CN113744241A - 基于改进slic算法的细胞图像分割方法 - Google Patents

基于改进slic算法的细胞图像分割方法 Download PDF

Info

Publication number
CN113744241A
CN113744241A CN202111029798.9A CN202111029798A CN113744241A CN 113744241 A CN113744241 A CN 113744241A CN 202111029798 A CN202111029798 A CN 202111029798A CN 113744241 A CN113744241 A CN 113744241A
Authority
CN
China
Prior art keywords
image
segmentation
algorithm
texture
improved
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.)
Pending
Application number
CN202111029798.9A
Other languages
English (en)
Inventor
陈静
谢鹏
缪坤坤
夏超
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202111029798.9A priority Critical patent/CN113744241A/zh
Publication of CN113744241A publication Critical patent/CN113744241A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明新型涉及细胞图像分割领域；本发明在图像分割前进行预处理操作，通过高斯滤波、图像增强等预处理方法，平滑图像，凸显局部细节，便于后续图像分割。针对分割宫颈细胞图像易出现过分割、欠分割的问题，本发明先使用经典的图像分割方法获取目标区域细胞核轮廓，再采用精确分割方法获得精确的细胞核边界。通过对各种分割方法的比较研究，我们选取了分水岭算法与简单线性迭代算法(SLIC)结合的分割方法，SILC分割算法比较适合于边界模糊和拓扑结构复杂的图像分割，在细胞图像分割中能取得很好的效果，有助于获取精确的细胞核轮廓。

