CN113450383B - 一种免疫层析试纸定量分析方法、装置、设备和介质 - Google Patents

一种免疫层析试纸定量分析方法、装置、设备和介质 Download PDF

Info

Publication number
CN113450383B
CN113450383B CN202110729269.3A CN202110729269A CN113450383B CN 113450383 B CN113450383 B CN 113450383B CN 202110729269 A CN202110729269 A CN 202110729269A CN 113450383 B CN113450383 B CN 113450383B
Authority
CN
China
Prior art keywords
graph
line
image
segmentation
detection
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
CN202110729269.3A
Other languages
English (en)
Other versions
CN113450383A (zh
Inventor
杨海
陈海梅
郭文胜
王海林
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.)
Huazhong University of Science and Technology
GBA National Institute for Nanotechnology Innovation
Original Assignee
Huazhong University of Science and Technology
GBA National Institute for Nanotechnology Innovation
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 Huazhong University of Science and Technology, GBA National Institute for Nanotechnology Innovation filed Critical Huazhong University of Science and Technology
Priority to CN202110729269.3A priority Critical patent/CN113450383B/zh
Publication of CN113450383A publication Critical patent/CN113450383A/zh
Application granted granted Critical
Publication of CN113450383B publication Critical patent/CN113450383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/558Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/155Segmentation; Edge detection involving morphological operators

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Hematology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Food Science & Technology (AREA)
  • Operations Research (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Cell Biology (AREA)
  • Algebra (AREA)
  • Microbiology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种免疫层析试纸定量分析方法、装置、设备和介质,方法包括:获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;对显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图;根据最终分割图和灰度图像计算C线特征值和T线特征值;根据C线特征值、T线特征值和预置特征值‑浓度标准曲线,获取未知浓度的待测物的浓度,改善了现有的免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现的技术问题。

Description

一种免疫层析试纸定量分析方法、装置、设备和介质
技术领域
本申请涉及生物医学检测技术领域,尤其涉及一种免疫层析试纸定量分析方法、装置、设备和介质。
背景技术
免疫层析技术是80年代后期出现并快速发展起来的快速检测技术,具有简单快速、无需专业人员操作、可以通过视觉判断检测结果等优点。该技术已经广泛应用于疾病监测、食品安全检测、农业、兽医、环境监测等多个领域。
