CN112580478A - 判断样本漂动的方法以及电子设备 - Google Patents

判断样本漂动的方法以及电子设备 Download PDF

Info

Publication number
CN112580478A
CN112580478A CN202011464994.4A CN202011464994A CN112580478A CN 112580478 A CN112580478 A CN 112580478A CN 202011464994 A CN202011464994 A CN 202011464994A CN 112580478 A CN112580478 A CN 112580478A
Authority
CN
China
Prior art keywords
sub
sample
image
images
drift
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
Application number
CN202011464994.4A
Other languages
English (en)
Other versions
CN112580478B (zh
Inventor
何意
贾明阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Chuanghuai Medical Technology Co ltd
Original Assignee
Shenzhen Chuanghuai Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Chuanghuai Medical Technology Co ltd filed Critical Shenzhen Chuanghuai Medical Technology Co ltd
Priority to CN202011464994.4A priority Critical patent/CN112580478B/zh
Publication of CN112580478A publication Critical patent/CN112580478A/zh
Application granted granted Critical
Publication of CN112580478B publication Critical patent/CN112580478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Discrete Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及判断样本漂动的方法以及电子设备，所述方法包括以下内容：S1,获得两幅不同时刻的样本原始图像；S2,将两幅原始图像分割成相对应的若干子图像；S3,分析每两张位置对应的子图组是否相似；S4，分析相似子图组的偏移距离、偏移方向；S5，相似且偏移距离大于预设偏移阈值的子图组为可能漂动子图组，可能漂动子图组数量超过预设数量，则判定样本有运动；S6，在判定样本有运动后，分析所有可能漂动子图组偏移方向标准差，若偏移方向标准差小于预设标准差阈值，则判定样本漂动。本方法可以快速有效的判别样本是否漂动，以使后续的生物样本检测结果更为精确。

