CN114445408B - 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 - Google Patents

一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 Download PDF

Info

Publication number
CN114445408B
CN114445408B CN202210370970.5A CN202210370970A CN114445408B CN 114445408 B CN114445408 B CN 114445408B CN 202210370970 A CN202210370970 A CN 202210370970A CN 114445408 B CN114445408 B CN 114445408B
Authority
CN
China
Prior art keywords
pathogen
pathogens
filtering
variance
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.)
Active
Application number
CN202210370970.5A
Other languages
English (en)
Other versions
CN114445408A (zh
Inventor
谢时灵
谢晓鸿
张平
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.)
Shandong Shidasi Medical Technology Co ltd
Shandong Stars Bioindustry Co ltd
Original Assignee
Shandong Shidasi Medical Technology Co ltd
Shandong Stars Bioindustry 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 Shandong Shidasi Medical Technology Co ltd, Shandong Stars Bioindustry Co ltd filed Critical Shandong Shidasi Medical Technology Co ltd
Priority to CN202210370970.5A priority Critical patent/CN114445408B/zh
Publication of CN114445408A publication Critical patent/CN114445408A/zh
Application granted granted Critical
Publication of CN114445408B publication Critical patent/CN114445408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20081—Training; Learning
    • 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]

Landscapes

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

Abstract

本发明涉及一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质，包括以下步骤：S1：构建用于检测孢子和芽生孢子的病原体训练集；S2：基于S1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型；S3：基于改进的循环导向滤波算法对原图进行滤波操作；S4：检测输入图像中的病原体：将输入图像按照S3进行滤波操作，然后将滤波后的图像输入到S2训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息。本发明通过采用基于改进的循环导向滤波算法，并将处理后的图像输入到基于卷积神经网络的深度学习目标检测模型，有效提升病原体的检出率。

