CN113286079B - 图像对焦方法、装置、电子设备及可读存储介质 - Google Patents

图像对焦方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113286079B
CN113286079B CN202110509482.3A CN202110509482A CN113286079B CN 113286079 B CN113286079 B CN 113286079B CN 202110509482 A CN202110509482 A CN 202110509482A CN 113286079 B CN113286079 B CN 113286079B
Authority
CN
China
Prior art keywords
image
morphological gradient
value
sequence
target
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
CN202110509482.3A
Other languages
English (en)
Other versions
CN113286079A (zh
Inventor
谢浩
张馨月
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.)
Maccura Medical Electronics Co Ltd
Original Assignee
Maccura Medical Electronics 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 Maccura Medical Electronics Co Ltd filed Critical Maccura Medical Electronics Co Ltd
Priority to CN202110509482.3A priority Critical patent/CN113286079B/zh
Publication of CN113286079A publication Critical patent/CN113286079A/zh
Application granted granted Critical
Publication of CN113286079B publication Critical patent/CN113286079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/285—Analysis of motion using a sequence of stereo image pairs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/571—Depth or shape recovery from multiple images from focus
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像对焦方法、装置、电子设备及可读存储介质，电子设备获取流动细胞的灰度图像序列，确定灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列。之后，电子设备根据形态学梯度图像序列确定灰度图像序列中每张灰度图像的清晰度值，并根据灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。采用该种方案，通过将形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。

Description

图像对焦方法、装置、电子设备及可读存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像对焦方法、装置、电子设备及可读存储介质。
背景技术
目前，随着技术的发展和用户需求的扩大，越来越多的电子设备具备相机功能。拍摄过程中，为了得到更清晰的图像，电子设备在图像采集前需要进行对焦处理，以便在对焦后拍摄图像。
常见的对焦技术例如为相位对焦，相位对焦针对静止的拍摄对象。尿沉渣自动检测中，需要拍摄流动的细胞图像。显然，相位对焦技术并不适用。为此，对于细胞这种流动对象，通常使用反差对焦的方式进行对焦。对焦过程中，不断的驱动聚焦电机拍摄流动的细胞以得到多张细胞图像，采用基于梯度算子的方式计算各细胞图像的清晰度，根据清晰度曲线确定最佳对焦位置。
然而，基于梯度算子的方式无法准确计算细胞图像的清晰度，导致清晰度曲线波动较大，进而难以确定出最佳对焦位置。
发明内容
本申请实施例公开了一种图像对焦方法、装置、电子设备及可读存储介质，用于解决无法准确确定对焦位置的问题。
第一方面，本申请实施例提供一种图像对焦方法，包括：
获取流动细胞的灰度图像序列；
确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列；
根据所述形态学梯度图像序列确定所述灰度图像序列中每张灰度图像的清晰度值；
根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。
第二方面，本申请实施例提供一种图像对焦装置，包括：
获取模块，用于获取流动细胞的灰度图像序列；
第一确定模块，用于确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列；
第二确定模块，用于根据所述形态学梯度图像序列确定所述灰度图像序列中每张灰度图像的清晰度值；
第三确定模块，用于根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时使得所述电子设备实现如上第一方面或第一方面各种可行的方式所述的图像对焦方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，所述计算机指令在被处理器执行时用于实现如上第一方面或第一方面各种可行的方式所述的图像对焦方法。
第五方面，本申请实施例提供一种包含计算程序的计算机程序产品，所述计算机程序被处理器执行时实现如上第一方面或第一方面各种可行的方式所述的图像对焦方法。
本申请实施例提供的图像对焦方法、装置、电子设备及可读存储介质，电子设备获取流动细胞的灰度图像序列，确定灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列。之后，电子设备根据形态学梯度图像序列确定灰度图像序列中每张灰度图像的清晰度值，并根据灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。采用该种方案，通过将形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的图像对焦方法所使用的网络架构示意图；