Description

判断样本漂动的方法以及电子设备
技术领域
本发明涉及生物样本检测分析领域。
背景技术
在对生物样本(如精液、血液、尿液等)进行检验分析时，显微图像计数法是较常采用的一种方法。工作人员将待测样本加入到细胞计数板或生物载玻片中，在毛细作用驱动下，液体样本充满整个样本空间，显微成像系统对生物样本成像获得图像数据，然后采用相应的图像处理技术对图像数据进行分析，实现生物样本的计数、分类统计等其它功能。
理想情况下，待测样本加入到细胞计数板或生物载玻片中后，很短时间内，液体样本将静止在样本空间中，以供观察分析。但由于液体样本在毛细作用力下的运动极为复杂，液体样本难以短时间内静止。在一些特殊情况下，甚至会出现来回漂动的现象，这一现象甚至可持续数分钟。在这种情况下，样本目标的运动，在显微图像上有时会存在运动拖影，干扰软件算法的判断，软件系统可能会因此给出非预期的分析结果。另外，在需要对样本目标做活动力分析时，特别是精液分析领域，这一运动现象会直接影响活动力的分析，可能出现假阴的结果，不利于给患者提供及时有效的诊断方案。同时，成像系统在工作过程中，可能会因为载物台的晃动或外界其他机械振动因素的干扰，导致拍摄得到的样本图像序列存在漂动的现象。
因此，在对显微图像数据进行处理之前，应该将样本是否漂动作为进行后续图像处理的判定条件之一，也就有必要提供一种判断样本有无漂动的方法。
发明内容
本公开的一个方面解决的一个技术问题在于，提供一种判断样本漂动的方法以及相应电子设备。
本发明解决其技术问题所采用的技术方案是：判断样本漂动的方法，所述方法包括以下内容：
S1,获得两幅不同时刻的样本原始图像；
S2,将两幅原始图像分割成相对应的若干子图像；
S3,分析每两张位置对应的子图像是否相似；
S4，分析相似子图组的偏移距离、偏移方向；
S5，相似且偏移距离大于预设偏移阈值的子图组为可能漂动子图组，可能漂动子图组数量超过预设数量，则判定样本有运动；
S6，在判定样本有运动后，分析所有可能漂动子图组偏移方向标准差，若偏移方向标准差小于预设标准差阈值，则判定样本漂动。
如前所述的判断样本漂动的方法，步骤S5还包括，相似且偏移距离小于或等于预设偏移阈值的子图组为可能静止子图组，可能静止子图组数量超过预设数量，则判定样本静止。
如前所述的判断样本漂动的方法，步骤S6中，若偏移方向标准差大于或等于预设标准差阈值，则判定样本自主运动。
如前所述的判断样本漂动的方法，步骤S3、S4采用互相关算法，具体包括，
S100，图像傅里叶变换，设子图组中用于分析的两张子图像分别为图像f(i,j)和图像g(i,j)，采用以下公式将图像f(i,j)和图像g(i,j)转换为频域中的图像F(u,v)和G(u,v)；
Figure BDA0002833788480000031
其中，f(x,y)代表空间域中的图像，F(μ,v)代表频域中的图像，M和N代表图像的尺寸，j为虚数单位；
S101，将经由傅里叶变换的图像进行频谱中心化，获得图片F1(u,v)和G1(u,v)；
S102，将图像F1(u,v)拆分为实部和虚部，对虚部求反后与实部合并为复数，得到共轭后的图像F1 *(u,v)；
S103，将图像F1 *(u,v)和图像G1(u,v)拆分为实部和虚部后，对应相乘再合并为复数，得到两幅图像频域相乘后的结果φ(u,v)；
S104，图像傅里叶逆变换，将φ(u,v)代入公式，
Figure BDA0002833788480000032
求得两幅图像在空间域卷积后的结果：
Figure BDA0002833788480000033
S105，将
Figure BDA0002833788480000034
按象限分割成4个区域，将对角区域互换获得互相关谱
Figure BDA0002833788480000035
S106，对互相关谱
Figure BDA0002833788480000036
归一化处理，得到互相关谱
Figure BDA0002833788480000037
S107，由互相关谱
Figure BDA0002833788480000038
中获得最大峰值、次大峰值的幅值以及坐标信息；
S108，最大峰值与次大峰值的幅值相比获得峰峰比，若峰峰比大于预设峰峰比阈值，判定子图组相似；根据相似子图组的最大峰值坐标信息计算与原点的偏移，获得子图组的偏移距离、偏移方向。
如前所述的判断样本漂动的方法，步骤S101中，将图像F(u,v)和G(u,v)按象限分割为4个区域，对角互换以完成频谱中心化。
如前所述的判断样本漂动的方法，步骤S107中，对最大峰值、次大峰值采用亚像素精度拟合法处理。
如前所述的判断样本漂动的方法，步骤S1包括以下内容，采用凝视拍摄获得视频样本，将视频样本拆分为以帧为单位的图像序列，取其中任意两张为样本原始图像；步骤S2中，两幅原始图像各自的子图像之间X轴方向上间距为Δx,Y轴方向上间距为Δy。