Description

一种基于改进的循环导向滤波算法的提升病原体检测方法、 设备及存储介质
技术领域
本发明涉及女性生殖道微生态中病原体的检测方法，特别涉及一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质。
背景技术
孢子和芽生孢子是女性生殖道中常见的致病病原体，一定条件下侵犯女性下生殖道而引起外阴皮肤黏膜炎症，引发女性霉菌性阴道炎，也常称为真菌性阴道炎，因此提高孢子和芽生孢子检出率对诊断女性霉菌性阴道炎起到了至关重要的作用。目前针对女性生殖道分泌物生物标本的革兰氏染色方法合显微镜100倍高倍物镜下的病原体形态学检查是最常用的检验方法，也是女性生殖道病原体检测的金标准。
目前基于病原体的专家标注数据库和卷积神经网络的目标检测深度学习方法可大幅度提高显微镜下图像的病原体的检测。但是因为对于制作的阴道分泌物生物标本涂片有厚有薄，有稀有稠等因素，所以拍摄的显微镜下的图像有可能背景简单，即病原体周边无或少量其他细胞、细菌等目标物，也有可能背景复杂，即病原体与生物标本中的其他细胞、细菌堆叠在一起，同时又因为高倍物镜景深非常小，可能造成图像中的病原体不在对焦平面上，所以病原体区域是比较模糊等复杂情况。同一个目标检测模型，对于同一场景下，在对焦平面的清晰图像和不在对焦平面上的模糊图像检测结果会不同，不在对焦平面上的图像造成病原体漏检的可能性更大。基于以上理由，考虑通过对图像进行平滑滤波操作，凸显有可能包含病原体的区域并同时虚化或者去除背景，然后再输入到训练的病原体目标检测模型中，进一步提升病原体的检出率。
目前针对图像的平滑滤波操作，特别是保持边缘的平滑滤波操作用途广泛，其中双边滤波（Bilateral Filter）是具有保持目标物边缘轮廓的最常用的平滑滤波算法，联合双边滤波(Joint/Cross Bilateral Filter 或称交叉双边滤波)是对双边滤波的改进，循环导向滤波（Rolling Guidance Filter 或称滚动导向滤波、迭代引导滤波）是基于联合双边滤波的改进，可以起到虚化平滑背景并保持目标物的边缘和轮廓的作用。然而普通的循环导向滤波存在以下问题：一是，普通的循环导向滤波有三个参数，分别是滤波器窗口大小、颜色差异的方差和距离差异的方差，但是同一组参数，针对不同的图像并不能同时都达到理想的效果，即针对不同的图像，需要分别调节三个不同的参数，才有可能达到想要的结果，即使针对同一张图像，这些参数往往需要多次调试实验所得，因此该普通的循环导向滤波方法步骤繁琐且应用于经革兰氏染色的女性生殖道分泌物生物标本的显微图像的这种特殊场景下检测识别病原体时不具有通用性。二是，采用普通循环导向滤波处理后，虽然虚化了图像中的背景，但是图像中的病原体有的变得清晰有的变得模糊，甚至分辨不清楚病原体的形态，图像整体和病原体周边区域的整体背景虚化效果不好，仍然可以看到其他目标物的边缘轮廓；三是，存在病原体受其他目标物干扰，甚至与其他目标物相连，影响病原体形态的情况，容易造成病原体的漏检。
发明内容
本发明要解决的技术问题是克服现有技术的上述缺陷，提供一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质，本发明检测方法针对经革兰氏染色的女性生殖道分泌物生物标本的显微图像的这种特殊场景具有通用性，本发明通过采用基于改进的循环导向滤波算法提出一种虚化平滑背景并同时凸显包含病原体区域的方法，并将处理后的图像输入到基于卷积神经网络的深度学习目标检测模型，从而提升病原体的检出率。
本发明是通过以下技术方案实现的：
一种基于改进的循环导向滤波算法的提升病原体检测方法，包括以下步骤：
S1：构建用于检测孢子和芽生孢子的病原体训练集；
S2：基于S1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型；
S3：基于改进的循环导向滤波算法对原图进行滤波操作，包括以下步骤：
S31：初始化滤波参数
Figure DEST_PATH_IMAGE001
，
Figure 666024DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
，
Figure 311769DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
，
Figure 607490DEST_PATH_IMAGE006
，
其中
Figure DEST_PATH_IMAGE007
，
Figure 655080DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
，
Figure 777888DEST_PATH_IMAGE001
和
Figure 379771DEST_PATH_IMAGE010
分别代表高颜 色差异方差和低颜色差异方差，
Figure DEST_PATH_IMAGE011
和
Figure 744762DEST_PATH_IMAGE004
分别代表高距离差异方差和低距离差 异方差，
Figure 115701DEST_PATH_IMAGE005
和
Figure 924257DEST_PATH_IMAGE006
分别代表大的核滤波器窗口尺寸和小的核滤波器窗口尺寸，
Figure 951119DEST_PATH_IMAGE001
，
Figure 886845DEST_PATH_IMAGE003
，
Figure 112290DEST_PATH_IMAGE005
为高参数值组，
Figure 295009DEST_PATH_IMAGE012
，
Figure 126611DEST_PATH_IMAGE004
,
Figure 52979DEST_PATH_IMAGE006
为低参数值组，
设定
Figure DEST_PATH_IMAGE013
代表输入图像
Figure 398509DEST_PATH_IMAGE014
的第
Figure DEST_PATH_IMAGE015
通道并坐标在
Figure 299600DEST_PATH_IMAGE016
处的像素值，
Figure DEST_PATH_IMAGE017
，
Figure 628951DEST_PATH_IMAGE018
，
Figure 608277DEST_PATH_IMAGE019
，
Figure 542735DEST_PATH_IMAGE020
代表初始化的图像，
