CN114022539A - 一种显微镜图像细胞位置判断方法 - Google Patents
一种显微镜图像细胞位置判断方法 Download PDFInfo
- Publication number
- CN114022539A CN114022539A CN202111192179.1A CN202111192179A CN114022539A CN 114022539 A CN114022539 A CN 114022539A CN 202111192179 A CN202111192179 A CN 202111192179A CN 114022539 A CN114022539 A CN 114022539A
- Authority
- CN
- China
- Prior art keywords
- image
- slide specimen
- edge
- gradient
- specimen 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 42
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000001000 micrograph Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 44
- 210000000265 leukocyte Anatomy 0.000 claims description 19
- 210000003743 erythrocyte Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种显微镜图像细胞位置判断方法，属于医学显微镜图像处理技术领域，包括以下步骤：步骤S1：样本制作与采集，利用图片处理之模式匹配技术对人体体外自然脱落的细胞进行提取，在将所提取的细胞制成玻片标本，采集双三次插值技术获取玻片标本图像；步骤S2：细胞边缘的检测。本发明中，通过对电子显微镜下的玻片标本图像进行增强处理后，利用水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测并确定位细胞的位置，再根据红白细胞的自身特点从玻片标本图像中有效地分离出红白细胞，对其进行识别和定量分析，能有效地识别细胞的位置并加以区分，减少了人为因素的误诊并提高了诊断效率和精度。
Description
技术领域
本发明属于医学显微镜图像处理技术领域，尤其涉及一种显微镜图像细胞位置判断方法。
背景技术
细胞是生命构成的基本单位，对生命的研究需要从细胞开始，随着显微镜成像技术的成熟，细胞分析已经成为生物图像分析领域的重要内容之一，为了更好的研究细胞，通常需要进行红白细胞的定位，以往在获取细胞图像时，因获取技术对噪声较为敏感，导致边沿处容易出现锯齿状的形态，且平衡度较差，定位不精准，因此，现阶段亟需一种显微镜图像细胞位置判断方法来解决上述问题。
发明内容
本发明的目的在于：为了解决细胞是生命构成的基本单位，对生命的研究需要从细胞开始，随着显微镜成像技术的成熟，细胞分析已经成为生物图像分析领域的重要内容之一，为了更好的研究细胞，通常需要进行红白细胞的定位，以往在获取细胞图像时，因获取技术对噪声较为敏感，导致边沿处容易出现锯齿状的形态，且平衡度较差，定位不精准的问题，而提出的一种显微镜图像细胞位置判断方法。
为了实现上述目的，本发明采用了如下技术方案：
一种显微镜图像细胞位置判断方法，包括以下步骤：
步骤S1：样本制作与采集，利用图片处理之模式匹配技术对人体体外自然脱落的细胞进行提取，在将所提取的细胞制成玻片标本，采集双三次插值技术获取玻片标本图像；
步骤S2：细胞边缘的检测，先进行玻片标本图像的预处理，并确定玻片标本图像梯度的幅值和方向；
步骤S3：获得玻片标本图像的梯度幅值后，对梯度幅值进行非极大值抑制处理；
步骤S4：使用两个阀值T1和T2，则可以得到两个阀值图像I1(i， j)和I2(i，j)，采用双阈值法检测图像边缘的原理就是把I2(i， j)中的间断边缘，利用I1(i，j)连接成完整的轮廓，当轮廓出现间断点时，该算法会利用I1(i，j)的8邻点位置，去寻找可以连接间断处的轮廓点，该算法不断地在I1(i，j)中寻找可能是I2(i，j) 的间断点位置，并将其间断处连接，直到把I1(i，j)中所有的间断点都连接起来，采用双阈值的方式来最终确定图像的边缘信息，可以根据高阀值得到一个边缘信息，因其中包含有噪声等干扰信息，也会由于部分边缘信息被过滤掉，而导致目标的边缘不闭合，当目标边缘不闭合时，低阀值则可以起到补油充作用，从而找到完整准确的目标边缘；
