CN113866974A - 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 - Google Patents
应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113866974A CN113866974A CN202010611603.0A CN202010611603A CN113866974A CN 113866974 A CN113866974 A CN 113866974A CN 202010611603 A CN202010611603 A CN 202010611603A CN 113866974 A CN113866974 A CN 113866974A
- Authority
- CN
- China
- Prior art keywords
- image
- focusing
- data
- original
- original image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 abstract description 43
- 210000002919 epithelial cell Anatomy 0.000 abstract description 19
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 11
- 210000000805 cytoplasm Anatomy 0.000 abstract description 5
- 239000012535 impurity Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/241—Devices for focusing
- G02B21/244—Devices for focusing using image analysis techniques
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B7/00—Mountings, adjusting means, or light-tight connections, for optical elements
- G02B7/28—Systems for automatic generation of focusing signals
- G02B7/36—Systems for automatic generation of focusing signals using image sharpness techniques, e.g. image processing techniques for generating autofocus signals
- G02B7/38—Systems for automatic generation of focusing signals using image sharpness techniques, e.g. image processing techniques for generating autofocus signals measured at different points on the optical axis, e.g. focussing on two or more planes and comparing image data
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B13/00—Viewfinders; Focusing aids for cameras; Means for focusing for cameras; Autofocus systems for cameras
- G03B13/32—Means for focusing
- G03B13/34—Power focusing
- G03B13/36—Autofocus systems
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于图像处理领域，涉及一种应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质，该方法包括：接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置；向所述用户终端输出所述最佳对焦位置。本申请可以有效实现上皮细胞的准确聚焦，提升了聚焦效果，排除了背景中不同杂质和胞浆对前景上皮细胞的影响，有效增加对焦图像的准确性，为后续的细胞处理算法和诊断提供了高质量有针对性的ROI上皮细胞清晰图像。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种应用于宫颈细胞图像的聚焦方法、装置、计算机设备及存储介质。
背景技术
聚焦算法是显微成像中的一项关键技术，优良的对焦算法可以使得机器实现自动对焦，大大提高工作效率。
现有一种聚焦方法，基于整幅画面进行清晰度判断和聚焦操作，从而达到图像采集的功能，并满足基本图像采集的需求。
然而，传统的聚焦方法普遍不智能，观察者观看图像时，只会对图像中感兴趣的区域的信息进行重点分析，而不会对图像的全局信息都进行分析。传统的图像分析的方法大多是对图像的全局信息进行分析处理，这不符合图像信息的处理过程，而且这种全局分析方法增加了许多次要信息的分析和处理，造成了很多不必要的计算上的浪费。
发明内容
本申请实施例的目的旨在解决传统的聚焦方法增加了许多次要信息的分析和处理，造成了很多不必要的计算上的浪费的问题。
