CN112614062B - 菌落计数方法、装置及计算机存储介质 - Google Patents

菌落计数方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN112614062B
CN112614062B CN202011501959.5A CN202011501959A CN112614062B CN 112614062 B CN112614062 B CN 112614062B CN 202011501959 A CN202011501959 A CN 202011501959A CN 112614062 B CN112614062 B CN 112614062B
Authority
CN
China
Prior art keywords
colony
image
information
edge
binarization
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
Application number
CN202011501959.5A
Other languages
English (en)
Other versions
CN112614062A (zh
Inventor
何艳玲
孙万东
王杰伟
刘丰瑞
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.)
Beijing Luqiao Technology Co ltd
Original Assignee
Beijing Luqiao 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 Beijing Luqiao Technology Co ltd filed Critical Beijing Luqiao Technology Co ltd
Priority to CN202011501959.5A priority Critical patent/CN112614062B/zh
Publication of CN112614062A publication Critical patent/CN112614062A/zh
Application granted granted Critical
Publication of CN112614062B publication Critical patent/CN112614062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种菌落计数方法、装置及计算机存储介质。该菌落计数方法包括：对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；对菌落二值化图像进行距离变换处理，以将菌落二值化图像转换为菌落灰度图像，其中，菌落灰度图像中的菌落边缘信息指示的菌落边缘的灰度值小于菌落特征信息指示的菌落内部的灰度值；按照菌落灰度图像中的灰度值，使用分水岭算法对菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；根据分割出的菌落信息，对菌落二值化图像进行连通域分析；根据连通域分析结果，确定菌落图像中的菌落数值。该方法计数更准。

Description

菌落计数方法、装置及计算机存储介质
技术邻域
本申请实施例涉及生物设备邻域，尤其涉及一种菌落计数方法、装置及计算机存储介质。
背景技术
食品、药品、化妆品及饲料等的微生物检验中，在统计结果时需进行大量的菌落计数。传统的菌落计数主要依靠肉眼的观察，工作繁重乏味、效率低下、以及存在原始数据无法保存和追溯等问题。使用数字图像处理技术对菌落数量进行统计，一方面可以提高实验人员的工作效率，另一方面可以不断优化改进计数算法，达到更准确快速的效果。但是现有菌落计数算法对粘连菌落无法完全分开，导致计数结果的准确性较差。
发明内容
为了解决上述问题，本申请实施例提供了一种菌落计数方法、装置及计算机存储介质，以至少部分地解决上述问题。
根据本申请实施例的第一方面，提供了一种菌落计数方法包括：对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值；按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析；根据连通域分析结果，确定所述菌落图像中的菌落数值。
根据本申请实施例的第二方面，提供一种菌落计数装置，包括：第一处理模块，用于对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；第二处理模块，用于对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值；第三处理模块，用于按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；第四处理模块，用于根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析；第五处理模块，用于根据连通域分析结果，确定所述菌落图像中的菌落数值。
