CN112991306A - 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 - Google Patents

一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 Download PDF

Info

Publication number
CN112991306A
CN112991306A CN202110317411.3A CN202110317411A CN112991306A CN 112991306 A CN112991306 A CN 112991306A CN 202110317411 A CN202110317411 A CN 202110317411A CN 112991306 A CN112991306 A CN 112991306A
Authority
CN
China
Prior art keywords
candidate
image
cleavage stage
range
circles
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
CN202110317411.3A
Other languages
English (en)
Other versions
CN112991306B (zh
Inventor
田翔
周杰
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110317411.3A priority Critical patent/CN112991306B/zh
Publication of CN112991306A publication Critical patent/CN112991306A/zh
Application granted granted Critical
Publication of CN112991306B publication Critical patent/CN112991306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/30044—Fetus; Embryo
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，包括以下步骤：获取卵裂期胚胎细胞图片，对其进行灰度和轮廓增强处理；进行边缘检测；进行形态学变化处理；进行细化处理，并去除小斑点区域；进行圆检测，得到多个候选圆；去除候选圆中不符合整体半径均值范围或重合程度高的圆；依次在留下的每个候选圆对应范围的图像坐标区域上单独进行椭圆拟合；去除不符合长短轴比例范围以及多个椭圆之间重合程度高的椭圆；确定第一候选椭圆组相对应的范围，近似为卵裂期胚胎细胞各单独细胞的位置范围，第一候选椭圆组中候选椭圆的总数为卵裂期胚胎细胞的所有细胞数。本发明具有处理速度快、精度高等优点。