为了解决上述技术问题，本申请实施例提供一种应用于宫颈细胞图像的聚焦方法，采用了如下所述的技术方案：
接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；
对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；
基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；
对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置；
向所述用户终端输出所述最佳对焦位置。
为了解决上述技术问题，本申请实施例还提供一种应用于宫颈细胞图像的聚焦装置，采用了如下所述的技术方案：
请求接收模块，用于接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；
聚类中心获取模块，用于对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；
感兴趣区域获取模块，用于基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；
对焦位置获取模块，用于对所述感兴趣区域进行清晰度聚焦操作，获取目标平面数据；
对焦位置输出模块，用于向所述用户终端输出所述目标平面数据。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器；
所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的应用于宫颈细胞图像的聚焦方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的应用于宫颈细胞图像的聚焦方法的步骤。
与现有技术相比，本申请实施例提供的应用于宫颈细胞图像的聚焦方法、装置、计算机设备及存储介质主要有以下有益效果：
可以有效实现上皮细胞的准确聚焦，提升了聚焦效果，排除了背景中不同杂质和胞浆对前景上皮细胞的影响，有效增加对焦图像的准确性，为后续的细胞处理算法和诊断提供了高质量有针对性的ROI上皮细胞清晰图像；同时，避免了许多次要信息的分析和处理，检测速度更快，聚焦效果更好。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本发明实施例一提供的一种应用于宫颈细胞图像的聚焦方法的实现流程图；
图2是图1中步骤S102的一种具体实施方式的实现流程图；
图3是图1中步骤S103的一种具体实施方式的实现流程图；
图4是图3中步骤S301的一种具体实施方式的实现流程图；
图5是本发明实施例一提供的一种获取对焦位置的实现流程图；
图6是本发明实施例一提供的爬山搜索法的实现示意图；
图7是本发明实施例二提供的一种应用于宫颈细胞图像的聚焦装置的结构示意图；
图8是图7中聚类中心获取模块的一种具体实施方式的结构示意图；
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
参考图1，示出了本发明实施例一提供的应用于宫颈细胞图像的聚焦方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S101中，接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据。
在本发明实施例中，用户终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对用户终端的举例仅为方便理解，不用于限定本发明。
在本发明实施例中，原始图像数据指的是摄取宫颈脱落细胞玻片所得到的宫颈脱落细胞图片，对于宫颈脱落细胞玻片，存在两大类主要的细胞，淋巴细胞和上皮细胞。这两类细胞的厚度、大小和形状都存在区别，也就是说这两类细胞处在不同的聚焦平面之上，传统的聚焦方法并不能保证某一类细胞清晰。在宫颈癌图像分析中，上皮细胞是我们的重点关注对象，因此保证上皮细胞的清晰也就是我们的目标所在。
在步骤S102中，对所述原始图像数据进行显著点聚类操作，获取聚类中心数据。
在本发明实施例中，显著点聚类操作指的是从宫颈细胞图像视觉注意模型出发，获得图像的显著信息，生成显著图，然后利用图像二值化算法，从统计学角度出发并结合K-means聚类，对其分布进行统计分析，生成聚类中心。
在本发明实施例中，聚类中心数据主要用于标记不同显著点数据元素的质心。
在步骤S103中，基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域。
在本发明实施例中，感兴趣区域(ROI，region of interest)指的是机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域(ROI)，是从图像中选择的一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标，可以减少处理时间，增加精度。
在本发明实施例中，通过采用形态学方法进行图像轮廓检测，将聚类中心作为种子点对图像轮廓图进行种子填充，得到填充图后与原始图像掩膜，从而实现感兴趣区域(ROI)的提取。
在步骤S104中，对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置。
在本发明实施例中，通过针对得到的感兴趣区域(ROI)，利用基于梯度计算的清晰度算法判断，得到该ROI的一般清晰度值，根据预先设定的清晰度阈值来决定是进行聚焦操作并采集图像。
在步骤S105中，向所述用户终端输出所述最佳对焦位置。