图2是本申请实施例提供的图像对焦方法的流程图；
图3是本申请实施例提供的图像对焦方法中灰度图像的示意图；
图4是本申请实施例提供的图像对焦方法中膨胀和腐蚀的结构元的示意图；
图5是本申请实施例提供的图像对焦方法中形态学梯度图像的示意图；
图6是本申请实施例提供的图像对焦方法中二值化形态学梯度图像的流程图；
图7A是本申请实施例提供的图像对焦方法中二值图像的示意图；
图7B是本申请实施例提供的图像对焦方法中二值图像和形态学梯度图像的差值的示意图；
图8是本申请实施例提供的图像对焦方法中确定灰度图像的清晰度值的流程图；
图9是本申请实施例提供的图像对焦方法中第一外接矩形的示意图；
图10是本申请实施例提供的图像对焦方法中第二外接矩形的示意图；
图11是本申请实施例提供的图像对焦方法中交集和并集的示意图；
图12是本申请实施例提供的图像对焦方法中确定对焦位置的示意图；
图13是本申请实施例提供的图像对焦方法的另一流程图；
图14是本申请实施例提供的图像对焦方法和传统方法的对比示意图；
图15为本申请实施例提供的图像对焦装置的结构示意图；
图16为本申请实施例提供的一种电子设备的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
尿沉渣自动检测过程中，常用的技术是流式细胞技术，即拍摄流动的细胞得到细胞图像，根据细胞图像进行分类识别。分类识别的精度取决于图细胞图像的成像质量。众所周知，当拍摄物体位于焦平面时拍摄到的图像最为清晰，主流的对焦技术例如为相位对焦，相位对焦针对的是静止的拍摄对象。显然，无法适用于对流动的细胞进行拍摄时的对焦。
目前拍摄流动的细胞的过程中，主要采用反差式对焦的方式，即对焦过程中不断的驱动聚焦相机拍摄流动的细胞得到细胞图像，对比细胞图像间的清晰度进而判定最清晰的对焦位置。
细胞的流动性会造成聚焦电机拍摄到的细胞图像出现空场情况，即细胞图像中没有任何物质，这些空场的细胞图像难以计算其清晰度。细胞图像的清晰度主要由细胞图像中细胞的清晰度体现。
然而，传统的反差式对焦基于传统的一阶、二阶梯度算子，对于细胞图像而言，难以保留细胞清晰的轮廓，造成清晰度有偏差，导致清晰度曲线波动大，难以找到合适的对焦位置。
基于此，本申请实施例提供一种图像对焦方法、装置、电子设备及可读存储介质，通过将形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。
图1是本申请实施例提供的图像对焦方法所使用的网络架构示意图。请参照图1，该网络架构包括电子设备11和相机12。电子设备11获取流动细胞的灰度图像序列。
例如，对流动的细胞进行拍摄的过程中，不断的驱动相机12的聚焦电机，得到彩色细胞图像序列。该彩色细胞图像序列输入至电子设备11后，电子设备11对彩色细胞图像序列中的每张彩色细胞图像进行灰度处理，从而得到灰度图像序列。
再如，相机12在灰度模式下拍摄流动的细胞得到灰度图像序列，将该灰度图像序列输入电子设备11。
电子设备11获取到灰度图像序列后，确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列，通过用形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。
图1所示架构中，电子设备11例如为电脑、服务器等，相机12例如为尿沉渣自动检测过中拍摄尿液的相机等。
需要说明的是，虽然图1所示架构中，电子设备11和相机12独立设置。然而，本申请实施例并不依次为限制，其他可行的实现方式中，相机12也可以集成在电子设备12上。
下面，基于图1所示架构，对本申请实施例提供的图像对焦方法进行详细说明。示例性的，请参照图2。
图2是本申请实施例提供的图像对焦方法的流程图，本实施例的执行主体是电子设备。本实施例包括：
201、获取流动细胞的灰度图像序列。
当电子设备和相机独立设置时，相机在灰度模式下对流动的细胞进行拍摄并将灰度图像序列输入至电子设备。或者，相机拍摄彩色细胞图像序列，并将彩色细胞图像序列输入电子设备，电子设备对彩色细胞图像序列进行灰度处理，得到灰度图像序列。
当电子设备和相机集成设置时，电子设备控制相机在灰度模式下拍摄流动的细胞，从而获取到灰度图像序列。或者，电子设备控制相机在彩色模式下拍摄流动的细胞得到彩色细胞图像序列，并对彩色细胞图像序列进行灰度处理，从而得到灰度图像序列。
假设灰度图像序列包含n张灰度图像，则灰度图像序列表示为[S1,S2,…Sn],n≥1且为整数。灰度图像序列中第k张灰度图像序列表示为Sk,k∈[1,n]。示例性的，请参照图3。
图3是本申请实施例提供的图像对焦方法中灰度图像的示意图。请参照图3，一张灰度图像包括前景区域和背景区域，前景区域包括若干个细胞，如图中小圆圈所示，不同细胞的清晰度不同。
202、确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列。
本申请实施例中，对灰度图像进行形态学梯度操作以获取形态学梯度图像的目的在于去除灰度图像中相同的部分，突出差异部分。从细胞的角度来看，形态学梯度图像中细胞边缘和背景的差异更明显，灰度图像中细胞边缘和背景的差异不明显。另外，形态学梯度图像中细胞内部相同的部分被去除，即将黑色或白色中相同的部分均置为0，仅保留差异的边缘部分。例如，图3中的细胞31和图5中的细胞51是同一个细胞，细胞31为一个黑色的实心圆圈，而图5中，细胞51内部相同的部分被去除，仅保留差异的边缘部分。
对于灰度图像Sk的每个像素，电子设备计算该像素点的形态学梯度，得到所有像素点的形态学梯度，进而得到灰度图像Sk的形态学梯度图像Gk。计算形态学梯度的基础是膨胀和腐蚀，以及两者的组合运算，包括开操作、闭操作、形态学梯度等。
例如，电子设备对灰度图像Sk中的细胞进行膨胀，同时对原始灰度图像Sk中的细胞进行腐蚀，根据膨胀后的灰度图像Sk和腐蚀后的灰度图像Sk之间的差异，对灰度图像Sk进行形态学梯度，从而得到形态学梯度图像Gk。
该种计算形态学梯度的计算方式例如如下：
Figure BDA0003058606220000071
其中，
Figure BDA0003058606220000072
表示对原始灰度图像Sk进行膨胀操作，
Figure BDA0003058606220000073
表示对原始灰度图像Sk进行腐蚀操作。之后，两者求差。其中，
Figure BDA0003058606220000074
Figure BDA0003058606220000075
B表示膨胀和腐蚀的结构元，结构元也称之为算子，z表示结构元的一点，通常为结构元的中心点，例如，结构元为3×3的结构元，则z表示9个点中最中间的点；再如，结构元为5×5的结构元，则z表示25个点中的中心点。膨胀和腐蚀过程中，需要求结构元中中心点位置的值，中心点位置的值包含于原始灰度图像Sk。即B对原始灰度图像Sk的腐蚀是一个用z平移的B包含在原始灰度图像Sk内所有点Z的集合。(B)z表示一个区域，
