CN114612490A - 一种基于显微镜图像的栅藻类细胞统计方法 - Google Patents
一种基于显微镜图像的栅藻类细胞统计方法 Download PDFInfo
- Publication number
- CN114612490A CN114612490A CN202210263823.8A CN202210263823A CN114612490A CN 114612490 A CN114612490 A CN 114612490A CN 202210263823 A CN202210263823 A CN 202210263823A CN 114612490 A CN114612490 A CN 114612490A
- Authority
- CN
- China
- Prior art keywords
- image
- scenedesmus
- cells
- minimum
- minimum circumscribed
- 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
- 241000195663 Scenedesmus Species 0.000 title claims abstract description 56
- 238000001000 micrograph Methods 0.000 title claims abstract description 16
- 238000007619 statistical method Methods 0.000 title claims description 7
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 241000195493 Cryptophyta Species 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- 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
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于显微镜图像的栅藻类细胞统计方法，包括步骤一、图像预处理后获得增强对比度后的图像，步骤二、图像二值化处理获得二值图像，步骤三、根据二值图像检测栅藻类细胞并计算出外轮廓数据，步骤四、计算栅藻类细胞属性，步骤五、结合二值图像和栅藻类细胞属性数据统计栅藻类细胞个数并对检测结果进行修正；本发明利用了栅藻类细胞的特征，对细胞个数进行了统计、估算和修正，统计效果比传统的深度学习模型更好，同时无需在深度学习模型中直接检测栅藻类细胞，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栅藻类细胞统计方法。
背景技术
藻类细胞的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栅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栅藻类的细胞个数。
现有的方法首先是对栅藻类细胞进行标注，然后通过深度学习模型来检测图像中栅藻类细胞的个数，容易产生漏检和误检测问题，因此，本发明提出一种基于显微镜图像的栅藻类细胞统计方法以解决现有技术中存在的问题。
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栅藻类细胞统计方法，该方法充分利用了栅藻类细胞的特征，对细胞个数进行了统计、估算和修正，获得了比深度学习模型更好的统计效果，同时无需在深度学习模型中直接检测栅藻类细胞，减少了数据标注工作，提高了模型训练和模型优化的效率。
为实现本发明的目的，本发明通过以下技术方案实现：一种基于显微镜图像的栅藻类细胞统计方法，包括以下步骤：
步骤一、获取图像并对图像进行预处理，获得增强对比度后的图像；
步骤二、在增强对比度后的灰度图像上进行二值化处理，获得二值图像；
步骤三、从二值图像上检测出栅藻类的细胞，并计算出外轮廓数据；
步骤四、根据外轮廓数据计算栅藻类细胞的长、宽和面积属性数据；
步骤五、结合二值图像和栅藻类细胞的属性数据，统计出栅藻类细胞的个数。
进一步改进在于：所述步骤一中预处理具体为先对图像进行缩放处理并将彩色图像转化为灰度图像，然后采用CLAHE(对比度受限的自适应直方图均衡化)算法对图像进行对比度拉伸处理，再利用高斯模糊化对图像进行去噪处理，获得增强对比度后的图像。
进一步改进在于：所述步骤二中采用OTSU(大律)方法对灰度图像进行二值化处理，处理后对二值图像进行形态学开(open)处理。
进一步改进在于：所述步骤三中具体包括
S1、从步骤二中获得的二值图像上找出外轮廓；
S2、计算出外轮廓的最小外接矩形和它的像素面积；
S3、删除像素面积小于设定面积阈值的最小外接矩形；
S4、合并重叠的最小外接矩形；
S5、计算最小外接矩形的像素尺寸中值；
S6、删除与尺寸中值偏差较大的最小外接矩形。
进一步改进在于：所述步骤四中具体包括先找到细胞的主方向，然后遍历计算最小外接矩形与细胞主方向的偏差比例，再查找并删除具有独立方向的最小外接矩形，最后统计剩下最小外接矩形的长、宽和像素面积，并计算出长、宽和像素面积的平均值。
进一步改进在于：所述步骤五中具体为先填充已检测的最小外接矩形，得到mask(掩模)图像，再将mask图像与二值图像进行对比，得到残差图像，并通过残差图像判断是否存在漏检的数据，再对所有的最小外接矩形进行验证，统计栅藻类细胞的个数。