根据本申请实施例的第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
根据本申请实施例提供的菌落计数方法，采用分水岭算法对菌落进行分割，解决了菌落计数存在边缘不清晰，边界粘连、容易重叠的问题，基于分水岭算法对菌落图像进行处理、自动化方式可以得到更准确的菌落数量自动化菌落计数的技术本身是在图像数字处理方向结合生物学的实验过程结果，通过机器学习的方式对图像中的菌落个数进行自动化的统计。
附图说明
以下附图仅旨在于对本申请做示意性说明和解释，并不限定本申请的范围。其中，
图1示出了根据本申请的实施例的菌落计数方法的示意图；
图2示出了根据本申请的实施例的菌落计数装置的结构框图；
图3示出了根据本申请的实施例的电子设备的结构示意图。
具体实施方式
为了对本申请实施例的技术特征、目的和效果有更加清楚的理解，现对照附图说明本申请实施例的具体实施方式。
参照图1，在本实施例中，提供一种菌落计数方法，该菌落计数方法包括下述步骤：
步骤S102：对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像。
采集的菌落图像可以通过图像采集装置(如摄像机、摄像头等)采集。
为了避免菌落图像中的噪点等对计数产生不利影响，可以对其进行去噪处理，例如，通过下述的过程A进行去噪处理。除此之外，为了后续能够准确地进行菌落计数，可以通过过程B和过程C对菌落图像进行处理，从而获得包含菌落边缘信息的菌落二值化图像，以便后续进行菌落计数。
其中，过程A：对采集的所述菌落图像进行中值滤波操作，以获得去噪的菌落图像。
中值滤波操作用于去除菌落图像中的噪声像素。中值滤波操作是一种非线性平滑技术，它将每一像素的灰度值设置为该点某邻域窗口内的所有像素灰度值中值。这样可以有效地去除菌落图像中的随机噪声。
邻域窗口的灰度值中值可以记作K，在邻域窗口的灰度值的数值集合中，有一半小于或等于K，还有一半大于或等于K，则其为中值。对于菌落图像，对某个像素做中值滤波操作时，可以先将掩膜内欲求的像素及其邻域窗口的像素的灰度值排序，确定出中值，并将该中值赋予该像素。例如，对于一个3×3的邻域窗口，其中值就是灰度值排序的第五个值，而在一个5×5的邻域窗口中，中值就是灰度值排序的第十三个值。而当一个邻域窗口中的所有像素值相同时，它们中的任何一个都可以作为中值。通过这种方式可以使拥有不同灰度的像素看起来更接近于它的临近值。
一种可行的中值滤波操作的排序过程例如为：将菌落图像对应的灰度值矩阵映射到一个一列或一行的矩阵再进行排序，并且调用reshape(A,m,n)和sort(X)函数实现。这样通过中值滤波操作对椒盐噪声干扰的图像有非常好的处理效果，实现了去除实验得到的菌落图像中的噪声过多、数量过多的问题。
过程B：从所述去噪的菌落图像中分别获得局部特征信息、菌落边缘形状信息和方向特征图。
其中，获取局部特征信息时，对去噪的菌落图像进行局部特征信息提取可以通过计算卷积核与局部映射区域的加权和的方式实现，通过局部特征信息提取的方式可以简化菌落图像的数据表达，减少数量和计算量。例如局部特征信息提取通过下述的过程B1～B3实现。
过程B1：使用预设的至少两个不同的生成模板，对所述去噪的菌落图像进行卷积计算。
生成模板可以是预设的NxM维的卷积核，通过不同的卷积核与去噪的菌落图像中的部分或全部区域进行卷积计算，可以提取出去噪的菌落图像中不同的特征信息，从而在实现简化数据表达的同时确保特征信息的留存。
在本实施例中，重点关注菌落的边缘信息，因此可以采用能够提取边缘信息的卷积核。在本实施例中，通过高斯拉普拉斯方式提取局部特征信息，基于此，卷积核的高斯标准差LoG，卷积核的大小为LoG。
过程B2：根据所述卷积计算的结果，使用预设的高斯拉普拉斯算子确定所述去噪的菌落图像的二阶导数，作为所述去噪的菌落图像在位置空间和尺度空间的响应值。
通过高斯拉普拉斯算法(LoG)，计算去噪的菌落图像在空间上的二阶导数作为响应值。这意味着去噪的菌落图像中某个区域的强度是固定值的时候，其LoG变换的响应值为0。而在去噪的菌落图像的强度发生变化的区域，在较暗的一侧LoG的响应值是正数，而在较亮的一侧LoG的响应值则为负数，这意味着在两个强度均匀但不同的区域中间会有一条相对锐利的边，在边中间的某一点响应值为0。这使得高斯拉普拉斯算法能够实现突出图像中的边缘的作用。
过程B3：根据所述响应值，确定所述去噪的菌落图像的局部特征信息。
由于输出的响应值包含负数值，为了便于处理可以将输出结果归一化到0～255之间。通过将局部特征信息和梯度信息添加到去噪的菌落图像中，可以将去噪的菌落图像中的任何边缘更清晰和具有更高的对比度。扩大高斯拉普拉斯算子的高斯平滑分量可以减少部分噪声。
获取菌落边缘形状信息时，菌落的形态一般围绕一个中心进行排列呈现，在统计菌落数量的时候容易因为菌落粘连使统计得到的菌落数量少于实际实验结果的菌落数量，因此需要对菌落的边缘形状进行特征提取。
例如，通过Canny边缘检测算法进行边缘提取。本实施例中，菌落边缘形状信息可以通过过程B4～B6实现。
过程B4：使用高斯滤波器对所述去噪的菌落图像进行平滑和降噪处理。