Figure BDA0003058606220000076
表示空集。
图4是本申请实施例提供的图像对焦方法中膨胀和腐蚀的结构元的示意图。请参照图4，该结构元为3×3的矩形结构元。基于该结构元，对于每一个像素，取其周围8个像素。另外，若考虑更大范围则可以使用更大的结构元，但是计算量会增大。实际选取结构元的大小时，可综合考虑效果和效率，选择合适大小的结构元。
图5是本申请实施例提供的图像对焦方法中形态学梯度图像的示意图。请参照图5和图3，相较于图3所示灰度图像中的细胞，图5所示形态学梯度图像中的细胞更清楚。图5中，形态学梯度图像的像素点的像素值介于0-255之间，可取的值有256个，背景中某些像素点的像素值可能接近于0。同理，表示细胞的像素点的像素值很有可能并不等于255，而是接近于255。
采用该种方案，对原始灰度图像中的细胞进行膨胀，并对原始的灰度图像进行膨胀，之后根据膨胀和腐蚀的结果确定形态学梯度图像，能够突出形态学梯度图像中的细胞。
203、根据所述形态学梯度图像序列确定所述灰度图像序列中每张灰度图像的清晰度值。
通常情况下，计算形态学梯度的主要目的是凸显图像前景的边缘，未曾将形态学梯度用于清晰度值的计算。去除图像中的噪点或者连接相邻区域通过闭操作和开操作实现。通常情况下，凸显图像前景边缘的方式是使用梯度算子。经验证发现：对于细胞，梯度算子并不适用，不能很好的提取前景区域的边缘。传统的梯度算子往往伴随一些杂点，无法直观的体现出细胞边缘和轮廓。
本申请实施例中，将形态学梯度用于清晰度的值的计算，即利用形态学梯度图像序列确定灰度图像序列中每张灰度图像的清晰度值。通过将形态学梯度用于清晰度的值的计算，能够突出形态学梯度图像中前景的边缘，即细胞的边缘。形态学梯度图像有助于观察到细胞的边缘和轮廓。相较于取值仅为0或255的二值图像，形态学梯度图像有灰度级的变化，取值范围为[0-255]，即0-255之间，这种变化也直接反应清晰度值的变化。虽然形态学梯度图像与二值图像都存在细胞的轮廓和边缘，但是相较于二值图像，形态学梯度图像包含了梯度的连续变化，而二值图像的取值仅为0或255，没有连续性。举例来说，若灰度图像中的两个像素点的灰度值分别为200和254，二值化后，该两个像素点在二值图像中的像素值均为255。然而，实际上像素值为254的像素点显然比像素值为200的像素更亮。二值图像无法反应出这一点，但是梯度图像能够反应出像素值为254的像素点比像素值为200的像素更亮。
204、根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。
示例性的，电子设备根据灰度图像序列中清晰度值的均值、最大值等，确定图像的对焦位置。
本申请实施例提供的图像对焦方法，电子设备获取流动细胞的灰度图像序列，确定灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列。之后，电子设备根据形态学梯度图像序列确定灰度图像序列中每张灰度图像的清晰度值，并根据灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。采用该种方案，通过将形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。
可选的，上述实施例中，电子设备根据所述形态学梯度图像序列确定所述灰度图像序列中每张灰度图像的清晰度值时，首先，二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列。之后，电子设备根据所述二值图像序列和所述形态学梯度图像序列，确定所述灰度图像序列中每张灰度图像的清晰度值。
本申请实施例中，电子设备先根据灰度图像序列确定形态学梯度图像序列，之后，二值化形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列。之所以不先二值化再形态学梯度，是因为如果先对灰度图像进行二值化，再在二值化的基础上计算形态学梯度，则形态学梯度的取值范围为[0,255]，即要么是0，要么是255。也就是说，要么是前景，要么是背景，无法直观的反应梯度的变化。倘若两个清晰度不同的灰度图像，倘若该两个灰度图像的二值化图像相同，则该两个灰度图像的形态学梯度图像相同，即该两个灰度图像的清晰度值相同。显然，这是不符合逻辑的。
另外，二值化后可能存在形态学操作，通常是闭操作或开操作，主要是由于二值化分割的阈值的原因造成一些断点或异常点，开操作是断开连接，也可以去除一些小的噪点，闭操作是加强连接。
本申请实施例中，之所以先形态学梯度操作再二值化，还有一个原因是：本申请实施例中，期望得到边缘梯度的变化，而不是更平滑的分割结果。清晰是主观概念，聚焦过程中，细胞和背景的清晰度值都在变化，仅使用细胞的清晰度值代表不了整个图像的清晰度值，而整张图像由于细胞流动性造成内容不一致，最佳的方式就是梯度，梯度表示前景和背景之间的差异程度。因此，细胞边缘的形态学梯度能够表示最佳清晰度。其中，边缘是指差异性变化的地方，比如人脸上可能是脸和眼睛交界的地方，而仅人脸区域表示不了这种差异，这是因为人脸区域的像素值差不多，梯度几乎为0。因此，重点在于这种差异性，相同的区域没有差异，只有不同的区域才有差异，不同区域体现差异的地方就是边缘。
采用该种方案，电子设备先对灰度图像进行形态学梯度操作，再对形态学梯度图像进行二值化操作，能够提高灰度图像的清晰度值的准确度。
上述实施例中，为了定位形态学梯度图像中细胞的位置，需要对形态学梯度图像进行二值化操作。如何对形态学梯度图像进行二值化的过程可参见图6。
图6是本申请实施例提供的图像对焦方法中二值化形态学梯度图像的流程图。本实施例包括：
601、根据目标形态学梯度图像中各像素点的形态学梯度确定形态学梯度均值，以及最大形态学梯度。
所述目标形态学梯度图像是所述形态学梯度图像序列中的任意一张形态学梯度图像。
602、根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值。
示例性的，由于光照不均匀，局部阈值模式会造成大面积错误分割，需要采用全局阈值分割。由于细胞的流动性，固定的二值化门限值并不适用于整个形态学梯度图像序列。因此，本申请实施例中，对于每张形态学梯度图像，都需要计算二值化门限值。也就是说，二值化门限值是动态的，不同形态学梯度图像的二值化门限值可能不同。
本申请实施例中，对于任意一张形态学梯度图像，以下称之为目标形态学梯度图像。电子设备计算该目标形态学梯度图像中各像素点的形态学梯度均值以及最大形态学梯度，进而根据形态学梯度均值以及最大形态学梯度确定二值化门限值。
603、根据所述二值化门限值，二值化所述目标形态学梯度图像以得到目标二值图像序列。