在本发明实施例中，提供了一种应用于宫颈细胞图像的聚焦方法，接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域(ROI)；对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置；向所述用户终端输出所述最佳对焦位置。可以有效实现上皮细胞的准确聚焦，提升了聚焦效果，排除了背景中不同杂质和胞浆对前景上皮细胞的影响，有效增加对焦图像的准确性，为后续的细胞处理算法和诊断提供了高质量有针对性的ROI上皮细胞清晰图像；同时，避免了许多次要信息的分析和处理，检测速度更快，聚焦效果更好。
继续参考图2，示出了图1中步骤S102的一种具体实施方式的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S201中，对所述原始图像数据进行显著操作，获取显著点数据。
在本发明实施例中，显著操作主要用于表示原始图像数据在对应点的显著程度。该显著操作的过程为先定义K个中心点，每个中心点对应所聚的一类的质心。
在本发明实施例中，显著点数据其本质仍然是图中的像素点，主要用于表示图中像素点的显著程度。
在步骤S202中，在所述原始图像数据中创建原始中心点数据。
在本发明实施例中，由于显著点其本质仍然是图中的像素点，因此所有的中心点坐标必须为正整数，有效取值范围为图像的像素区域范围，即与分辨率的大小相同。由于中心点的初始放置位置会影响聚类结果，因此理想状态下，需要将K个中心点放置到使其相互位置最远的地方。实际使用时，特别是计算机程序实现图像聚类的过程中，比较快速而且效果较优的方法，则是将K个中心点放置到K个随机的有效位置上。初始化过程形式化归纳为：
Ci＝(δx,δy)(0≤δx＜width,0≤δy＜height,i＝1,2,...,K)
其中，Ci，表示第i个中心点，δx和δy分别为图像的宽和高范围内的随机值。
在步骤S203中，基于距离最近原则建立所述显著点数据与原始中心点数据的对应关系。
在本发明实施例中，将显著点数据集中的每个显著点Si对应一个与它最近的中心点，设该最近中心点序号为τ(Si)。
在步骤S204中，基于所述对应关系将所述原始中心点数据移动至与所述原始中心点数据相对应的显著点数据的质心位置。
在本发明实施例中，K个中心点分别移动到每个中心点所对应的全部数据元素的质心，参见下述公式：
Ci＝Ψ[τ-1(Ci)](i＝1,2,...,K)
其中，τ-1(Ci)为映射中心点的逆过程，即从中心点求对应显著点集合。Ψ(x)函数为求x数据集元素的质心。
利用如上的算法重复选择与数据元素最近的中心点并建立对应关系，循环执行算法。当质心的位置不再移动时，循环结束。此时的K个中心点所在位置为聚类中心，所对应的显著点分组即为具体的显著对象。得到聚类中心点后，进行反归一化转换，就可以得到正常坐标系下的中心点位置。
在步骤S205中，将所述质心位置作为所述聚类中心数据。
继续参阅图3，示出了图1中步骤S103的一种具体实施方式的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S301中，对所述原始图像信息进行轮廓检测操作，获得图像轮廓信息。
在本发明实施例中，图像轮廓信息指的是依据图像详情表示图像内容曲面的一系列点。
在步骤S302中，创建与所述原始图像信息分辨率大小相同的默认图像。
在本发明实施例中，默认图像指的是在一幅全黑的与原始图像数据分辨率大小相同的图像。
在步骤S303中，基于所述图像轮廓信息在所述默认图像上绘制图像轮廓，获得待填充图像。
在本发明实施例中，待填充图像指的是以图像轮廓信息为模版绘制出的图像轮廓，该图像轮廓作为填充的边界。
在步骤S304中，基于所述聚类中心数据对所述待填充图像进行种子填充操作，获得填充图像。
在本发明实施例中，种子填充操作指的是以各个聚类中心点作为种子点，进行种子填充，从而获得该填充图像。首先将种子点填充上相应的颜色，然后将种子点与邻居点对比，如果阈值在设定的范围内，则将颜色填充至邻居点中，依此类推，往复循环。直到最后，以种子点向四周扩散的所有颜色闭值在设定范围内的点都被填充上种子点的颜色。
在步骤S305中，对所述填充图像进行二值化分割操作，获得填充二值图。
在本发明实施例中，二值化分割操作指的是对填充图像进行二值化分割，被填充的亮白区域为1，其余区域均为0，如下述公式所示：
从而得到填充后的二值图，即填充二值图。
在步骤S306中，将所述填充二值图与原始图像信息进行掩膜操作，获得所述感兴趣区域。
在本发明实施例中，将得到的填充二值图与原始图像进行掩膜，二值图中标记为1的区域通过掩膜得到结果图像，标记为0的区域则被屏蔽。从中得到的结果图像，即为所要求提取的感兴趣区域。如下述公式所示：
在本发明实施例中，掩膜是指程序数据已经做成光刻版，在单片机生产的过程中把程序做进去。优点是：程序可靠、成本低。
继续参考图4，示出了图3中步骤S301的一种具体实施方式的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S401中，对所述原始图像进行二值化阈值处理，获得与所述原始图像相对应的原始二值图。
在步骤S402中，对所述原始二值图进行扫描操作，获得所述图像轮廓信息。
在本发明实施例中，在本发明实施例中，通过边界追随，对数字二值图像的拓扑结构进行分析。图像轮廓检测针对二值图来提取轮廓，首对原始图像二值化阈值处理，得到原始图像的二值图。如下述公式所示：
βI＝B(img1,thre1)
其中，img1为原始图像，thre1为原始图像阈值，B(x,y)表示对图像x用阈值y进行二值化。
接着扫描二值图，如果扫描到某一点处于二值图中0和1的分界处，则从该点出发，能找到一个外边界或者一个内边界。然后，给每一条找到的边界赋予一个特定的数值。以便从最外层的边界到最内侧的边界依次整理从属关系，形成树状从属结构，得到图像轮廓信息ai,j。其中，轮廓总数为i*j。第(j-1)层轮廓中为第j层轮廓的内孔洞，换而言之，第j层为第(j-1)层在树状从属结构中的子节点，从而获得该图像轮廓信息。