进一步改进在于：所述判断不存在漏检数据时，直接对所有的最小外接矩形进行验证；判断存在漏检数据时，通过残差图像的像素面积估算出漏检的细胞个数，再对所有的最小外接矩形进行验证。
进一步改进在于：对所述最小外接矩形进行验证时，判断最小外接矩形的长、宽、面积属性数据是否符合栅藻类细胞的特征。
进一步改进在于：当所有最小外接矩形均通过验证，直接统计最小外接矩形的个数作为栅藻类的细胞个数。
进一步改进在于：当存在未通过验证的最小外接矩形时，根据最小外接矩形的平均长、宽和面积属性数据，估算出该最小外接矩形包含的细胞个数，并将其与通过验证的最小外接矩形个数相加，得到统计的栅藻类细胞个数。
进一步改进在于：所述步骤五中统计得到栅藻类细胞个数后，按照细胞成对出现的规律对栅藻类细胞个数以2的倍数进行修正，得到最终结果。
本发明的有益效果为：本发明无需在深度学习模型中直接检测栅藻类细胞，减少了数据标注工作，提高了模型训练和模型优化的效率，同时充分利用了栅藻类细胞的特征，对细胞个数进行了统计、估算和修正，获得了比深度学习模型更好的统计效果，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为本发明实施例检测栅藻类细胞流程图。
图5为本发明实施例计算栅藻类细胞属性流程图。
图6为本发明实施例判断栅藻类细胞主方向流程图。
图7为本发明实施例统计栅藻类细胞个数流程图。
图8为本发明实施例校验是否存在漏检数据流程图。
图9为本发明实施例栅藻类细胞个数统计效果图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1-9所示，本实施例提供了一种基于显微镜图像的栅藻类细胞统计方法，包括
步骤一、图像预处理：增强图像的对比度；
步骤二、图像二值化：从灰度图像中检测出栅藻类细胞的二值图像；
步骤三、检测栅藻类细胞：从二值图像中找出栅藻类细胞的最小外接矩形；
步骤四、计算栅藻类细胞属性：计算最小外接矩形的方向、平均长、宽和面积等数据，并删除偏差较大的最小外接矩形；
步骤五、统计栅藻类细胞个数：根据最小外接矩形和二值图像，统计出栅藻类细胞的个数。
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)首先对图像进行缩放处理，提高整体运行效率；
(2)将缩放后的彩色图像数据转换成灰度图像；
(3)对灰度图像进行中值滤波去噪；
(4)采用CLAHE(对比度受限的自适应直方图均衡化)算法对图像进行对比度拉伸操作；
(5)由于CLAHE算法拉伸后的图像数据会存在较多噪点，需要通过高斯模糊化算法来进一步降噪。
根据说明书附图3所示，所述图像二值化包括以下内容:
(1)采用OTSU(大律)法来进行图像二值化处理；
(2)在二值图像上做形态学open(开)操作，降低栅藻类细胞二值图像上的粘连，得到binaryImg。
根据说明书附图4所示，所述检测栅藻类细胞包括以下内容:
(1)在binaryImg图像上计算外轮廓；
(2)为每个外轮廓数据计算它的最小外接矩形；
(3)计算最小外接矩形的像素面积，并删除小于面积阈值的最小外接矩形；
(4)计算最小外接矩形之间的重叠度，将重叠度大于阈值的两个最小外接矩形进行合并；
(5)如果一个最小外接矩形在另一个外接矩形内部，将它删除处理；
(6)计算所有最小外接矩形的像素面积，并将面积存入vector<float>area(向量)中，对area向量按照从小到大的方式进行排序；
(7)从排序后的area中，找到中间位置的数值，该数值即为像素的面积中间值；
(8)遍历所有的最小外接矩形，分别计算它们的像素面积与像素面积中间值的残差，对该残差取绝对值，然后除以像素面积中间值，得到残差比例。如果残差比例大于设定的阈值，那么将删除对应的最小外接矩形。
根据说明书附图5所示，所述计算栅藻类细胞属性包括以下内容:
(1)图像中大多数栅藻类细胞的方向是一致的，利用这个特征，可以找到细胞的主方向；
(2)遍历计算两个最小外接矩形的方向残差，残差的绝对值若小于设定的阈值，那么认为这两个最小外接矩形的方向一致；
(3)统计方向一致的最小外接矩形个数，判断是否找到细胞的主方向；
(4)如果找到了细胞的主方向，遍历所有的最小外接矩形，分别计算它与细胞主方向的偏差比例，然后删除与主方向偏差较大的最小外接矩形；
(5)通过观察发现：部分栅藻类图像中，细胞的方向是成对出现的，例如：假设一个栅藻类它有4个细胞，分别命名为1、2、3和4号细胞。图像中细胞虽然没有主方向，但会出现1号与2号细胞的方向一致，3号和4号细胞的方向是一致的现象；
(6)如果未找到细胞的主方向，那么进一步统计是否存在方向相同的最小外接矩形；
(7)如果找到方向相同的最小外接矩形，那么进一步查找是否存在独立方向的最小外接矩形，如果找到独立方向的最小外接矩形，将它删除处理；
(8)统计剩下的最小外接矩形的长、宽和像素面积，计算出它们的平均值；
(9)对每一个最小外接矩形，计算它的长度与平均长度的偏差比例、宽度与平均宽度的偏差比例、像素面积与平均像素面积的偏差比例，若其中任何一项的偏差比例大于设定的阈值，则将它进行删除处理；
(10)如果图像中找到细胞的主方向，那么可以通过主方向有效地滤除其他的干扰，计算出来的细胞平均像素尺寸精度会比较高。如果找到方向相同的最小外接矩形，也可以利用相同方向的特性，结合像素尺寸来滤除掉独立方向的误检测数据。因此，设计一个枚举形变量direction来表示细胞方向的两种状态，默认direction＝0，表示未知方向；direction＝1，表示找到了细胞的主方向；direction＝2，表示找到了方向相同的多个最小外接矩形；