如前所述的判断样本漂动的方法，步骤S3，若子图组不相似，则针对该不相似子图组的分析终止；若不相似子图组的数量超过预设数量，则对样本的分析终止。
如前所述的判断样本漂动的方法，若判定样本漂动的两幅原始图像相邻，则定义为快速漂动；若判定样本漂动的两幅原始图像具有间隔，则定义为慢速漂动。
一种电子设备，所述设备包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前任一项所述的判断样本漂动的方法的步骤。
本公开的一个方面带来的一个有益效果：将样本的原始图像分割成小的子图像，通过同位置子图像的比对分析，能快速有效的判断样本是否漂动。
附图说明
下面将结合附图以示例性而非限制性的方式详细描述本发明的一些具体实施例，附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。
附图中：
图1为本发明流程示意图；
图2为本发明两幅原始图像分割示意图；
图3为本发明互相关算法示意图；
图4为本发明不同时刻同一位置的子图像示意图；
图5为本发明互相关谱示意图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，本公开使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
参阅附图1-5，所示涉及判断样本漂动的方法，所述方法包括以下内容：
S1,获得两幅不同时刻的样本原始图像；
待分析的两幅原始图像来自于同一样本序列，根据应用场景需求，两幅原始图像可以是相邻时间的图像，也可以是具有间隔的不相邻时间的图像，对前后不同时间上的两幅原始图像进行分析，通过两幅图像之间的变化来判断样本是否有漂动。针对不同的应用场景，采集凝视拍摄类型(相机镜头和样本所在腔室相对静止)的视频样本，将视频样本拆分为一帧一帧的图像序列，选取相邻或间隔数帧的两帧图片作为原始图像。
S2,将两幅原始图像分割成相对应的若干子图像；
将两幅原始图像分割成相应的子图像，两者子图像的数量、大小、位置均相同。以附图2所示为例，假设待分析的原始图像像素尺寸为128*128，现提取尺寸大小为16*16的子图进行后续的分析，将原图分割得到16个子图，原图1包括子图1……子图16，原图2包括子图1……子图16，原图1的子图1与原图2的子图1大小、位置对应，以此类推，两者的16个子图都是一一对应的。子图的位置代表我们感兴趣的区域，本图表明我们对原图中心部分的区域感兴趣，将中心的区域分割成16个子图分别进行后续的分析，而忽略原图边缘我们不感兴趣的区域。水平方向上相邻两子图之间中心位置相差Δx，竖直方向上相邻两子图之间中心位置相差Δy，子图的位置和数量应尽可能反映原图整体的信息。
S3,分析每两张位置对应的子图像是否相似；
本案方法基于的一个前提是：同一目标群体不同时刻都应出现在待分析的两幅子图中，这样后续分析结果才会可信，可以通过控制用来计算的两张原始图像的时间间隔，来实现这个前提。所以当漂动发生时，两幅子图必然是相似的，参考附图4中图A和图B，这两幅图属于漂动的情形。
如果分析的子图像不相似，那么可以认为图像中目标特征发生了改变，在本文提及的技术领域，例如，精子自主运动的方向是随机的，对于一个目标团组成的形态特征(相互位置关系或灰度分布特征)，在下一时刻可能难以维持，所以其形态特征将不相似。参考附图4中图A和图E，两图不相似，本发明不研究他们不相似的原因，只判定他们之间的关系，两图不相似，也必然不属于本文的漂动情形，因此判定为不漂动。具体的，若子图组不相似，则针对该不相似子图组的分析终止；若不相似子图组的数量超过预设数量，则对样本的分析终止，输出判定结果为不相似，样本无漂动。
S4，分析相似子图组(包括两张位置对应且相似的子图像)的偏移距离、偏移方向；
本案方法中，相似子图组有继续分析的意义，相似的子图组一般具有以下可能，两张子图之间相对静止或是发生了运动，而运动又可以细分为自主运动、漂动。
S5，相似且偏移距离大于预设偏移阈值的子图组为可能漂动子图组，可能漂动子图组数量超过预设数量，则判定样本有运动；
样本的运动可能是其自主行为，例如精子的自主运动，也有可能是外力干扰造成的漂动，因此需继续分析。
相似且偏移距离小于或等于预设偏移阈值的子图组为可能静止子图组，可能静止子图组数量超过预设数量，则判定样本静止。