Description

基于改进SLIC算法的细胞图像分割方法
技术领域
本发明涉及细胞图像分割领域，具体是一种基于改进SLIC算法的细胞图像分割。
背景技术
随着计算机技术的飞速发展，计算机图像处理技术也日趋成熟，并被广泛应用在社会生活的方方面面，主要包括工业检测、遥感、航天技术、远程教育、生物医学等领域，为社会生产与人民生活带来了极大便利。其中，图像处理技术在生物医学领域得到重点应用，极大的推动了生物医学的发展，并成为医学研究和临床应用的重要工具。采用计算机图像处理技术对病理切片进行定量分析和分类。
计算机图像识别成为研究的热点。当下，计算机图像处理主要包括图像预处理、图像分割、特征提取与图像分类识别几方面，每一环节都对最终结果的诊断准确率有重要的作用。图像预处理方面，通常采用滤波、灰度变换等手段实现去除噪声、图像增强等目的，避免图像干扰因素过多，影响后期处理。细胞图像分割方面，研究者们采用阈值分割、边缘检测等算法对图像进行分割，为后续细胞图像处理提供了基础。
发明内容
本发明的目的是提供一种基于改进型SLIC算法的细胞图像分割；本发明在图像分割前进行预处理操作，通过高斯滤波、图像增强等预处理方法，平滑图像，凸显局部细节，便于后续图像分割。针对分割宫颈细胞图像易出现过分割、欠分割的问题，本发明先使用经典的图像分割方法获取目标区域细胞核轮廓，再采用精确分割方法获得精确的细胞核边界。通过对各种分割方法的比较研究，我们选取了分水岭算法与简单线性迭代算法(SLIC)结合的分割方法，SILC分割算法比较适合于边界模糊和拓扑结构复杂的图像分割，在细胞图像分割中能取得很好的效果，有助于获取精确的细胞核轮廓。
本发明提供一种基于改进SLIC算法的细胞图像分割方法，包括步骤：
S1：对图像进行预处理，对图像有用的真实信息进行恢复，增强需要处理和识别的信息，提高图像的质量，为下一步的图像分割打下基础。
S2：对SLIC算法进行改进，利用改进的SLIC算法对预处理后的图像进行图像分割，得到分割的图像。
S11：利用用维均值离散高斯函数的滤波器，即高斯滤波器是通过高斯核的二维的卷积算子对图像的中的像素点进行运算，来消除图像的噪声。
二维高斯分布函数的表达式为：
Figure RE-GDA0003331105340000021
其中，x和y分别代表细胞像素点(x，y)的横坐标和纵坐标。σ代表高斯分布的标准差。采用二维高斯分布函数进行平滑滤波处理。
S12：将经过高斯滤波后的图形的RGB空间转换到CIELab空间的图像。
RGB彩色空间转化到CIELb空间的转换计算公式为：
L＝0.2126007*R+1.715947*G+0.0722046*B
a＝0.3258962*R+0.4992496*G+0.1733409*B+128
b＝0.121288*R+0.378561*G+0.5003738*B+128 (2)
S13：采用分水岭算法作为初次分割时的算法，经过分割得到的细胞核初始轮廓，将其外接矩形作为细胞精细分割的初始轮廓曲线。
S14：对经过初分割的细胞核初始轮廓图像再通过采用改进的LBP-SLIC分割方法进行二次分割，得到精细的细胞轮廓。
S15：采用OPENCV库中的封装了基于标记的分水岭算法。使用一系列预定义的标记来知道图像分割的定义方式。使用基于标记的分水岭分割算法，需要输入一个带标记的图像，其像素为32位符号正数(CV_32S类型)，每个非零像素表示一个标签。其原理是标记图像中的一些像素以只是其所述的区域是已知的，枫树岭算法可以基于初始标签确定其他像素的区域。
S16：通过无纹理偏移的LBP算法来提取纹理特征数据，无纹理偏移的LBO 算法在避免了偏移的同时也削弱了图像中的纹理噪声。
S17：将计算后的纹理特征值加入SLIC算法的欧式距离公式中，已达到增加纹理数据在运算中所占权重的木器，加强了该算法对细胞图像中的存在模糊边界的相应程度。
S18：选择图像G的中心像素点为带你c，点P为中心像素点R邻域范围内的任意一点。则对应的点e的灰度值ge，计算图像中心带你的纹理信息值，计算公式如下；
Figure RE-GDA0003331105340000031
Figure RE-GDA0003331105340000032
S19:LBP具有旋转不变模式性质，随机选取到达图像中心点c的P领域的顺序，会产生随机的一组数值，选取其中的极小值为中心点c的纹理信息LBP值。 LBP值计算公式如下：
LBPRP,R(C)＝min(ROR(LBPRP,R(c),i)),i＝1,2,3...p-1 (5)
其中，ROR(x,i)为LBP的旋转函数，通过该函数，将任意值x转化为二进制数，进行循环右移i(i<P)处理。
S20：输入图像G，确认超像素数目K，空间距离权重、纹理距离权重Wl。
S21：提取原始图像中的纹理信息：对图像进行灰度化处理，球的灰度标准差图。基于图像的纹理信息值Texture,记为Vtex。
S22:初始化聚类中心：将图像G划分为块数K，边长为l的彼此相互独立的图像块。对每一个独立的图像块的信息包括坐标值、纹理信息Vtex以及lab颜色空间下的颜色信息进行统计，输入聚类中心，开始初始化处理，初始化公式如下：
CK＝[LK,aK,bk,xK,yK,VtexK]T,K＝1,2,3...k (6)
S23:调整聚类中心：通过计算，获取该中心及邻域内的颜色梯度值，选取极小值作为新的聚类中心。
S24：初始化距离和标签：对每一图像块的标签label(l)以及任一点与聚类中心的距离为d(l)进行初始化处理，使得label(l)＝-1,d(l)＝∞。
S25:k-meas迭代聚类：计算每一图像块的聚类中心Ck机器21邻域内所有的像素点i之间的欧式距离D',公式如下，若D≤d(i)，则让D＝d(i)，label(i)＝k，同时使用k均值聚类算法对聚类中心进行更新：其中D'为改进狗算法的距离公式。重复迭代，知道达到最大迭代上限为止。通过纹理信息计算出的任意两点 (xi,yi)、(xj,yj)间的纹理距离dlap，计算公式如下：