步骤S5：对于干扰信息，采用类似双阀值的方式进行过滤，方法是筛选出孤立的或者小段连续的边缘信息将其过滤掉；
步骤S6：对已完成图像边缘检测后的玻片标本图像进行图像二级处理，玻片标本图像二级处理包括对切片图像由RCB格式转换为灰度图像以及进行直方图均衡化，直方图均衡化是通过对所获取的切片图像进行以均衡为目标的变换，对图像的灰度直方图进行修正，压缩图像中像素较少的一些灰度级，拉伸像素数较多的部分的处理方法，使原图像的直方图分布更均匀，增加像素灰度值的动态范围，从而提高整个图像的对比度，使玻片标本图像中一些不清晰的细节在均衡化处理后会变得更清晰，由于切片图像是RCB玻片标本图像；
步骤S7：利用已知的图像处理方法如水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测，锁定图像中的每一个细跑位置，红白细胞的识别，根据红白细胞的半径差异区分白细胞和红细胞以及超出细胞半径或小于细胞半径而混入其中的杂质。
作为上述技术方案的进一步描述：
所述步骤S1中在玻片标本图像的采集过程，为削弱玻璃器皿对光线的折射和反射作用而影响玻片标本图像的采集效果，采用底光技术对玻片标本进行补光处理。
作为上述技术方案的进一步描述：
所述步骤S1中将玻片标本放置在24℃-26℃恒温环境下保存，每2-3小时在玻片标本的同一位置进行1次玻片标本图像数据的采集，电子显微镜的放大部位不小于200倍，并利用方差函数对玻片标本图像进行初级处理，提高玻片标本图像的清晰度。
作为上述技术方案的进一步描述：
所述步骤S1中玻片标本图像采集系统主要由光室、光源、电子显微镜、图像采集卡以及个人PC机组成，其中光源和光室为玻片标本图像的采集提供适宜的采集光镜。
作为上述技术方案的进一步描述：
所述步骤S2中的玻片标本图像预处理，先对玻片标本图像进行平滑处理，随后进行锐化处理，玻片标本图像的平滑去噪处理采用二维高斯方程的一阶导数，高斯函数及玻片标本图像卷积为：
其中，I(x，y)为原始玻片标本图像，σ是一个尺度参数，G 为一阶偏导的有限差分来计算的梯度幅值，S(x，y)为已平滑的数据阵列。
作为上述技术方案的进一步描述：
所述步骤S2中确定玻片标本图像梯度的幅值和方向，先进行求解X轴和Y轴方向的一阶偏导数据阵，其计算公式为：
低于梯度幅值的计算结果，采用非极大值抑制的方式，经处理后，玻片标本图像中点I(i，j)处的梯度幅值M和θ梯度方向可分别由式：
其中θ为平滑梯度方向矢量，也就是下次边缘的方向，M为幅值，为了方便确定玻片标本图像边缘，只保留幅值局部变化较大的点；
采用一阶偏导数计算玻片标本图像梯度的幅值，其计算公式为：
作为上述技术方案的进一步描述：
所述步骤S3中，局部梯度幅值最大的点为玻片标本图像的边缘点，因此需要对玻片标本图像中梯度幅值的非极大值进行抑制处理，在对玻片标本图像进行预处理的过程中，玻片标本图像中梯度幅值越大的点，其玻片标本图像的梯度幅值矩阵M(i，j)的数值也越大，但并不能确定这样的点一定在边缘上，还需通过其他判定条件来最终确定。
作为上述技术方案的进一步描述：
所述步骤S3中非极大值抑制是找到图像中所有目标边缘点的关键，其原理是根据当前点的3×3邻域内的像素点，对领域内的像素点进行四次比较，以确定当前点是否为该邻域内具有最大极值的点，如果是，则可将当前点作为可能的边缘点，反之，则判定为非边缘点，处理过程中，被判定为非边缘点的点，将其灰度值设为0，但由于噪声或其他干扰因素的存在，会影响边缘检测的准确性，故需要进行下一步处理。
作为上述技术方案的进一步描述：
所述步骤S5中可以在采集大量的数据基础上，确实日标图像的边缘信息中长度、面积等信息，再进一步用阀值来限定日标边缘的长度和面积信息，其表达公式如式：
continues＝AreaMax(AreaMin(LenMax(LenMin(ci))))
作为上述技术方案的进一步描述：
所述步骤S7中经定量分析可知，一般红细胞的直径为7-18um，白细胞的直径为18-30um，直径小于7um或大于30um的圆认为是杂质颗粒，不计数，如果红白细胞的半径较接近，则利用红细胞近似于盘状、白细胞类似椭圆加以区分，从已求出的半径求半径与周长的比值，比值接近的即为红细胞。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过对电子显微镜下的玻片标本图像进行增强处理后，利用水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测并确定位细胞的位置，再根据红白细胞的自身特点从玻片标本图像中有效地分离出红白细胞，对其进行识别和定量分析，能有效地识别细胞的位置并加以区分，减少了人为因素的误诊并提高了诊断效率和精度。