为了保证数据处理的准确性，使用高斯滤波器以平滑图像，滤除噪声。
过程B5：根据计算平滑和降噪处理的菌落图像中每个像素的梯度强度和方向，对所述平滑和降噪处理的菌落图像进行非极大值抑制。
其中计算图像中每个像素的梯度强度和方向可以采用现有的方式实现。这样就可以得到全局的梯度，但是这不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，为此可以应用非极大(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应。
过程B6：对非极大值抑制的菌落图像，进行边缘检测和链接，并确定菌落边缘形状信息。
基于抑制后的结果，应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。然后通过抑制孤立的弱边缘最终完成边缘检测，从而实现菌落边缘形状信息。
例如，应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。通过抑制孤立的弱边缘最终完成边缘检测。对非极大值抑制的菌落图像作用两个阈值th1和th2，两者关系th1＝0.4th2。
把梯度值小于th1的像素的灰度值设为0，得到图像1。然后把梯度值小于th2的像素的灰度值设为0，得到图像2。由于图像2的阈值较高，去除大部分噪音，但同时也损失了有用的边缘信息。而图像1的阈值较低，保留了较多的信息，因此可以以图像2为基础，以图像1为补充来连结图像的边缘。
链接边缘的过程例如为：对图像2进行扫描，当遇到一个非零灰度的像素p(x,y)时，跟踪以p(x,y)为开始点的轮廓线，直到轮廓线的终点q(x,y)。考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s(x,y)存在，则将其包括到图像2中，作为r(x,y)点。从r(x,y)开始，重复第一步，直到在图像1和图像2中都无法继续为止。当完成对包含p(x,y)的轮廓线的连结之后，将这条轮廓线标记为已经访问。
重复对图像2进行扫描的过程，寻找下一条轮廓线，如此重复直到图像2中找不到新轮廓线为止。通过这种方式可以获得菌落边缘形状信息。
获取方向特征图时，可以通过过程B7～B8实现。
过程B7：将所述去噪的菌落图像输入到提取方向特征的RNN神经网络模型中，获得所述RNN神经网络模型不同时刻的输出特征。
例如，去噪的菌落图像右方向的特征信息提取过程可以为：右方向是横向信息，将特征图的每一行作为序列输入至RNN(循环神经网络)，则RNN具有时间步，每个时间步的隐态输出即为输出特征。
其他方向的处理类似。
过程B8：将不同时刻的输出特征进行拼接，以获得所述方向特征图。
将每个时间步的隐态输出并拼接在一起，得到图像该方向的特征向量表示。各个方向均如此，最终得到图片的整个特征图。
过程C：根据所述局部特征信息、菌落边缘形状信息和方向特征图，对所述去噪的菌落图像进行灰度化处理和二值化处理，获得所述菌落二值化图像。
在进行灰度化处理时可以将RGB格式的菌落图像转化为灰度图。灰度图的好处在于RGB的数值均相同，且菌落图像的灰度值即为实际RGB的值也就是亮度值，而图像数据中一个字节代表一个像素，比较整齐。
基于灰度化处理获得的图像，对其进行二值化操作提取目标物体(即菌落)。本实施例中，采用最大类间方差来确定最优阈值，对预处理后的菌落图像(即根据局部特征信息、菌落边缘形状信息和方向特征图进行处理后的菌落图像)进行二值化操作，获得菌落二值化图像。
步骤S104：对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值。
由于在生物实验中培养后的每个菌落的边界不清晰，容易造成计数不准确，因此对菌落的边界进行分割，将菌落的粘连的边缘进行标记区分。为此，需要先将菌落二值化图像转换为灰度图像，以便后续进行分割，例如，通过距离变换处理获得灰度图像。
在一种可行方式中，步骤S104实现为：根据所述菌落二值化图像中包括的菌落边缘信息和所述菌落特征信息，分别计算所述菌落二值化图像中各像素与相邻像素之间的局部距离最小值和所述菌落二值化图像的全局距离。根据所述局部距离最小值和所述全局距离，确定各像素对应的灰度值，以确定所述菌落灰度图像。
一种距离变换处理可以实现为：计算每个像素与相邻的像素距离的最小值，以此获得全局距离和局部距离，进而将全局距离和局部距离是按比例叠加得到欧式几何距离，因此对菌落二值化图像进行前后两次扫描，产生距离图像，通过计算得到欧式几何距离。
为了实现快速计算，在计算距离时，从多个像素中选定目标像素，再计算其与局部相邻的几个像素的距离的最小值，根据全局距离是局部距离按比例叠加而成的原理对图像进行前后两次扫描，最终得到近似的距离图像。基于上述原理实践中用倒角算法来进行距离变换，简单快速其计算出的距离合理接近于真实的欧氏几何距离。
通过这种方式可以将菌落二值化图像中不同位置信息转化为不同的灰度信息，由于边缘像素灰度值较小，在图像中可以明显与其他像素区分开来，这样就可以突出边缘信息。
步骤S106：按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息。