Figure 332836DEST_PATH_IMAGE021
代表图像
Figure 618324DEST_PATH_IMAGE020
的第
Figure 637227DEST_PATH_IMAGE015
通道并坐标在
Figure DEST_PATH_IMAGE022
处的像素值，
Figure 19667DEST_PATH_IMAGE023
代表初始化的图像，
Figure DEST_PATH_IMAGE024
代表图像
Figure 761095DEST_PATH_IMAGE023
的第
Figure 268300DEST_PATH_IMAGE015
通道并坐标在
Figure 340161DEST_PATH_IMAGE025
处的像素值；
S32：基于高参数值组生成导向图，具体步骤如下：
利用大的核滤波器窗口
Figure 265523DEST_PATH_IMAGE005
、高颜色差异方差
Figure 131848DEST_PATH_IMAGE001
、高距离差异方差
Figure DEST_PATH_IMAGE026
，
Figure 657507DEST_PATH_IMAGE027
，带入以下公式，设定：
Figure DEST_PATH_IMAGE028
，
其中
Figure 47906DEST_PATH_IMAGE029
代表以
Figure DEST_PATH_IMAGE030
为中心点，直径为
Figure 155671DEST_PATH_IMAGE031
的邻域区域，
Figure DEST_PATH_IMAGE032
代表属于邻域
Figure 927318DEST_PATH_IMAGE029
内的坐标点
Figure 471431DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
代表第
Figure 683099DEST_PATH_IMAGE035
次迭代后得 到的图像，最终迭代后的结果
Figure DEST_PATH_IMAGE036
为视觉上为灰度图的24位图；
S33：基于低参数值组生成输入图，得到彩色的24位图；
S34：将S32中的导向图和S33中的输入图进行联合双边滤波得到平滑了背景并同时凸显了保持颜色信息的病原体区域的滤波效果图；
S4：检测输入图像中的病原体：将输入图像按照S3进行滤波操作，然后将滤波后的图像输入到S2训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息。
作为优化，所述S1中构建用于检测孢子和芽生孢子的病原体训练集，具体步骤如下：采集包含孢子和芽生孢子的经革兰氏染色的女性下生殖道分泌物生物标本的显微图像，并交由相关领域专家标注出图像中的病原体的类别和位置，从而构建出用于检测孢子和芽生孢子的病原体训练集。
作为优化，所述S2中基于S1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的的人工智能目标检测模型，具体步骤如下：利用主干网络，如VGG-19、ResNet-50、ResNet-101、Inception V3、mobilenetv2等结合目前主流的深度学习目标检测框架方法，如SSD、Faster-RCNN、YOLO等或及其相关延伸的框架训练基于卷积神经网络的人工智能目标检测模型。
作为优化，所述S33中基于低参数值组生成输入图，具体步骤如下：利用小的核滤 波器窗口
Figure 97900DEST_PATH_IMAGE006
、低颜色差异方差
Figure 322339DEST_PATH_IMAGE037
、低距离差异方差
Figure DEST_PATH_IMAGE038
,
Figure 822591DEST_PATH_IMAGE039
， 带入以下公式，设定
Figure 774366DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
，
其中
Figure 558520DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
代表以
Figure 203128DEST_PATH_IMAGE030
为中心点，直径为
Figure 410250DEST_PATH_IMAGE006
的邻域区域，
Figure 165716DEST_PATH_IMAGE044
代表属于邻域
Figure 23951DEST_PATH_IMAGE043
内的坐标点
Figure 839460DEST_PATH_IMAGE045
，
Figure 829150DEST_PATH_IMAGE046
代表第
Figure DEST_PATH_IMAGE047
次迭代后得 到的图像，最终迭代后的结果
Figure 653887DEST_PATH_IMAGE048
是彩色的24位图。
作为优化，所述S34中将S32中的导向图和S33中的输入图进行联合双边滤波，具体 步骤如下：将
Figure DEST_PATH_IMAGE049
作为联合双边滤波的导向图，
Figure 648519DEST_PATH_IMAGE048
作为联合双边滤波的输入图，同时使用 小的核滤波器窗口
Figure 634930DEST_PATH_IMAGE006
、低颜色差异方差
Figure 65911DEST_PATH_IMAGE002
、低距离差异方差
Figure 412447DEST_PATH_IMAGE038
，进行联合双边 滤波，带入以下公式，设定
Figure 979695DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
，
其中联合双边滤波的结果设定记为
Figure 668165DEST_PATH_IMAGE052
。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
一种计算机可读存储介质，其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以上基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
本发明的有益效果是：
1：针对经革兰氏染色的女性下生殖道分泌物生物标本的显微图像，本发明可以使用固定参数针对不同的显微图像，均可达到虚化平滑背景，同时凸显包含病原体的区域，无需针对不同图像设置不同参数，通用性较强。