在本发明实施例二的一些可选的实现方式中，全像清晰度评价函数表示为：
其中，Fi为各个对焦窗口的清晰度评价函数。
在本发明实施例中，针对宫颈细胞形态特征，尤其是其主要呈椭圆形，本方案采用基于多梯度算子的图像清晰度评价函数。主要思想是在原两个方向的sobel算子(下式h1、h2)基础上，增加两条对角线方向的sobel算子h45°、h135°。这样组合的“强梯度算子”，对0°、45°、90°、135°方向的图像边缘都将十分敏感。更加符合宫颈细胞的形态特征。
各个对焦窗口的清晰度评价函数Fi如下述公式所示：
其中，i表示第i个对焦窗口，n表示对焦窗口的数量。
f1(x,y)计算公式如下，f2(x,y)、f3(x,y)、f4(x,y)计算类同f1(x,y)。
其中，f(x,y)为原图像在某像素处的灰度值。
整幅图像的清晰度评价函数F如下：
继续参考图5，示出了本发明实施例一提供的获取对焦位置的实现流程图，为了便于说明，仅示出与本发明相关的部分。
在步骤S501中，基于所述清晰度评价函数获取各个对焦窗口的图像清晰度。
在本发明实施例中，各个对焦窗口的图像清晰度可基于上述清晰度评价函数Fi获取。
在步骤S502中，基于爬山搜索法策略对所述图像清晰度进行搜索操作，获得所述最佳对焦位置。
在本发明实施例中，先初始化镜头的位置，并设置一个比较大的步长，运用电机驱动镜头以该初始步长沿着调焦曲线向上(或向下)运动搜索峰值。每走完一步就比较当前图像清晰度评价函数值与上一步函数值的大小，如下图中的搜索方向A-B-C-D，箭头所指方向为搜索方向。当越过极值时，则改变方向并减小步长开始第二轮查找，以此类推，经过几轮后即可以比较准确地找到评价函数曲线图上的极值，确定对焦位置，如D-E-F-P，如图6所示，最终确定最佳对焦位置P。
综上所述，本申请实施例提供的应用于宫颈细胞图像的聚焦方法可以有效实现上皮细胞的准确聚焦，提升了聚焦效果，排除了背景中不同杂质和胞浆对前景上皮细胞的影响，有效增加对焦图像的准确性，为后续的细胞处理算法和诊断提供了高质量有针对性的ROI上皮细胞清晰图像；同时，避免了许多次要信息的分析和处理，检测速度更快，聚焦效果更好。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图7，作为上述图1所示方法的实现，本申请提供了一种应用于宫颈细胞图像的聚焦装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例所述的应用于宫颈细胞图像的聚焦装置700包括：请求接收模块710、聚类中心获取模块720、感兴趣区域获取模块730、对焦位置获取模块740以及对焦位置输出模块750。其中：
请求接收模块710，用于接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；
聚类中心获取模块720，用于对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；
感兴趣区域获取模块730，用于基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；
对焦位置获取模块740，用于对所述感兴趣区域进行清晰度聚焦操作，获取目标平面数据；
对焦位置输出模块750，用于向所述用户终端输出所述目标平面数据。
在本发明实施例中，用户终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对用户终端的举例仅为方便理解，不用于限定本发明。
在本发明实施例中，原始图像数据指的是摄取宫颈脱落细胞玻片所得到的宫颈脱落细胞图片，对于宫颈脱落细胞玻片，存在两大类主要的细胞，淋巴细胞和上皮细胞。这两类细胞的厚度、大小和形状都存在区别，也就是说这两类细胞处在不同的聚焦平面之上，传统的聚焦方法并不能保证某一类细胞清晰。在宫颈癌图像分析中，上皮细胞是我们的重点关注对象，因此保证上皮细胞的清晰也就是我们的目标所在。
在本发明实施例中，显著点聚类操作指的是从宫颈细胞图像视觉注意模型出发，获得图像的显著信息，生成显著图，然后利用图像二值化算法，从统计学角度出发并结合K-means聚类，对其分布进行统计分析，生成聚类中心。
在本发明实施例中，聚类中心数据主要用于标记不同显著点数据元素的质心。
在本发明实施例中，感兴趣区域(ROI，region of interest)指的是机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域(ROI)，是从图像中选择的一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标，可以减少处理时间，增加精度。
在本发明实施例中，通过采用形态学方法进行图像轮廓检测，将聚类中心作为种子点对图像轮廓图进行种子填充，得到填充图后与原始图像掩膜，从而实现感兴趣区域(ROI)的提取。
在本发明实施例中，通过针对得到的感兴趣区域(ROI)，利用基于梯度计算的清晰度算法判断，得到该ROI的一般清晰度值，根据预先设定的清晰度阈值来决定是进行聚焦操作并采集图像。
在本发明实施例中，提供了一种应用于宫颈细胞图像的聚焦装置，可以有效实现上皮细胞的准确聚焦，提升了聚焦效果，排除了背景中不同杂质和胞浆对前景上皮细胞的影响，有效增加对焦图像的准确性，为后续的细胞处理算法和诊断提供了高质量有针对性的ROI上皮细胞清晰图像；同时，避免了许多次要信息的分析和处理，检测速度更快，聚焦效果更好。
继续参考图8，示出了图7中聚类中心获取模块720的结构示意图，为了便于说明，仅示出与本发明相关的部分。
