据训练所述深度学习分类模型。
本申请的一些实施例提供的训练神经网络还需要通道数量,因此可以得到用于目标对象分类的对应数量的图片。
第三方面,本申请的一些实施例中提供一种目标对象的自动对焦处理方法,所述目标对象处理方法包括:获取各组子图片对应的相应段目标对象的清晰度特征;根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同;根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。
在一些实施例中,所述深度学习网络的模型为分类模型。
第四方面,本申请的一些实施例中提供一种纤维分类系统,所述系统包括:显微镜,被配置为获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述图像的张数大于通道数量;处理器,被配置为:将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
第五方面,本申请的一些实施例提供一种目标对象的自动对焦装置,所述自动对焦装置包括:图像获取模块,获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;分段处理模块,被配置为将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;计算选取模块,被配置为根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
第六方面,本申请的一些实施例提供一种目标对象的自动对焦处理装置,所述目标对象处理装置包括:清晰度获取模块,被配置为获取各组子图片对应的相应段目标对象的清晰度特征;输出模块,被配置为根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同;处理模块,被配置为根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。
第七方面,本申请的一些实施例提供一种系统,所述系统包括一个或多个计算机和存储指令的一个或多个存储设备,当所述指令由所述一个或多个计算机执行时,使得所述一个或多个计算机执行上述第一方、第二方面或者第三方面所述的相应方法的操作。
第八方面,本申请的一些实施例提供一种存储指令的一个或多个计算机存储介质,当所述指令由一个或多个计算机执行时,使得所述一个或多个计算机执行上述第一方、第二方面或者第三方面相应方法的操作。
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作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的深度学习网络模型的训练过程示意图;
图2为本申请实施例提供的拍摄得到的某一个焦平面的整段纤维的图像;
图3为本申请实施例提供的切分图2的图像得到的一段目标对象(即图2最左段的目标对象)的示意图;
图4为本申请实施例提供的切分图2的图像得到的又一段目标对象(即图2最中间段段的目标对象)的示意图;
图5为本申请实施例提供的切分图2的图像得到的剩余一段目标对象(即图2最右段的目标对象)的示意图;
图6为本申请实施例提供的对拍摄的十三张焦平面图像切分后得到的一段目标对象进行人工标注后的标注数据图;
图7为本申请实施例提供的目标对象的自动对焦方法的流程图;
图8为本申请实施例提供的对整根纤维的自动对焦方法的流程图;
图9为本申请的实施例提供目标对象的自动对焦系统的组成框图;
图10为本申请的实施例提供的目标对象的自动对焦装置的组成框图;
图11为本申请的实施例提供的目标对象的自动对焦处理装置的组成框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请的一些实施例基于深度学习算法进行清晰程度评估,以深度学习算法给出的分类得分作为清晰程度评估标准,获取被分段的目标对象中各段目标对象的连续多帧较清晰的图像(即获取各段目标对象在最佳焦平面附近的多个焦平面的多帧图像。例如,目标对象为纤维时,采用本申请的这些实施例可以对于纤维这种跨越多个焦平面的复杂成像对象,分部分(即对获取的整根纤维划(即目标对象)分多段得到的各部分)进行对焦,分别给出对焦结果。本申请的一些实施例可以通过给出连续多个成像平面的结果来保证对最佳焦平面的覆盖,保证成像效果。
为了采用深度学习网络获得各段目标对象的清晰图片,需要首选对深度学习网络的模型进行训练,下面结合图1-图6示例性说明对深度学习网络模型的训练过程。
请参看图1,图1为对深度学习网络的训练过程。结合图1可以看出,训练过程包括:S101依据固定步长采集目标对象中各目标对象的多张图像,其中,所述固定步长是根据设定的连续采图的对焦深度范围和采图总数确定的;S102,根据任务类型和所述目标对象被拍摄时的特征将所述多种图像中的各张图像切分为多段;S103,根据标注数据训练构建的深度学习分类模型,其中,所述标注数据是对切分各张图像得到的各段目标对象的清晰程度进行标注得到的,所述标注数据包括四类,所述四类标注数据包括成像清晰、成像模糊、中间区域以及干扰数据四类。例如,所述深度学习网络的输入参数包括通道数量,S103可以包括:根据所述通道数量和所述标注数据训练所述深度学习分类模型。
本申请的一些实施例提供的训练神经网络还需要通道数量,因此可以得到用于目标对象分类的对应数量的图片。
下面以纤维作为目标对象示例性说明对深度学习网络模型的训练过程。
图1方法包括的S101以及S102属于训练数据的数据采集过程,对纤维图像的数据采集过程如下。