Figure RE-GDA0003331105340000041
Figure RE-GDA0003331105340000042
S26:参数阀值Vth是用于度量对应点的领域内灰度值g的变化强度，通过原图对应的灰度变化标准差图，可以获取对于P领域内灰度变化标准公式如下：
Figure RE-GDA0003331105340000043
则参数阈值可以表示为：
Figure RE-GDA0003331105340000044
S27:根据求得的参数Vth计算出无纹理偏移的LBP模式：首先对公式(4) 进行改进，改进后的公式如下：
Figure RE-GDA0003331105340000045
则对范围内的任意点c，其公式如下：
Figure RE-GDA0003331105340000046
S28:图G的纹理特征Vtex的计算，首先计算图G中所有的像素点的灰度变化标准值，进而计算各模式所占的比列LBPRP,R(k)，对灰度变化标准值进行标准化处理，获得最终的纹理特征值Vtex。
本发明与现有技术相比，其有益效果体现在：
对SLIC分割算法做出了改进。首先介绍传统SLIC算法的特点。然后针对传统SILC分割算法因忽略了局部纹理信息，导致在细胞边缘分割不精确的缺点。引入优化后的LBP算法，该算法侧重于纹理信息提取且无纹理偏移，从而得到更加准确的分割效果。
附图说明
图1是具体分割算法流程图
具体实施方式
S1：对图像进行预处理，对图像有用的真实信息进行恢复，增强需要处理和识别的信息，提高图像的质量，为下一步的图像分割打下基础。
S2:对细胞图像采用二维高斯函数对图像进行平滑滤波处理。
S3:将原始图像的RGB空间变换到CIELab空间的图像。
S4：选用分水岭算法其作为细胞图像初次分割时的采用的算法，经过分割得到细胞核初始轮廓，将其外接矩形作为细胞精细分割的初始轮廓曲线。
S5：选用改进的LBP-SLIC算法对图像进行细分割。
所属S5步骤包括：
S10：输入图像G，确认超像素数目K，空间距离权重、纹理距离权重Wl。
S11：提取原始图像中的纹理信息：对图像进行灰度化处理，球的灰度标准差图。基于图像的纹理信息值Texture,记为Vtex。
S12:初始化聚类中心：将图像G划分为块数K，边长为l的彼此相互独立的图像块。对每一个独立的图像块的信息包括坐标值、纹理信息Vtex以及lab颜色空间下的颜色信息进行统计，输入聚类中心，开始初始化处理，初始化公式如下：
CK＝[LK,aK,bk,xK,yK,VtexK]T,K＝1,2,3...k (6)
S13:调整聚类中心：通过计算，获取该中心及邻域内的颜色梯度值，选取极小值作为新的聚类中心。
S14：初始化距离和标签：对每一图像块的标签label(l)以及任一点与聚类中心的距离为d(l)进行初始化处理，使得label(l)＝-1,d(l)＝∞。
S15:k-meas迭代聚类：计算每一图像块的聚类中心Ck机器21邻域内所有的像素点i之间的欧式距离D',公式如下，若D≤d(i)，则让D＝d(i)，label(i)＝k，同时使用k均值聚类算法对聚类中心进行更新：其中D'为改进狗算法的距离公式。重复迭代，知道达到最大迭代上限为止。通过纹理信息计算出的任意两点(xi,yi)、(xj,yj)间的纹理距离dlap，计算公式如下：
Figure RE-GDA0003331105340000061
Figure RE-GDA0003331105340000062
对于本领域技术人员而言，显然本发明/实用新型不限于上述示范性实施例的细节，而且在不背离本发明/实用新型的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明/实用新型的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明/实用新型内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式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，本领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，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.基于改进SLIC算法的细胞图像分割方法，其特征在于：包括步骤：
S1：对图像进行预处理，对图像有用的真实信息进行恢复，增强需要处理和识别的信息，提高图像的质量，为下一步的图像分割打下基础。
S2：对SLIC算法进行改进，利用改进的SLIC算法对预处理后的图像进行图像分割，得到分割的图像。
2.根据权力要求1所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S1包括步骤：
S11:利用用维均值离散高斯函数的滤波器，即高斯滤波器是通过高斯核的二维的卷积算子对图像的中的像素点进行运算，来消除图像的噪声。
二维高斯分布函数的表达式为：
Figure RE-FDA0003312378210000011
其中，x和y分别代表细胞像素点(x,y)的横坐标和纵坐标。σ代表高斯分布的标准差。采用二维高斯分布函数进行平滑滤波处理。
S12：将经过高斯滤波后的图形的RGB空间转换到CIELab空间的图像。
RGB彩色空间转化到CIELb空间的转换计算公式为：
L＝0.2126007*R+1.715947*G+0.0722046*B
a＝0.3258962*R+0.4992496*G+0.1733409*B+128
b＝0.121288*R+0.378561*G+0.5003738*B+128 (2)
