CN114612333A - 一种基于显微镜图像的微囊藻类细胞统计方法 - Google Patents
一种基于显微镜图像的微囊藻类细胞统计方法 Download PDFInfo
- Publication number
- CN114612333A CN114612333A CN202210263827.6A CN202210263827A CN114612333A CN 114612333 A CN114612333 A CN 114612333A CN 202210263827 A CN202210263827 A CN 202210263827A CN 114612333 A CN114612333 A CN 114612333A
- Authority
- CN
- China
- Prior art keywords
- image
- algae
- cell
- cells
- micro
- 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.)
- Granted
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 132
- 238000007619 statistical method Methods 0.000 title description 4
- 239000003094 microcapsule Substances 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000700588 Human alphaherpesvirus 1 Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于显微镜图像的微囊藻类细胞统计方法,包括步骤一、图像预处理,步骤二、图像二值化,步骤三、计算细胞密度分布图,步骤四、修正细胞尺寸,步骤五、统计微囊藻类细胞个数;本发明利用藻类细胞区域均值和方差特征,有效地计算出藻类细胞密度分布图,并对密度分布稀疏的图像采用斑点检测的方法修正了微囊藻类细胞的像素尺寸,不仅降低了细胞间重叠引起的统计误差,也提高了细胞个数统计的精度;同时,本发明不需要在深度学习模型中直接检测微囊藻类的细胞,减少了数据标注工作,提高了模型训练和模型优化的效率,且本发明方法为独立的模块,便于算法后期的优化和维护。
Description
技术领域
本发明涉及水生态环境监测技术领域,尤其涉及一种基于显微镜图像的微囊藻类细胞统计方法。
背景技术
藻类细胞统计是先利用显微镜和高清工业相机来采集藻类图像,然后通过深度学习检测模型识别出微囊藻类和它的像素坐标,需要设计一种图像模式识别方法来统计图像中微囊藻类的细胞个数。
微囊藻类细胞经常会呈现比较密集的分布或者是相互叠加在一起的现象,现有的方法直接采用深度学习模型来统计微囊藻类的细胞个数,会产生较严重的漏检问题,因此,本发明提出一种基于显微镜图像的微囊藻类细胞统计方法,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明提出了一种基于显微镜图像的微囊藻类细胞统计方法,该方法利用微囊藻类细胞区域均值和方差特征,有效地计算出了藻类细胞密度分布图,并对密度分布较稀疏的图像采用斑点检测的方法修正了微囊藻类细胞的像素尺寸,不仅降低了细胞间重叠引起的统计误差,也提高了细胞个数统计的精度;另外,本方法不需要在深度学习模型中直接检测微囊藻类的细胞,减少了数据标注的工作,提高了模型训练和模型优化的效率。
本发明提出一种基于显微镜图像的微囊藻类细胞统计方法,包括以下步骤:
步骤一、获取彩色图像并利用高斯模糊化对图像进行去噪处理,然后将RGB图像转换成HSV图像,并在HSV图像的V通道上进行对比度增强处理,再转换为RGB图像,获得对比度增强后的RGB图像;
步骤二、在对比度增强后的V通道图像上进行OTSU(大律)二值化处理,并对处理后的图像进行形态学闭(close)的操作,获得处理后的二值图像;
步骤三、在对比度增强后的RGB图像上,分析二值图像白色区域(像素值为255)的均值与方差,并通过计算得出微囊藻类细胞密度分布图;
步骤四、计算图像中藻类细胞占比和分析藻类细胞区域内部密度情况,由此判断微囊藻类细胞分布的稀疏程度,并对分布稀疏的微囊藻类细胞像素尺寸进行修正;
步骤五、根据微囊藻类细胞密度分布图计算密度加权系数,再对统计的微囊细胞个数进行修正,获得最终微囊藻类细胞统计数据。