(11)当direction＝1或direction＝2时，以方向相同的最小外接矩形为基准，计算出细胞的平均像素尺寸(长、宽和面积)。
根据说明书附图6所示，所述判断栅藻类细胞的主方向包括以下内容:
(1)计算最小外接矩形的方向；
(2)计算两个不重复的最小外接矩形的方向偏差；
(3)如果经(2)计算的方向偏差的绝对值小于设定的阈值，那么，认为这两个最小外接矩形的方向一致，分别给这两个最小外接矩形设置一个标签，标签的数值是累加增长的。例如：如果最小外接矩形存在2种不同的方向，那么将对第一个方向的最小外接矩形标记为label＝1，对第二个方向的最小外接矩形标记为label＝2；
(4)统计每个最小外接矩形的方向标签，找出标记数目最多的方向，它就是栅藻类细胞的主方向；
(5)在判断是否找到主方向时，还需要进一步分析最小外接矩形的个数。如果只有两个最小外接矩形，那么，必须这两个最小外接矩形具有相同的方向，才认为找到了细胞的主方向。如果最小外接矩形的个数大于2，那么，只要具有相同方向的最小外接矩形个数大于所有最小外接矩形个数的一半，就认为它是细胞的主方向；
(6)找到细胞的主方向后，为变量direction赋值为1(direction＝1)。
根据说明书附图7所示，所述统计栅藻类细胞个数包括以下内容:
(1)填充已检测的最小外接矩形，得到mask(掩模)图像；
(2)将mask图像与二值图像binaryImg进行异或操作，得到残差图像resImg，通过残差图像来判断是否存在漏检的数据；
(3)如果存在漏检的数据，通过残差图像resImg的像素面积来估算出漏检的细胞个数；
(4)设计一个变量hasAllCheck来表示所有最小外接矩形的校验状态，默认hasAllCheck＝0，表示没有完成校验；
(5)最小外接矩形是一个结构体，它包含了isCheck的变量，默认isCheck＝0，表示没有完成校验。计算它的像素尺寸与细胞平均像素尺寸的偏差比例，如果偏差比例小于设定的阈值，那么认为该最小外接矩形完成了校验，对isCheck变量赋值为1，表示完成了校验；
(6)遍历所有的最小外接矩形，完成(5)。若所有的最小外接矩形与细胞平均像素尺寸的偏差比例都小于设定的阈值，即所有的最小外接矩形的isCheck变量的值都是1，那么认为所有的最小外接矩形都通过了验证，对hasAllCheck变量赋值为1，表示全部通过了验证。反之，则认为存在没通过验证的最小外接矩形；
(7)如果hasAllCheck＝1，直接统计最小外接矩形的个数，它即为栅藻类细胞的个数；
(8)如果hasAllCheck＝0，那么找出isCheck＝0的最小外接矩形，如果此时direction＝1或direction＝2，那么将该最小外接矩形的像素面积除以细胞平均像素面积来计算出它包含的细胞个数；如果direction＝0，表示未能找到细胞平均像素面积，那么，这时将该最小外接矩形的像素面积除以栅藻类细胞默认的像素面积来估算出它包含的细胞个数；
(9)当hasAllCheck＝0时，按照(8)将所有isCheck＝0的最小外接矩形计算的细胞个数和isCheck＝1的最小外接矩形个数相加，得到栅藻类细胞的个数；
(10)在计算漏检的细胞个数时，首先计算resImg中白色区域的像素面积areaRes，然后检查direction变量的值。如果该值等于1或2，用areaRes除以细胞平均像素尺寸，计算出漏检的细胞个数；如果direction＝0，那么用areaRes除以默认的栅藻类细胞像素尺寸来计算出漏检的细胞个数；
(11)当存在漏检数据时，在统计栅藻类细胞个数的时候，还需要加上漏检的细胞个数；
(12)栅藻类细胞大多成对出现，根据这个规律，对前面统计的细胞个数以2的倍数进行修正，得到最终统计的结果。
根据说明书附图8所示，所述校验是否存在漏检数据包括以下内容:
(1)根据最小外接矩形的宽、高和旋转角度，计算出它的4个顶点坐标；
(2)生成一个与binaryImg相同分辨率的二值图像，默认所有像素值为0，采用多边形填充的方法将最小外接矩形的4个顶点内区域进行填充，填充值为255，得到mask(掩模)图像；
(3)将mask图像与二值图像binaryImg进行与(and)操作，得到已检测细胞的二值图像objectImg；
(4)将objectImg图像与二值图像binaryImg进行异或(xor)操作，得到残差图像resImg；
(5)统计resImg中白色(像素值为255)区域的面积areaRes；
(6)统计binaryImg中白色(像素值为255)区域的面积areaTotal；
(7)用areaRes除以areaTotal，计算残差面积占比，如果该面积占比低于设定的阈值，那么认为不存在漏检数据；反之，则认为存在漏检的细胞数据。
根据说明书附图9所示，栅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栅藻类细胞个数。
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 (9)
1.一种基于显微镜图像的栅藻类细胞统计方法，其特征在于，包括以下步骤：
步骤一、获取图像并对图像进行预处理，获得增强对比度后的图像；
步骤二、在增强对比度后的灰度图像上进行二值化处理，获得二值图像；
步骤三、从二值图像上检测出栅藻类的细胞，并计算出外轮廓数据；
步骤四、根据外轮廓数据计算栅藻类细胞的长、宽和面积属性数据；
步骤五、结合二值图像和栅藻类细胞的属性数据，统计出栅藻类细胞的个数。