电子设备确定出二值化门限值后，根据该二值化门限值，二值化目标形态学梯度图像以得到目标二值图像。
采用该种方案，电子设备针对每张形态学梯度图像计算二值化门限值，使得每张形态学梯度图像的二值化门限最优，能够提高二值化的准确度。
可选的，上述实施例中，电子设备根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值时，从第一倍数的所述形态学梯度均值和第二倍数的所述最大形态学梯度中确定出最大值，将所述最大值作为所述二值化门限值，所述第一倍数大于1，所述第二倍数小于1。
示例性的，由于目标形态学梯度图像中，背景和细胞两者的像素值差异非常大，加之景深的影响，使得形态学梯度图像中出现清晰细胞和不清晰细胞共存的情况，因此，需要在形态学梯度均值以及最大形态学梯度权衡二值化门限值。权衡过程中，将形态学梯度均值放大第一倍数，将最大形态学梯度缩小第二倍数，即从第一倍数的形态学梯度均值和第二倍数的最大形态学梯度中确定出最大值，将该最大值作为二值化门限值。
例如，第一倍数为3，第二倍数为1/3，目标形态学梯度图像的二值化门限值用Tk表示，形态学梯度均值用mean(Sk)表示，最大形态学梯度用max(Sk)表示，则Tk＝max{mean(Sk)*3,max(Sk)/3}，。分割后的目标二值图像表示为Ik，目标二值图像Ik中的任意一个像素表示为Ik(x,y)，其中，x表示像素点的横坐标，y表示像素点的纵坐标，则：
Figure BDA0003058606220000111
图7A是本申请实施例提供的图像对焦方法中二值图像的示意图。请参照图7A，由于拍摄流动的细胞的过程中需要稳定的光源，该光源的强度主要由电压控制，电压的变化会造成形态学梯度图像的对比度明显变化。当光源过暗时，形态学梯度均值偏低，形态学梯度图像的对比度低，此时，形态学梯度均值的三倍能够较好的分割形态学梯度图像。当光源过亮时，形态学梯度均值偏高，与过暗情况下形态学梯度均值差异不大，但是对比度高。此时，形态学梯度均值的三倍不是一个很好的二值化门限，会造成图像中一些污点被分割出来，因此需要更高的二值化门限以更好的分割形态学梯度图像，此时，二值化门限值例如为形态学梯度最大值的1/3。
图7A中，二值图像中像素可取的值有2个，即0或255。背景中像素点的像素值均为0。同理，表示细胞的像素点的像素值均为255。
图7B是本申请实施例提供的图像对焦方法中二值图像和形态学梯度图像的差值的示意图。请参照图7B，将图7A所示二值图像中每个像素点的像素值和图5所示形态学梯度图像中对应像素点的像素值相减后，从而得到图7B。
请参照图7A和图5，相较于形态学梯度图像，二值化图像中细胞边缘更清楚。
采用该种方案，对于每张形态学梯度图像，通过在形态学梯度均值以及最大形态学梯度之间权衡二值化门限值，能够消除细胞和背景差异大、景深等的影响。
可选的，上述实施例中，电子设备得到二值化图像序列后，电子设备还对二值化图像序列中的每张二值化图像滤波，以滤除二值化图像中的噪点。噪点指二值化图像中一个像素值为255的像素点，该像素点相邻的其他像素点的像素值为0。如图7A中71所示：该像素点的像素值为255，但是该像素是一个孤立的像素，而一个细胞通常由多个像素组成。
假设滤波后的二值化图像用表
Figure BDA0003058606220000121
示，滤波后的二值化图像
Figure BDA0003058606220000122
中的任意一个像素表示为
Figure BDA0003058606220000123
其中，x表示像素点的横坐标，y表示像素点的纵坐标，则：
Figure BDA0003058606220000124
采用该种方案，通过滤除二值图像中的噪点，避免噪点对清晰度值的影响，提高清晰度值的准确率。
可选的，上述实施例中，电子设备确定出二值图像序列后，根据二值图像序列确定灰度图像序列中每张灰度图像的清晰度值。示例性的，请参照图8，图8是本申请实施例提供的图像对焦方法中确定灰度图像的清晰度值的流程图。本实施例包括：
801、根据目标二值图像中每个细胞的位置，确定所述目标二值图像中每个细胞的第一外接矩形。
示例性的，形态学梯度图像序列中的形态学梯度图像、二值图像序列中的二值图像以及灰度图像序列中的灰度图像是一一对应的。以下将二值图像序列中的任意一张二值图像序列称之为目标二值图像，将形态学梯度图像序列中与目标二值图像对应的形态学梯度图像称之为目标形态学梯度图像，将灰度图像序列中与目标二值图像对应的灰度图像称之为目标灰度图像。
本实施例中，对于目标二值图像中的每个细胞，电子设备在目标二值图像中搜索细胞所在的位置，根据细胞的位置，对每一个细胞生成包含该细胞的最下外接矩形，以下称之为第一外接矩形。
令细胞在目标二值图像中的位置表示为Ck,p(xp,yp,wp,hp)，其中，xp,yp表示细胞中一个像素点的坐标，wp表示第一外接矩形的宽，hp表示第一外接矩形的高。因此，确定出细胞中一个像素点的坐标后，就能够确定出包含该细胞的第一外接矩形。示例性的，请参照图9。
图9是本申请实施例提供的图像对焦方法中第一外接矩形的示意图。请参照图9，二值化图像中每个细胞都对应一个第一外接矩形，该第一外接矩形为包含该细胞的最小外接矩形。
802、将所述目标二值图像中每个细胞的第一外接矩形映射到目标形态学梯度图像中，以确定所述目标形态学梯度图像中每个细胞的第二外接矩形。
示例性的，电子设备将目标二值图像中的每个第一外接矩形映射到目标形态学梯度图像中，以从目标形态学梯度图像中确定出每个细胞的第二外接矩形。示例性的，请参照图10。
图10是本申请实施例提供的图像对焦方法中第二外接矩形的示意图。请参照图10，形态学梯度图像中每个细胞都对应一个第二外接矩形，该第二外接矩形为包含该细胞的最小外接矩形。
803、根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值。
示例性的，电子设备根据每个第二外接矩形内像素点的形态学梯度，确定对应细胞的清晰度值。例如，电子设备将一个第二外接矩形内所有像素点的形态学梯度的均值，作为该第二外接矩形对应的细胞的清晰度值。
可选的，由于第二矩形区域内除了前景区域还有背景区域，若根据一个第二外接矩形内所有像素点的形态学梯度的均值确定细胞的清晰度值，则会降低清晰度值。为避免该种弊端，电子设备确定所述目标形态学梯度图像中每个所述第二外接矩形内细胞边缘的形态学梯度的平均值，将所述平均值作为各所述第二外接矩形对应的细胞的清晰度值。
示例性的，对于每个第二外接矩形，电子设备在确定该第二外接矩形对应的细胞的清晰度时，仅考虑表示细胞边缘的像素点的形态学梯度，将该些像素点的形态学梯度的平均值作为细胞的清晰度值。
也就是说，请参照图10，每个第二外接矩形内白色区域代表细胞边缘区域，电子设备将白色区域内像素点的形态学梯度的平均值作为细胞的清晰度值。假设一个第二外接矩内细胞边缘区域有mq个像素点，则该第二外接矩形对应的细胞的清晰度表示为