在本发明实施例二的一些可选的实现方式中，上述聚类中心获取模块720包括：显著点获取子模块721、原始中心点创建子模块722、对应关系建立子模块723、质心位置确定子模块724以及聚类中心确定子模块725。其中：
显著点获取子模块721，用于对所述原始图像数据进行显著操作，获取显著点数据；
原始中心点创建子模块722，用于在所述原始图像数据中创建原始中心点数据；
对应关系建立子模块723，用于基于距离最近原则建立所述显著点数据与原始中心点数据的对应关系；
质心位置确定子模块724，用于基于所述对应关系将所述原始中心点数据移动至与所述原始中心点数据相对应的显著点数据的质心位置；
聚类中心确定子模块725，用于将所述质心位置作为所述聚类中心数据。
在本发明实施例中，显著操作主要用于表示原始图像数据在对应点的显著程度。该显著操作的过程为先定义K个中心点，每个中心点对应所聚的一类的质心。
在本发明实施例中，显著点数据其本质仍然是图中的像素点，主要用于表示图中像素点的显著程度。
在本发明实施例中，由于显著点其本质仍然是图中的像素点，因此所有的中心点坐标必须为正整数，有效取值范围为图像的像素区域范围，即与分辨率的大小相同。由于中心点的初始放置位置会影响聚类结果，因此理想状态下，需要将K个中心点放置到使其相互位置最远的地方。实际使用时，特别是计算机程序实现图像聚类的过程中，比较快速而且效果较优的方法，则是将K个中心点放置到K个随机的有效位置上。初始化过程形式化归纳为：
Ci＝(δx,δy)(0≤δx＜width,0≤δy＜height,i＝1,2,...,K)
其中，Ci，表示第i个中心点，δx和δy分别为图像的宽和高范围内的随机值。
在本发明实施例中，将显著点数据集中的每个显著点Si对应一个与它最近的中心点，设该最近中心点序号为τ(Si)。
在本发明实施例中，K个中心点分别移动到每个中心点所对应的全部数据元素的质心，参见下述公式：
Ci＝Ψ[τ-1(Ci)](i＝1,2,...,K)
其中，τ-1(Ci)为映射中心点的逆过程，即从中心点求对应显著点集合。Ψ(x)函数为求x数据集元素的质心。
利用如上的算法重复选择与数据元素最近的中心点并建立对应关系，循环执行算法。当质心的位置不再移动时，循环结束。此时的K个中心点所在位置为聚类中心，所对应的显著点分组即为具体的显著对象。得到聚类中心点后，进行反归一化转换，就可以得到正常坐标系下的中心点位置。
在本发明实施例二的一些可选的实现方式中，上述感兴趣区域获取模块730包括：第一轮廓获取子模块、图像创建子模块、待填充图像获取子模块、填充图像获取子模块、填充二值图获取子模块以及感兴趣区域获取子模块。其中：
第一轮廓获取子模块，用于对所述原始图像信息进行轮廓检测操作，获得图像轮廓信息；
图像创建子模块，用于创建与所述原始图像信息分辨率大小相同的默认图像；
待填充图像获取子模块，用于基于所述图像轮廓信息在所述默认图像上绘制图像轮廓，获得待填充图像；
填充图像获取子模块，用于基于所述聚类中心数据对所述待填充图像进行种子填充操作，获得填充图像；
填充二值图获取子模块，用于对所述填充图像进行二值化分割操作，获得填充二值图；
感兴趣区域获取子模块，用于将所述填充二值图与原始图像信息进行掩膜操作，获得所述感兴趣区域。
在本发明实施例二的一些可选的实现方式中，上述图像轮廓获取子模块包括：原始二值图获取子模块以及第二轮廓获取子模块。其中：
原始二值图获取子模块，用于对所述原始图像进行二值化阈值处理，获得与所述原始图像相对应的原始二值图；
第二轮廓获取子模块，用于对所述原始二值图进行扫描操作，获得所述图像轮廓信息。
在本发明实施例二的一些可选的实现方式中，上述全像清晰度评价函数表示为：
其中，Fi为各个对焦窗口的清晰度评价函数。
在本发明实施例二的一些可选的实现方式中，上述对焦位置获取模块740包括：清晰度获取子模块以及对焦位置获取子模块。其中：
清晰度获取子模块，用于基于所述清晰度评价函数获取各个对焦窗口的图像清晰度；
对焦位置获取子模块，用于基于爬山搜索法策略对所述图像清晰度进行搜索操作，获得所述最佳对焦位置。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是，图中仅示出了具有组件91-93的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器91可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器91也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器91还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，所述存储器91通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如应用于宫颈细胞图像的聚焦方法的程序代码等。此外，所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备9的总体操作。本实施例中，所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据，例如运行所述应用于宫颈细胞图像的聚焦方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口，该网络接口93通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有应用于宫颈细胞图像的聚焦程序，所述应用于宫颈细胞图像的聚焦程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于宫颈细胞图像的聚焦方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种应用于宫颈细胞图像的聚焦方法，其特征在于，所述方法包括下述步骤：