2：本发明可以虚化平滑掉图像中病原体周边的目标物，保证病原体的轮廓形状不受其他目标物的影响，提取到更完整形态的病原体，提升病原体的检出率。
3：本发明可以虚化平滑图像中的背景，同时加强病原体的边缘，更加凸显病原体的区域。
4：本发明可以使得不在对焦平面上的模糊的病原体更加清晰，轮廓更加完整，进一步提升病原体的检出率。
附图说明
下面结合附图对一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质作进一步说明：
图1为本发明整个过程的流程示意图；
图2为本发明改进的循环导向滤波方法的流程示意图；
图3（a）为背景比较简单，背景是尺度很大的上皮细胞和尺度很小的细菌的示例图；
图3（b）为针对图3（a）进行普通循环导向滤波的示例图（第一组参数）；
图3（c）为针对图3（a）进行普通环导向滤波的示例图（第二组参数）；
图3（d）为图3（b）和图3（c）进行联合双边滤波的示例图；
图3（e）为本发明针对图3（a）生成的导向图的示例图；
图3（f）为本发明针对图3（a）进行滤波的示例图；
图3（g）为目标检测模型针对图3（a）检测出的病原体的示例图；
图3（h）为目标检测模型针对图3（b）检测出的病原体的示例图；
图3（i）为目标检测模型针对图3（c）检测出的病原体的示例图；
图3（j）为目标检测模型针对图3（d）检测出的病原体的示例图；
图3（k）为目标检测模型针对图3（f）检测出的病原体的示例图；
图4（a）为背景相对复杂，背景是尺度中等的白细胞和尺度较大的细菌的示例图；
图4（b）为针对图4（a）进行普通循环导向滤波的示例图（第一组参数）；
图4（c）为针对图4（a）进行普通循环导向滤波的示例图（第二组参数）；
图4（d）为图4（b）和图4（c）进行联合双边滤波的示例图；
图4（e）为本发明针对图4（a）生成的导向图的示例图；
图4（f）为本发明针对图4（a）进行滤波的示例图；
图4（g）为目标检测模型针对图4（a）检测出的病原体的示例图；
图4（h）为目标检测模型针对图4（b）检测出的病原体的示例图；
图4（i）为目标检测模型针对图4（c）检测出的病原体的示例图；
图4（j）为目标检测模型针对图4（d）检测出的病原体的示例图；
图4（k）为目标检测模型针对图4（f）检测出的病原体的示例图；
图5（a）为背景复杂，铺满了尺度中等的白细胞和尺度较大的细菌的示例图；
图5（b）为针对图5（a）进行普通循环导向滤波的示例图（第一组参数）；
图5（c）为针对图5（a）进行普通循环导向滤波的示例图（第二组参数）；
图5（d）为图5（b）和图5（c）进行联合双边滤波的示例图；
图5（e）为本发明针对图5（a）生成的导向图的示例图；
图5（f）为本发明针对图5（a）进行滤波的示例图；
图5（g）为目标检测模型针对图5（a）检测出的病原体的示例图；
图5（h）为目标检测模型针对图5（b）检测出的病原体的示例图；
图5（i）为目标检测模型针对图5（c）检测出的病原体的示例图；
图5（j）为目标检测模型针对图5（d）检测出的病原体的示例图；
图5（k）为目标检测模型针对图5（f）检测出的病原体的示例图。
具体实施方式
为了更加清楚地说明本发明所述的技术手段及有益效果，以下结合附图，对本发明进行详细的说明，如图1所示，具体步骤如下：
步骤一：构建用于检测孢子和芽生孢子的病原体训练集。采集包含孢子和芽生孢子的经革兰氏染色的女性妇科下生殖道分泌物标本的显微图像，并交由相关领域专家标注出图像中的病原体的类别和位置，从而构建出用于检测孢子和芽生孢子的病原体训练集。
步骤二：基于步骤一构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型。本实施例中采用主干卷积神经网络ResNet-101结合SSD的深度学习目标检测框架训练检测孢子和芽生孢子病原体的人工智能目标检测模型。
步骤三：对输入的经革兰氏染色的女性下生殖道分泌物生物标本的原显微图像
Figure 706977DEST_PATH_IMAGE054
进行改进的循环导向滤波操作。经革兰氏染色的女性下生殖道分泌物生物标本的原显微图 像，在颜色显示上呈现一些特殊性,如上皮细胞、白细胞等常被染成偏浅红色，病原体和阳 性杆菌等常被染成深紫黑色，及已知上皮细胞的尺寸较大，病原体的尺寸比白细胞小，比细 菌要大很多等尺寸特性，改进普通循环导向滤波，具体步骤如图2所示。
为了清楚的展现本发明改进的循环导向滤波操作的具体提升效果，选取三种存在病原体但是背景不同的场景：
第一个场景：背景比较简单，背景是尺度很大的上皮细胞和尺度很小的细菌，如图3（a）所示，包含4个病原体，其中位置3和位置4处的病原体比较模糊，不在焦平面上，位置1和位置2的病原体与细胞在边缘上有连接。
第二个场景：背景相对复杂，背景是尺度中等的白细胞和尺度较大的细菌，如图4（a）所示，包含3个病原体，其中位置3处的病原体比较模糊，不在焦平面上，位置2和位置3处的病原体的边缘上附着着一些细菌，影响了其病原体本来的形态轮廓。
第三个场景：背景复杂，铺满了尺度中等的白细胞和尺度较大的细菌，如图5（a）所示，包含5个病原体，其中焦平面上在细菌上，除了位置3处的病原体，其他所有的病原体都比较模糊，不在焦平面上，而且这些病原体均与其他目标物的边缘有连接。
本实施例中具体的参数和步骤如下：
初始化参数的值，设定
Figure 394310DEST_PATH_IMAGE001
=80，
Figure 722523DEST_PATH_IMAGE037
=30，
Figure 117644DEST_PATH_IMAGE003
=60，
Figure 822295DEST_PATH_IMAGE038
=20，
Figure 364135DEST_PATH_IMAGE031
=101，
Figure 863249DEST_PATH_IMAGE006
=51，
Figure DEST_PATH_IMAGE055
，
Figure 569168DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
，
Figure 326778DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE059
，其中
Figure 519862DEST_PATH_IMAGE060
,
Figure DEST_PATH_IMAGE061
,
Figure 206189DEST_PATH_IMAGE062