在一可行方式中，步骤S106可以实现为：根据分割出的菌落信息对所述菌落二值化图像进行边缘标注，根据所述菌落二值化图像中各像素的值，确定各所述像素的标签，其中，标签相同的像素属于同一子连通域；根据各所述像素的标签，对属于同一主连通域的不同子连同域中的像素进行合并，并获得所述菌落二值化图像的主连通域。
例如，在一可行方式中，有些菌落之间存在明显的粘连，为使后续的计数准确，需要把粘连菌落分割开来针对菌落的特点，采用分水岭算法进行分割，
其中包括分水岭算法的排序过程和淹没过程。通过距离变换算法把二值图像中的信息计算成为灰度图像的信息，可是菌落边缘图像的灰度值可以较好的与其他像素区区分，在这里我们需要使用分水岭算法来标记菌落分布密集处的边缘信息。排序过程即通过排序方式从低到高的排序方式对灰度图像的像素进行排序。计算时，按照从低到高的排序方式对区域内的每个像素进行灰度级别的排序。
分水岭算法的淹没过程。将上述得到的从低到高的排序结果进行淹没过程，在进行标注和判断的过程中采用先进先出的原则。分水岭算法得到集水盆图像，其中一个集水盆与另一个集水盆之间的边界为分水岭，最后计算梯度图像。
然后在从低到高进行淹没，并对每个区域极小值在H阶高度的影响域采用先进先出的结构进行标注和判断。通过分水岭的变换所得到输入图像为集水盆图像，每个集水盆之间的边界就是分水岭，而分水岭则代表极大值，所以想要获取图像的信息，需要将梯度图像作为输入图像进行计算。
在两次扫描的过程中，第一次扫描，对菌落二值图像进行计数，这里采用传统的连通区域标号方法的Two-Pass(两遍扫描法)。第一次扫描：访问当前像素B(x,y)，如果B(x,y)＝＝1：如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：label+＝1，B(x,y)＝label；如果B(x,y)的领域中有像素值>1的像素Neighbors：将Neighbors中的最小值赋予给B(x,y):B(x,y)＝min{Neighbors}；记录Neighbors中各个值(label)之间的相等关系，即这些值(label)同属同一个连通区域；labelSet[i]＝{label_m,..,label_n}，labelSet[i]中的所有label都属于同一个连通区域。
在第二次扫描时，访问当前像素B(x,y)，如果B(x,y)>1：a、找到与label＝B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；b、完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域。
步骤S108：根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析。
例如，步骤S108可以实现为：根据设定的筛选阈值，对连通域分析结果指示的主连通域进行筛选；根据筛选后的主连通域，确定所述菌落图像中的菌落数值。
在菌落接种培养过程中，容易出现小面积或者大面积的污染，而这种污染也会影响最后菌落计数的结果，使得统计最后得到的菌落数大于实际的菌落数。设定一个阈值，在这个阈值之下的菌落可以视为是小面积的菌落杂质。可以认为菌落图像近似为圆形，设定形状因子，计算得到形状因子大于上限就认为这是大面积的杂质。
步骤S110：根据连通域分析结果，确定所述菌落图像中的菌落数值。
在去除小面积的杂质和大面积的杂质后，这时候就可以将不含有杂质的目标视为接近真实的菌落数量，并对整个菌落图案进行计数。
在计数时，通过图像分割(Segmentation)将图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线，曲线等)。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。目前在生物实验的过程中，由于比较容易获取培养皿中菌落的图像，所以应用图像处理技术进行菌落计数比较适用。本发明通过去除图像的噪声和分水岭算法应用，最终得到菌落数量。
通过这种方式解决了人工菌落计数计数繁琐，准确度低的问题。在本实施例中，通过机器学习的算法进行自动化计数的方式，可以很大程度上提高工作的效率，减少重复性的计数工作，同时采用算法进行计数在一定程度上可靠又准确。本专利为基于分水岭算法的菌落计数方法。在一定程度上优化菌落计数的不准确问题，本方法应用于生物学中菌落数量统计部分，用自动化方式可以得到更准确的菌落数量。
该方法可以更准确的进行菌落的计数，通过数码相机采集菌落的图像，然后二值化处理和目标分割后计数，最后可以得到菌落的个数。
其中，通过中值滤波操作去除图像中的噪声，在实验中得到的菌落图像会出现不同的问题和杂质，使用中值滤波操作去除图像中的噪声可以剔除在菌落计数过程中的不利因素；进行局部特征提取和方向特征图提取，计算卷积核与局部映射区域的加权和得到局部特征，方向特征图提取可以得到完整图片的特征，在局部特征提取的时候采用高斯拉普拉斯算子检测的方法(LOG)；对图像进行灰度化和二值化操作，对图像进行灰度化处理，使用二值化操作提取目标物体；提取菌落边缘形状，由于实验过程中培养的菌落容易出现粘连的情况，将会使菌落的边界不清晰，不容易进行菌落计数，因此进行菌落边缘形状的提取，使用canny边缘检测算法就行边缘提取；距离变换和分水岭算法结合的分割方法，距离变化将二值化图像中不同位置信息转化为不同的灰度信息，由于边缘像素灰度值较小，在图像中可以明显与其他像素区分开来，使用分水岭算法对交叉重叠部分图像分割；设定阈值并且进行菌落计数。