2、本发明中，利用改进Canny算子，在图像边缘特征提取，具备较好的边缘检测性能的同时，又对噪声不敏感，即使在有噪声的环境下，也同样具有较好的边缘检测效果，基于Canny算子的边缘检测方法基于寻找图像梯度幅值的局部最大值，它采用高斯滤波器的一阶导数来计算梯度幅值，采用双域值的方式来分别检测强、弱边缘，并且，只有强、弱边缘相连时，强边缘间断处的弱边缘才会包含在检测结果之中，由此以来，可以减小噪声对检测结果的影响，使检测结果在噪声和边缘检测之间取得较好的平衡。
附图说明
图1为本发明提出的一种显微镜图像细胞位置判断方法的流程图。
具体实施方式
下面将结合本发明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种技术方案：
实施例一
一种显微镜图像细胞位置判断方法，包括以下步骤：
步骤S1：样本制作与采集，利用图片处理之模式匹配技术对人体体外自然脱落的细胞进行提取，在将所提取的细胞制成玻片标本，采集双三次插值技术获取玻片标本图像；
步骤S2：细胞边缘的检测，先进行玻片标本图像的预处理，并确定玻片标本图像梯度的幅值和方向；
步骤S3：获得玻片标本图像的梯度幅值后，对梯度幅值进行非极大值抑制处理；
步骤S4：使用两个阀值T1和T2，则可以得到两个阀值图像I1(i， j)和I2(i，j)，采用双阈值法检测图像边缘的原理就是把I2(i， j)中的间断边缘，利用I1(i，j)连接成完整的轮廓，当轮廓出现间断点时，该算法会利用I1(i，j)的8邻点位置，去寻找可以连接间断处的轮廓点，该算法不断地在I1(i，j)中寻找可能是I2(i，j) 的间断点位置，并将其间断处连接，直到把I1(i，j)中所有的间断点都连接起来，采用双阈值的方式来最终确定图像的边缘信息，可以根据高阀值得到一个边缘信息，因其中包含有噪声等干扰信息，也会由于部分边缘信息被过滤掉，而导致目标的边缘不闭合，当目标边缘不闭合时，低阀值则可以起到补油充作用，从而找到完整准确的目标边缘；
步骤S5：对于干扰信息，采用类似双阀值的方式进行过滤，方法是筛选出孤立的或者小段连续的边缘信息将其过滤掉；
步骤S6：对已完成图像边缘检测后的玻片标本图像进行图像二级处理，玻片标本图像二级处理包括对切片图像由RCB格式转换为灰度图像以及进行直方图均衡化，直方图均衡化是通过对所获取的切片图像进行以均衡为目标的变换，对图像的灰度直方图进行修正，压缩图像中像素较少的一些灰度级，拉伸像素数较多的部分的处理方法，使原图像的直方图分布更均匀，增加像素灰度值的动态范围，从而提高整个图像的对比度，使玻片标本图像中一些不清晰的细节在均衡化处理后会变得更清晰，由于切片图像是RCB玻片标本图像；
步骤S7：利用已知的图像处理方法如水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测，锁定图像中的每一个细跑位置，红白细胞的识别，根据红白细胞的半径差异区分白细胞和红细胞以及超出细胞半径或小于细胞半径而混入其中的杂质。
具体的，步骤S1中在玻片标本图像的采集过程，为削弱玻璃器皿对光线的折射和反射作用而影响玻片标本图像的采集效果，采用底光技术对玻片标本进行补光处理。
具体的，步骤S1中将玻片标本放置在26℃恒温环境下保存，每 3小时在玻片标本的同一位置进行1次玻片标本图像数据的采集，电子显微镜的放大部位不小于200倍，并利用方差函数对玻片标本图像进行初级处理，提高玻片标本图像的清晰度。
具体的，步骤S1中玻片标本图像采集系统主要由光室、光源、电子显微镜、图像采集卡以及个人PC机组成，其中光源和光室为玻片标本图像的采集提供适宜的采集光镜。
具体的，步骤S2中的玻片标本图像预处理，先对玻片标本图像进行平滑处理，随后进行锐化处理，玻片标本图像的平滑去噪处理采用二维高斯方程的一阶导数，高斯函数及玻片标本图像卷积为：
其中，I(x，y)为原始玻片标本图像，σ是一个尺度参数，G 为一阶偏导的有限差分来计算的梯度幅值，S(x，y)为已平滑的数据阵列。
具体的，步骤S2中确定玻片标本图像梯度的幅值和方向，先进行求解X轴和Y轴方向的一阶偏导数据阵，其计算公式为：
低于梯度幅值的计算结果，采用非极大值抑制的方式，经处理后，玻片标本图像中点I(i，j)处的梯度幅值M和θ梯度方向可分别由式：
其中θ为平滑梯度方向矢量，也就是下次边缘的方向，M为幅值，为了方便确定玻片标本图像边缘，只保留幅值局部变化较大的点；
采用一阶偏导数计算玻片标本图像梯度的幅值，其计算公式为：
具体的，步骤S3中，局部梯度幅值最大的点为玻片标本图像的边缘点，因此需要对玻片标本图像中梯度幅值的非极大值进行抑制处理，在对玻片标本图像进行预处理的过程中，玻片标本图像中梯度幅值越大的点，其玻片标本图像的梯度幅值矩阵M(i，j)的数值也越大，但并不能确定这样的点一定在边缘上，还需通过其他判定条件来最终确定。