3.根据权力要求1所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S2包括步骤：
S13：采用分水岭算法作为初次分割时的算法，经过分割得到的细胞核初始轮廓，将其外接矩形作为细胞精细分割的初始轮廓曲线。
S14:对经过初分割的细胞核初始轮廓图像再通过采用改进的LBP-SLIC分割方法进行二次分割，得到精细的细胞轮廓。
4.根据权力要求3所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S13包括步骤：
S15:采用OPENCV库中的封装了基于标记的分水岭算法。使用一系列预定义的标记来知道图像分割的定义方式。使用基于标记的分水岭分割算法，需要输入一个带标记的图像，其像素为32位符号正数(CV_32S类型)，每个非零像素表示一个标签。其原理是标记图像中的一些像素以只是其所述的区域是已知的，枫树岭算法可以基于初始标签确定其他像素的区域。
5.根据权力要求3所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S14包括步骤：
S16:通过无纹理偏移的LBP算法来提取纹理特征数据，无纹理偏移的LBO算法在避免了偏移的同时也削弱了图像中的纹理噪声。
S17:将计算后的纹理特征值加入SLIC算法的欧式距离公式中，已达到增加纹理数据在运算中所占权重的木器，加强了该算法对细胞图像中的存在模糊边界的相应程度。
6.根据权力要求5所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S15包括步骤：
S18:选择图像G的中心像素点为带你c，点P为中心像素点R邻域范围内的任意一点。则对应的点e的灰度值ge，计算图像中心带你的纹理信息值，计算公式如下；
Figure RE-FDA0003312378210000021
Figure RE-FDA0003312378210000022
S19:LBP具有旋转不变模式性质，随机选取到达图像中心点c的P领域的顺序，会产生随机的一组数值，选取其中的极小值为中心点c的纹理信息LBP值。LBP值计算公式如下：
LBPRP,R(C)＝min(ROR(LBPRP,R(c),i)),i＝1,2,3...p-1 (5)
其中，ROR(x,i)为LBP的旋转函数，通过该函数，将任意值x转化为二进制数，进行循环右移i(i<P)处理。
7.根据权力要求5所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S16包括步骤：
S20：输入图像G，确认超像素数目K，空间距离权重、纹理距离权重Wl。
S21：提取原始图像中的纹理信息：对图像进行灰度化处理，球的灰度标准差图。基于图像的纹理信息值Texture,记为Vtex。
S22:初始化聚类中心：将图像G划分为块数K，边长为l的彼此相互独立的图像块。对每一个独立的图像块的信息包括坐标值、纹理信息Vtex以及lab颜色空间下的颜色信息进行统计，输入聚类中心，开始初始化处理，初始化公式如下：
CK＝[LK,aK,bk,xK,yK,VtexK]T,K＝1,2,3...k (6)
S23:调整聚类中心：通过计算，获取该中心及邻域内的颜色梯度值，选取极小值作为新的聚类中心。
S24：初始化距离和标签：对每一图像块的标签label(l)以及任一点与聚类中心的距离为d(l)进行初始化处理，使得label(l)＝-1,d(l)＝∞。
S25:k-meas迭代聚类：计算每一图像块的聚类中心Ck机器21邻域内所有的像素点i之间的欧式距离D',公式如下，若D≤d(i)，则让D＝d(i)，label(i)＝k，同时使用k均值聚类算法对聚类中心进行更新：其中D’为改进狗算法的距离公式。重复迭代，知道达到最大迭代上限为止。通过纹理信息计算出的任意两点(xi,yi)、(xj,yj)间的纹理距离dlap，计算公式如下：
Figure RE-FDA0003312378210000031
Figure RE-FDA0003312378210000032
8.根据权力要求6所述的基于改进SLIC算法的细胞图像分割，其特征在于：所述步骤S20包括步骤：
S26:参数阀值Vth是用于度量对应点的领域内灰度值g的变化强度，通过原图对应的灰度变化标准差图，可以获取对于P领域内灰度变化标准公式如下：
Figure RE-FDA0003312378210000033
则参数阈值可以表示为：
Figure RE-FDA0003312378210000041
S27:根据求得的参数Vth计算出无纹理偏移的LBP模式：首先对公式(4)进行改进，改进后的公式如下：
Figure RE-FDA0003312378210000042
则对范围内的任意点c，其
Figure RE-FDA0003312378210000043
S28:图G的纹理特征Vtex的计算，首先计算图G中所有的像素点的灰度变化标准值，进而计算各模式所占的比列LBPRP,R(k)，对灰度变化标准值进行标准化处理，获得最终的纹理特征值Vtex。
CN202111029798.9A 2021-09-03 2021-09-03 基于改进slic算法的细胞图像分割方法 Pending CN113744241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111029798.9A CN113744241A (zh) 2021-09-03 2021-09-03 基于改进slic算法的细胞图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111029798.9A CN113744241A (zh) 2021-09-03 2021-09-03 基于改进slic算法的细胞图像分割方法