Figure BDA0003058606220000141
其中，k表示n张形态学梯度图像中的第k张形态学梯度图像，第k张形态学梯度图像中有一个或多个细胞，不同细胞的位置不同，p表示一个或多个细胞中位于位置p的细胞，Dk,p表示第k张形态学梯度图中位于位置p的细胞的清晰度，(xi,yj)表示mq个像素点中横坐标xi为纵坐标为yj的像素点，Gk表示形态学梯度图像序列中第k张形态学梯度图像。
采用该种方案，电子设备根据细胞边缘区域内像素点的形态学梯度确定细胞的清晰度值，由于去除了背景的影响，因此能够提高细胞的清晰度值的准确度。
804、根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值。
示例性的，电子设备将各细胞清晰度值的均值作为目标灰度图像的清晰度值，或者，从各细胞清晰度值中确定出最大清晰度值，将最大清晰度值作为目标灰度图像的清晰度值。
可选的，由于景深和噪声等的影响，形态学梯度图像中存在清晰度值不一的细胞，同时由于杂质的影响会造成一些异常情况，为了使得灰度图像的清晰度更具代表性，电子设备在根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值时，对每个的细胞的清晰度值排序，得到第一清晰度值序列。之后，电子设备获取第一清晰度值序列的四分位数，将所述四分位数中的较大值作为所述目标灰度图像的清晰度值。
例如，电子设备按照细胞的清晰度值从小到大的顺序，对各细胞的清晰度值进行排序，将上四分位数作为目标灰度图像的清晰度值。
再如，电子设备按照细胞的清晰度值从大到小的顺序，对各细胞的清晰度值进行排序，将下四分位数作为目标灰度图像的清晰度值。
采用该种方案，电子设备对各细胞的清晰度值进行排序并取四分位数后，根据四分位数确定目标灰度图像的清晰度值，消除景深、噪声等的影响，使得目标灰度图像的清晰度值更准确。
对于灰度图像序列中的每张灰度图像，电子设备采用如图8所示方案，从而得到每张灰度图的清晰度值。
采用图8所示方案，对于每张灰度图像，电子设备根据该灰度图像的形态学梯度图像，计算灰度图像的清晰度值，实现准确确定出灰度图像的清晰度值的目的。
可选的，上述实施例中，电子设备根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值之前，还确定所述第一外接矩形与第三外接矩形的交集，以及所述第一外接矩形与所述第三外接矩形的并集，所述第三外接矩形用于指示与所述目标二值图像相邻的二值图像中细胞的位置。之后，电子设备根据所述交集和所述并集的交并比与阈值，判断是否根据所述第二外接矩形内细胞的清晰度值确定所述目标灰度图像的清晰度值。
示例性的，相机拍摄流动的细胞的过程中，流动池中的细胞不断流动。但是，一些污点，例如受污染长时间不使用造成的结晶等，在细胞的流动过程中位置不会发生变化，但是在聚焦过程中，污点的清晰度值会发生变化。因此，需要从第二外接矩形中排除污点对应的第二外接矩形，避免污点对清晰度值的计算产生影响，进而对聚焦过程产生影响。
假设Ik和Ik-1表示相邻的两张二值图像。二值图像ik-1中包含10个第三外接矩形，当前二值图像Ik中包含20个第一外接矩形，则电子设备确定20个第一外接矩形中每个第一外接矩形与10个第三外接矩形中每个第三外接矩形的交集和并集，进而确定交并比(Intersection over Union，IoU)，得到200个交并比。之后，将200个交并比与预设的阈值做比较，根据比较结果判断是否将第一外接矩形对应的第二外接矩形用于目标灰度图像的清晰度值的计算。示例性的，请参照图11。
图11是本申请实施例提供的图像对焦方法中交集和并集的示意图。请参照图11，A表示第一外接矩形，B表示第三外接矩形，则
Figure BDA0003058606220000161
倘若IoU>0.8，则将该第一外接矩形对应的细胞作为污点，即从形态学梯度图像中删除该第一外接矩形对应的第二外接矩形，使得污点不参与灰度图像的清晰度值的计算。
采用该种方案，通过从形态学梯度图像中删除污点，提高清晰度值的准确度，进而提高对焦位置的准确度，避免由于大量污点导致聚焦时聚焦到污点而不是正常的细胞的流动位置的弊端。
可选的，上述实施例中，电子设备根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置时，电子设备首先根据所述灰度图像序列中每张灰度图像的清晰度值，生成第二清晰度值序列。之后，电子设备选取所述第二清晰度值序列中的最大清晰度值作为所述图像的对焦位置。
示例性的，用An表示灰度图像序列中第n张灰度图像Sn的清晰度，则灰度图像序列[S1,S2...Sn]的清晰度值表示为：[A1,A2…Ak…An]，即第二清晰度值序列为[A1,A2…Ak…An]。之后，电子设备对第二清晰度值序列进行滤波，生成平滑的第二清晰度值序列[E1,E2…Ek…En]。最后，电子设备取平滑的第二清晰度值序列曲线上的最大值作为最佳对焦位置。假设用EL表示对焦位置，则EL＝max([E1,E2…Ek…En])。示例性的，请参照图12。
图12是本申请实施例提供的图像对焦方法中确定对焦位置的示意图。请参照图12，虚线表示第二清晰度值序列，实线表示滤波后的第二清晰度值序列。横坐标表示灰度图像的序号，如60表示灰度图像序列中第60张灰度图像，纵坐标表示清晰度值。根据图12可知，最佳对焦位置大约为第65张灰度图像的清晰度值。
采用该种方案，实现准确确定出图像的对焦位置的目的。
图13是本申请实施例提供的图像对焦方法的另一流程图。本实施例包括：
1301、电子设备获取包含细胞的灰度图像序列。
1302、电子设备确定灰度图像序列中每张灰度图像的形态学梯度图像。
1303、电子设备确定每张形态学梯度图像的二值化门限值。
1304、电子设备根据二值化门限值二值化形态学梯度图像，得到二值图像序列。
1305、电子设备根据二值化图像和形态学梯度图像，从形态学梯度图像中搜索细胞的位置。
1306、电子设备计算形态学梯度图像中每个细胞的清晰度值。
1307、电子设备根据形态学梯度图像中细胞的清晰度值，确定灰度图像的清晰度值，根据各灰度图像的清晰度值生成第二清晰度值序列。
1308、电子设备根据第二清晰度值序列输出最佳对焦位置。
图14是本申请实施例提供的图像对焦方法和传统方法的对比示意图。请参照图14，传统方法例如为基于索贝尔(Sobel)算子的方法和基于拉普拉斯(Laplace)的方法。相较于传统方法，本申请实施例中，形态学梯度图像中细胞的轮廓更加的清晰。如果将第一行图像中图像的梯度均值的3倍作为二值化门限值分割图像，则基于Sobel算子的方法扩大了细胞边缘的范围，细胞内部并不均匀，同时伴随很多杂点需要处理。基于Laplace的方法二值化后难以分辨细胞所在的位置。因此，本申请实施例中，通过将形态学梯度用于清晰度的计算，实现准确确定出对焦位置的目的。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图15为本申请实施例提供的图像对焦装置的结构示意图。该图像对焦装置1500包括：获取模块1501、第一确定模块1502、第二确定模块1503和第三确定模块1504。