对于纤维本身的扭曲和多样性,对于单根纤维的不同部分的对焦点深度可能较大波动范围。因此本申请的一些实施例为了获取单根纤维不同部分的最佳对焦平面需根据观察多个玻片焦点深度分布范围设定连续采图的对焦点深度范围和采图总数。也就是说,本申请的一些实施例根据设定连续采图的对焦点深度范围和采图总数确定固定步长,然后控制显微镜在每固定步长采集一张图像,连续采集多张并保证覆盖整根纤维全部对焦区域。例如,对于纤维这些目标对象的对焦深度移动的距离(即固定步长)可以为2~5微米之间。
对于这一组(即上述获取的覆盖整根纤维全部对焦区域的多张图像)连续采集好的纤维图像中的每一张图像,根据后续任务(例如纤维种类分类,直径测算等)对各张图像上的整根纤维进行分段。例如,纤维分类对于对焦要求就比较高因此分段的数据可以较多,而直径测算相对对焦要求较低因此分段的数目可以较少。另外,本申请的一些实施例还可以根据整根纤维的特征确定如何切分各张图像上的目标对象。例如,可以将较长且较为扭曲的纤维进行分段,至此数据采集部分完成。
可以理解的是,相对于显微镜的手动对焦方式本申请实施例的自动化程度更高。此外,分多段分别进行后续对焦能够解决纤维本身扭曲结构复杂等对于分类或测算任务的干扰。
下面示例性阐述采用分段纤维对深度学习网络模型进行训练的过程。
首先,可以采用人工对上述采集的各段目标对象的子图片的数据进行标注。本申请的一些实施例的标注数据分四类,分别为:成像清晰、成像模糊、中间区域以及干扰数据(例如气泡、杂质、脏污等)。这是由于显微镜下成像时,定义清晰与模糊之间明确的分界线比较困难而且中间区域的数据对于模型效果往往起反向作用。
需要说明的是,本申请的一些实施例之所以标注中间区域和干扰数据主要目的是细化排除标准,因为这些数据对于深度学习网络模型本身的负向影响较大而且难以发现,因此通过单独标注中间区域和干扰数据能够通过一些数据清洗等机制进一步保证数据纯净性。
本申请的一些实施例在训练时可以使用深度学习分类模型(例如ResNet,EfficientNet等等各种模型)进行训练,在训练中合理使用数据增强方法(例如mixup等)能够提升模型效果。
本申请训练好的深度网络模型最终返回结果除类别信息(清晰或模糊)外,附带有分类得分。对于训练效果较好相对稳定的模型对于同一段纤维成像区域,可以认为其清晰度分类得分的排序即为其对焦清晰得分,与此相应,其得分排序即可认为是清晰度排序。相对于传统计算机视觉算法对焦,本申请的一些实施例能够规避脏污等的干扰,聚焦更稳定,而相比于人工对焦本申请的一些实施例是纤维成分分析自动化非常重要的一部分。
下面结合图2-图6示例性说明目标对象分割和标注。
如图2示出了显微镜采集的一整根纤维的一个焦平面的一张图像,由于该整根纤维较弯曲,因此本申请的一些实施例可以在这根纤维的弯折部切分整根纤维得到如图3、图4和图5三段目标对象对应的三张子图片。需要说明的是,如2中显示的黑线仅用于示意不同焦距的成像面,仅作为参考理解用。
假设显微镜对一整根纤维采集了连续13张不同焦平面的图像,并根据设定的切分标准切分这13张图像上的整根纤维,得到如图6所述的第一段纤维的13张子图片。之后,采用人工方式对这13张包括切分得到的第一段纤维的子图片进行标注,标注结果包括图6示出的四类,即成像模糊、中间区域、成像清晰、中间区域以及成像模糊。再之后,可以将标注数据输入构建的深度学习网络对网络参数进行训练。
下面结合图7示例性说明如何应用训练的深度学习网络模型获取目标对象的清晰图像。
如图7所示,本申请的一些实施例提供一种目标对象的自动对焦方法,所述自动对焦方法包括:S401,获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;S402,将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;S403,根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
为了使得连续采集的图像尽可能覆盖目标对象的最佳焦平面,在本申请的一些实施例中,S401包括:根据设定的连续采图的对焦深度范围和采图总数确定固定步长;根据所述固定步长在所述对焦深度范围内采集所述多张图像。例如,所述目标对象为纤维,所述固定步长为大于或等于2微米且小于或等于5微米。
为了从采集多张图像中各张图像均可以获取同一段目标对象的至少一张清晰子图片,在本申请的一些实施例中,S402同样分割标准包括分割的段数以及各分割点在所述目标对象上的位置。例如,目标对象为一整根纤维,S402的分割标准是根据所述目标对象在所述多张图像上的弯曲度、长度以及获取所述多张焦平面图像的任务类型确定的,其中,所述任务类型包括采用神经网络对所述目标对象分类或者计算所述目标对象的直径。
为了满足后续任务的多通道的清晰度图像需求,在本申请的一些实施例中,S403包括:通过所述深度学习网络获取第一组子图片对应的第一段目标对象的多组所述子图片清晰度值的和,其中,所述多组所述子图片清晰度值的和中的各组所述子图片清晰度值的和包括与所述通道数量相同数目的连续多个焦平面对应的子图片,所述第一段目标对象为分割得到的多段目标对象中的任意一段;根据所述多组清晰度值的和的排序确定所述第一段目标对象对应的多张连续焦平面图像。
下面结合图8以纤维为例示例性阐述图7的目标对象自动对焦方法。
如图8所示,本申请的一些实施例的整根纤维自动对焦方法包括:
S801,采集整根纤维所在的多个连续焦平面的图像。例如,采用2.5微米的固定步长采用显微镜采集连续10个不同焦平面的图像,得到十张包括整根纤维的图像。
S802,对多张图像上的整根纤维进行相同分段处理。例如,对得到的10个不同焦平面的十张图像根据同样的标准对每张图像上的整根纤维分别划分为三段,每一段纤维各对应十张子图片。