具体的，步骤S3中非极大值抑制是找到图像中所有目标边缘点的关键，其原理是根据当前点的3×3邻域内的像素点，对领域内的像素点进行四次比较，以确定当前点是否为该邻域内具有最大极值的点，如果是，则可将当前点作为可能的边缘点，反之，则判定为非边缘点，处理过程中，被判定为非边缘点的点，将其灰度值设为0，但由于噪声或其他干扰因素的存在，会影响边缘检测的准确性，故需要进行下一步处理。
具体的，步骤S5中可以在采集大量的数据基础上，确实日标图像的边缘信息中长度、面积等信息，再进一步用阀值来限定日标边缘的长度和面积信息，其表达公式如式：
continues＝AreaMax(AreaMin(LenMax(LenMin(ci))))
具体的，步骤S7中经定量分析可知，一般红细胞的直径为 7-18um，白细胞的直径为18-30um，直径小于7um或大于30um的圆认为是杂质颗粒，不计数，如果红白细胞的半径较接近，则利用红细胞近似于盘状、白细胞类似椭圆加以区分，从已求出的半径求半径与周长的比值，比值接近的即为红细胞。
实施例二
一种显微镜图像细胞位置判断方法，包括以下步骤：
步骤S1：样本制作与采集，利用图片处理之模式匹配技术对人体体外自然脱落的细胞进行提取，在将所提取的细胞制成玻片标本，采集双三次插值技术获取玻片标本图像；
步骤S2：细胞边缘的检测，先进行玻片标本图像的预处理，并确定玻片标本图像梯度的幅值和方向；
步骤S3：获得玻片标本图像的梯度幅值后，对梯度幅值进行非极大值抑制处理；
步骤S4：使用两个阀值T1和T2，则可以得到两个阀值图像I1(i， j)和I2(i，j)，采用双阈值法检测图像边缘的原理就是把I2(i， j)中的间断边缘，利用I1(i，j)连接成完整的轮廓，当轮廓出现间断点时，该算法会利用I1(i，j)的8邻点位置，去寻找可以连接间断处的轮廓点，该算法不断地在I1(i，j)中寻找可能是I2(i，j) 的间断点位置，并将其间断处连接，直到把I1(i，j)中所有的间断点都连接起来，采用双阈值的方式来最终确定图像的边缘信息，可以根据高阀值得到一个边缘信息，因其中包含有噪声等干扰信息，也会由于部分边缘信息被过滤掉，而导致目标的边缘不闭合，当目标边缘不闭合时，低阀值则可以起到补油充作用，从而找到完整准确的目标边缘；
步骤S5：对于干扰信息，采用类似双阀值的方式进行过滤，方法是筛选出孤立的或者小段连续的边缘信息将其过滤掉；
步骤S6：对已完成图像边缘检测后的玻片标本图像进行图像二级处理，玻片标本图像二级处理包括对切片图像由RCB格式转换为灰度图像以及进行直方图均衡化，直方图均衡化是通过对所获取的切片图像进行以均衡为目标的变换，对图像的灰度直方图进行修正，压缩图像中像素较少的一些灰度级，拉伸像素数较多的部分的处理方法，使原图像的直方图分布更均匀，增加像素灰度值的动态范围，从而提高整个图像的对比度，使玻片标本图像中一些不清晰的细节在均衡化处理后会变得更清晰，由于切片图像是RCB玻片标本图像；
步骤S7：利用已知的图像处理方法如水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测，锁定图像中的每一个细跑位置，红白细胞的识别，根据红白细胞的半径差异区分白细胞和红细胞以及超出细胞半径或小于细胞半径而混入其中的杂质。
作为上述技术方案的进一步描述：
所述步骤S1中在玻片标本图像的采集过程，为削弱玻璃器皿对光线的折射和反射作用而影响玻片标本图像的采集效果，采用底光技术对玻片标本进行补光处理。
作为上述技术方案的进一步描述：
所述步骤S1中将玻片标本放置在24℃恒温环境下保存，每2小时在玻片标本的同一位置进行1次玻片标本图像数据的采集，电子显微镜的放大部位不小于200倍，并利用方差函数对玻片标本图像进行初级处理，提高玻片标本图像的清晰度。
作为上述技术方案的进一步描述：
所述步骤S1中玻片标本图像采集系统主要由光室、光源、电子显微镜、图像采集卡以及个人PC机组成，其中光源和光室为玻片标本图像的采集提供适宜的采集光镜。
作为上述技术方案的进一步描述：
所述步骤S2中的玻片标本图像预处理，先对玻片标本图像进行平滑处理，随后进行锐化处理，玻片标本图像的平滑去噪处理采用二维高斯方程的一阶导数，高斯函数及玻片标本图像卷积为：
其中，I(x，y)为原始玻片标本图像，σ是一个尺度参数，G 为一阶偏导的有限差分来计算的梯度幅值，S(x，y)为已平滑的数据阵列。
作为上述技术方案的进一步描述：
所述步骤S2中确定玻片标本图像梯度的幅值和方向，先进行求解X轴和Y轴方向的一阶偏导数据阵，其计算公式为：
低于梯度幅值的计算结果，采用非极大值抑制的方式，经处理后，玻片标本图像中点I(i，j)处的梯度幅值M和θ梯度方向可分别由式：