获取模块1501，用于获取流动细胞的灰度图像序列；
第一确定模块1502，用于确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列；
第二确定模块1503，用于根据所述形态学梯度图像序列确定所述灰度图像序列中每张灰度图像的清晰度值；
第三确定模块1504，用于根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。
一种可行实现方式中，所述第二确定模块1503，用于二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列；根据所述二值图像序列和所述形态学梯度图像序列，确定所述灰度图像序列中每张灰度图像的清晰度值。
一种可行实现方式中，所述第二确定模块1503根据所述二值图像序列和所述形态学梯度图像序列，确定所述灰度图像序列中每张灰度图像的清晰度值时，用于根据目标二值图像中每个细胞的位置，确定所述目标二值图像中每个细胞的第一外接矩形；将所述目标二值图像中每个细胞的第一外接矩形映射到目标形态学梯度图像中，以确定所述目标形态学梯度图像中每个细胞的第二外接矩形；根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值；根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值，所述目标二值图像、所述目标形态学梯度图像、所述目标灰度图像是所述二值图像序列、所述形态学梯度图像序列和所述灰度图像序列中对应的图像。
一种可行实现方式中，所述第二确定模块1503根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值时，用于确定所述目标形态学梯度图像中每个所述第二外接矩形内细胞边缘的形态学梯度的平均值，将所述平均值作为各所述第二外接矩形对应的细胞的清晰度值。
一种可行实现方式中，所述第二确定模块1503根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值时，用于对所述每个的细胞的清晰度值排序，得到第一清晰度值序列；获取所述第一清晰度值序列的四分位数，将所述四分位数中的较大值作为所述目标灰度图像的清晰度值。
一种可行实现方式中，所述第二确定模块1503根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值之前，还用于确定所述第一外接矩形与第三外接矩形的交集，以及所述第一外接矩形与所述第三外接矩形的并集，所述第三外接矩形用于指示与所述目标二值图像相邻的二值图像中细胞的位置，根据所述交集和所述并集的交并比与阈值，判断是否根据所述第二外接矩形内细胞的清晰度值确定所述目标灰度图像的清晰度值。
一种可行实现方式中，所述第二确定模块1503二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列时，用于根据目标形态学梯度图像中各像素点的形态学梯度确定形态学梯度均值，以及最大形态学梯度，所述目标形态学梯度图像是所述形态学梯度图像序列中的任意一张形态学梯度图像；根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值；根据所述二值化门限值，二值化所述目标形态学梯度图像以得到目标二值图像。
一种可行实现方式中，所述第二确定模块1503根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值时，用于从第一倍数的所述形态学梯度均值和第二倍数的所述最大形态学梯度中确定出最大值，将所述最大值作为所述二值化门限值，所述第一倍数大于1，所述第二倍数小于1。
一种可行实现方式中，所述第三确定模块1504，用于根据所述灰度图像序列中每张灰度图像的清晰度值，生成第二清晰度值序列，选取所述第二清晰度值序列中的最大清晰度值作为所述图像的对焦位置。
一种可行实现方式中，所述第一确定模块1502，用于膨胀所述灰度图像序列中每张灰度图像中的细胞；腐蚀所述灰度图像序列中每张灰度图像中的细胞；根据膨胀后的灰度图像序列中的每张灰度图像和腐蚀后的灰度图像序列中的每张灰度图像，确定各所述灰度图像对应的形态学梯度图像，以得到所述形态学梯度图像序列。
本申请实施例提供的图像对焦置，可以执行上述实施例中电子设备的动作，其实现原理和技术效果类似，在此不再赘述。
图16为本申请实施例提供的一种电子设备的结构示意图。如图16所示，该电子设备1600包括：
处理器1601和存储器1602；
所述存储器1602存储计算机指令；
所述处理器1601执行所述存储器1602存储的计算机指令，使得所述处理器1601执行如上所述的图像对焦方法。
处理器1601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
可选地，该电子设备1600还包括通信部件1603。其中，处理器1601、存储器1602以及通信部件1603可以通过总线1604连接。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，所述计算机指令被处理器执行时用于实现如上所述的图像对焦方法。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包含计算机程序，计算机程序被处理器执行时实现如上所述的图像对焦方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种图像对焦方法，其特征在于，包括：
获取流动细胞的灰度图像序列；
确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列；
二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列；
根据目标二值图像中每个细胞的位置，确定所述目标二值图像中每个细胞的第一外接矩形；
将所述目标二值图像中每个细胞的第一外接矩形映射到目标形态学梯度图像中，以确定所述目标形态学梯度图像中每个细胞的第二外接矩形；
根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值；
根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值，所述目标二值图像、所述目标形态学梯度图像、所述目标灰度图像是所述二值图像序列、所述形态学梯度图像序列和所述灰度图像序列中对应的图像；