，利用大的核滤波器窗口
Figure 320776DEST_PATH_IMAGE031
=101、高颜 色差异方差
Figure 101650DEST_PATH_IMAGE001
=80、高距离差异方差
Figure 618082DEST_PATH_IMAGE063
=60，这三个参数记为第一组参数，
Figure 505004DEST_PATH_IMAGE064
，带入以下公式，设定记为公式1：
Figure 106887DEST_PATH_IMAGE065
，
循环迭代后的最终结果
Figure 691452DEST_PATH_IMAGE066
从视觉上看是单通道的灰度8位图，其实是一个24位 图，只是没有了革兰氏染色后的图片颜色信息，但是凸显了包含经革兰氏染色后颜色较深 的病原体区域，其中包括在焦平面上的清晰的病原体区域，也包括不在焦平面上有些模糊 的病原体区域，并同时虚化平滑掉了背景中细菌等尺度小的目标物及染色较浅的细胞区 域，起到了凸显病原体区域的作用。图3（a）、图4（a）和图5（a）迭代后得到结果
Figure 813123DEST_PATH_IMAGE066
，如图3 （e）、图4（e）和图5（e）所示。
利用小的核滤波器窗口
Figure 824941DEST_PATH_IMAGE006
=51、低颜色差异方差
Figure 648541DEST_PATH_IMAGE037
=30、低距离差异方差
Figure 36797DEST_PATH_IMAGE038
=20，这三个参数记为第二组参数，
Figure 511509DEST_PATH_IMAGE067
，带入以下公式，设定记为公式2：
Figure 428650DEST_PATH_IMAGE040
，
Figure 5124DEST_PATH_IMAGE068
循环迭代后的最终结果
Figure 931492DEST_PATH_IMAGE069
是彩色的24位图，不仅提取到了包含经革兰氏染色后 颜色较深的病原体区域，而且提取到了颜色较深的细菌区域，并保留住了这些区域的颜色 信息，同时平滑掉了颜色较浅的细胞等其他区域。
将
Figure 762176DEST_PATH_IMAGE066
作为联合双边滤波的导向图，
Figure 381376DEST_PATH_IMAGE069
作为联合双边滤波的输入图，同时使用
小的核滤波器窗口
Figure 179568DEST_PATH_IMAGE006
=51、低颜色差异方差
Figure 644047DEST_PATH_IMAGE002
=30、低距离差异方差
Figure 87493DEST_PATH_IMAGE038
=20，进行联合双边滤波，带入以下公式，设定记为公式3：
Figure 877594DEST_PATH_IMAGE070
,
Figure 897503DEST_PATH_IMAGE051
,
其中联合双边滤波的结果设定记为
Figure 431252DEST_PATH_IMAGE052
, 其结果凸显了保持颜色信息的病原体区 域，其中包括在焦平面上的清晰的病原体区域，也包括不在焦平面上有些模糊的病原体区 域，虚化平滑掉了背景中颜色较深的细菌等尺度小的目标物及染色较浅的细胞等其他区 域。图3（a）、图4（a）和图5（a）经过以上处理后的最终结果
Figure 236528DEST_PATH_IMAGE071
，如图3（f）、图4（f）和图5（f）所 示。
将本发明和普通循环导向滤波的结果进行比较，普通循环导向滤波分别对图3（a）、图4（a）、图5（a）进行处理，其中采用第一组参数，即滤波器窗口的大小的直径为101，颜色差异的方差为80，距离差异的方差为60，迭代次数是4，设定该参数的循环导向滤波记为RGF1，滤波后的结果如图3（b）、4（b）和5（b）所示，采用第二组参数，即滤波器窗口的大小的直径为51，颜色差异的方差为30，距离差异的方差为20，迭代次数是4，设定该参数的循环导向滤波记为 RGF2，滤波后的结果如图3（c）、4（c）和5（c）所示，将以上RGF1和RGR2的结果进行联合双边滤波（JBF）记为RGF1_RGF2_JBF，图3（b）和图3（c）联合双边滤波后的结果为3（d）, 图4（b）和图4（c）联合双边滤波后的结果为4（d）, 图5（b）和图5（c）联合双边滤波后的结果为5（d）。
以下从4个方面进行比较：
1、本发明和普通循环导向滤波在参数的通用性上的对比结果：
不同图像，经相同的第一组参数的RGF1（普通循环导向滤波）处理后，虽然虚化了图像中背景，但是图像中的病原体有的变得清晰有的变得模糊，如图3（b）位置2的病原体变得清晰，位置3的病原体变得模糊，如图4（b）位置1的病原体变得清晰，但是图4（b）位置2和位置3的病原体变得模糊。如图5（b）位置1、位置2的病原体变得清晰，位置3、位置4、位置5的病原体变得模糊。
而不同图像，经相同参数的本发明处理后，不仅虚化了背景，而且使得病原体区域均变得更加清晰，如图3（f）、4（f）和5（f）所示。
总之，本发明首先初始化8个滤波参数，然后基于高参数值组采用改进的循环导向滤波算法生成导向图，得到视觉上呈现灰色的24位图，其次基于低参数值组生成输入图，得到保留颜色信息的彩色的24位图，最后将灰色的24位导向图和彩色的24位输入图进行联合双边滤波得到凸显了保持颜色信息的病原体区域，本发明可以使用固定参数针对不同的显微图像，均可达到虚化平滑背景，同时凸显包含病原体的区域，无需针对不同图像设置不同参数，其稳定性好，通用性强。
2、本发明和普通循环导向滤波在提取到病原体的清晰度和完整度上的对比结果：
经RGF1处理后的图像，病原体的区域有可能变得更加模糊，甚至分辨不清楚病原体的形态，如图3（b）位置3的病原体，图4（b）的位置2和位置3的病原体,而经本发明处理后，同一位置处的病原体变得更加清晰，如图3（f）位置3的病原体，图4（f）的位置2和位置3的病原体。同时，经RGF1处理后的图像，病原体的边缘变得更加模糊，轮廓的完整度不好，如图5（b）位置3、位置4、位置5处的病原体，而经本发明处理后，同一位置处的病原体的边缘变得更加清晰，轮廓更完整，如图5（f）位置3、位置4、位置5处的病原体。
总之，本发明改进的循环导向滤波方法在提取到病原体的清晰度更佳，而且提取到更完整形态的病原体，提升病原体的检出率。
、本发明和普通循环导向滤波在提取到病原体是否受其周围其他目标物影响其形态的对比结果：