S803,采用深度学习网络评估连续多张子图片上同一分段纤维的对焦得分的和。例如,通过显微镜采集了固定步长的连续13张不同焦平面整根纤维的图像,并对这13张图像上的整根纤维分段,得到其中切分得到的一段纤维的13张子图片如图6所示。假设通道数量为3,则深度学习网络会计算图6的13张图像中的每三张连续不同焦平面(连续不同焦平面即连续移动对焦轴获取的三张图像)的清晰度得分的和,得到多组和值,每一组的和即三个连续焦平面图像上相应段纤维的清晰度的和。
S804,根据连续给定通道数对对焦得分排序,即对上步骤得到的多组和值进行排序。假设显微镜拍摄了连续13张不同焦平面的整段纤维的图像,并对图像上的整段纤维进行分段得到其中一段纤维对应的13张子图片,以通道数量3为例,神经网络会计算这13张图像中每连续三张不同焦平面对应的三张子图片中的纤维的清晰度的和,共得到11组和值。再对这11组和值按照得分进行排序。
S805,选取各段纤维最清晰的一组图像。以S804的示例进行说明,也就是从11组中选择得到最高的连续三个焦平面的子图片作为最清晰的一组图像输出。
S806,多分段纤维的整图返回。也就是说,根据S803、S804以及S805方法获取划分整段纤维得到的各段纤维对应的最清晰的一组图像。
也就是说,相对于传统的对焦方式目标是确认某一特定焦平面,本申请的实施例的目标是锁定若干(根据后续任务要求,例如要求三通道图像则锁定三个)连续焦平面,使其覆盖最佳焦平面即可。这是由于采样的步进相对较小综合成像成本和效率,最佳焦平面附近成像结果已经可以用于后续任务且基本无负面影响。根据目标通道数(例如3通道),则对于单根纤维的每一部分(对应于切分得到的每一段纤维)通过其连续三通道对焦清晰得分总和进行排序,选取连续三通道对焦清晰得分最高的三个通道返回。
下面介绍在深度学习网络模型中执行的自动对焦处理方法。本申请的一些实施例中提供一种目标对象的自动对焦处理方法,所述目标对象处理方法包括:获取各组子图片对应的相应段目标对象的清晰度特征;根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同;根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。在一些实施例中,所述深度学习网络的模型为分类模型。
如图9所示,本申请的一些实施例中提供一种纤维分类系统,所述系统包括:显微镜801,用于获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述图像的张数大于通道数量;处理器802,被配置为:将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
需要说明的是,显微镜801可以在软件的控制下来获取目标对象在连续多个焦平面的图像。例如,该控制软件可以根据目标对象的对应的玻片焦点深度分布范围来设定连续采图的对焦深度范围和采图总数,并根据对焦深度范围和采图总数来确定固定步长,之后再根据固定步长来逐步控制移动显微镜的对焦轴得到连续多个焦平面的图像。由于本申请的实施例得到的清晰图像是用于后续分类等任务的,因此为了能够执行后续分类采集的连续焦平面图像的数量也要大于通道数量。
如图10所示,本申请的一些实施例提供一种目标对象的自动对焦装置,所述自动对焦装置包括:图像获取模块810,获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;分段处理模块820,被配置为将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;计算选取模块830,被配置为根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。例如,图像获取模块可以采用无线或者有线方式从显微镜中获取连续多个焦平面的图像。例如,图像获取模块可以根据不同目标对象特征通过不同种类光源(包括且不限于普通光源、特定色彩光源以及红外紫外光源等)以及不同性能特点的相机获取。
如图11所示,本申请的一些实施例提供一种目标对象的自动对焦处理装置(与深度学习网络的处理功能对应),所述目标对象处理装置包括:清晰度获取模块910,被配置为获取各组子图片对应的相应段目标对象的清晰度特征;输出模块920,被配置为根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同;处理模块930,被配置为根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,所述一张子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。
本申请的一些实施例提供一种系统,所述系统包括一个或多个计算机和存储指令的一个或多个存储设备,当所述指令由所述一个或多个计算机执行时,使得所述一个或多个计算机执行上述图1或图7的相应方法的操作。
本申请的一些实施例提供一种存储指令的一个或多个计算机存储介质,当所述指令由一个或多个计算机执行时,使得所述一个或多个计算机执行上述图1或图7的相应方法的操作。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (15)
1.一种目标对象的自动对焦方法,其特征在于,所述方法包括:
获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;
将所述多张图像中的各张图像上的目标对象根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;
根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