进一步改进在于:所述步骤一中获取图像去噪处理后,将RGB图像转化为HSV图像,并分离出H、S、V通道得到hImg、sImg和vImg三个单通道图像,再对vImg图像采用对比度受限的自适应直方图均衡化算法进行对比度拉伸操作,得到增强后的图像vImg1,然后将hImg、sImg和vImg1三个单通道的图像合并成新的三通道HSV图像,最后将新的三通道HSV图像转化为对比度增强后的RGB图像。
进一步改进在于:所述步骤二中在图像vImg1上利用OTSU方法进行二值化分割,得到二值图像并进行形态学close操作,得到处理后的二值图像,其中二值图像中白色为微囊藻类细胞区域。
进一步改进在于:所述步骤三具体包括
S1、在对比度增强后的RGB图像上,计算二值图像中像素值为255对应的像素点的R、G和B三个通道的均值和平均方差;
S2、设置比例阈值,分别将它乘以三个通道的平均方差,得到三个通道的偏离阈值;
S3、调查二值图像中像素值为255的坐标点,得到该坐标点对应彩色图像的像素值r、g和b,再分别计算三个通道当前像素值与均值的偏差;
S4、生成新的二值图像,大小与原二值图像保持一致,其中默认初始值为0,得到的图像为细胞密度分布图,当计算的偏差绝对值大于对应的偏离阈值,则将细胞密度分布图上对应的像素赋值为255,即白色。
进一步改进在于:所述步骤四中修正细胞尺寸具体包括
E1、统计二值图像中白色区域的像素面积,将其除以图像的像素面积,获得图像中微囊藻类细胞的占比数据;
E2、采用自适应阈值分割法计算藻类细胞区域内部的细胞占比数据;
E3、将图像中微囊藻类细胞的占比数据和藻类细胞区域内部的细胞占比数据与阈值进行对比判断,并根据判断结果对微囊藻类细胞尺寸进行修正。
进一步改进在于:所述E3中细胞尺寸修正判断时当微囊藻类细胞的占比数据或藻类细胞区域内部的细胞占比数据中的任意一个数据值小于阈值时,就会对微囊藻类细胞尺寸进行修正,反之不进行修正。
进一步改进在于:所述微囊藻类细胞尺寸进行修正时,先采用斑点检测算法在灰度图像上检测出微囊藻类细胞,然后找出细胞的中位值像素面积,通过中位值像素面积验证所有检测到的微囊藻类细胞,将像素面积偏差大的数据删除,最后计算剩余微囊藻类细胞的平均像素面积尺寸,以平均像素面积尺寸来修正微囊藻类单位细胞像素尺寸。
进一步改进在于:所述步骤五中具体包括
G1、计算藻类细胞密度分布图上所有像素的密度平均值,并根据它的数值计算出密度加权系数;
G2、统计藻类细胞密度分布图中白色区域的像素面积,然后计算该面积与藻类细胞区域面积的比例;
G3、计算出细胞未叠加状态下微囊藻类细胞的个数;
G4、最后根据藻类细胞密度分布情况对统计的细胞个数进行加权修正,得到微囊藻类细胞个数。
本发明的有益效果为:本发明利用微囊藻类细胞区域均值和方差特征,有效地计算出藻类细胞密度分布图,并对密度分布较稀疏的图像采用斑点检测的方法修正了微囊藻类细胞的像素尺寸,不仅降低了细胞间重叠引起的统计误差,也提高了细胞个数统计的精度;
另外,本方法不需要在深度学习模型中直接检测微囊藻类的细胞,减少了数据标注的工作,提高了模型训练和模型优化的效率;
且本发明方法为独立的模块,便于算法后期的优化和维护。
附图说明
图1为本发明实施例流程图。
图2为本发明实施例图像预处理流程图。
图3为本发明实施例图像二值化流程图。
图4为本发明实施例计算细胞密度分布图流程图。
图5为本发明实施例细胞密度分布效果图。
图6为本发明实施例修正细胞尺寸流程图。
图7为本发明实施例计算细胞区域内部细胞占比流程图。
图8为本发明实施例删除误检测微囊藻类细胞流程图。
图9为本发明实施例统计微囊藻类的细胞个数流程图。
图10为本发明实施例按细胞密度对统计结果进行修正流程图。
图11为本发明实施例微囊藻类细胞个数统计效果图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
根据图1-11所示,本实施例提出一种基于显微镜图像的微囊藻类细胞统计方法,包括以下步骤:
步骤一、图像预处理:增强图像的对比度;
步骤二、图像二值化:在增强后的图像上进行二值化处理;
步骤三、计算细胞密度分布图:计算图像上微囊藻类细胞密度分布图;
步骤四、修正细胞尺寸:修正图像中微囊藻类的单位细胞像素尺寸;
步骤五、统计微囊藻类细胞个数:根据微囊藻类的像素面积和密度分布图,统计出它的细胞个数。
根据说明书附图2所示,所述图像预处理模块包括以下内容:
(1)首先对彩色图像进行缩放处理,提高整体运行效率;
(2)对缩放后的彩色图像进行高斯模糊化去噪;
(3)将RGB图像转换为HSV图像;
(4)从HSV三通道图像中分离出H、S、V通道形成三个单通道图像hImg、sImg和vImg;