经RGF2和RGF1_RGF2_JBF处理后的图像，病原体受其他目标物干扰，甚至与其他目标物相连，影响病原体原来的形态，如图3（c）和图3（d）位置4的病原体与细胞的边缘相连、图4（c）和图4（d）的位置2和位置3的病原体与细菌的边缘相连，边缘均受影响，影响了病原体的形态，而经本发明处理后，同一位置处的病原体其边缘也变得更加清晰，并虚化了与其相连的其他的目标物，更加还原病原体的形态，如图3（f）位置4的病原体与细胞边缘已经完全分开，图4（f）的位置2和位置3的病原体周边的细菌已经被虚化，更加还原了病原体的形态。
总之，本发明改进的循环导向滤波方法可以虚化平滑掉图像中病原体周边的目标物，保证病原体的轮廓形状不受其他目标物的影响，更加还原了病原体的形态，提升病原体的检出率。
、本发明和普通循环导向滤波在病原体周边小区域的背景是否被虚化的对比结果：
经RGF1、RGF2和RGF1_RGF2_JBF处理后，图像整体和病原体周边区域的整体背景虚化效果不好，仍然可以看到其他目标物的边缘轮廓，如图3（b）、图3（c）和图3（d）位置4的病原体，图4（c）的位置2和位置3的病原体，图5（b）、图5（c）和图5(d)的位置3、位置4和位置5的病原体，而经本发明处理后的，同一位置处病原体周边的小区域的背景虚化程度更高，更加凸显病原体，如图3（f）位置4的病原体，图4（f）的位置2和位置3的病原体，图5（f）的位置3、位置4和位置5的病原体。
总之，本发明改进的循环导向滤波方法可以虚化平滑图像中的背景，同时加强病原体的边缘，更加凸显病原体的区域，进而提升病原体的检出率。
综合以上对比结果，基于以上四点，本发明改进的循环导向滤波方法比普通循环导向滤波在处理经革兰氏染色的女性下生殖道分泌物生物标本的显微图像上有明显提升效果。
步骤四：检测图像3(a)、4（a）和5（a）中的病原体。将图像按照步骤三本发明改进的循环导向滤波操作，然后将滤波后的图像3（f）、4（f）和5（f）输入到步骤二训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息,分别如图3（k）、4（k）、5（k）所示，对比分别将原图直接输入到同一目标检测模型得到的病原体的位置信息，分别如图3（h）、4（h）、5（h）所示，将通过RGF1滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（i）、4（i）、5（i）所示, 将通过RGF2滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（j）、4（j）、5（j）所示, 将通过RGF1_RGF2_JBF滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（j）、4（j）、5（j）所示,检测到的病原体的个数对比如下表1所示:
Figure 931952DEST_PATH_IMAGE072
由表1结合图3（g）、图4（g）、图5（g）以及人工审核结果可知，将原图直接输入到同一目标检测模型后，图3（g）中漏检2个病原体，包括不在焦平面上模糊的位置3和与其他目标物边缘接触边缘模糊的位置4处的病原体；图4（g）中漏检2个病原体，包括与其他目标物边缘接触边缘模糊的位置2和位置3处的病原体；图5（g）中漏检3个病原体，包括边缘模糊并与其他目标物边缘接触的位置2、位置4和位置5处的病原体。
由表1结合图3（h）、图4（h）、图5（h）以及人工审核结果可知，将普通导向滤波RGF1进行滤波后的图像输入到同一目标检测模型后，图3（h）中漏检2个病原体，分别是位置3和位置4处的病原体，经RGF1滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图4（h）中漏检2个病原体，位置2和位置3处的病原体，经RGF1滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图5（h）中漏检3个病原体，分别是位置3、位置4和位置5处的病原体，经RGF1滤波后这三个位置处的病原体的边界模糊，也与其他目标的边界未很清楚的分开。
由表1结合图3（i）、图4（i）、图5（i）以及人工审核结果可知，将普通导向滤波RGF2进行滤波后的图像输入到同一目标检测模型后，图3（i）中漏检1个病原体，位置3的病原体与周边其他目标物的边界未清除的分开；图4（i）中漏检2个病原体，分别是位置2和位置3处的病原体，这两个病原体未与周边目标物的边界清楚分开；图5（i）中未漏检病原体，但是显然该图中其他位置的虚化程度不如本发明的虚化程度。
由表1结合图3（j）、图4（j）、图5（j）以及人工审核结果可知，将RGF1_RGF2_JBF滤波后的图像输入到同一目标检测模型后，图3（j）中漏检2个病原体，分别是位置3和位置4处的病原体，经滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图4（j）中漏检2个病原体，包括与其他目标物边缘接触边缘模糊而且整体也模糊的位置2和位置3处的病原体；图5（j）中漏检3个病原体，包括边缘模糊并与其他目标物边缘接触的位置3、位置4和位置5处的病原体。
由表1结合图3（k）、图4（k）、图5（k）以及人工审核结果可知，经本发明改进的循环导向滤波后的结果输入到人工智能目标检测模型中得到的病原体的数量与人工审核的数量是一致的。因此，本发明通过采用基于改进的循环导向滤波算法提出一种虚化平滑背景并同时凸显包含病原体区域的方法，并将处理后的图像输入到基于卷积神经网络的深度学习人工智能目标检测模型，可有效提升病原体的检出率。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明实施例中基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
一种计算机可读存储介质，其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本发明实施例中基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
上述具体实施方式仅是本发明的具体个案，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施方式。但是凡是未脱离本发明技术原理的前提下，依据本发明的技术实质对以上实施方式所作的任何简单修改、等同变化与改型，皆应落入本发明的专利保护范围。