样本目标静止时，同一样本目标在两幅子图中处于同一位置，偏移距离约等于0，通过设定一个偏移阈值，可有效区分目标是处于静止状态或者运动状态。如样本的子图组中绝大部分处于静止状态，可以判定样本静止，针对可能静止子图组的预设数量可根据分析精准度来确定，如精准度要求极高，可以将预设数量设置为子图组总量，即当可能静止子图组的数量等于子图组总量时，才判断样本静止。对于偏移阈值也可以采用同样方式进行考量设置，如设置偏移阈值为0，只有等于0时才判定为静止；又或是设偏移阈值为0.01，在0.01的范围内的偏移视为静止。
S6，在判定样本有运动后，分析所有可能漂动子图组偏移方向标准差，若偏移方向标准差小于预设标准差阈值，则判定样本漂动。
生物样本目标若存在自主运动特征(如精子)，它们的运动方向通常是随机的，而漂动状态下，各生物样本目标的运动方向较为一致。对各子图中样本目标的运动方向做统计分析，得到所有目标偏移方向角度的标准差，通过设定一个标准差阈值，可有效区分目标是自主运动或者漂动状态。当偏移方向标准差小于预设标准差阈值，说明样本目标运动方向较为一致，判定为样本漂动；若偏移方向标准差大于或等于预设标准差阈值，说明样本目标运动方向较为随机，则判定样本自主运动。
图像分析领域较为成熟，有多种现有技术可以分析图片的相似度、偏移参数等。参阅附图3，本案方法采用互相关算法对图像的相似与否、偏移距离、偏移方向进行分析，具体包括以下内容：
S100，图像傅里叶变换，设子图组中用于分析的两张子图像分别为图像f(i,j)和图像g(i,j)，采用以下公式将图像f(i,j)和图像g(i,j)转换为频域中的图像F(u,v)和G(u,v)；
Figure BDA0002833788480000091
其中，f(x,y)代表空间域中的图像，F(μ,v)代表频域中的图像，M和N代表图像的尺寸，j为虚数单位。
本文采用了约定俗成的傅里叶公式的表示方法，f(x,y)和F(μ,v)是数学上约定俗成的对应关系，分别表示空间域和频域的函数，F(μ,v)是f(x,y)的傅里叶变换结果。本发明中，(i,j)为空间域中的坐标表达方法，(u,v)为频率域中的坐标表达方法，同理，将空间域信号f(i,j)和g(i,j)变换后得到对应的频域信号F(u,v)和G(u,v)。将空间域转换为频域，是为了借助图像信号在频域的性质便于计算，减少计算量。
S101，将经由傅里叶变换的图像进行频谱中心化，获得图片F1(u,v)和G1(u,v)；
经傅里叶变换后的图像，低频信息分布在图像四周，高频分布在图像中心，为了观察方便且易于后续将频域图像复原为空间域图像进行频谱中心化处理。具体的，将图像F(u,v)和G(u,v)按象限分割为4个区域，对角的第一象限区域与第三象限区域，第二象限区域与第四象限区域对换以完成频谱中心化。
S102，将图像F1(u,v)拆分为实部和虚部，对虚部求反后与实部合并为复数，得到共轭后的图像F1 *(u,v)；
经过傅里叶变换公式转换后的结果F1(u,v)为复数形式，含有虚数单位j。
S103，将图像F1 *(u,v)和图像G1(u,v)拆分为实部和虚部后，对应相乘再合并为复数，得到两幅图像频域相乘后的结果φ(u,v)；
S104，图像傅里叶逆变换，将φ(u,v)代入公式，
Figure BDA0002833788480000101
求得两幅图像在空间域卷积后的结果：
Figure BDA0002833788480000102
在此处，φ(u,v)为公式中的F(μ,v)，
Figure BDA0002833788480000103
为公式中的f(x,y)，f(x,y)和F(μ,v)是数学上约定俗成的对应关系，分别表示空间域和频域的函数。f(x,y)一般认为是F(μ,v)的傅里叶逆变换结果，同理，
Figure BDA0002833788480000104
认为是φ(u,v)的傅里叶逆变换结果，本发明中，(i,j)为空间域中的坐标表达方法，(u,v)为频率域中的坐标表达方法。
S105，将
Figure BDA0002833788480000105
按象限分割成4个区域，将对角区域互换获得互相关谱
Figure BDA0002833788480000106
即将第一、三象限区域对换，第二、四象限区域对换；
S106，对互相关谱
Figure BDA0002833788480000107
归一化处理，得到互相关谱
Figure BDA0002833788480000108
归一化是数据处理中较为常见的一种简化计算方式，能把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较。本发明所用的方法是：寻找到互相关谱结果中的最大值，将所有结果均除以最大值，所有结果将限制在[0,1]区间内，完成归一化。归一化的方法很多，本处仅提及了最简单的线性函数归一化，其他的归一化方法还有0均值标准化、神经网络归一化等。本方法不关注互相关谱的具体值是多少，只关注这些值的位置与相对大小关系。
S107，由互相关谱