需要说明的是，自动化菌落计数的技术本身是在图像数字处理方向结合生物学的实验过程结果，通过机器学习的方式对图像中的菌落个数进行自动化的统计。既考虑了到生物学在科研过程中出现的各种情况，也要考虑到了在计算机视觉领域中算法不断优化发展时出现的不足之处。
实施例二
参照图2，示出了本申请实施例二的菌落计数装置的结构框图。
该菌落计数装置包括：
第一处理模块202，用于对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；
第二处理模块204，用于对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值；
第三处理模块206，用于按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；
第四处理模块208，用于根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析；
第五处理模块210，用于根据连通域分析结果，确定所述菌落图像中的菌落数值。
可选地，所述第一处理模块202用于对采集的所述菌落图像进行中值滤波操作，以获得去噪的菌落图像；从所述去噪的菌落图像中分别获得局部特征信息、菌落边缘形状信息和方向特征图；根据所述局部特征信息、菌落边缘形状信息和方向特征图，对所述去噪的菌落图像进行灰度化处理和二值化处理，获得所述菌落二值化图像。
可选地，所述第一处理模块202用于在所述从所述去噪的菌落图像中获得局部特征信息时，使用预设的至少两个不同的生成模板，对所述去噪的菌落图像进行卷积计算；根据所述卷积计算的结果，使用预设的高斯拉普拉斯算子确定所述去噪的菌落图像的二阶导数，作为所述去噪的菌落图像在位置空间和尺度空间的响应值；根据所述响应值，确定所述去噪的菌落图像的局部特征信息。
可选地，所述第一处理模块202用于在获取所述去噪的菌落图像的方向特征图时，将所述去噪的菌落图像输入到提取方向特征的RNN神经网络模型中，获得所述RNN神经网络模型不同时刻的输出特征；将不同时刻的输出特征进行拼接，以获得所述方向特征图。
可选地，所述第一处理模块202用于在从所述去噪的菌落图像中获得菌落边缘形状信息时，使用高斯滤波器对所述去噪的菌落图像进行平滑和降噪处理；根据计算平滑和降噪处理的菌落图像中每个像素的梯度强度和方向，对所述平滑和降噪处理的菌落图像进行非极大值抑制；对非极大值抑制的菌落图像，进行边缘检测和链接，并确定菌落边缘形状信息。
可选地，所述第二处理模块204，用于根据所述菌落二值化图像中包括的菌落边缘信息和所述菌落特征信息，分别计算所述菌落二值化图像中各像素与相邻像素之间的局部距离最小值和所述菌落二值化图像的全局距离；根据所述局部距离最小值和所述全局距离，确定各像素对应的灰度值，以确定所述菌落灰度图像。
可选地，所述第四处理模块208用于根据分割出的菌落信息对所述菌落二值化图像进行边缘标注，根据所述菌落二值化图像中各像素的值，确定各所述像素的标签，其中，标签相同的像素属于同一子连通域；根据各所述像素的标签，对属于同一主连通域的不同子连同域中的像素进行合并，并获得所述菌落二值化图像的主连通域。
可选地，所述第五处理模块210用于根据设定的筛选阈值，对连通域分析结果指示的主连通域进行筛选；根据筛选后的主连通域，确定所述菌落图像中的菌落数值。
实施例三
参照图3，示出了根据本发明实施例三的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图3所示，该电子设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：
处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它电子设备或服务器进行通信。
处理器302，用于执行程序310，具体可以执行上述评论方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行前述菌落计数方法对应的操作。
程序310中各步骤的具体实现可以参见上述菌落计数方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
通过本实施例的电子设备，能够获取音频评论数据和对应的音频数据处理参数，进而能够根据音频数据处理参数对音频评论数据进行处理，并根据处理后的音频评论数据生成评论信息并发布。这样，使得知识互动社区的互动形式更加丰富，可以满足不同的互动需求，在用户不方便阅读文字或发表文字时，也可以进行评论，且由于可以对音频评论数据进行处理，使得知识互动社区的隐私性更好。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的菌落计数方法。此外，当通用计算机访问用于实现在此示出的菌落计数方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的菌落计数方法的专用计算机。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本邻域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本邻域技术人员可以理解的其他实施方式。