(5)对vImg图像采用CLAHE(对比度受限的自适应直方图均衡化)算法进行对比度拉伸操作,得到增强后的图像vImg1;
(6)将hImg、sImg和vImg1三个单通道的图像合并成新的三通道图像HSV1;
(7)将HSV1图像转换为RGB图像rgbImg。
根据说明书附图3所示,所述图像二值化包括以下内容:
(1)在图像vImg1上进行OTSU(大律)方法进行二值化分割,得到二值图像binaryImg,在二值图像中微囊藻类细胞为白色,对应的像素值为255,其它地方为黑色,像素值为0;
(2)对二值图像binaryImg进行形态学闭(close)操作。
根据说明书附图4和说明书附图5所示,所述计算细胞密度分布图包括以下内容:
(1)在三通道彩色图像rgbImg上分别计算R、G和B三个通道的均值和平均方差,它们分别表示为meanR、meanG、meanB和stdR、stdG、stdB;
(2)在rgbImg上计算均值和方差时,只统计二值图像binaryImg中白色(像素值255)对应的像素;
(3)设置一个比例阈值(0.7),分别将它乘以stdR、stdG和stdB,得到三个通道的最小偏离阈值,将它们表示为thresR、thresG和thresB;
(4)新建一个二值图像binaryImg1,图像大小与binaryImg一致,图像初始值为0。找到binaryImg中像素值为255的坐标点,得到该坐标点对应的rgbImg的像素值r、g和b。分别计算三个通道当前像素值与均值的偏差(r-meanR、g-meanG和b-meanB),如果三个通道偏差的绝对值都大于对应的偏离阈值(abs(r-meanR)>thresR&&abs(g-meanG)>thresG&&abs(b-meanB)>thresB),那么将binaryImg1图像上该像素赋值为255,标记为细胞叠加点;
(5)对二值图像binaryImg1进行形态学开(open)操作,降低孤立点对密度分布计算造成的干扰;
(6)通过观察微囊藻类图像发现:当微囊藻类细胞叠加在一起时,图像上该区域的颜色会变深,密度越大,颜色越深。因此,根据这个特性,先通过二值图像找到微囊藻类细胞区域(二值图像上白色区域),然后计算细胞区域内部的均值和方差。如果细胞未叠加在一起,那么它的方差会很小,计算出的细胞密度分布图上白色覆盖的区域也会很少;如果细胞叠加得较多,那么它的方差会较大,计算出的细胞密度分布图上白色覆盖的区域也会较多。
根据说明书附图6所示,所述修正细胞尺寸包括以下内容:
(1)统计二值图像binaryImg上微囊藻类细胞(白色区域)的像素面积areaT,用该面积除以图像的像素面积,计算出图像中藻类细胞占比;
(2)如果图像中藻类细胞占比较小,则说明图像上微囊藻类细胞整体分布较稀疏,可以对藻类细胞尺寸进行修正;
(3)如果计算的图像中藻类细胞占比大于设定的阈值,将进一步分析藻类细胞区域内部的细胞占比;
(4)如果藻类细胞区域内部的细胞占比小于设定的阈值,则说明藻类细胞区域内部的细胞分布较稀疏,那么,也可以对藻类细胞尺寸进行修正;
(5)如果图像中藻类细胞占比和藻类细胞区域内部的细胞占比都大于设定的阈值,那么将不对微囊藻类细胞尺寸进行修正;
(6)在vImg1图像上,通过斑点(SimpleBlobDetector)检测算法来检测藻类细胞;
(7)删除斑点检测中的误检测数据;
(8)如果图像上检测到多个大小相似的藻类细胞,则计算它们的平均像素尺寸,并对微囊藻类单位细胞尺寸进行修正。
根据说明书附图7所示,所述计算细胞区域内部细胞占比包括以下内容:
(1)在图像vImg1上采用adaptiveThreshold(自适应阈值分割)方法进行二值化分割,得到二值图像binaryImg2;
(2)对binaryImg和binaryImg2进行and(与)操作,更新二值图像binaryImg2;
(3)统计二值图像binaryImg2的像素面积,并将该面积除以areaT,计算出微囊藻类细胞区域内部的细胞占比。
根据说明书附图8所示,所述删除误检测微囊藻类细胞包括以下内容:
(1)分析检测的藻类细胞外接矩形框,合并重叠的矩形框;
(2)如果检测到矩形框内部存在另一个矩形框,则将内部的矩形框删除掉;
(3)按矩形框的像素面积进行排序,取中间值作为细胞像素面积参考值;
(4)遍历所有的矩形框,计算它们的像素面积和参考像素面积之间的偏差,删除偏差较大的矩形框。
根据说明书附图9所示,所述统计微囊藻类细胞个数包括以下内容:
(1)根据二值图像binaryImg,计算微囊藻类细胞的像素总面积areaT;