2.如权利要求1所述的自动对焦方法,其特征在于,所述获取目标对象在连续多个焦平面的图像,包括:
根据设定的连续采图的对焦深度范围和采图总数确定固定步长;
根据所述固定步长在所述对焦深度范围内采集所述多张图像。
3.如权利要求2所述的自动对焦方法,其特征在于,所述目标对象为纤维,所述固定步长为大于或等于2微米且小于或等于5微米。
4.如权利要求1所述的自动对焦方法,其特征在于,所述同样的分割标准包括分割的段数以及各分割点在所述目标对象上的位置。
5.如权利要求4所述的自动对焦方法,其特征在于,所述分割标准是根据所述目标对象在所述多张图像上的弯曲度、长度以及获取所述多张图像的任务类型确定的,其中,所述任务类型包括采用神经网络对所述目标对象分类或者计算所述目标对象的直径。
6.如权利要求1所述的自动对焦方法,其特征在于,所述根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,包括:
通过所述深度学习网络获取第一组子图片对应的第一段目标对象的多组所述子图片对应的清晰度值的和,其中,所述多组子图片的清晰度值的和中的各组所述子图片清晰度值的和包括与所述通道数量相同数目的连续多个焦平面对应的子图片,所述第一段目标对象为分割得到的多段目标对象中的任意一段;
根据多组所述清晰度值的和的排序确定所述第一段目标对象对应的多张连续焦平面图像。
7.一种深度学习网络训练方法,其特征在于,所述方法包括:
依据固定步长采集目标对象中各目标对象的多张图像,其中,所述固定步长是根据设定的连续采图的对焦深度范围和采图总数确定的;
根据任务类型和所述目标对象被拍摄时的特征将所述多张图像中的各张图像上的目标对象切分为多段;
根据标注数据训练构建的深度学习分类模型,其中,所述标注数据是对切分各张图像得到的各段目标对象的清晰程度进行标注得到的,所述标注数据包括四类,分别为:成像清晰、成像模糊、中间区域以及干扰数据四类。
8.如权利要求7所述的深度学习网络训练方法,其特征在于,所述深度学习网络的输入参数包括通道数量,所述根据标注数据训练构建的深度学习分类模型,包括:根据所述通道数量和所述标注数据训练所述深度学习分类模型。
9.一种目标对象的自动对焦处理方法,应用于深度学习网络,其特征在于,所述目标对象的自动对焦处理方法包括:
获取各组子图片对应的相应段目标对象的清晰度特征;
根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与通道数量的数目相同;
根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;
其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:
获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;
将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。
10.如权利要求9所述的目标对象的自动对焦处理方法,其特征在于,所述深度学习网络的模型为分类模型。
11.一种纤维分类系统,其特征在于,所述系统包括:
显微镜,被配置为获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述图像的张数大于通道数量;
处理器,被配置为:
将所述多张图像中的各张图像上的目标对象根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;
根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
12.一种目标对象的自动对焦装置,其特征在于,所述自动对焦装置包括:
图像获取模块,获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;
分段处理模块,被配置为将所述多张图像中的各张图像上的目标对象根据同样的分割标准进行分割,以对所述各张图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量;
计算选取模块,被配置为根据深度学习网络获取所述各组子图片对应的相应段目标对象的清晰度特征,并根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与所述通道数量的数目相同。
13.一种目标对象的自动对焦处理装置,其特征在于,所述目标对象的自动对焦处理装置包括:
清晰度获取模块,被配置为获取各组子图片对应的相应段目标对象的清晰度特征;
输出模块,被配置为根据所述清晰度特征获取所述相应段目标对象的多张连续焦平面图像,其中,所述多张连续焦平面图像的数量与通道数量的数目相同;
处理模块,被配置为根据所述多张连续焦平面图像对所述相应段的目标对象进行分类或者测量所述目标对象的直径;
其中,所述各组子图片和所述相应段目标对象是通过如下方法得到的:
获取目标对象在连续多个焦平面的图像,得到多张图像,其中,所述多张图像的数目大于通道数量;
将所述多张图像中的各张图像根据同样的分割标准进行分割,以对所述各图像上的所述目标对象进行相同的分段,得到与所述目标对象的各段目标对象对应的各组子图片,其中,一张所述子图片包括切分得到的一段所述目标对象,所述各组子图片包括的子图片的数量等于所述多张图像的数量。
14.一种系统,所述系统包括一个或多个计算机和存储指令的一个或多个存储设备,当所述指令由所述一个或多个计算机执行时,使得所述一个或多个计算机执行根据权利要求1-9中任一项权利要求所述的方法。