Publications (1)

Publication Number Publication Date
CN113744241A true CN113744241A (zh) 2021-12-03

Family

ID=78735135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111029798.9A Pending CN113744241A (zh) 2021-09-03 2021-09-03 基于改进slic算法的细胞图像分割方法

Country Status (1)

Country Link
CN (1) CN113744241A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309280A (zh) * 2022-12-16 2023-06-23 上海药明康德新药开发有限公司 一种淋巴细胞标注方法和系统
CN117219124A (zh) * 2023-10-08 2023-12-12 国网湖北省电力有限公司超高压公司 一种基于深度神经网络的开关柜声纹故障检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190347767A1 (en) * 2018-05-11 2019-11-14 Boe Technology Group Co., Ltd. Image processing method and device
CN113313672A (zh) * 2021-04-28 2021-08-27 贵州电网有限责任公司 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190347767A1 (en) * 2018-05-11 2019-11-14 Boe Technology Group Co., Ltd. Image processing method and device
CN113313672A (zh) * 2021-04-28 2021-08-27 贵州电网有限责任公司 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宣雨婷: "细胞病理图像的分割及分类识别方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 7 - 15 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309280A (zh) * 2022-12-16 2023-06-23 上海药明康德新药开发有限公司 一种淋巴细胞标注方法和系统
CN117219124A (zh) * 2023-10-08 2023-12-12 国网湖北省电力有限公司超高压公司 一种基于深度神经网络的开关柜声纹故障检测方法
CN117219124B (zh) * 2023-10-08 2024-10-18 国网湖北省电力有限公司超高压公司 一种基于深度神经网络的开关柜声纹故障检测方法

Similar Documents

Publication Publication Date Title
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
WO2024021413A1 (zh) 一种结合超像素和多尺度分层特征识别的图像分割方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN104616308A (zh) 一种基于核模糊聚类的多尺度水平集图像分割方法
Ensafi et al. Accurate HEp-2 cell classification based on sparse coding of superpixels
CN106874942B (zh) 一种基于正则表达式语义的目标模型快速构建方法
CN110598030A (zh) 一种基于局部cnn框架的甲骨拓片分类方法
CN113744241A (zh) 基于改进slic算法的细胞图像分割方法
Nanni et al. General purpose (GenP) bioimage ensemble of handcrafted and learned features with data augmentation
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
CN109993213A (zh) 一种用于服装部件图的自动识别方法
CN116630971B (zh) 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN104637045A (zh) 一种基于超级像素层次特征的图像像素标号方法
CN108921205A (zh) 一种基于多特征融合的皮肤病临床图像分类方法
Han et al. Recognition and segmentation of complex texture images based on superpixel algorithm and deep learning
CN114463173A (zh) 一种基于超像素分割的高光谱遥感图像子图重构方法
Wu et al. Automatic skin lesion segmentation based on supervised learning
CN117765287A (zh) 一种结合lwr和密度聚类的图像目标提取方法
CN111401485A (zh) 实用的纹理分类方法
Senthilkumaran Automated Brain Tumor Detection and Classification in MRI Images: A Hybrid Image Processing Techniques.

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211203

WD01 Invention patent application deemed withdrawn after publication