Figure BDA0002833788480000109
中获得最大峰值、次大峰值的幅值以及坐标信息；
如附图5所示，互相关谱可以理解为由无数组三维数据构成的三维图形，三维数据可表示为(X,Y,Z)，其中X，Y代表横纵坐标信息，Z代表幅值信息。所有信息都是已知的，可以通过峰值搜索方法(对于N*N的搜索区域，中心点Z值均高于周围点Z值)，并对搜索出的多个Z值进行排序，找到Z的最大值，次大值及相对应的坐标信息。
S108，最大峰值与次大峰值的幅值相比获得峰峰比，若峰峰比大于预设峰峰比阈值，判定子图组相似；根据相似子图组的最大峰值坐标信息计算与原点的偏移，获得子图组的偏移距离、偏移方向。
再参阅附图4的5幅子图(子图形式)，这5幅图来自于不同时间的图像上，同一位置对应的子图，图A中3个圆形目标平移后得到图B,图C为2个圆形目标加1个星形目标，图D为3个星形目标，图E为3个斜向分布的星形目标。根据已知的信息分别将图A与图B、图C、图D、图E按前述互相关算法进行计算，得到互相关结果，根据互相关结果可以得到峰峰比ZAB,ZAC,ZAD,ZAE，根据可接受的相似程度，设定阈值，将峰峰比与阈值比较，峰峰比大于阈值，判定为相似，峰峰比小于或等于阈值，判定为不相似。
对于互相关谱图中搜索得到的峰值位置做亚像素精度拟合，可将峰值位置结果从像素精度提高到亚像素精度，有效提高计算结果精度，有利于提高后续计算环节的可靠性。
具体的，互相关谱图做归一化处理，处理后的谱图中会有很多峰值，可以获得对应的峰值坐标信息(i,j)，一般提取最大峰值的坐标信息进行分析，采用一维高斯函数模型分别对水平方向i值和竖直方向j值进行拟合，
Figure BDA0002833788480000111
如果峰值坐标为(i,j),则取坐标(i-1,j)，(i,j)，(i+1,j)三点坐标信息进行水平方向高斯拟合。如果峰值坐标处于图像边缘位置，即：i＝0,或i＝N(N为图像水平方向像素点大小)，则分别取(0,j)(1,j)(2,j)和(N-2,j)(N-1,j)(N,j)各三点进行水平方向高斯拟合，之后按照同样的方式进行竖直方向的高斯拟合，得到亚像素精度的坐标信息。
在不考虑计算量的应用场景下，可以直接采用二维高斯函数模型进行拟合。
Figure BDA0002833788480000121
除了采用高斯曲线拟合的方法，还可以采用多项式拟合的方法，多项式拟合方法中，优先选择抛物线函数进行拟合。
根据输入图像的关系，可识别不同漂动速度特征下的漂动状态，提高本方法的适用性。对于一组图像序列判定为样本漂动后，如输入的图像为相邻两帧，则代表样本为快速漂动；如输入的图像之间间隔数帧时，则代表样本为慢速漂动。
本发明还提供一种电子设备，所述设备包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前任一项所述的判断样本漂动的方法的步骤。
综上，本发明提出的判定样本漂动的方法，在生物样本检测分析领域，可以快速判定成像系统采集到样本图像是否漂动，样本图像为凝视拍摄类型，但本方法并不局限于凝视拍摄类型图像。
本发明提出的判定样本漂动的方法，运用了基于子图像的分析方法，降低待分析图像的尺寸大小，从而进一步降低互相关分析过程的计算量。
本发明提出的判定样本漂动的方法，采用了基于快速的傅里叶变换(FFT)和快速傅里叶逆变换(IFFT)的计算方法，大大缩小了该过程的计算量，降低了分析时间。
本发明提出的判定样本漂动的方法，运用了亚像素精度拟合的方法，将峰值位置结果从像素精度提高到亚像素精度，有效提高计算结果精度，有利于提高后续计算环节的可靠性。
本发明提出的判定样本漂动的方法，具备相似功能判定模块，能够判定输入的两幅图像是否相似。
本发明提出的一种快速判定样本漂动方法，具备静止图像/运动图像区分功能模块，能够区分静止图像和运动图像。
本发明提出的一种快速判定样本漂动方法，具备自主运动/漂动区分功能模块，能够区分样本目标的自主运动行为和样本漂动。
本发明提出的一种快速判定样本漂动的方法，具备漂动速度判定功能模块，能够衡量样本漂动速度的快慢。
本发明提出的方法可以作为基于图像处理的生物样本检测领域中图像数据是否满足分析条件的判定方法之一。图像漂动现象的发生难以避免，图像漂动为图像的自动化处理、分析带来干扰，不加以判定容易导致输出错误的结果，因此，采用高效的、快速的样本漂动判定方法是十分有必要的。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改、组合和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.判断样本漂动的方法，其特征在于，所述方法包括以下内容：
S1,获得两幅不同时刻的样本原始图像；