Description

一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及到一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法。
背景技术
胚胎的受精和体外培养取决于一个在温度、空气质量、光照、培养基pH值和渗透压方面应该稳定和正确的环境。受精后，正常发育的胚胎将继续分裂，到第五天或第六天就发育到囊胚期；然而，只有三分之一的胚胎能够达到这个阶段。胚胎存活率在体外受精过程中由胚胎学家监测。然而，胚胎评估是主观的，并且基于有限的观察。如果它是通过每天将受精的胚胎在每个阶段放在显微镜下观察多次来进行的，则能减少主观因素干扰。
近年来，人们研制了许多关于卵裂胚胚胎细胞检测识别的算法，对卵裂期胚胎图像进行分析，检测定位识别细胞数，提高准确性。但由于胚胎形态不佳、自闭、碎裂和成像限制等原因，这仍然是一个巨大的挑战。仍然存在以下问题：识别准确性不高，细节处理不完善，存在各种杂质碎片的干扰，分化后细胞之间相互重叠的干扰。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其能够自动处理卵裂期胚胎细胞图片，实现位置分割和统计细胞数目，为医生减轻负担，增加工作效率，进一步提高体外受精胚胎存活率。
为实现上述目的，本发明所提供的技术方案为：
一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，包括以下步骤：
S1、获取卵裂期胚胎细胞图片，将其转换为灰度图像，并进行轮廓增强处理；
S2、对经过步骤S1轮廓增强处理的图像进行边缘检测；
S3、对经过步骤S2边缘检测的图像进行形态学变化处理；
S4、对经过步骤S3形态学变化处理的图像进行细化处理，并去除小斑点区域；
S5、对步骤S4去除完小斑点区域的图像进行圆检测，得到多个候选圆；
S6、去除候选圆中不符合整体半径均值范围或重合程度高的圆，留下符合整体半径均值范围或重合程度低的候选圆；
S7、对于步骤S6留下的候选圆，依次在每个候选圆对应范围的图像坐标区域上单独进行椭圆拟合，得到单个或多个候选椭圆；
S8、将步骤S7得到的候选椭圆与步骤S6对应位置的候选圆作比较，去除不符合长短轴与圆半径比例范围以及多个椭圆之间重合程度高的椭圆，留下面积相对较大的第一候选椭圆组；
S9、最终确定第一候选椭圆组相对应的范围，近似为卵裂期胚胎细胞各单独细胞的位置范围；第一候选椭圆组中候选椭圆的总数即为卵裂期胚胎细胞的所有细胞数。
进一步地，所述步骤S1中，利用基于Hessian矩阵的Frangi滤波算法对灰度图像进行轮廓增强。
进一步地，所述Hessian矩阵的定义为：
Figure BDA0002991718500000021
上式中，I分别为x轴或y轴上的二阶偏导数。
进一步地，所述步骤S2利用Canny算法进行边缘检测，阈值门限的选取依据对轮廓增强处理之后图像的灰度值统计。
进一步地，所述步骤S3进行膨胀形态学变化处理，使用结构元素为3×3。
进一步地，所述步骤S4基于Zhang-suen细化算法进行细化处理；对细化后的图像，根据连通域原理去除小斑点区域。
进一步地，所述步骤S5基于Hough圆检测算法进行圆检测，得到多个候选圆。
进一步地，进行Hough圆检测时，将图像从原图像空间变换到参数空间；
圆的极坐标公式为：
Figure BDA0002991718500000031
上式中，(x0,y0)为圆心像素点，γ为圆的半径，θ为角度，范围为0到2π。
进一步地，所述步骤S6去除候选圆中不符合整体半径均值范围或重合程度高的圆的具体过程如下：
首先，依据全部候选圆的半径均值，删除偏离半径均值设定范围的候选圆；其次，依据候选圆之间重合程度，按照Hough圆检测算法的优先级，删除重合面积大且优先级小的候选圆；最后，判断候选圆的剩余数目，更新剩余候选圆的半径均值，继续删除偏离更新后的半径均值设定范围的候选圆。
进一步地，所述步骤S7利用最小二乘法对图像进行椭圆拟合。
与现有技术相比，本方案原理及优点如下：
1、本方案首先通过膨胀叠加Zhang-suen细化算法的处理，消除了卵裂期胚胎碎片及其细胞边缘阴影重叠的干扰，其次，通过对有条件筛选以及在圆检测的基础上叠加椭圆拟合，减少了胚胎细胞变形以及相互重合的干扰。