接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；
对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；
基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；
对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置；
向所述用户终端输出所述最佳对焦位置。
2.如权利要求1所述的应用于宫颈细胞图像的聚焦方法，其特征在于，所述对所述原始图像数据进行显著点聚类操作，获取聚类中心数据的步骤，具体包括下述步骤：
对所述原始图像数据进行显著操作，获取显著点数据；
在所述原始图像数据中创建原始中心点数据；
基于距离最近原则建立所述显著点数据与原始中心点数据的对应关系；
基于所述对应关系将所述原始中心点数据移动至与所述原始中心点数据相对应的显著点数据的质心位置；
将所述质心位置作为所述聚类中心数据。
3.如权利要求1所述的应用于宫颈细胞图像的聚焦方法，其特征在于，所述基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域的步骤，具体包括下述步骤：
对所述原始图像信息进行轮廓检测操作，获得图像轮廓信息；
创建与所述原始图像信息分辨率大小相同的默认图像；
基于所述图像轮廓信息在所述默认图像上绘制图像轮廓，获得待填充图像；
基于所述聚类中心数据对所述待填充图像进行种子填充操作，获得填充图像；
对所述填充图像进行二值化分割操作，获得填充二值图；
将所述填充二值图与原始图像信息进行掩膜操作，获得所述感兴趣区域。
4.如权利要求3所述的的应用于宫颈细胞图像的聚焦方法，其特征在于，所述对所述原始图像信息进行轮廓检测操作，获得图像轮廓信息的步骤，具体包括下述步骤：
对所述原始图像进行二值化阈值处理，获得与所述原始图像相对应的原始二值图；
对所述原始二值图进行扫描操作，获得所述图像轮廓信息。
5.如权利要求1所述的应用于宫颈细胞图像的聚焦方法，其特征在于，所述全像清晰度评价函数表示为：
其中，Fi为各个对焦窗口的清晰度评价函数。
6.如权利要求5所述的应用于宫颈细胞图像的聚焦方法，其特征在于，所述对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置的步骤，具体还包括下述步骤：
基于所述清晰度评价函数获取各个对焦窗口的图像清晰度；
基于爬山搜索法策略对所述图像清晰度进行搜索操作，获得所述最佳对焦位置。
7.一种应用于宫颈细胞图像的聚焦装置，其特征在于，所述装置包括：
请求接收模块，用于接收用户终端发送的图像聚焦请求，所述图像聚焦请求至少携带有原始图像数据；
聚类中心获取模块，用于对所述原始图像数据进行显著点聚类操作，获取聚类中心数据；
感兴趣区域获取模块，用于基于所述聚类中心数据获取与所述原始图像数据相对应的感兴趣区域；
对焦位置获取模块，用于对所述感兴趣区域进行清晰度聚焦操作，获取最佳对焦位置；
对焦位置输出模块，用于向所述用户终端输出所述目标平面数据。
8.如权利要求7所述的应用于宫颈细胞图像的聚焦装置，其特征在于，所述聚类中心获取模块包括：
显著点获取子模块，用于对所述原始图像数据进行显著操作，获取显著点数据；
原始中心点创建子模块，用于在所述原始图像数据中创建原始中心点数据；
对应关系建立子模块，用于基于距离最近原则建立所述显著点数据与原始中心点数据的对应关系；
质心位置确定子模块，用于基于所述对应关系将所述原始中心点数据移动至与所述原始中心点数据相对应的显著点数据的质心位置；
聚类中心确定子模块，用于将所述质心位置作为所述聚类中心数据。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的应用于宫颈细胞图像的聚焦方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的应用于宫颈细胞图像的聚焦方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611603.0A CN113866974A (zh) | 2020-06-29 | 2020-06-29 | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611603.0A CN113866974A (zh) | 2020-06-29 | 2020-06-29 | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113866974A true CN113866974A (zh) | 2021-12-31 |
Family
ID=78981205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611603.0A Pending CN113866974A (zh) | 2020-06-29 | 2020-06-29 | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866974A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972209A (zh) * | 2022-05-05 | 2022-08-30 | 清华大学 | 宫颈病理图像处理方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