以上仅为本申请实施例示意性的具体实施方式，并非用以限定本申请实施例的范围。任何本邻域的技术人员，在不脱离本申请实施例的构思和原则的前提下所作的等同变化、修改与结合，均应属于本申请实施例保护的范围。

Claims (8)

1.一种菌落计数方法，其特征在于，包括：
对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；
对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值；
按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；
根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析；
根据连通域分析结果，确定所述菌落图像中的菌落数值；
所述对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像，包括：
对采集的所述菌落图像进行中值滤波操作，以获得去噪的菌落图像；
从所述去噪的菌落图像中分别获得局部特征信息、菌落边缘形状信息和方向特征图；
根据所述局部特征信息、菌落边缘形状信息和方向特征图，对所述去噪的菌落图像进行灰度化处理和二值化处理，获得所述菌落二值化图像；
从所述去噪的菌落图像中获得菌落边缘形状信息，包括：
使用高斯滤波器对所述去噪的菌落图像进行平滑和降噪处理；
根据计算平滑和降噪处理的菌落图像中每个像素的梯度强度和方向，对所述平滑和降噪处理的菌落图像进行非极大值抑制；
对非极大值抑制的菌落图像，进行边缘检测和链接，并确定菌落边缘形状信息。
2.根据权利要求1所述的方法，其特征在于，从所述去噪的菌落图像中获得局部特征信息，包括：
使用预设的至少两个不同的生成模板，对所述去噪的菌落图像进行卷积计算；
根据所述卷积计算的结果，使用预设的高斯拉普拉斯算子确定所述去噪的菌落图像的二阶导数，作为所述去噪的菌落图像在位置空间和尺度空间的响应值；
根据所述响应值，确定所述去噪的菌落图像的局部特征信息。
3.根据权利要求1所述的方法，其特征在于，获取所述去噪的菌落图像的方向特征图，包括：
将所述去噪的菌落图像输入到提取方向特征的RNN神经网络模型中，获得所述RNN神经网络模型不同时刻的输出特征；
将不同时刻的输出特征进行拼接，以获得所述方向特征图。
4.根据权利要求1所述的方法，其特征在于，所述对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，包括：
根据所述菌落二值化图像中包括的菌落边缘信息和所述菌落特征信息，分别计算所述菌落二值化图像中各像素与相邻像素之间的局部距离最小值和所述菌落二值化图像的全局距离；
根据所述局部距离最小值和所述全局距离，确定各像素对应的灰度值，以确定所述菌落灰度图像。
5.根据权利要求1所述的方法，其特征在于，所述根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析，包括：
根据分割出的菌落信息对所述菌落二值化图像进行边缘标注，根据所述菌落二值化图像中各像素的值，确定各所述像素的标签，其中，标签相同的像素属于同一子连通域；
根据各所述像素的标签，对属于同一主连通域的不同子连同域中的像素进行合并，并获得所述菌落二值化图像的主连通域。
6.根据权利要求1所述的方法，其特征在于，所述根据连通域分析结果，确定所述菌落图像中的菌落数值，包括：
根据设定的筛选阈值，对连通域分析结果指示的主连通域进行筛选；
根据筛选后的主连通域，确定所述菌落图像中的菌落数值。
7.一种菌落计数装置，其特征在于，包括：
第一处理模块，用于对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像；所述对采集的菌落图像进行降噪处理和边缘特征提取处理，以获得包含所述菌落图像中菌落边缘信息和菌落特征信息的菌落二值化图像，包括：对采集的所述菌落图像进行中值滤波操作，以获得去噪的菌落图像；从所述去噪的菌落图像中分别获得局部特征信息、菌落边缘形状信息和方向特征图；根据所述局部特征信息、菌落边缘形状信息和方向特征图，对所述去噪的菌落图像进行灰度化处理和二值化处理，获得所述菌落二值化图像；从所述去噪的菌落图像中获得菌落边缘形状信息，包括：使用高斯滤波器对所述去噪的菌落图像进行平滑和降噪处理；根据计算平滑和降噪处理的菌落图像中每个像素的梯度强度和方向，对所述平滑和降噪处理的菌落图像进行非极大值抑制；对非极大值抑制的菌落图像，进行边缘检测和链接，并确定菌落边缘形状信息；
第二处理模块，用于对所述菌落二值化图像进行距离变换处理，以将所述菌落二值化图像转换为菌落灰度图像，其中，所述菌落灰度图像中的所述菌落边缘信息指示的菌落边缘的灰度值小于所述菌落特征信息指示的菌落内部的灰度值；