(2)如果当前图像修正了藻类细胞尺寸,那么直接将areaT除以单位细胞尺寸,统计出平面上微囊藻类的细胞个数count;
(3)对(2)统计的细胞个数,按藻类细胞密度分布图进行加权,统计出最终结果;
(4)如果当前图像未修正藻类细胞尺寸,那么直接以图像的分辨率作为像素总面积来除以默认的单位细胞尺寸,计算出平面上微囊藻类细胞个数的最大值;
(5)结合图像中藻类细胞像素面积占比来对(4)统计的结果进行修正;
(6)将(5)统计的平面上藻类细胞个数,再按照藻类细胞密度分布图进行加权,计算出最终的微囊藻类细胞个数。
根据说明书附图10所示,所述按细胞密度对统计结果进行修正包括以下内容:
(1)根据微囊藻类细胞密度分布图binaryImg1,统计每个白色像素点周围9*9邻域范围内白色像素点的个数num,然后将num除以邻域(9*9)面积,计算每个像素点的密度值;
(2)如果(1)计算的密度值低于设定的阈值,那么将binaryImg1图像上该像素点的值设置为0。通过这个方法,可以对藻类细胞密度分布图binaryImg1进行修正,提高平均密度加权系数计算的精度;
(3)统计微囊藻类细胞密度分布图binaryImg1中白色区域的像素面积areaD,然后将areaD除以areaT,计算藻类细胞叠加区域相对于藻类细胞区域的面积占比Rd;
(4)将binaryImg1中白色区域对应的密度值进行累加,然后除以areaD,得到平均密度值,根据该值给定一个细胞密度加权系数R1;
(5)将前面计算的平面上微囊藻类细胞个数乘以藻类细胞叠加区域相对于藻类细胞区域的面积占比(count*Rd)计算出叠加的细胞个数count1;
(6)将叠加的细胞个数乘以密度加权系数(count1*R1),计算出最终叠加的细胞个数count2;
(7)将平面上统计的微囊藻类细胞的个数和最终叠加的微囊藻类细胞个数相加(count+count2),计算出图像上微囊藻类细胞的个数。
根据说明书附图11所示,微囊藻类图像左上角深色数字为本发明统计的细胞个数,下方亮色的数字为人工统计的微囊藻类细胞个数
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于,包括以下步骤:
步骤一、获取彩色图像并利用高斯模糊化对图像进行去噪处理,然后将RGB图像转换成HSV图像,并在HSV图像的V通道上进行对比度增强处理,再转换为RGB图像,获得对比度增强后的RGB图像;
步骤二、在对比度增强后的V通道图像上进行OTSU二值化处理,并对处理后的图像进行形态学闭的操作,获得处理后的二值图像;
步骤三、在对比度增强后的RGB图像上,分析二值图像白色区域的均值与方差,并通过计算得出微囊藻类细胞密度分布图;
步骤四、计算图像中藻类细胞占比和分析藻类细胞区域内部密度情况,由此判断微囊藻类细胞分布的稀疏程度,并对分布稀疏的微囊藻类细胞像素尺寸进行修正;
步骤五、根据微囊藻类细胞密度分布图计算密度加权系数,再对统计的微囊细胞个数进行修正,获得最终微囊藻类细胞统计数据。
2.根据权利要求1所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述步骤一中获取图像去噪处理后,将RGB图像转化为HSV图像,并分离出H、S、V通道得到hImg、sImg和vImg三个单通道图像,再对vImg图像采用对比度受限的自适应直方图均衡化算法进行对比度拉伸操作,得到增强后的图像vImg1,然后将hImg、sImg和vImg1三个单通道的图像合并成新的三通道HSV图像,最后将新的三通道HSV图像转化为对比度增强后的RGB图像。
3.根据权利要求1所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述步骤二中在图像vImg1上利用OTSU方法进行二值化分割,得到二值图像并进行形态学close操作,得到处理后的二值图像,其中二值图像中白色为微囊藻类细胞区域。
4.根据权利要求1所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述步骤三具体包括
S1、在对比度增强后的RGB图像上,计算二值图像中像素值为255对应的像素点的R、G和B三个通道的均值和平均方差;
S2、设置比例阈值,分别将它乘以三个通道的平均方差,得到三个通道的偏离阈值;
S3、调查二值图像中像素值为255的坐标点,得到该坐标点对应彩色图像的像素值r、g和b,再分别计算三个通道当前像素值与均值的偏差;