通过光学设备捕获试纸卡图像并对图像进行处理可以实现对免疫层析试纸卡结果的自动化定性或定量分析。通过光源照射试纸卡,由光敏元件采集试纸卡的反射光或透射光信号得到试纸卡的显色图像,再由后续图像处理算法对图像进行分析得到判定结果。现有技术通过机器学习进行免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现。
发明内容
本申请提供了一种免疫层析试纸定量分析方法、装置、设备和介质,用于改善现有的免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现的技术问题。
有鉴于此,本申请第一方面提供了一种免疫层析试纸定量分析方法,包括:
获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;
对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;
对所述直线检测图进行C线和T线分割,得到初步分割图,并结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图;
根据所述最终分割图和所述灰度图像计算C线特征值和T线特征值;
根据所述C线特征值、所述T线特征值和预置特征值-浓度标准曲线,获取所述未知浓度的待测物的浓度。
可选的,所述对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图,包括:
对所述显色图像的灰度图像进行边缘检测,得到边缘检测图;
将所述边缘检测图像分为上下两部分进行直线检测,得到直线检测图。
可选的,所述对所述直线检测图进行C线和T线分割,得到初步分割图,包括:
若所述直线检测图的上半部分图或下半部分图中的直线数量等于1条,则将所述直线检测图的上半部分图或下半部分图中的该条直线作为目标直线,基于阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第一初步分割图;
若所述直线检测图的上半部分图或下半部分图中的直线数量大于1条,判断所述直线检测图的上半部分图或下半部分图中相邻两条直线之间的像素距离是否在预置范围内,若是,则将所述直线检测图的上半部分图或下半部分图中该相邻两条直线之间的像素点的灰度值设置为1,剩余像素点的灰度值设置为0,得到第二初步分割图,若否,则将所述直线检测图的上半部分图或下半部分图中的最上方的直线作为目标直线,基于所述阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第三初步分割图。
可选的,所述基于阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线和T线分割,包括:
将所述直线检测图的上半部分图或下半部分图中的所述目标直线的上方预置区域和下方预置区域作为候选区域,计算所述候选区域中每一行像素点的灰度平均值;
将所述灰度平均值小于目标阈值的整行像素点的灰度值设置为1,将所述灰度平均值大于或等于所述目标阈值的整行像素点的灰度值设置为0,其中,所述目标阈值为所述候选区域的灰度平均值。
可选的,所述结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图,包括:
判断所述初步分割图和所述边缘检测图中相同位置的像素点的目标邻域内的灰度值是否均等于1,若是,则将所述初步分割图中该像素点的灰度值设置为1,若否,则保持所述初步分割图中该像素点的灰度值不变,得到最终分割图。
可选的,所述C线特征值和所述T线特征值的计算公式为:
Figure GDA0003766818800000031
Figure GDA0003766818800000032
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
本申请第二方面提供了一种免疫层析试纸定量分析装置,包括:
第一获取单元,用于获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;
检测单元,用于对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;
分割单元,用于对所述直线检测图进行C线和T线分割,得到初步分割图,并结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图;
计算单元,用于根据所述最终分割图和所述灰度图像计算C线特征值和T线特征值;
第二获取单元,用于根据所述C线特征值、所述T线特征值和预置特征值-浓度标准曲线,获取所述未知浓度的待测物的浓度。
可选的,所述C线特征值和所述T线特征值的计算公式为:
Figure GDA0003766818800000033
Figure GDA0003766818800000041
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
本申请第三方面提供了一种电子设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的免疫层析试纸定量分析方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面任一种所述的免疫层析试纸定量分析方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种免疫层析试纸定量分析方法,包括:获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;对显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图;根据最终分割图和灰度图像计算C线特征值和T线特征值;根据C线特征值、T线特征值和预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度。