2.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤一中预处理具体为先对图像进行缩放处理并将彩色图像转化为灰度图像，然后采用对比度受限的自适应直方图均衡化算法对图像进行对比度拉伸处理，再利用高斯模糊化对图像进行去噪处理，获得增强对比度后的图像。
3.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤二中采用OTSU方法对灰度图像进行二值化处理，处理后对二值图像进行形态学开处理。
4.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤三中具体包括
S1、从步骤二中获得的二值图像上找出外轮廓；
S2、计算出外轮廓的最小外接矩形和它的像素面积；
S3、删除像素面积小于设定面积阈值的最小外接矩形；
S4、合并重叠的最小外接矩形；
S5、计算最小外接矩形的像素尺寸中值；
S6、删除与尺寸中值偏差较大的最小外接矩形。
5.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤四中具体包括先找到细胞的主方向，然后遍历计算最小外接矩形与细胞主方向的偏差比例，再查找并删除具有独立方向的最小外接矩形，最后统计剩下最小外接矩形的长、宽和像素面积，并计算出长、宽和像素面积的平均值。
6.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤五中具体为先填充已检测的最小外接矩形，得到mask图像，再将mask图像与二值图像进行对比，得到残差图像，并通过残差图像判断是否存在漏检的数据，再对所有的最小外接矩形进行验证，统计栅藻类细胞的个数。
7.根据权利要求6所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述判断不存在漏检数据时，直接对所有的最小外接矩形进行验证；判断存在漏检数据时，通过残差图像的像素面积估算出漏检的细胞个数，再对所有的最小外接矩形进行验证。
8.根据权利要求7所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：对所述最小外接矩形进行验证时，判断最小外接矩形的长、宽、面积属性数据是否符合栅藻类细胞的特征，当所有最小外接矩形均通过验证，直接统计最小外接矩形的个数作为栅藻类的细胞个数；当存在未通过验证的最小外接矩形时，根据最小外接矩形的平均长、宽和面积属性数据，估算出该最小外接矩形包含的细胞个数，并将其与通过验证的最小外接矩形个数相加，得到统计的栅藻类细胞个数。
9.根据权利要求1所述的一种基于显微镜图像的栅藻类细胞统计方法，其特征在于：所述步骤五中统计得到栅藻类细胞个数后，按照细胞成对出现的规律对栅藻类细胞个数以2的倍数进行修正，得到最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263823.8A CN114612490B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的栅藻类细胞统计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263823.8A CN114612490B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的栅藻类细胞统计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114612490A true CN114612490A (zh) | 2022-06-10 |
| CN114612490B CN114612490B (zh) | 2023-03-24 |
Family
ID=81865321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210263823.8A Active CN114612490B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的栅藻类细胞统计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612490B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597441A (zh) * | 2023-05-22 | 2023-08-15 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及系统 |
| CN117853850A (zh) * | 2024-03-07 | 2024-04-09 | 威海紫光科技园有限公司 | 一种用于nk细胞培育过程中的检测评估系统和方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
| CN103218828A (zh) * | 2013-03-22 | 2013-07-24 | 常熟理工学院 | 一种多细胞相互作用跟踪系统 |
| 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 |
| CN106022303A (zh) * | 2016-06-06 | 2016-10-12 | 南昌航空大学 | 基于无透镜全息成像的淡水藻类粗分类与计数方法 |
| CN109712142A (zh) * | 2019-01-11 | 2019-05-03 | 山东省计算中心（国家超级计算济南中心） | 基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法 |