根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值，包括：
确定所述目标形态学梯度图像中每个所述第二外接矩形内细胞边缘的形态学梯度的平均值，将所述平均值作为各所述第二外接矩形对应的细胞的清晰度值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值，包括：
对所述每个的细胞的清晰度值排序，得到第一清晰度值序列；
获取所述第一清晰度值序列的四分位数，将所述四分位数中的较大值作为所述目标灰度图像的清晰度值。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值之前，还包括：
确定所述第一外接矩形与第三外接矩形的交集，以及所述第一外接矩形与所述第三外接矩形的并集，所述第三外接矩形用于指示与所述目标二值图像相邻的二值图像中细胞的位置；
根据所述交集和所述并集的交并比与阈值，判断是否根据所述第二外接矩形内细胞的清晰度值确定所述目标灰度图像的清晰度值。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列，包括：
根据目标形态学梯度图像中各像素点的形态学梯度确定形态学梯度均值，以及最大形态学梯度，所述目标形态学梯度图像是所述形态学梯度图像序列中的任意一张形态学梯度图像；
根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值；
根据所述二值化门限值，二值化所述目标形态学梯度图像以得到目标二值图像。
6.根据权利要求5所述的方法，其特征在于，所述根据所述形态学梯度均值和所述最大形态学梯度，确定二值化门限值，包括：
从第一倍数的所述形态学梯度均值和第二倍数的所述最大形态学梯度中确定出最大值，将所述最大值作为所述二值化门限值，所述第一倍数大于1，所述第二倍数小于1。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置，包括：
根据所述灰度图像序列中每张灰度图像的清晰度值，生成第二清晰度值序列；
选取所述第二清晰度值序列中的最大清晰度值作为所述图像的对焦位置。
8.一种图像对焦装置，其特征在于，包括：
获取模块，用于获取流动细胞的灰度图像序列；
第一确定模块，用于确定所述灰度图像序列中每张灰度图像的形态学梯度，得到形态学梯度图像序列；
第二确定模块，用于二值化所述形态学梯度图像序列中的每张形态学梯度图像，得到二值图像序列；根据所述二值图像序列和所述形态学梯度图像序列，确定所述灰度图像序列中每张灰度图像的清晰度值；
第三确定模块，用于根据所述灰度图像序列中每张灰度图像的清晰度值，确定图像的对焦位置；
其中，所述第二确定模块根据所述二值图像序列和所述形态学梯度图像序列，确定所述灰度图像序列中每张灰度图像的清晰度值时，用于根据目标二值图像中每个细胞的位置，确定所述目标二值图像中每个细胞的第一外接矩形；将所述目标二值图像中每个细胞的第一外接矩形映射到目标形态学梯度图像中，以确定所述目标形态学梯度图像中每个细胞的第二外接矩形；根据所述目标形态学梯度图像中每个第二外接矩形内细胞的形态学梯度，确定所述每个细胞的清晰度值；根据所述每个细胞的清晰度值确定目标灰度图像的清晰度值，所述目标二值图像、所述目标形态学梯度图像、所述目标灰度图像是所述二值图像序列、所述形态学梯度图像序列和所述灰度图像序列中对应的图像。
9.一种电子设备，包括处理器、存储器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，其特征在于，所述处理器执行所述计算机程序时使得所述电子设备实现如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，所述计算机指令在被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
CN202110509482.3A 2021-05-10 2021-05-10 图像对焦方法、装置、电子设备及可读存储介质 Active CN113286079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110509482.3A CN113286079B (zh) 2021-05-10 2021-05-10 图像对焦方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110509482.3A CN113286079B (zh) 2021-05-10 2021-05-10 图像对焦方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113286079A CN113286079A (zh) 2021-08-20
CN113286079B true CN113286079B (zh) 2023-04-28

Family

ID=77278503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110509482.3A Active CN113286079B (zh) 2021-05-10 2021-05-10 图像对焦方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113286079B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702053A (zh) * 2009-11-13 2010-05-05 长春迪瑞实业有限公司 一种尿沉渣检验设备中显微镜系统的自动聚焦方法
CN103985108A (zh) * 2014-06-03 2014-08-13 北京航空航天大学 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法
CN104881855A (zh) * 2015-06-10 2015-09-02 北京航空航天大学 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法
CN105740876A (zh) * 2014-12-10 2016-07-06 阿里巴巴集团控股有限公司 一种图像预处理方法及装置
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN110009631A (zh) * 2019-04-15 2019-07-12 唐晓颖 眼底图像的血管质量评估方法、装置、设备和介质
CN110838126A (zh) * 2019-10-30 2020-02-25 东莞太力生物工程有限公司 细胞图像分割方法、装置、计算机设备和存储介质