本申请中,在获取到免疫层析试纸的显色图像的灰度图像依次进行边缘检测和直线检测,以快速定位出C线位置和T线位置,在对直线检测图进行C线和T线分割得到初步分割图后,结合边缘检测图对初步分割图进行形态学处理,进一步细化边缘,以便得到分割效果更好的最终分割图,最终根据最终分割图和灰度图像计算得到的C线特征值、T线特征值以及预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度,相比于通过机器学习进行免疫层析试纸定量分析,大大减少了计算量,容易在嵌入式仪器上实现自动化定量分析,从而改善了现有的免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现的技术问题。
附图说明
为了更清楚地说明本申请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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种免疫层析试纸定量分析方法的一个流程示意图;
图2为本申请实施例提供的一种免疫层析试纸的一个示意图;
图3为本申请实施例提供的定量检测呕吐毒素胶体金免疫层析试纸的灰度图像、边缘检测图、直线检测图和最终分割图;
图4为本申请实施例提供的CTv值与呕吐毒素浓度的标准曲线图;
图5为本申请实施例提供的定量检测玉米赤霉烯酮胶体金免疫层析试纸的灰度图像、边缘检测图、直线检测图和最终分割图;
图6为本申请实施例提供的CTv值与玉米赤霉烯酮浓度的标准曲线图;
图7为本申请实施例提供的一种免疫层析试纸定量分析装置的一个结构示意图;
其中,附图标记为:
1、免疫层析试纸;2、样品孔;3、观察窗口;4、质控线;5、检测线。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
为了便于理解,请参阅图1,本申请提供的一种免疫层析试纸定量分析方法的一个实施例,包括:
步骤101、获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物。
请参考图2提供的一种免疫层析试纸,将未知浓度的待测物滴加到免疫层析试纸的样品孔2上,等待一段时间后,通过数码相机、摄像头或扫描仪等设备获取该免疫层析试纸的观察窗口3的显色图像,滴加待测物后的显色图像通常会显示检测线(T线)5和质控线(C线)4。
步骤102、对显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图。
获取到免疫层析试纸的显色图像后,对该显色图像进行灰度化处理,得到灰度图像,即:
Gray=r*R+g*G+b*B;
其中,r、g和b分别为R、G和B的系数,r+g+b=1,g>r>b,R、G和B分别对应显色图像中红、绿和蓝3种颜色在每一个像素点的亮度,显色图像的每一像素点对应颜色亮度根据上述公式计算得到的Gray值的整数部分即为转换成灰度图像后该像素点的灰度值。
在获取到显色图像的灰度图像后,可以通过边缘检测算法对该灰度图像进行边缘检测,得到边缘检测图。本申请实施例优选采用Canny边缘检测算法进行边缘检测,首先,对灰度图像进行高斯模糊,以去除噪声;其次,计算灰度图像的梯度幅值和方向,优选采用Sobel算子作为梯度算子,通过Sobel算子计算灰度图像的梯度幅值d的公式为:
Figure GDA0003766818800000061
最后,进行非极大值抑制和双阈值处理,非最大值抑制能帮助保留局部最大梯度而抑制所有其他梯度值,这意味着只保留了梯度变化中最锐利的位置;在双阈值处理过程中所用阈值自适应提取,具体的,设定边缘概率参数EP,根据EP以及梯度参数得到高阈值TH,低阈值TL=TH*p,p为系数,可以根据实际情况进行自适应取值。通过高阀值和低阀值来区分边缘像素,如果边缘像素点梯度值大于高阀值,则标记为强边缘点,如果边缘梯度值小于高阀值,大于低阀值,则标记为弱边缘点,小于低阀值的点则被抑制掉。
在对灰度图像进行边缘检测,得到边缘检测图后,将边缘检测图平均分为上下两部分,分别进行Hough直线检测,得到直线检测图。具体的,可以计算角度在[0,15)U[165,180)范围内的Hough变换矩阵,并按Hough变换矩阵内数据的降序对直线参数进行排序,按序分组计算直线端点坐标,将位于免疫层析试纸卡边缘的直线去除,相隔较近的直线只保留其上点数更多的,当检测到的直线数量大于1或超过循环次数时停止计算。
步骤103、对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图。
对直线检测图进行C线和T线分割,得到初步分割图,包括:
若直线检测图的上半部分图或下半部分图中的直线数量等于1条,则将直线检测图的上半部分图或下半部分图中的该条直线作为目标直线,基于阈值分割方法对直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第一初步分割图;