| 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 |
| CN114511530A (zh) * | 2022-01-27 | 2022-05-17 | 南水北调中线干线工程建设管理局河南分局 | 一种基于显微镜图像的鱼腥藻类细胞统计方法 |
-
2022
- 2022-03-17 CN CN202210263823.8A patent/CN114612490B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
| CN103218828A (zh) * | 2013-03-22 | 2013-07-24 | 常熟理工学院 | 一种多细胞相互作用跟踪系统 |
| 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 |
| CN106022303A (zh) * | 2016-06-06 | 2016-10-12 | 南昌航空大学 | 基于无透镜全息成像的淡水藻类粗分类与计数方法 |
| CN109712142A (zh) * | 2019-01-11 | 2019-05-03 | 山东省计算中心（国家超级计算济南中心） | 基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法 |
| 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 |
| CN114511530A (zh) * | 2022-01-27 | 2022-05-17 | 南水北调中线干线工程建设管理局河南分局 | 一种基于显微镜图像的鱼腥藻类细胞统计方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597441A (zh) * | 2023-05-22 | 2023-08-15 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及系统 |
| CN116597441B (zh) * | 2023-05-22 | 2024-01-26 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及系统 |
| CN117853850A (zh) * | 2024-03-07 | 2024-04-09 | 威海紫光科技园有限公司 | 一种用于nk细胞培育过程中的检测评估系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114612490B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| CN105069389B (zh) | 二维码分块解码方法及系统 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN115170576A (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
| CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
| Wang et al. | Car license plate detection based on MSER | |
| CN110414308B (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
| CN108985129B (zh) | 二维码的定位与检出方法 | |
| CN112417955B (zh) | 巡检视频流处理方法及装置 | |
| CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN115752969A (zh) | 一种铝箔封口密封性检测方法及系统和设备 | |
| CN114511530A (zh) | 一种基于显微镜图像的鱼腥藻类细胞统计方法 | |
| CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
| CN113610799A (zh) | 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 | |
| CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
| CN114418994B (zh) | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 | |
| CN111753573B (zh) | 二维码图像识别方法、装置、电子设备以及可读存储介质 | |
| CN114612333A (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
| Liang et al. | Real time recognition of 2D bar codes in complex image conditions | |
| CN112489015A (zh) | 一种用于移动机器人的化纤飘杂识别方法 |
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 |