Claims (7)

1.一种基于改进的循环导向滤波算法的提升病原体检测方法，其特征在于，包括以下步骤：
S1：构建用于检测孢子和芽生孢子的病原体训练集；
S2：基于S1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型；
S3：基于改进的循环导向滤波算法对原图进行滤波操作，包括以下步骤：
S31：初始化滤波参数
Figure 990583DEST_PATH_IMAGE001
，
Figure 12241DEST_PATH_IMAGE002
，
Figure 626893DEST_PATH_IMAGE003
，
Figure 268090DEST_PATH_IMAGE004
，
Figure 829653DEST_PATH_IMAGE005
，
Figure 708747DEST_PATH_IMAGE006
，
其中
Figure 228721DEST_PATH_IMAGE007
，
Figure 685110DEST_PATH_IMAGE008
，
Figure 315943DEST_PATH_IMAGE009
，
Figure 174177DEST_PATH_IMAGE001
和
Figure 127702DEST_PATH_IMAGE002
分别代表高颜色差异方差和低颜色差异方差，
Figure 946754DEST_PATH_IMAGE010
和
Figure 505911DEST_PATH_IMAGE004
分别代表高距离差异方差和低距离差异方差，
Figure 94018DEST_PATH_IMAGE005
和
Figure 80429DEST_PATH_IMAGE006
分别代表大的核滤波器窗口尺寸和小的核滤波器窗口尺寸，
Figure 652356DEST_PATH_IMAGE001
，
Figure 890570DEST_PATH_IMAGE003
，
Figure 457818DEST_PATH_IMAGE005
为高参数值组，
Figure 490496DEST_PATH_IMAGE011
，
Figure 408773DEST_PATH_IMAGE004
,
Figure 185099DEST_PATH_IMAGE006
为低参数值组，
设定
Figure 872433DEST_PATH_IMAGE012
代表输入图像
Figure 76012DEST_PATH_IMAGE013
的第
Figure 216006DEST_PATH_IMAGE014
通道并坐标在
Figure 793094DEST_PATH_IMAGE015
处的像素值，
Figure 210300DEST_PATH_IMAGE016
，
Figure 709414DEST_PATH_IMAGE017
，
Figure 477650DEST_PATH_IMAGE018
，
Figure 720412DEST_PATH_IMAGE019
代表初始化的图像，
Figure 523283DEST_PATH_IMAGE020
代表图像
Figure 68665DEST_PATH_IMAGE019
的第
Figure 917673DEST_PATH_IMAGE014
通道并坐标在
Figure 105072DEST_PATH_IMAGE015
处的像素值，
Figure 621504DEST_PATH_IMAGE021
代表初始化的图像，
Figure 337787DEST_PATH_IMAGE022
代表图像
Figure 674090DEST_PATH_IMAGE021
的第
Figure 399601DEST_PATH_IMAGE014
通道并坐标在
Figure 642976DEST_PATH_IMAGE023
处的像素值；
S32：基于高参数值组生成导向图，具体步骤如下：
利用大的核滤波器窗口
Figure 654794DEST_PATH_IMAGE024
、高颜色差异方差
Figure 619339DEST_PATH_IMAGE001
、高距离差异方差
Figure 742016DEST_PATH_IMAGE025
，
Figure 108406DEST_PATH_IMAGE026
，带入以下公式，设定：
Figure 291126DEST_PATH_IMAGE027
，
其中
Figure 742967DEST_PATH_IMAGE028
代表以
Figure 669335DEST_PATH_IMAGE029
为中心点，直径为
Figure 155811DEST_PATH_IMAGE024
的邻域区域，
Figure 384798DEST_PATH_IMAGE030
代表属于邻域
Figure 182990DEST_PATH_IMAGE028
内的坐标点
Figure 53994DEST_PATH_IMAGE031
，
Figure 254031DEST_PATH_IMAGE032
代表第
Figure 919499DEST_PATH_IMAGE033
次迭代后得到的图像，最终迭代后的结果
Figure 413360DEST_PATH_IMAGE034
为视觉上为灰度图的24位图；
S33：基于低参数值组生成输入图，得到彩色的24位图；
S34：将S32中的导向图和S33中的输入图进行联合双边滤波得到平滑了背景并同时凸显了保持颜色信息的病原体区域的滤波效果图；
S4：检测输入图像中的病原体：将输入图像按照S3进行滤波操作，然后将滤波后的图像输入到S2训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息。
2.如权利要求1所述的一种基于改进的循环导向滤波算法的提升病原体检测方法，其特征在于：所述S1中构建用于检测孢子和芽生孢子的病原体训练集，具体步骤如下：采集包含孢子和芽生孢子的经革兰氏染色的女性下生殖道分泌物生物标本的显微图像，并交由相关领域专家标注出图像中的病原体的类别和位置，从而构建出用于检测孢子和芽生孢子的病原体训练集。
3.如权利要求2所述的一种基于改进的循环导向滤波算法的提升病原体检测方法，其特征在于：所述S2中基于S1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的的人工智能目标检测模型，具体步骤如下：利用主干网络VGG-19、ResNet-50、ResNet-101、Inception V3或mobilenetv2结合目前主流的深度学习目标检测框架方法SSD、Faster-RCNN、YOLO或YOLO相关延伸的框架训练基于卷积神经网络的人工智能目标检测模型。
4.如权利要求1或3任一所述的一种基于改进的循环导向滤波算法的提升病原体检测方法，其特征在于：所述
S33中基于低参数值组生成输入图，具体步骤如下：利用小的核滤波器窗口
Figure 947110DEST_PATH_IMAGE006
、低颜色差异方差
Figure 142599DEST_PATH_IMAGE035
、低距离差异方差
Figure 838023DEST_PATH_IMAGE036
,
Figure 486173DEST_PATH_IMAGE037
，带入以下公式，设定
Figure 558034DEST_PATH_IMAGE038
，
Figure 608030DEST_PATH_IMAGE039
，
其中
Figure 615300DEST_PATH_IMAGE040
，
Figure 609801DEST_PATH_IMAGE041
代表以
Figure 626298DEST_PATH_IMAGE015
为中心点，直径为
Figure 389855DEST_PATH_IMAGE006
的邻域区域，
Figure 568026DEST_PATH_IMAGE042
代表属于邻域
Figure 190769DEST_PATH_IMAGE041
内的坐标点
Figure 604433DEST_PATH_IMAGE043
，
Figure 360511DEST_PATH_IMAGE044
代表第
Figure 834218DEST_PATH_IMAGE045
次迭代后得到的图像，最终迭代后的结果
Figure 944257DEST_PATH_IMAGE046
是彩色的24位图。
5.如权利要求4所述的一种基于改进的循环导向滤波算法的提升病原体检测方法，其特征在于：
所述S34中将S32中的导向图和S33中的输入图进行联合双边滤波，具体步骤如下：将
Figure 161611DEST_PATH_IMAGE047
作为联合双边滤波的导向图，
Figure 775126DEST_PATH_IMAGE046
作为联合双边滤波的输入图，同时使用小的核滤波器窗口
Figure 560680DEST_PATH_IMAGE006
、低颜色差异方差
Figure 17069DEST_PATH_IMAGE002
、低距离差异方差
Figure 647902DEST_PATH_IMAGE004
，进行联合双边滤波，带入以下公式，设定
Figure 506136DEST_PATH_IMAGE048
，
Figure 197012DEST_PATH_IMAGE049
，
其中联合双边滤波的结果设定记为
Figure 140697DEST_PATH_IMAGE050
。
6.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述处理器执行时实现权利要求1-5任一所述计算机程序时实现基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
7.一种计算机可读存储介质，其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权利要求1-5任一所述基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
CN202210370970.5A 2022-04-11 2022-04-11 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 Active CN114445408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210370970.5A CN114445408B (zh) 2022-04-11 2022-04-11 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210370970.5A CN114445408B (zh) 2022-04-11 2022-04-11 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114445408A CN114445408A (zh) 2022-05-06
CN114445408B true CN114445408B (zh) 2022-06-24