CN110987886A (zh) * 2019-11-28 2020-04-10 上海纳奥生物科技有限公司 一种全自动显微影像荧光扫描系统
CN112561890A (zh) * 2020-12-18 2021-03-26 深圳赛安特技术服务有限公司 图像清晰度的计算方法、装置和计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101527040B (zh) * 2008-03-05 2012-12-19 华为终端有限公司 图像处理方法及系统
US20130039574A1 (en) * 2011-08-09 2013-02-14 James P. McKay System and method for segmenting water, land and coastline from remote imagery
TWI557462B (zh) * 2014-11-28 2016-11-11 台灣愛美科股份有限公司 自動聚焦系統與方法
US9934578B2 (en) * 2016-08-15 2018-04-03 Macau University Of Science And Technology Method for edge detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702053A (zh) * 2009-11-13 2010-05-05 长春迪瑞实业有限公司 一种尿沉渣检验设备中显微镜系统的自动聚焦方法
CN103985108A (zh) * 2014-06-03 2014-08-13 北京航空航天大学 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法
CN105740876A (zh) * 2014-12-10 2016-07-06 阿里巴巴集团控股有限公司 一种图像预处理方法及装置
CN104881855A (zh) * 2015-06-10 2015-09-02 北京航空航天大学 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN110009631A (zh) * 2019-04-15 2019-07-12 唐晓颖 眼底图像的血管质量评估方法、装置、设备和介质
CN110838126A (zh) * 2019-10-30 2020-02-25 东莞太力生物工程有限公司 细胞图像分割方法、装置、计算机设备和存储介质
CN110987886A (zh) * 2019-11-28 2020-04-10 上海纳奥生物科技有限公司 一种全自动显微影像荧光扫描系统
CN112561890A (zh) * 2020-12-18 2021-03-26 深圳赛安特技术服务有限公司 图像清晰度的计算方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于数学形态学的小孔光斑中心测量方法";蔡敏等;《激光杂志》;20200930;全文 *
"焦距仪数字化测量技术研究";李燕;《万方在线》;20130715;全文 *

Also Published As

Publication number Publication date
CN113286079A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
US8073286B2 (en) Detection and correction of flash artifacts from airborne particulates
JP4351911B2 (ja) デジタルスチルカメラにおける取り込み画像の写真品質を評価する方法及び装置
CN108830873B (zh) 深度图像物体边缘提取方法、装置、介质及计算机设备
US8000526B2 (en) Detecting redeye defects in digital images
EP3798975A1 (en) Method and apparatus for detecting subject, electronic device, and computer readable storage medium
CN101599175B (zh) 确定拍摄背景发生改变的检测方法及图像处理设备
CN110796041B (zh) 主体识别方法和装置、电子设备、计算机可读存储介质
WO2014128688A1 (en) Method, system and software module for foreground extraction
CN109146832B (zh) 一种视频图像的拼接方法、装置、终端设备及存储介质
CN108918093B (zh) 一种滤光片镜面缺陷检测方法、装置及终端设备
CN112037185A (zh) 染色体分裂相图像筛选方法、装置及终端设备
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN107644425A (zh) 目标图像选取方法、装置、计算机设备及存储介质
Plissiti et al. Automated segmentation of cell nuclei in PAP smear images
CN116596899A (zh) 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质
Ashourian et al. Real time implementation of a license plate location recognition system based on adaptive morphology
CN118212204A (zh) 一种外观缺陷检测方法、装置、设备及存储介质
CN114913112A (zh) 晶圆双边缘检测方法和装置及设备
CN113286079B (zh) 图像对焦方法、装置、电子设备及可读存储介质
CN112285876A (zh) 基于图像处理与气泡检测的相机自动对焦方法
CN110428411B (zh) 一种基于二次曝光的背光板检测方法及系统
CN116385357A (zh) 基于图像识别的试管状态判断方法、装置及系统
JPWO2002045021A1 (ja) エントロピーフィルタ及び該フィルタを用いた領域抽出法
CN111275045B (zh) 图像的主体识别方法、装置、电子设备和介质
CN111242918B (zh) 基于卡尔曼滤波和马尔可夫随机场的图像分割方法及系统

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