| CN102521592A (zh) * | 2011-11-30 | 2012-06-27 | 苏州大学 | 基于非清晰区域抑制的多特征融合显著区域提取方法 |
| US20150288870A1 (en) * | 2014-04-03 | 2015-10-08 | Qualcomm Incorporated | System and method for multi-focus imaging |
| CN105654111A (zh) * | 2015-12-21 | 2016-06-08 | 宁波江丰生物信息技术有限公司 | 基于k-means聚类的病理图像扫描焦点分类方法 |
| CN108961201A (zh) * | 2017-05-19 | 2018-12-07 | 广州康昕瑞基因健康科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
| CN109085113A (zh) * | 2018-07-05 | 2018-12-25 | 深圳辉煌耀强科技有限公司 | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 |
-
2020
- 2020-06-29 CN CN202010611603.0A patent/CN113866974A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
| CN102521592A (zh) * | 2011-11-30 | 2012-06-27 | 苏州大学 | 基于非清晰区域抑制的多特征融合显著区域提取方法 |
| US20150288870A1 (en) * | 2014-04-03 | 2015-10-08 | Qualcomm Incorporated | System and method for multi-focus imaging |
| CN105654111A (zh) * | 2015-12-21 | 2016-06-08 | 宁波江丰生物信息技术有限公司 | 基于k-means聚类的病理图像扫描焦点分类方法 |
| CN108961201A (zh) * | 2017-05-19 | 2018-12-07 | 广州康昕瑞基因健康科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
| CN109085113A (zh) * | 2018-07-05 | 2018-12-25 | 深圳辉煌耀强科技有限公司 | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972209A (zh) * | 2022-05-05 | 2022-08-30 | 清华大学 | 宫颈病理图像处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
| EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
| CN109086714A (zh) | 表格识别方法、识别系统及计算机装置 | |
| CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
| CN108564088A (zh) | 车牌识别方法、装置、设备及可读存储介质 | |
| WO2013053320A1 (zh) | 一种图像检索方法及装置 | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
| CN108154151B (zh) | 一种快速多方向文本行检测方法 | |
| CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
| Chen et al. | Method on water level ruler reading recognition based on image processing | |
| CN108537223B (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
| CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
| CN113866974A (zh) | 应用于宫颈细胞图像的聚焦方法、装置、设备及存储介质 | |
| CN111104826A (zh) | 一种车牌字符识别方法、装置及电子设备 | |
| CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
| CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
| Mu et al. | Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm | |
| CN109993695B (zh) | 一种不规则图形标注的图像碎片拼接方法及系统 | |
| CN116486151A (zh) | 图像分类模型训练方法、图像分类方法、设备及存储介质 | |
| Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
| Mutholib et al. | Optimization of ANPR algorithm on Android mobile phone | |
| CN114445788A (zh) | 车辆停放检测方法、装置、终端设备和可读存储介质 |
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 |