第三处理模块，用于按照所述菌落灰度图像中的灰度值，使用分水岭算法对所述菌落灰度图像中进行菌落分割，并获得分割出的菌落信息；
第四处理模块，用于根据分割出的菌落信息，对所述菌落二值化图像进行连通域分析；
第五处理模块，用于根据连通域分析结果，确定所述菌落图像中的菌落数值。
8.一种计算机可读介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202011501959.5A 2020-12-17 2020-12-17 菌落计数方法、装置及计算机存储介质 Active CN112614062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011501959.5A CN112614062B (zh) 2020-12-17 2020-12-17 菌落计数方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011501959.5A CN112614062B (zh) 2020-12-17 2020-12-17 菌落计数方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112614062A CN112614062A (zh) 2021-04-06
CN112614062B true CN112614062B (zh) 2024-04-26

Family

ID=75241066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011501959.5A Active CN112614062B (zh) 2020-12-17 2020-12-17 菌落计数方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112614062B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992328B (zh) * 2019-11-28 2024-04-02 京东方科技集团股份有限公司 暗点检测方法和装置
CN113110265A (zh) * 2021-05-26 2021-07-13 焦作大学 一种采用物联网的生物化工的发酵环境调节方法
CN113570593B (zh) * 2021-08-10 2024-05-14 深圳诺博医疗科技有限公司 一种药剂精确计数方法、装置、计算机设备及存储介质
CN113902713B (zh) * 2021-10-12 2023-02-14 广东电网有限责任公司广州供电局 一种基于图像分割算法的多菌落体计数方法
CN114170598B (zh) * 2021-12-10 2023-07-07 四川大学 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法
CN114723804A (zh) * 2022-04-13 2022-07-08 盐城工学院 一种基于图像分类的菌落计数方法
CN117274293B (zh) * 2023-11-17 2024-03-15 广东省农业科学院动物科学研究所 基于图像特征的细菌菌落精确划分方法
CN117495865B (zh) * 2024-01-03 2024-05-17 深圳零一生命科技有限责任公司 菌落计数样本的优化方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024259A (zh) * 2010-12-24 2011-04-20 刘安安 一种菌落自动检测方法
JP2015073452A (ja) * 2013-10-07 2015-04-20 株式会社エルメックス コロニーのカウント方法およびコロニー計数装置
FR3028866A1 (fr) * 2014-11-26 2016-05-27 Biomerieux Sa Procede, systeme et produit-programme d'ordinateur pour determiner la croissance de micro-organismes
CN105741310A (zh) * 2016-03-21 2016-07-06 东北大学 一种心脏左心室图像分割系统及方法
CN108376402A (zh) * 2018-04-27 2018-08-07 安徽农业大学 一种离线状态下的白粉虱群落生长状态分析装置及方法
CN110499233A (zh) * 2019-08-27 2019-11-26 广东环凯生物科技有限公司 一种用于菌落计数器的光源系统、计数器和计数方法
CN111429361A (zh) * 2020-02-17 2020-07-17 马健锦 一种基于机器视觉的菌落计数方法
CN111738256A (zh) * 2020-06-02 2020-10-02 上海交通大学 基于改进分水岭算法的复合材料ct图像分割方法