S2,将两幅原始图像分割成相对应的若干子图像；
S3,分析每两张位置对应的子图像是否相似；
S4，分析相似子图组的偏移距离、偏移方向；
S5，相似且偏移距离大于预设偏移阈值的子图组为可能漂动子图组，可能漂动子图组数量超过预设数量，则判定样本有运动；
S6，在判定样本有运动后，分析所有可能漂动子图组偏移方向标准差，若偏移方向标准差小于预设标准差阈值，则判定样本漂动。
2.如权利要求1所述的判断样本漂动的方法，其特征在于：
步骤S5还包括，相似且偏移距离小于或等于预设偏移阈值的子图组为可能静止子图组，可能静止子图组数量超过预设数量，则判定样本静止。
3.如权利要求2所述的判断样本漂动的方法，其特征在于：
步骤S6中，若偏移方向标准差大于或等于预设标准差阈值，则判定样本自主运动。
4.如权利要求3所述的判断样本漂动的方法，其特征在于：
步骤S3、S4采用互相关算法，具体包括，
S100，图像傅里叶变换，设子图组中用于分析的两张子图像分别为图像f(i,j)和图像g(i,j)，采用以下公式将图像f(i,j)和图像g(i,j)转换为频域中的图像F(u,v)和G(u,v)；
Figure FDA0002833788470000021
其中，f(x,y)代表空间域中的图像，F(μ,v)代表频域中的图像，M和N代表图像的尺寸，j为虚数单位；
S101，将经由傅里叶变换的图像进行频谱中心化，获得图片F1(u,v)和G1(u,v)；
S102，将图像F1(u,v)拆分为实部和虚部，对虚部求反后与实部合并为复数，得到共轭后的图像F1 *(u,v)；
S103，将图像F1 *(u,v)和图像G1(u,v)拆分为实部和虚部后，对应相乘再合并为复数，得到两幅图像频域相乘后的结果φ(u,v)；
S104，图像傅里叶逆变换，将φ(u,v)代入公式，
Figure FDA0002833788470000022
求得两幅图像在空间域卷积后的结果：
Figure FDA0002833788470000023
S105，将
Figure FDA0002833788470000024
按象限分割成4个区域，将对角区域互换获得互相关谱
Figure FDA0002833788470000025
S106，对互相关谱
Figure FDA0002833788470000026
归一化处理，得到互相关谱
Figure FDA0002833788470000027
S107，由互相关谱
Figure FDA0002833788470000028
中获得最大峰值、次大峰值的幅值以及坐标信息；
S108，最大峰值与次大峰值的幅值相比获得峰峰比，若峰峰比大于预设峰峰比阈值，判定子图组相似；根据相似子图组的最大峰值坐标信息计算与原点的偏移，获得子图组的偏移距离、偏移方向。
5.如权利要求4所述的判断样本漂动的方法，其特征在于：
步骤S101中，将图像F(u,v)和G(u,v)按象限分割为4个区域，对角互换以完成频谱中心化。
6.如权利要求5所述的判断样本漂动的方法，其特征在于：
步骤S107中，对最大峰值、次大峰值采用亚像素精度拟合法处理。
7.如权利要求1所述的判断样本漂动的方法，其特征在于：
步骤S1包括以下内容，采用凝视拍摄获得视频样本，将视频样本拆分为以帧为单位的图像序列，取其中任意两张为样本原始图像。
步骤S2中，两幅原始图像各自的子图像之间X轴方向上间距为Δx,Y轴方向上间距为Δy。
8.如权利要求1所述的判断样本漂动的方法，其特征在于：
步骤S3，若子图组不相似，则针对该不相似子图组的分析终止；若不相似子图组的数量超过预设数量，则对样本的分析终止。
9.如权利要求1所述的判断样本漂动的方法，其特征在于：
若判定样本漂动的两幅原始图像相邻，则定义为快速漂动；若判定样本漂动的两幅原始图像具有间隔，则定义为慢速漂动。
10.一种电子设备，其特征在于：
所述设备包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-9任一项所述的判断样本漂动的方法的步骤。
CN202011464994.4A 2020-12-14 2020-12-14 判断样本漂动的方法以及电子设备 Active CN112580478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011464994.4A CN112580478B (zh) 2020-12-14 2020-12-14 判断样本漂动的方法以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011464994.4A CN112580478B (zh) 2020-12-14 2020-12-14 判断样本漂动的方法以及电子设备