其中θ为平滑梯度方向矢量，也就是下次边缘的方向，M为幅值，为了方便确定玻片标本图像边缘，只保留幅值局部变化较大的点；
采用一阶偏导数计算玻片标本图像梯度的幅值，其计算公式为：
作为上述技术方案的进一步描述：
所述步骤S3中，局部梯度幅值最大的点为玻片标本图像的边缘点，因此需要对玻片标本图像中梯度幅值的非极大值进行抑制处理，在对玻片标本图像进行预处理的过程中，玻片标本图像中梯度幅值越大的点，其玻片标本图像的梯度幅值矩阵M(i，j)的数值也越大，但并不能确定这样的点一定在边缘上，还需通过其他判定条件来最终确定。
作为上述技术方案的进一步描述：
所述步骤S3中非极大值抑制是找到图像中所有目标边缘点的关键，其原理是根据当前点的3×3邻域内的像素点，对领域内的像素点进行四次比较，以确定当前点是否为该邻域内具有最大极值的点，如果是，则可将当前点作为可能的边缘点，反之，则判定为非边缘点，处理过程中，被判定为非边缘点的点，将其灰度值设为0，但由于噪声或其他干扰因素的存在，会影响边缘检测的准确性，故需要进行下一步处理。
作为上述技术方案的进一步描述：
所述步骤S5中可以在采集大量的数据基础上，确实日标图像的边缘信息中长度、面积等信息，再进一步用阀值来限定日标边缘的长度和面积信息，其表达公式如式：
continues＝AreaMax(AreaMin(LenMax(LenMin(ci))))
作为上述技术方案的进一步描述：
所述步骤S7中经定量分析可知，一般红细胞的直径为7-18um，白细胞的直径为18-30um，直径小于7um或大于30um的圆认为是杂质颗粒，不计数，如果红白细胞的半径较接近，则利用红细胞近似于盘状、白细胞类似椭圆加以区分，从已求出的半径求半径与周长的比值，比值接近的即为红细胞。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种显微镜图像细胞位置判断方法，其特征在于，包括以下步骤：
步骤S1：样本制作与采集，利用图片处理之模式匹配技术对人体体外自然脱落的细胞进行提取，在将所提取的细胞制成玻片标本，采集双三次插值技术获取玻片标本图像；
步骤S2：细胞边缘的检测，先进行玻片标本图像的预处理，并确定玻片标本图像梯度的幅值和方向；
步骤S3：获得玻片标本图像的梯度幅值后，对梯度幅值进行非极大值抑制处理；
步骤S4：使用两个阀值T1和T2，则可以得到两个阀值图像I1(i，j)和I2(i，j)，采用双阈值法检测图像边缘的原理就是把I2(i，j)中的间断边缘，利用I1(i，j)连接成完整的轮廓，当轮廓出现间断点时，该算法会利用I1(i，j)的8邻点位置，去寻找可以连接间断处的轮廓点，该算法不断地在I1(i，j)中寻找可能是I2(i，j)的间断点位置，并将其间断处连接，直到把I1(i，j)中所有的间断点都连接起来，采用双阈值的方式来最终确定图像的边缘信息，可以根据高阀值得到一个边缘信息，因其中包含有噪声等干扰信息，也会由于部分边缘信息被过滤掉，而导致目标的边缘不闭合，当目标边缘不闭合时，低阀值则可以起到补油充作用，从而找到完整准确的目标边缘；
步骤S5：对于干扰信息，采用类似双阀值的方式进行过滤，方法是筛选出孤立的或者小段连续的边缘信息将其过滤掉；
步骤S6：对已完成图像边缘检测后的玻片标本图像进行图像二级处理，玻片标本图像二级处理包括对切片图像由RCB格式转换为灰度图像以及进行直方图均衡化，直方图均衡化是通过对所获取的切片图像进行以均衡为目标的变换，对图像的灰度直方图进行修正，压缩图像中像素较少的一些灰度级，拉伸像素数较多的部分的处理方法，使原图像的直方图分布更均匀，增加像素灰度值的动态范围，从而提高整个图像的对比度，使玻片标本图像中一些不清晰的细节在均衡化处理后会变得更清晰，由于切片图像是RCB玻片标本图像；
步骤S7：利用已知的图像处理方法如水平集、小波变换、闽值分割法和基于轮廊算法等来进行细跑检测，锁定图像中的每一个细跑位置，红白细胞的识别，根据红白细胞的半径差异区分白细胞和红细胞以及超出细胞半径或小于细胞半径而混入其中的杂质。
2.根据权利要求1所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S1中在玻片标本图像的采集过程，为削弱玻璃器皿对光线的折射和反射作用而影响玻片标本图像的采集效果，采用底光技术对玻片标本进行补光处理。
3.根据权利要求2所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S1中将玻片标本放置在24℃-26℃恒温环境下保存，每2-3小时在玻片标本的同一位置进行1次玻片标本图像数据的采集，电子显微镜的放大部位不小于200倍，并利用方差函数对玻片标本图像进行初级处理，提高玻片标本图像的清晰度。