CN112037241A (zh) * 2020-08-28 2020-12-04 北京农业智能装备技术研究中心 一种基于多光谱数据的作物混种区实时识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024259A (zh) * 2010-12-24 2011-04-20 刘安安 一种菌落自动检测方法
JP2015073452A (ja) * 2013-10-07 2015-04-20 株式会社エルメックス コロニーのカウント方法およびコロニー計数装置
FR3028866A1 (fr) * 2014-11-26 2016-05-27 Biomerieux Sa Procede, systeme et produit-programme d'ordinateur pour determiner la croissance de micro-organismes
CN105741310A (zh) * 2016-03-21 2016-07-06 东北大学 一种心脏左心室图像分割系统及方法
CN108376402A (zh) * 2018-04-27 2018-08-07 安徽农业大学 一种离线状态下的白粉虱群落生长状态分析装置及方法
CN110499233A (zh) * 2019-08-27 2019-11-26 广东环凯生物科技有限公司 一种用于菌落计数器的光源系统、计数器和计数方法
CN111429361A (zh) * 2020-02-17 2020-07-17 马健锦 一种基于机器视觉的菌落计数方法
CN111738256A (zh) * 2020-06-02 2020-10-02 上海交通大学 基于改进分水岭算法的复合材料ct图像分割方法
CN112037241A (zh) * 2020-08-28 2020-12-04 北京农业智能装备技术研究中心 一种基于多光谱数据的作物混种区实时识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于改进水平集的菌落图像智能计数算法";张力新，张黎明，杜培培，余辉;《天津大学学报》;20191231;全文 *
Wei zheng Shen,Jie Zhao."Experimental study for automatic colony counting system based on image processing".《ICCASM 2010》.2010,全文. *

Also Published As

Publication number Publication date
CN112614062A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112614062B (zh) 菌落计数方法、装置及计算机存储介质
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
GB2478593A (en) Segmentation of cell nuclei in histological sections
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN115908269A (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN110110667B (zh) 一种硅藻图像的处理方法、系统及相关组件
CN110070548B (zh) 一种深度学习训练样本优化方法
JP2013105245A (ja) 画像処理方法、装置及びプログラム
CN111476758A (zh) Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN110176020A (zh) 一种融合2d和3d图像的燕窝杂质分拣方法
EP3510526B1 (en) Particle boundary identification
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
CN107886493B (zh) 一种输电线路的导线分股缺陷检测方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN104102911A (zh) 一种基于aoi的子弹表观缺陷检测系统的图像处理算法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN114529715B (zh) 一种基于边缘提取的图像识别方法及系统
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
CN115661110A (zh) 一种透明工件识别与定位的方法
CN115546232A (zh) 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN114332079A (zh) 基于图像处理的塑料餐盒裂缝检测方法、装置及介质

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