若直线检测图的上半部分图或下半部分图中的直线数量大于1条,判断直线检测图的上半部分图或下半部分图中相邻两条直线之间的像素距离是否在预置范围内,若是,则将直线检测图的上半部分图或下半部分图中该相邻两条直线之间的像素点的灰度值设置为1,剩余像素点的灰度值设置为0,得到第二初步分割图,若否,则将直线检测图的上半部分图或下半部分图中的最上方的直线作为目标直线,基于阈值分割方法对直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第三初步分割图。
可以理解的是,若直线检测图的上半部分图和下半部分图中的直线数量为0条时,可以提示未检测到直线。
由于灰度图像中的C线和T线位置靠近两侧,本申请实施例在获取到免疫层析试纸的显色图像后,对显色图像进行旋转,使得显色图像中的C线位于图像的下半部分,显色图像中的T线位于图像的上半部分,以便将直线检测图均匀分为上下两部分进行C线和T线的分割。当然也可以对显色图像进行旋转,使得显色图像中的T线位于图像的下半部分,显色图像中的C线位于图像的上半部分。
在直线检测图的上半部分图或下半部分图中的直线数量大于1条,且直线检测图的上半部分图或下半部分图中相邻两条直线之间的像素距离在预置范围内(例如(14,31))时,将直线检测图的上半部分图或下半部分图中该相邻两条直线之间的像素点的灰度值设置为1,剩余像素点的灰度值设置为0;在直线检测图的上半部分图或下半部分图中的直线数量大于1条时,且直线检测图的上半部分图或下半部分图中的相邻两条直线之间的像素距离不在预置范围内时,基于直线检测图的上半部分图或下半部分图中的最上方的直线进行阈值分割处理。其中,可以根据具体的免疫层析试纸来设置该预置范围。
进一步,基于阈值分割方法对直线检测图的上半部分图或下半部分图进行C线或T线分割,包括:
将直线检测图的上半部分图或下半部分图中的目标直线的上方预置区域和下方预置区域作为候选区域,计算候选区域中每一行像素点的灰度平均值;
将灰度平均值小于目标阈值的整行像素点的灰度值设置为1,将灰度平均值大于或等于目标阈值的整行像素点的灰度值设置为0,其中,目标阈值为候选区域的灰度平均值。
需要说明的是,在直线检测图的上半部分图或下半部分图中的直线数量等于1条时,直线检测图的上半部分图或下半部分图中的唯一一条直线为目标直线,当直线检测图的上半部分图或下半部分图中的直线数量大于1条时,将直线检测图的上半部分图或下半部分图中的最上方的直线作为目标直线。
目标直线的上方预置区域为目标直线上方与目标直线的像素距离为1~30的区域,下方预置区域为目标直线下方与目标直线的像素距离为1~30的区域。
进一步,结合边缘检测图对初步分割图进行形态学处理,得到最终分割图,包括:
判断初步分割图和边缘检测图中相同位置的像素点的目标邻域内的灰度值是否均等于1,若是,则将初步分割图中该像素点的灰度值设置为1,若否,则保持初步分割图中该像素点的灰度值不变,得到最终分割图。
需要说明的是,目标邻域优选为3*3大小,即判断初步分割图和边缘检测图中相同位置的像素点的3*3邻域内的灰度值是否均等于1,若是,则将初步分割图中该像素点的灰度值设置为1,若否,则保持初步分割图中该像素点的灰度值不变,得到最终分割图。
本申请实施例通过边缘检测以及直线检测来定位信号区域,并通过阈值处理以及形态学处理得到精确的信号区域,避免了复杂的计算量。
步骤104、根据最终分割图和灰度图像计算C线特征值和T线特征值。
具体的,C线特征值FC的计算公式为:
Figure GDA0003766818800000091
T线特征值FT的计算公式为:
Figure GDA0003766818800000092
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
当C线位于灰度图像的下半部分,T线位于灰度图像的上半部分时,计算灰度图像的下半部分图和最终分割图像的下半部分图中相同位置的像素点的灰度值的乘积的和与最终分割图中C线上非0像素点个数的比值,即得到C线特征值FC,计算灰度图像的上半部分图和最终分割图像的上半部分图中相同位置的像素点的灰度值的乘积的和与最终分割图中T线上非0像素点个数的比值,即得到T线特征值FT
当C线位于灰度图像的上半部分时,T线位于灰度图像的下半部分时,计算灰度图像的上半部分图和最终分割图像的上半部分图中相同位置的像素点的灰度值的乘积的和与最终分割图中C线上非0像素点个数的比值,即得到C线特征值FC,计算灰度图像的下半部分图和最终分割图像的下半部分图中相同位置的像素点的灰度值的乘积的和与最终分割图中T线上非0像素点个数的比值,即得到T线特征值FT
步骤105、根据C线特征值、T线特征值和预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度。
根据C线特征值和T线特征值计算特征值CTv=FC/FT,在待测物的预置特征值-浓度标准曲线中找到与待测免疫层析试纸卡的特征值CTv相等的点对应的浓度值,该浓度值就是正在被检测的待测物的浓度。
预置特征值-浓度标准曲线的获得方法是:首先,用m个与上述滴加未知浓度的待测物的免疫层析试纸卡相同的免疫层析试纸卡分别检测m种已知浓度的待测物,m可以为2到10之间的自然数;然后,采用上述步骤101-步骤104的方法获取各个已知浓度的待测物对应的C线特征值FC、T线特征值FT,进一步可以计算C线特征值与所述T线特征值的比值CTv;最后,拟合得到CTv与待测物浓度的标准曲线,得到预置特征值-浓度标准曲线。