4.根据权利要求3所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S1中玻片标本图像采集系统主要由光室、光源、电子显微镜、图像采集卡以及个人PC机组成，其中光源和光室为玻片标本图像的采集提供适宜的采集光镜。
5.根据权利要求4所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S2中的玻片标本图像预处理，先对玻片标本图像进行平滑处理，随后进行锐化处理，玻片标本图像的平滑去噪处理采用二维高斯方程的一阶导数，高斯函数及玻片标本图像卷积为：
其中，I(x，y)为原始玻片标本图像，σ是一个尺度参数，G为一阶偏导的有限差分来计算的梯度幅值，S(x，y)为已平滑的数据阵列。
6.根据权利要求5所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S2中确定玻片标本图像梯度的幅值和方向，先进行求解X轴和Y轴方向的一阶偏导数据阵，其计算公式为：
低于梯度幅值的计算结果，采用非极大值抑制的方式，经处理后，玻片标本图像中点I(i，j)处的梯度幅值M和θ梯度方向可分别由式：
其中θ为平滑梯度方向矢量，也就是下次边缘的方向，M为幅值，为了方便确定玻片标本图像边缘，只保留幅值局部变化较大的点；
采用一阶偏导数计算玻片标本图像梯度的幅值，其计算公式为：
7.根据权利要求6所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S3中，局部梯度幅值最大的点为玻片标本图像的边缘点，因此需要对玻片标本图像中梯度幅值的非极大值进行抑制处理，在对玻片标本图像进行预处理的过程中，玻片标本图像中梯度幅值越大的点，其玻片标本图像的梯度幅值矩阵M(i，j)的数值也越大，但并不能确定这样的点一定在边缘上，还需通过其他判定条件来最终确定。
8.根据权利要求7所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S3中非极大值抑制是找到图像中所有目标边缘点的关键，其原理是根据当前点的3×3邻域内的像素点，对领域内的像素点进行四次比较，以确定当前点是否为该邻域内具有最大极值的点，如果是，则可将当前点作为可能的边缘点，反之，则判定为非边缘点，处理过程中，被判定为非边缘点的点，将其灰度值设为0，但由于噪声或其他干扰因素的存在，会影响边缘检测的准确性，故需要进行下一步处理。
9.根据权利要求8所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S5中可以在采集大量的数据基础上，确实日标图像的边缘信息中长度、面积等信息，再进一步用阀值来限定日标边缘的长度和面积信息，其表达公式如式：
continues＝AreaMax(AreaMin(LenMax(LenMin(ci))))
10.根据权利要求9所述的一种显微镜图像细胞位置判断方法，其特征在于，所述步骤S7中经定量分析可知，一般红细胞的直径为7-18um，白细胞的直径为18-30um，直径小于7um或大于30um的圆认为是杂质颗粒，不计数，如果红白细胞的半径较接近，则利用红细胞近似于盘状、白细胞类似椭圆加以区分，从已求出的半径求半径与周长的比值，比值接近的即为红细胞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192179.1A CN114022539A (zh) | 2021-10-13 | 2021-10-13 | 一种显微镜图像细胞位置判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192179.1A CN114022539A (zh) | 2021-10-13 | 2021-10-13 | 一种显微镜图像细胞位置判断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022539A true CN114022539A (zh) | 2022-02-08 |
Family
ID=80055934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111192179.1A Pending CN114022539A (zh) | 2021-10-13 | 2021-10-13 | 一种显微镜图像细胞位置判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022539A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511559A (zh) * | 2022-04-18 | 2022-05-17 | 杭州迪英加科技有限公司 | 染色鼻息肉病理切片质量多维评价方法、系统及介质 |