S4、生成新的二值图像,大小与原二值图像保持一致,其中默认初始值为0,得到的图像为细胞密度分布图,当计算的偏差绝对值大于对应的偏离阈值,则将细胞密度分布图上对应的像素赋值为255,即白色。
5.根据权利要求1所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述步骤四中修正细胞尺寸具体包括
E1、统计二值图像中白色区域的像素面积,将其除以图像的像素面积,获得图像中微囊藻类细胞的占比数据;
E2、采用自适应阈值分割法计算藻类细胞区域内部的细胞占比数据;
E3、将图像中微囊藻类细胞的占比数据和藻类细胞区域内部的细胞占比数据与阈值进行对比判断,并根据判断结果对微囊藻类细胞尺寸进行修正。
6.根据权利要求5所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述E3中细胞尺寸修正判断时当微囊藻类细胞的占比数据或藻类细胞区域内部的细胞占比数据中的任意一个数据值小于阈值时,就会对微囊藻类细胞尺寸进行修正,反之不进行修正。
7.根据权利要求6所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述微囊藻类细胞尺寸进行修正时,先采用斑点检测算法在灰度图像上检测出微囊藻类细胞,然后找出细胞的中位值像素面积,通过中位值像素面积验证所有检测到的微囊藻类细胞,将像素面积偏差大的数据删除,最后计算剩余微囊藻类细胞的平均像素面积尺寸,以平均像素面积尺寸来修正微囊藻类单位细胞像素尺寸。
8.根据权利要求1所述的一种基于显微镜图像的微囊藻类细胞统计方法,其特征在于:所述步骤五中具体包括
G1、计算藻类细胞密度分布图上所有像素的密度平均值,并根据它的数值计算出密度加权系数;
G2、统计藻类细胞密度分布图中白色区域的像素面积,然后计算该面积与藻类细胞区域面积的比例;
G3、计算出细胞未叠加状态下微囊藻类细胞的个数;
G4、最后根据藻类细胞密度分布情况对统计的细胞个数进行加权修正,得到微囊藻类细胞个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263827.6A CN114612333B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的微囊藻类细胞统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263827.6A CN114612333B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的微囊藻类细胞统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114612333A true CN114612333A (zh) | 2022-06-10 |
CN114612333B CN114612333B (zh) | 2022-12-02 |
Family
ID=81864828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210263827.6A Active CN114612333B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的微囊藻类细胞统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612333B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664556A (zh) * | 2023-07-27 | 2023-08-29 | 南京九川科学技术有限公司 | 一种贴壁细胞计数方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN105372990A (zh) * | 2015-11-16 | 2016-03-02 | 青岛安倍康生物医药技术有限公司 | 血细胞计数同步控制方法及应用 |
US20190163950A1 (en) * | 2017-11-30 | 2019-05-30 | Metal Industries Research & Development Centre | Large scale cell image analysis method and system |
CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