Family

ID=81359334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210370970.5A Active CN114445408B (zh) 2022-04-11 2022-04-11 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114445408B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821272A (zh) * 2022-06-28 2022-07-29 上海蜜度信息技术有限公司 图像识别方法、系统、介质、电子设备及目标检测模型

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745231A (zh) * 2014-01-16 2014-04-23 华南农业大学 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法
CN104091179A (zh) * 2014-07-01 2014-10-08 北京工业大学 小麦白粉病菌孢子图片的智能识别方法
CN110580699A (zh) * 2019-05-15 2019-12-17 徐州医科大学 基于改进Faster RCNN算法的病理图像细胞核检测方法
CN110689021A (zh) * 2019-10-17 2020-01-14 哈尔滨理工大学 一种基于深度学习的低可见度环境下实时目标检测方法
CN111260638A (zh) * 2020-01-19 2020-06-09 陕西未来健康科技有限公司 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统
CN111582349A (zh) * 2020-04-30 2020-08-25 陕西师范大学 一种基于YOLOv3和核相关滤波改进的目标跟踪算法
CN113850725A (zh) * 2020-07-15 2021-12-28 南京航空航天大学 一种滤波增强深度学习的被动式太赫兹图像目标检测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104651462B (zh) * 2015-01-29 2017-02-22 华南农业大学 基于显微图像分析的稻瘟病菌孢子检测方法
CN108564124A (zh) * 2018-04-13 2018-09-21 山东农业大学 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN110458808B (zh) * 2019-07-10 2021-06-15 山东仕达思生物产业有限公司 基于形态学与yolo算法的女性生殖道病原体识别方法
CN111754457B (zh) * 2020-05-15 2023-08-18 中山大学 一种基于角膜共聚焦图像的菌丝筛查系统
CN112966645B (zh) * 2021-03-24 2022-04-08 山东仕达思生物产业有限公司 一种妇科微生态中多种类型杆菌的智能检测和分类计数方法
CN113033417B (zh) * 2021-03-29 2022-03-25 山东仕达思生物产业有限公司 一种妇科微生态中孢子的检测识别方法、设备及存储介质
CN113111796B (zh) * 2021-04-19 2022-06-24 山东仕达思生物产业有限公司 一种芽生孢子的自动细化标注类别的检测识别方法
CN112950636B (zh) * 2021-04-29 2022-04-12 山东仕达思生物产业有限公司 基于R3Det的女性阴道病原体的旋转框目标检测方法
CN113205052A (zh) * 2021-05-10 2021-08-03 江苏硕世生物科技股份有限公司 基于残差深度网络的孢子芽孢识别方法、系统及介质
CN113158979B (zh) * 2021-05-14 2022-05-31 山东仕达思生物产业有限公司 一种妇科显微图像大视野下白细胞的检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745231A (zh) * 2014-01-16 2014-04-23 华南农业大学 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法
CN104091179A (zh) * 2014-07-01 2014-10-08 北京工业大学 小麦白粉病菌孢子图片的智能识别方法
CN110580699A (zh) * 2019-05-15 2019-12-17 徐州医科大学 基于改进Faster RCNN算法的病理图像细胞核检测方法
CN110689021A (zh) * 2019-10-17 2020-01-14 哈尔滨理工大学 一种基于深度学习的低可见度环境下实时目标检测方法
CN111260638A (zh) * 2020-01-19 2020-06-09 陕西未来健康科技有限公司 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统
CN111582349A (zh) * 2020-04-30 2020-08-25 陕西师范大学 一种基于YOLOv3和核相关滤波改进的目标跟踪算法
CN113850725A (zh) * 2020-07-15 2021-12-28 南京航空航天大学 一种滤波增强深度学习的被动式太赫兹图像目标检测方法

Also Published As

Publication number Publication date
CN114445408A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN107038446B (zh) 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN103955949B (zh) 基于Mean-shift算法的运动目标检测方法
CN103984958A (zh) 宫颈癌细胞分割方法及系统
CN110544251A (zh) 基于多迁移学习模型融合的大坝裂缝检测方法
CN107516316A (zh) 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法
CN107705288A (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
Chen et al. Facial expression recognition based on edge detection
CN114445408B (zh) 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质
CN111640128A (zh) 一种基于U-Net网络的细胞图像分割方法
CN110348461A (zh) 一种工件表面缺陷特征提取方法
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN104992448B (zh) 机器人防损伤采摘葡萄的自动定位方法
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
Wollmann et al. Multi-channel deep transfer learning for nuclei segmentation in glioblastoma cell tissue images
CN110633676A (zh) 一种自动识别脑脊液细胞图像信息方法
CN113033417B (zh) 一种妇科微生态中孢子的检测识别方法、设备及存储介质
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法
CN113673396A (zh) 一种孢子发芽率计算方法、装置及存储介质
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN112700409A (zh) 视网膜微动脉瘤自动检测方法及成像方法
CN116109840B (zh) 一种基于机器视觉的樱桃孢子识别方法
Sachdeva et al. Automatic segmentation and area calculation of optic disc in ophthalmic images
CN106339709A (zh) 一种图像实时提取方法
CN112270683B (zh) 一种ihc数字预览图识别和组织前景分割方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method, device, and storage medium for enhancing pathogen detection based on an improved loop guided filtering algorithm

Granted publication date: 20220624

Pledgee: Bank of China Limited Jinan Huaiyin sub branch

Pledgor: SHANDONG STARS BIOINDUSTRY CO.,LTD.

Registration number: Y2024980006615

PE01 Entry into force of the registration of the contract for pledge of patent right