| CN116630294A (zh) * | 2023-06-08 | 2023-08-22 | 南方医科大学南方医院 | 一种基于深度学习的全血样本检测方法、装置及存储介质 |
-
2021
- 2021-10-13 CN CN202111192179.1A patent/CN114022539A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511559A (zh) * | 2022-04-18 | 2022-05-17 | 杭州迪英加科技有限公司 | 染色鼻息肉病理切片质量多维评价方法、系统及介质 |
| CN116630294A (zh) * | 2023-06-08 | 2023-08-22 | 南方医科大学南方医院 | 一种基于深度学习的全血样本检测方法、装置及存储介质 |
| CN116630294B (zh) * | 2023-06-08 | 2023-12-05 | 南方医科大学南方医院 | 一种基于深度学习的全血样本检测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272492B (zh) | 一种细胞病理涂片的处理方法及系统 | |
| US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
| CN107316311B (zh) | 细胞核图像轮廓捕获设备及其方法 | |
| CN110736747B (zh) | 一种细胞液基涂片镜下定位的方法及系统 | |
| CN114022539A (zh) | 一种显微镜图像细胞位置判断方法 | |
| CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
| CN109544571A (zh) | 一种基于数学形态学的金相图像边缘检测方法 | |
| CN112634159B (zh) | 基于盲噪声估计的高光谱图像去噪方法 | |
| CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
| Xue et al. | Key technologies of steel plate surface defect detection system based on artificial intelligence machine vision | |
| CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
| CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
| Wang et al. | Investigation of methodologies for the segmentation of squamous epithelium from cervical histological virtual slides | |
| Chaudhari et al. | Microscope image processing: an overview | |
| CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
| CN114022418A (zh) | 一种锂电池极片缺陷检测方法及系统 | |
| CN117372308B (zh) | 一种相衬细胞显微图像清晰度增强方法及系统 | |
| Salamah et al. | Enhancement of low quality thick blood smear microscopic images of malaria patients using contrast and edge corrections | |
| CN111612776A (zh) | 一种基于图像边缘识别的病理大体标本大小自动测量方法 | |
| CN117392154B (zh) | 一种相衬显微细胞图像分割方法及系统 | |
| CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
| CN113723505B (zh) | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
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 |