可以理解的是,也可以拟合C线特征值FC或T线特征值FT与待测物的浓度的标准曲线,进而可以根据C线特征值FC或T线特征值FT获取未知浓度的待测物的浓度,具体过程与上述过程类似,在此不再进行赘述。
本申请实施例中,在获取到免疫层析试纸的显色图像的灰度图像依次进行边缘检测和直线检测,以快速定位出C线位置和T线位置,在对直线检测图进行C线和T线分割得到初步分割图后,结合边缘检测图对初步分割图进行形态学处理,进一步细化边缘,以便得到分割效果更好的最终分割图,最终根据最终分割图和灰度图像计算得到的C线特征值、T线特征值以及预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度,相比于通过机器学习进行免疫层析试纸定量分析,大大减少了计算量,容易在嵌入式仪器上实现自动化定量分析,从而改善了现有的免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现的技术问题。
以上为本申请提供的一种免疫层析试纸定量分析方法的一个实施例,以下为本申请提供的一种免疫层析试纸定量分析方法的具体应用例一。
将待测物滴加在呕吐毒素胶体金免疫层析试纸样品孔上,等待3分钟后,通过数码相机采集图像,捕获呕吐毒素胶体金免疫层析试纸的显色图像。
将显色图像通过公式Gray=0.2989*R+0.587*G+0.114*B(绿色光吸收最好,蓝色光吸收最差,红色光吸收一般,所以,g最大,b最小,r取两者之间的数)转换为灰度图像,并对灰度图像进行Canny边缘检测,得到边缘检测图像,如图3所示。其中,边缘概率参数EP设为0.85,系数p设置为0.4,显色图像中T线和C线所占面积较小,边缘线概率较小,所以这里EP设置的较大,Canny边缘检测双阈值处理中高低阈值比最好大于2,本申请实施例中的高低阈值比优选设置设为2.5。
将边缘检测图像分为上下两部分,分别进行Hough直线检测,得到如图3所示的直线检测图。对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图。
根据最终分割图和灰度图像计算特征值FC、FT和CTv,得到FC=216.67604、FT=168.04945和CTv=1.2893587。
根据步骤105中获得的呕吐毒素胶体金免疫层析试纸的特征值CTv与呕吐毒素浓度的标准曲线,首先,用6个呕吐毒素胶体金免疫层析试纸分别检测6种已知浓度的呕吐毒素溶液,呕吐毒素溶液浓度分别为1ug/mL、5ug/mL、10ug/mL、20ug/mL、40ug/mL和80ug/mL;然后,按照与待测呕吐毒素胶体金免疫层析试纸相同的方式获得特征值CTv;最后,采用Logistic曲线拟合就能得到CTv特征值与呕吐毒素浓度的标准曲线,如图4。通过该标准曲线可以测得待测物中呕吐毒素浓度是2.4748ug/mL。
以上为本申请提供的一种免疫层析试纸定量分析方法的具体应用例一,以下为本申请提供的一种免疫层析试纸定量分析方法的具体应用例二。
将待测物滴加在玉米赤霉烯酮胶体金免疫层析试纸的样品孔上,等待3分钟后,通过数码相机采集图像,捕获玉米赤霉烯酮胶体金免疫层析试纸的显色图像。
将显色图像通过公式Gray=0.2989*R+0.587*G+0.114*B(绿色光吸收最好,蓝色光吸收最差,红色光吸收一般,所以,g最大,b最小,r取两者之间的数)转换为灰度图像,并对灰度图像进行Canny边缘检测,得到边缘检测图像,如图5所示。其中,边缘概率参数EP设为0.85,系数p设置为0.4,显色图像中T线和C线所占面积较小,边缘线概率较小,所以这里EP设置的较大,Canny边缘检测双阈值处理中高低阈值比最好大于2,本申请实施例中的高低阈值比优选设置设为2.5。
将边缘检测图像分为上下两部分,分别进行Hough直线检测,得到如图5所示的直线检测图。对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图。
根据最终分割结果和灰度图计算待测玉米赤霉烯酮胶体金免疫层析试纸特征值FC、FT和CTv,得到FC=180.63393、FT=192.10567和CTv=0.9402842。
根据步骤105中获得的玉米赤霉烯酮胶体金免疫层析试纸的特征值CTv与玉米赤霉烯酮浓度的标准曲线,首先,用6个玉米赤霉烯酮胶体金免疫层析试纸卡分别检测6种已知浓度的玉米赤霉烯酮溶液,玉米赤霉烯酮溶液浓度分别为0ug/mL、1ug/mL、2.5ug/mL、10ug/mL、20ug/mL、40ug/mL;然后,按照与待测玉米赤霉烯酮胶体金免疫层析试纸相同的方式获得特征值CTv;最后,采用Logistic曲线拟合就能得到特征值CTv与玉米赤霉烯酮浓度的标准曲线,如图6。通过该标准曲线可以测得待测物中玉米赤霉烯酮浓度是3.4721ug/mL;
以上为本申请提供的一种免疫层析试纸定量分析方法的具体应用例二,以下为本申请提供的一种免疫层析试纸定量分析装置的一个实施例。
请参考图7,本申请实施例提供的一种免疫层析试纸定量分析装置,包括:
第一获取单元,用于获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;
检测单元,用于对显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;
分割单元,用于对直线检测图进行C线和T线分割,得到初步分割图,并结合边缘检测图对初步分割图进行形态学处理,得到最终分割图;
计算单元,用于根据最终分割图和灰度图像计算C线特征值和T线特征值;