2、本方案能够自动处理卵裂期胚胎细胞图片，实现位置分割和统计细胞数目，为医生减轻工作负担。
3、本方案基于图像处理，具有处理速度快、精度高、无需人为介入、减少外在人工因素干扰等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法的原理流程图；
图2为原始图像转换为灰度图像和滤波增强之后的图像；
图3为经过边缘检测的图像；
图4为经过膨胀、细化、和去除小斑点区域的图像；
图5为结果图像；
图6为椭圆拟合去除重复椭圆的比较图像。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，具体包括如下步骤：
S1、获取卵裂期胚胎细胞图片，将其转换为灰度图像，并利用基于Hessian矩阵的Frangi滤波算法对灰度图像进行轮廓增强；
Hessian矩阵的定义为：
Figure BDA0002991718500000041
上式中，I分别为x轴或y轴上的二阶偏导数；
经过本步骤后，原始图像转换为灰度图像(如图2左)和滤波增强之后的图像如图2右所示。
S2、利用Canny算法对经过步骤S1轮廓增强处理的图像进行边缘检测；实施中，Canny算法的阈值选取，需要对多张轮廓增强后的图片进行灰度值分析，具体选取最小20，最大50的灰度值阈值来进行边缘的划分，经过边缘检测的图像如图3所示。
S3、对经过步骤S2边缘检测的图像进行膨胀形态学变化处理，使用结构元素为3×3，膨胀次数为3，具体结果如图4所示。
S4、对经过步骤S3形态学变化处理的图像进行基于Zhang-suen细化算法的细化处理；对细化后的图片，由于存在许多小斑点区域，因此根据连通域原理，当轮廓面积小于50个像素点删除小斑点区域。经过膨胀、细化、和去除小斑点区域的图像结果如图4所示。
S5、通过Hough圆检测算法对去除完小斑点区域的图进行圆检测，得到多个候选圆；
具体地，Hough圆检测的基本原理是将图像从原图像空间变换到参数空间；
圆的极坐标公式为：
Figure BDA0002991718500000051
上式中，(x0,y0)为圆心像素点，γ为圆的半径，θ为角度，范围为到π。
霍夫圆检测算法包括两个步骤：
1)二维累加器用于寻找可能为圆的位置。由于在圆周上的点的梯度应该指向半径的方向，因此对于每一个点，只有沿着梯度方向的项才得到增加(设定最大半径200像素点和最小的半径为10像素点)；
2)若找到了圆心，则构建一维的半径的直方图，这个直方图的峰值对应的是检测到的圆的半径。
S6、去除候选圆中不符合整体半径均值范围或重合程度高的圆，留下符合整体半径均值范围或重合程度低的候选圆；
其中，去除的过程如下：
首先，依据全部候选圆的半径均值，删除偏离半径均值范围(小于0.5倍和大于1.25倍)的候选圆；其次，依据候选圆之间重合程度，按照Hough圆检测算法的优先级，删除重合面积大于0.7倍且优先级小的候选圆；最后，判断候选圆的剩余数目，更新剩余候选圆的半径均值，继续删除偏离更新后的半径均值设定范围为大于1.25倍的候选圆。。具体结果如图5所示。
S7、对于步骤S6留下的候选圆，依次在每个候选圆对应范围的图像坐标区域上单独进行基于最小二乘法的椭圆拟合，得到单个或多个候选椭圆；
S8、将步骤S7得到的候选椭圆与步骤S6中对应位置的候选圆作比较，去除不符合长短轴与圆半径比例范围(大于1.5倍或小于1.5倍)的椭圆以及多个椭圆之间重合程度大于0.7倍的椭圆，留下面积相对较大的第一候选椭圆组；
S9、最终确定第一候选椭圆组相对应的范围，近似为卵裂期胚胎细胞各单独细胞的位置范围；第一候选椭圆组中候选椭圆的总数即为卵裂期胚胎细胞的所有细胞数。当重合程度较高时，圆检测和椭圆拟合结果差别如图6所示。
经过长时间的试验，采用本发明的方法对1000张卵裂期胚胎原始图片进行处理识别，这1000张图片中细胞的定位和计数的平均准确度达到91.55％；之后采用现有的卵裂胚胚胎细胞检测识别方法对1000张图片进行测试，最终该1000张图片中细胞的定位和计数的平均准确度为89.56％。可见，本发明所述方法具有更高的准确率。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (10)