JP2020182412A (ja) * | 2019-05-08 | 2020-11-12 | Stemcell株式会社 | 計数法学習装置、細胞計数装置、計数法学習方法及び細胞計数方法、並びに、計数法学習方法及び細胞計数方法のプログラム及びそれらのプログラムを記録した記録媒体 |
CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
-
2022
- 2022-03-17 CN CN202210263827.6A patent/CN114612333B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
CN103955937A (zh) * | 2014-05-15 | 2014-07-30 | 福州大学 | 基于数字图像处理微藻自动计数方法 |
CN105372990A (zh) * | 2015-11-16 | 2016-03-02 | 青岛安倍康生物医药技术有限公司 | 血细胞计数同步控制方法及应用 |
US20190163950A1 (en) * | 2017-11-30 | 2019-05-30 | Metal Industries Research & Development Centre | Large scale cell image analysis method and system |
JP2020182412A (ja) * | 2019-05-08 | 2020-11-12 | Stemcell株式会社 | 計数法学習装置、細胞計数装置、計数法学習方法及び細胞計数方法、並びに、計数法学習方法及び細胞計数方法のプログラム及びそれらのプログラムを記録した記録媒体 |
CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
CN114067114A (zh) * | 2021-11-12 | 2022-02-18 | 燕山大学 | 一种基于藻类细胞形态的面积核分割计数方法 |
Non-Patent Citations (3)
Title |
---|
VONN VINCENT QUIÑONES等: "Leukocyte Segmentation and Counting Based on Microscopic Blood Images Using HSV Saturation Component with Blob Analysis", 《2018 3RD INTERNATIONAL CONFERENCE ON CONTROL AND ROBOTICS ENGINEERING (ICCRE)》 * |
张力新等: "基于改进水平集的菌落图像智能计数算法", 《天津大学学报(自然科学与工程技术版)》 * |
曹文君: "污水微生物自动计数研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664556A (zh) * | 2023-07-27 | 2023-08-29 | 南京九川科学技术有限公司 | 一种贴壁细胞计数方法 |
CN116664556B (zh) * | 2023-07-27 | 2023-10-10 | 南京九川科学技术有限公司 | 一种贴壁细胞计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114612333B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN109146878A (zh) | 一种基于图像处理的杂质检测方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111444778A (zh) | 一种车道线检测方法 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN114612333B (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
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 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN112164055A (zh) | 一种基于颜色分割的光伏电池色差分类方法 |
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 |