第二获取单元,用于根据C线特征值、T线特征值和预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度。
作为进一步地改进,检测单元具体用于:
对显色图像的灰度图像进行边缘检测,得到边缘检测图;
将边缘检测图像分为上下两部分进行直线检测,得到直线检测图。
作为进一步地改进,C线特征值和T线特征值的计算公式为:
Figure GDA0003766818800000121
Figure GDA0003766818800000122
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
本申请实施例中,在获取到免疫层析试纸的显色图像的灰度图像依次进行边缘检测和直线检测,以快速定位出C线位置和T线位置,在对直线检测图进行C线和T线分割得到初步分割图后,结合边缘检测图对初步分割图进行形态学处理,进一步细化边缘,以便得到分割效果更好的最终分割图,最终根据最终分割图和灰度图像计算得到的C线特征值、T线特征值以及预置特征值-浓度标准曲线,获取未知浓度的待测物的浓度,相比于通过机器学习进行免疫层析试纸定量分析,大大减少了计算量,容易在嵌入式仪器上实现自动化定量分析,从而改善了现有的免疫层析试纸定量分析,涉及大量的计算步骤,在实际应用中不易在嵌入式仪器上实现的技术问题。
本申请实施例还提供了一种电子设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述方法实施例中的免疫层析试纸定量分析方法。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行前述方法实施例中的免疫层析试纸定量分析方法。
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,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
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,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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,包括若干指令用以通过一台计算机设备(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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种免疫层析试纸定量分析方法,其特征在于,包括:
获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;
对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图;
对所述直线检测图进行C线和T线分割,得到初步分割图,并结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图;
根据所述最终分割图和所述灰度图像计算C线特征值和T线特征值;
根据所述C线特征值、所述T线特征值和预置特征值-浓度标准曲线,获取所述未知浓度的待测物的浓度;
所述对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图,包括:
对所述显色图像的灰度图像进行边缘检测,得到边缘检测图;
将所述边缘检测图像分为上下两部分进行直线检测,得到直线检测图;
所述对所述直线检测图进行C线和T线分割,得到初步分割图,包括:
若所述直线检测图的上半部分图或下半部分图中的直线数量等于1条,则将所述直线检测图的上半部分图或下半部分图中的该条直线作为目标直线,基于阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第一初步分割图;
若所述直线检测图的上半部分图或下半部分图中的直线数量大于1条,判断所述直线检测图的上半部分图或下半部分图中相邻两条直线之间的像素距离是否在预置范围内,若是,则将所述直线检测图的上半部分图或下半部分图中该相邻两条直线之间的像素点的灰度值设置为1,剩余像素点的灰度值设置为0,得到第二初步分割图,若否,则将所述直线检测图的上半部分图或下半部分图中的最上方的直线作为目标直线,基于所述阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第三初步分割图。
2.根据权利要求1所述的免疫层析试纸定量分析方法,其特征在于,所述基于阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,包括:
将所述直线检测图的上半部分图或下半部分图中的所述目标直线的上方预置区域和下方预置区域作为候选区域,计算所述候选区域中每一行像素点的灰度平均值;
将所述灰度平均值小于目标阈值的整行像素点的灰度值设置为1,将所述灰度平均值大于或等于所述目标阈值的整行像素点的灰度值设置为0,其中,所述目标阈值为所述候选区域的灰度平均值。
3.根据权利要求1所述的免疫层析试纸定量分析方法,其特征在于,所述结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图,包括:
判断所述初步分割图和所述边缘检测图中相同位置的像素点的目标邻域内的灰度值是否均等于1,若是,则将所述初步分割图中该像素点的灰度值设置为1,若否,则保持所述初步分割图中该像素点的灰度值不变,得到最终分割图。
4.根据权利要求1所述的免疫层析试纸定量分析方法,其特征在于,所述C线特征值和所述T线特征值的计算公式为:
Figure FDA0003766818790000021
Figure FDA0003766818790000022
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
5.一种免疫层析试纸定量分析装置,其特征在于,包括:
第一获取单元,用于获取免疫层析试纸的显色图像,其中,该免疫层析试纸滴加了未知浓度的待测物;
检测单元,用于对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图,具体用于对所述显色图像的灰度图像进行边缘检测,得到边缘检测图;将所述边缘检测图像分为上下两部分进行直线检测,得到直线检测图;
分割单元,用于对所述直线检测图进行C线和T线分割,得到初步分割图,并结合所述边缘检测图对所述初步分割图进行形态学处理,得到最终分割图;
计算单元,用于根据所述最终分割图和所述灰度图像计算C线特征值和T线特征值;
第二获取单元,用于根据所述C线特征值、所述T线特征值和预置特征值-浓度标准曲线,获取所述未知浓度的待测物的浓度;
所述对所述显色图像的灰度图像依次进行边缘检测和直线检测,得到边缘检测图和直线检测图,包括:
若所述直线检测图的上半部分图或下半部分图中的直线数量等于1条,则将所述直线检测图的上半部分图或下半部分图中的该条直线作为目标直线,基于阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第一初步分割图;
若所述直线检测图的上半部分图或下半部分图中的直线数量大于1条,判断所述直线检测图的上半部分图或下半部分图中相邻两条直线之间的像素距离是否在预置范围内,若是,则将所述直线检测图的上半部分图或下半部分图中该相邻两条直线之间的像素点的灰度值设置为1,剩余像素点的灰度值设置为0,得到第二初步分割图,若否,则将所述直线检测图的上半部分图或下半部分图中的最上方的直线作为目标直线,基于所述阈值分割方法对所述直线检测图的上半部分图或下半部分图进行C线或T线分割,得到第三初步分割图。
6.根据权利要求5所述的免疫层析试纸定量分析装置,其特征在于,所述C线特征值和所述T线特征值的计算公式为:
Figure FDA0003766818790000031
Figure FDA0003766818790000032
式中,FC为C线特征值,FT为T线特征值,h、w分别为灰度图像的高、宽,Grayij为灰度图像中像素点(i,j)的灰度值,BWij为最终分割图中像素点(i,j)的灰度值,nC为最终分割图中C线上非0像素点个数,nT为最终分割图中T线上非0像素点个数。
7.一种电子设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的免疫层析试纸定量分析方法。
8.一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用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的免疫层析试纸定量分析方法。
CN202110729269.3A 2021-06-29 2021-06-29 一种免疫层析试纸定量分析方法、装置、设备和介质 Active CN113450383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110729269.3A CN113450383B (zh) 2021-06-29 2021-06-29 一种免疫层析试纸定量分析方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110729269.3A CN113450383B (zh) 2021-06-29 2021-06-29 一种免疫层析试纸定量分析方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN113450383A CN113450383A (zh) 2021-09-28
CN113450383B true CN113450383B (zh) 2022-11-01

Family

ID=77814126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110729269.3A Active CN113450383B (zh) 2021-06-29 2021-06-29 一种免疫层析试纸定量分析方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113450383B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356479B (zh) * 2022-08-24 2023-11-28 厦门宇昊软件有限公司 一种金免疫层析检测方法和系统