15.一种存储指令的一个或多个计算机存储介质,当所述指令由一个或多个计算机执行时,使得所述一个或多个计算机执行根据权利要求1-9中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013572.5A CN112135048B (zh) | 2020-09-23 | 2020-09-23 | 一种目标对象的自动对焦方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013572.5A CN112135048B (zh) | 2020-09-23 | 2020-09-23 | 一种目标对象的自动对焦方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112135048A CN112135048A (zh) | 2020-12-25 |
CN112135048B true CN112135048B (zh) | 2022-02-15 |
Family
ID=73840967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011013572.5A Active CN112135048B (zh) | 2020-09-23 | 2020-09-23 | 一种目标对象的自动对焦方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112135048B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113438413B (zh) * | 2021-05-27 | 2022-04-12 | 长春迈克赛德医疗科技有限公司 | 一种有形成分分析仪的自动聚焦方法 |
CN114697548B (zh) * | 2022-03-21 | 2023-09-29 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102891966A (zh) * | 2012-10-29 | 2013-01-23 | 珠海全志科技股份有限公司 | 数码成像设备的对焦方法及装置 |
CN106570028A (zh) * | 2015-10-10 | 2017-04-19 | 比亚迪股份有限公司 | 移动终端及模糊图像的删除方法和装置 |
CN109714519A (zh) * | 2017-10-25 | 2019-05-03 | 成都市极米科技有限公司 | 一种自动调整图像画面的方法和系统 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN110460771A (zh) * | 2019-07-25 | 2019-11-15 | 南京诺源医疗器械有限公司 | 对焦方法、装置及对焦设备 |
CN110619616A (zh) * | 2019-09-19 | 2019-12-27 | 广东工业大学 | 一种图像处理方法、装置和相关设备 |
CN110992394A (zh) * | 2018-10-03 | 2020-04-10 | Fei 公司 | 使用图像分割的对象跟踪 |
CN111311543A (zh) * | 2020-01-17 | 2020-06-19 | 苏州科达科技股份有限公司 | 图像清晰度检测方法、系统、设备及存储介质 |
CN111402278A (zh) * | 2020-02-21 | 2020-07-10 | 华为技术有限公司 | 分割模型训练方法、图像标注方法及相关装置 |
CN111598863A (zh) * | 2020-05-13 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507184A (zh) * | 2017-09-26 | 2017-12-22 | 上海辉明软件有限公司 | 病灶模型的建立方法、装置及电子设备 |
CN110232678B (zh) * | 2019-05-27 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种图像不确定度预测方法、装置、设备及存储介质 |
CN110163864B (zh) * | 2019-05-28 | 2020-12-04 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110728227B (zh) * | 2019-10-09 | 2022-12-06 | 北京百度网讯科技有限公司 | 图像处理的方法及装置 |
CN110992377B (zh) * | 2019-12-02 | 2020-12-22 | 推想医疗科技股份有限公司 | 图像分割方法、装置、计算机可读存储介质和设备 |
-
2020
- 2020-09-23 CN CN202011013572.5A patent/CN112135048B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102891966A (zh) * | 2012-10-29 | 2013-01-23 | 珠海全志科技股份有限公司 | 数码成像设备的对焦方法及装置 |
CN106570028A (zh) * | 2015-10-10 | 2017-04-19 | 比亚迪股份有限公司 | 移动终端及模糊图像的删除方法和装置 |
CN109714519A (zh) * | 2017-10-25 | 2019-05-03 | 成都市极米科技有限公司 | 一种自动调整图像画面的方法和系统 |