1.一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，包括以下步骤：
S1、获取卵裂期胚胎细胞图片，将其转换为灰度图像，并进行轮廓增强处理；
S2、对经过步骤S1轮廓增强处理的图像进行边缘检测；
S3、对经过步骤S2边缘检测的图像进行形态学变化处理；
S4、对经过步骤S3形态学变化处理的图像进行细化处理，并去除小斑点区域；
S5、对步骤S4去除完小斑点区域的图像进行圆检测，得到多个候选圆；
S6、去除候选圆中不符合整体半径均值范围或重合程度高的圆，留下符合整体半径均值范围或重合程度低的候选圆；
S7、对于步骤S6留下的候选圆，依次在每个候选圆对应范围的图像坐标区域上单独进行椭圆拟合，得到单个或多个候选椭圆；
S8、将步骤S7得到的候选椭圆与步骤S6对应位置的候选圆作比较，去除不符合长短轴与圆半径比例范围以及多个椭圆之间重合程度高的椭圆，留下面积相对较大的第一候选椭圆组；
S9、最终确定第一候选椭圆组相对应的范围，近似为卵裂期胚胎细胞各单独细胞的位置范围；第一候选椭圆组中候选椭圆的总数即为卵裂期胚胎细胞的所有细胞数。
2.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S1中，利用基于Hessian矩阵的Frangi滤波算法对灰度图像进行轮廓增强。
3.根据权利要求2所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述Hessian矩阵的定义为：
Figure FDA0002991718490000011
上式中，I分别为x轴或y轴上的二阶偏导数。
4.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S2利用Canny算法进行边缘检测，阈值门限的选取依据对轮廓增强处理之后图像的灰度值统计。
5.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S3进行膨胀形态学变化处理，使用结构元素为3×3。
6.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S4基于Zhang-suen细化算法进行细化处理；对细化后的图像，根据连通域原理去除小斑点区域。
7.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S5基于Hough圆检测算法进行圆检测，得到多个候选圆。
8.根据权利要求7所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，进行Hough圆检测时，将图像从原图像空间变换到参数空间；
圆的极坐标公式为：
Figure FDA0002991718490000021
上式中，(x0,y0)为圆心像素点，γ为圆的半径，θ为角度，范围为0到2π。
9.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S6去除候选圆中不符合整体半径均值范围或重合程度高的圆的具体过程如下：
首先，依据全部候选圆的半径均值，删除偏离半径均值设定范围的候选圆；其次，依据候选圆之间重合程度，按照Hough圆检测算法的优先级，删除重合面积大且优先级小的候选圆；最后，判断候选圆的剩余数目，更新剩余候选圆的半径均值，继续删除偏离更新后的半径均值设定范围的候选圆。
10.根据权利要求1所述的一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法，其特征在于，所述步骤S7利用最小二乘法对图像进行椭圆拟合。
CN202110317411.3A 2021-03-25 2021-03-25 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 Active CN112991306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317411.3A CN112991306B (zh) 2021-03-25 2021-03-25 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317411.3A CN112991306B (zh) 2021-03-25 2021-03-25 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法