CN116703854B (zh) * 2023-06-01 2024-09-27 上海领检科技有限公司 免疫印迹检测膜条评估方法及装置、存储介质及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101555477B1 (ko) * 2009-04-02 2015-09-24 삼성전자 주식회사 면역학적 분석 장치 및 이를 이용한 광학 이미지 상의 표적 영역으로부터의 밝기 값을 결정하는 방법
CN106771169B (zh) * 2017-01-19 2018-08-10 厦门海荭兴仪器股份有限公司 一种基于图像处理的胶体金检测方法及系统
CN110161233B (zh) * 2018-02-12 2020-06-02 华中科技大学 一种免疫层析试纸卡的快速定量检测方法
CN111879744A (zh) * 2020-08-06 2020-11-03 深圳市锦瑞生物科技有限公司 一种检测待测物浓度的方法、荧光免疫分析仪及存储介质
CN112132154A (zh) * 2020-09-02 2020-12-25 杭州棒糖网络科技有限公司 一种早孕试纸t线加深方法

Also Published As

Publication number Publication date
CN113450383A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
CN107316077B (zh) 一种基于图像分割及边缘检测的脂肪细胞自动计数方法
US10783641B2 (en) Systems and methods for adaptive histopathology image unmixing
US11593656B2 (en) Using a first stain to train a model to predict the region stained by a second stain
JP7076698B2 (ja) 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
CA2966555C (en) Systems and methods for co-expression analysis in immunoscore computation
CN107180421B (zh) 一种眼底图像病变检测方法及装置
CN113450383B (zh) 一种免疫层析试纸定量分析方法、装置、设备和介质
EP1975875A2 (en) Methods of chromogen separation-based image analysis
CN109035273B (zh) 一种免疫层析试纸卡的图像信号快速分割方法
Ghazal et al. Automated framework for accurate segmentation of leaf images for plant health assessment
JP4383352B2 (ja) 核多形性の組織学的評価
CN106570855A (zh) 猪肉新鲜度快速判定的方法及系统
EP4365857A2 (en) Methods and systems for automated assessment of antibiotic sensitivity
WO2006087526A1 (en) Apparatus and method for processing of specimen images for use in computer analysis thereof
Razzak Malarial parasite classification using recurrent neural network
Zuñiga et al. Grape maturity estimation based on seed images and neural networks
CN117314826A (zh) 一种显示屏的性能检测方法
Satone et al. Automatic bruise detection in fruits using thermal images
Pollatou An automated method for removal of striping artifacts in fluorescent whole-slide microscopy
CN113588571B (zh) 一种基于高光谱成像的水产品的腥味识别方法及系统
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
Moyes et al. Unsupervised deep learning for stain separation and artifact detection in histopathology images
Cuisenaire et al. Automatic segmentation and measurement of axons in microscopic images
da Silva et al. An automatic phytopathometry system for chlorosis and necrosis severity evaluation of asian soybean rust infection

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