CN110992394A (zh) * | 2018-10-03 | 2020-04-10 | Fei 公司 | 使用图像分割的对象跟踪 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN110460771A (zh) * | 2019-07-25 | 2019-11-15 | 南京诺源医疗器械有限公司 | 对焦方法、装置及对焦设备 |
CN110619616A (zh) * | 2019-09-19 | 2019-12-27 | 广东工业大学 | 一种图像处理方法、装置和相关设备 |
CN111311543A (zh) * | 2020-01-17 | 2020-06-19 | 苏州科达科技股份有限公司 | 图像清晰度检测方法、系统、设备及存储介质 |
CN111402278A (zh) * | 2020-02-21 | 2020-07-10 | 华为技术有限公司 | 分割模型训练方法、图像标注方法及相关装置 |
CN111598863A (zh) * | 2020-05-13 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112135048A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112135048B (zh) | 一种目标对象的自动对焦方法以及装置 | |
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 | |
Shah et al. | Ziehl–Neelsen sputum smear microscopy image database: a resource to facilitate automated bacilli detection for tuberculosis diagnosis | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN111462075B (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 | |
CN110647874B (zh) | 一种端到端的血细胞识别模型构造方法及应用 | |
CN105046200B (zh) | 基于直线检测的电子阅卷方法 | |
CN101238487A (zh) | 分割白细胞的方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN111783729A (zh) | 视频分类方法、装置、设备及存储介质 | |
CN105612535A (zh) | 高效的基于内容的视频检索 | |
CN111932542A (zh) | 一种基于多焦距的图像识别方法及装置、存储介质 | |
WO2016189469A1 (en) | A method for medical screening and a system therefor | |
Bergler et al. | FIN-PRINT a fully-automated multi-stage deep-learning-based framework for the individual recognition of killer whales | |
US8538122B2 (en) | Localization of a valid area of a blood smear | |
GB2329014A (en) | Automated identification of tubercle bacilli | |
CN111428589B (zh) | 一种渐变转场的识别方法及系统 | |
Çelebi et al. | Red and white blood cell classification using Artificial Neural Networks | |
CN112200264A (zh) | 基于散射复用的高通量免成像分类方法与装置 | |
Wang et al. | Crowdsourced generation of annotated video datasets: a zebrafish larvae dataset for video segmentation and tracking evaluation | |
Sharma et al. | Automatic detection of malaria infected erythrocytes based on the concavity point identification and pseudo-valley based thresholding | |
CN111027602B (zh) | 一种多级结构目标检测方法及系统 | |
WO2022047171A1 (en) | Method and system for label-free imaging and classification of malaria parasites | |
Mia et al. | CompTRNet: An U-Net Approach for White Blood Cell Segmentation Using Compound Loss Function and Transfer Learning with Pre-trained ResNet34 Network | |
CN113869363B (zh) | 一种基于图像评价网络和图像评价函数的爬山调焦搜索方法 |
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 |