Publications (2)

Publication Number Publication Date
CN112991306A true CN112991306A (zh) 2021-06-18
CN112991306B CN112991306B (zh) 2022-04-22

Family

ID=76333535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317411.3A Active CN112991306B (zh) 2021-03-25 2021-03-25 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法

Country Status (1)

Country Link
CN (1) CN112991306B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920146A (zh) * 2021-12-10 2022-01-11 杭州安脉盛智能技术有限公司 一种基于灰度及边缘信息融合复杂圆定位方法
CN116189178A (zh) * 2022-12-30 2023-05-30 广州市明美光电技术有限公司 一种显微细胞图像的识别方法、设备及存储介质
CN116739949A (zh) * 2023-08-15 2023-09-12 武汉互创联合科技有限公司 一种胚胎图像的卵裂球边缘增强处理方法
CN116757967A (zh) * 2023-08-18 2023-09-15 武汉互创联合科技有限公司 胚胎图像碎片去除方法、计算机设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006061958A1 (ja) * 2004-12-08 2006-06-15 Osaka University 細胞の評価方法、細胞測定用システム、及び細胞測定用プログラム
US9342881B1 (en) * 2013-12-31 2016-05-17 Given Imaging Ltd. System and method for automatic detection of in vivo polyps in video sequences
JP2016133949A (ja) * 2015-01-19 2016-07-25 株式会社メガチップス 判定装置及び制御プログラム並びに判定方法
CN108961208A (zh) * 2018-05-21 2018-12-07 江苏康尚生物医疗科技有限公司 一种聚集白细胞分割计数系统及方法
CN109685783A (zh) * 2018-12-18 2019-04-26 东北大学 一种基于骨架提取的细胞计数方法
CN110766680A (zh) * 2019-10-28 2020-02-07 闽江学院 一种基于几何约束的白细胞图像分割方法
CN111724378A (zh) * 2020-06-24 2020-09-29 武汉互创联合科技有限公司 一种显微图像细胞计数与姿态识别方法及系统
CN111724379A (zh) * 2020-06-24 2020-09-29 武汉互创联合科技有限公司 基于组合视图的显微图像细胞计数与姿态识别方法及系统
EP3788598A1 (en) * 2018-04-30 2021-03-10 The University of Birmingham Automated oocyte detection and orientation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006061958A1 (ja) * 2004-12-08 2006-06-15 Osaka University 細胞の評価方法、細胞測定用システム、及び細胞測定用プログラム
US9342881B1 (en) * 2013-12-31 2016-05-17 Given Imaging Ltd. System and method for automatic detection of in vivo polyps in video sequences
JP2016133949A (ja) * 2015-01-19 2016-07-25 株式会社メガチップス 判定装置及び制御プログラム並びに判定方法
EP3788598A1 (en) * 2018-04-30 2021-03-10 The University of Birmingham Automated oocyte detection and orientation
CN108961208A (zh) * 2018-05-21 2018-12-07 江苏康尚生物医疗科技有限公司 一种聚集白细胞分割计数系统及方法
CN109685783A (zh) * 2018-12-18 2019-04-26 东北大学 一种基于骨架提取的细胞计数方法
CN110766680A (zh) * 2019-10-28 2020-02-07 闽江学院 一种基于几何约束的白细胞图像分割方法
CN111724378A (zh) * 2020-06-24 2020-09-29 武汉互创联合科技有限公司 一种显微图像细胞计数与姿态识别方法及系统
CN111724379A (zh) * 2020-06-24 2020-09-29 武汉互创联合科技有限公司 基于组合视图的显微图像细胞计数与姿态识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
廖苗等: "基于支持向量机和椭圆拟合的细胞图像自动分割", 《浙江大学学报(工学版)》 *
袁理: "基于Hough变换的椭圆检测算法", 《中国光学与应用光学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920146A (zh) * 2021-12-10 2022-01-11 杭州安脉盛智能技术有限公司 一种基于灰度及边缘信息融合复杂圆定位方法
CN116189178A (zh) * 2022-12-30 2023-05-30 广州市明美光电技术有限公司 一种显微细胞图像的识别方法、设备及存储介质
CN116739949A (zh) * 2023-08-15 2023-09-12 武汉互创联合科技有限公司 一种胚胎图像的卵裂球边缘增强处理方法
CN116739949B (zh) * 2023-08-15 2023-11-03 武汉互创联合科技有限公司 一种胚胎图像的卵裂球边缘增强处理方法
CN116757967A (zh) * 2023-08-18 2023-09-15 武汉互创联合科技有限公司 胚胎图像碎片去除方法、计算机设备及可读存储介质
CN116757967B (zh) * 2023-08-18 2023-11-03 武汉互创联合科技有限公司 胚胎图像碎片去除方法、计算机设备及可读存储介质

Also Published As

Publication number Publication date
CN112991306B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN112991306B (zh) 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
WO2013099772A1 (ja) 細胞輪郭線形成装置及びその方法、コンピュータにより処理可能な細胞輪郭線形成プログラムを記憶する記憶媒体
WO2020038312A1 (zh) 多通道舌体边缘检测装置、方法及存储介质
CN107480662B (zh) 一种霉菌图像识别方法及其装置
CN112215800A (zh) 基于机器学习的重叠染色体识别和分割方法
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN113537182B (zh) 染色体中期分裂相显微图像的自动识别方法与系统
CN110110667B (zh) 一种硅藻图像的处理方法、系统及相关组件
CN110954553B (zh) 一种镜片光学检测系统
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
Khan et al. Segmentation of developing human embryo in time-lapse microscopy
CN111191646A (zh) 一种指针式仪表的智能识别方法
CN116630304B (zh) 一种基于人工智能的锂电池模具加工检测方法及系统
Wollmann et al. Multi-channel deep transfer learning for nuclei segmentation in glioblastoma cell tissue images
CN114170473A (zh) 基于病理图像的dMMR亚型分类方法及系统
CN111724378A (zh) 一种显微图像细胞计数与姿态识别方法及系统
CN116883498A (zh) 基于灰度质心提取算法的视觉合作靶标特征点定位方法
JP3431883B2 (ja) 細胞系譜抽出方法
CN115272333B (zh) 一种杯盘比数据的存储系统
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN112651936B (zh) 基于图像局部熵的钢板表面缺陷图像分割方法及系统
CN114862786A (zh) 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统
Zhao et al. A survey of sperm detection techniques in microscopic videos

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