Publications (2)

Publication Number Publication Date
CN112580478A true CN112580478A (zh) 2021-03-30
CN112580478B CN112580478B (zh) 2024-08-23

Family

ID=75131852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011464994.4A Active CN112580478B (zh) 2020-12-14 2020-12-14 判断样本漂动的方法以及电子设备

Country Status (1)

Country Link
CN (1) CN112580478B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120098986A1 (en) * 2010-10-26 2012-04-26 Sony Corporation Method to improve accuracy and reliability of motion estimated with phase correlation
CN107403175A (zh) * 2017-09-21 2017-11-28 昆明理工大学 一种运动背景下的视觉跟踪方法及视觉跟踪系统
CN108765452A (zh) * 2018-05-11 2018-11-06 西安天和防务技术股份有限公司 一种复杂背景下运动目标检测与跟踪方法
CN108961308A (zh) * 2018-06-01 2018-12-07 南京信息工程大学 一种漂移检测的残差深度特征目标跟踪方法
CN109035162A (zh) * 2018-07-06 2018-12-18 南京大学 一种基于像素重构的图片漂移校正方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120098986A1 (en) * 2010-10-26 2012-04-26 Sony Corporation Method to improve accuracy and reliability of motion estimated with phase correlation
CN107403175A (zh) * 2017-09-21 2017-11-28 昆明理工大学 一种运动背景下的视觉跟踪方法及视觉跟踪系统
CN108765452A (zh) * 2018-05-11 2018-11-06 西安天和防务技术股份有限公司 一种复杂背景下运动目标检测与跟踪方法
CN108961308A (zh) * 2018-06-01 2018-12-07 南京信息工程大学 一种漂移检测的残差深度特征目标跟踪方法
CN109035162A (zh) * 2018-07-06 2018-12-18 南京大学 一种基于像素重构的图片漂移校正方法及系统

Also Published As

Publication number Publication date
CN112580478B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN112528831B (zh) 多目标姿态估计方法、多目标姿态估计装置及终端设备
CN105373799B (zh) 一种用于模板识别的空间目标isar图像处理方法
CN105894538A (zh) 一种目标跟踪方法和装置
CN113837079A (zh) 显微镜的自动对焦方法、装置、计算机设备和存储介质
US9280209B2 (en) Method for generating 3D coordinates and mobile terminal for generating 3D coordinates
CN105913453A (zh) 一种目标跟踪方法和装置
CN110335204A (zh) 一种热成像图像增强方法
Chang et al. New metrics for clutter affecting human target acquisition
CN106033613B (zh) 目标跟踪方法及装置
CN117671031A (zh) 双目相机标定方法、装置、设备及存储介质
CN118115473A (zh) 带钢表面微小缺陷检测网络及方法
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
CN113409334B (zh) 一种基于质心的结构光角点检测方法
Sun et al. An improved binocular visual odometry algorithm based on the random sample consensus in visual navigation systems
CN110930436B (zh) 一种目标跟踪方法及设备
Nie et al. LFC-SSD: Multiscale aircraft detection based on local feature correlation
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
CN112580478A (zh) 判断样本漂动的方法以及电子设备
CN111062916A (zh) 显微图像的清晰度评价方法及装置
RU2647645C1 (ru) Способ устранения швов при создании панорамных изображений из видеопотока кадров в режиме реального времени
CN112711982B (zh) 视觉检测方法、设备、系统以及存储装置
CN114494359A (zh) 一种基于异常光流的小样本运动目标检测方法
CN103473549A (zh) 图像目标检测方法和装置
CN113435270A (zh) 目标检测方法、装置、设备及存储介质
WO2014178241A1 (ja) 画像処理装置、画像処理方法および画像処理プログラム

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