CN114627018B - 一种基于显微镜图像的颤藻类细胞统计方法 - Google Patents
一种基于显微镜图像的颤藻类细胞统计方法 Download PDFInfo
- Publication number
- CN114627018B CN114627018B CN202210263753.6A CN202210263753A CN114627018B CN 114627018 B CN114627018 B CN 114627018B CN 202210263753 A CN202210263753 A CN 202210263753A CN 114627018 B CN114627018 B CN 114627018B
- Authority
- CN
- China
- Prior art keywords
- pixel
- contour
- point
- calculating
- 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
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 71
- 238000001000 micrograph Methods 0.000 title claims abstract description 11
- 238000007619 statistical method Methods 0.000 title claims description 4
- 241000192497 Oscillatoria Species 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000003534 oscillatory effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects 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
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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 by the use of 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
- G06T7/12—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
Abstract
本发明公开一种基于显微镜图像的颤藻类细胞统计方法，包括步骤一、图像预处理，步骤二、图像二值化处理，步骤三、查找最大外轮廓，步骤四、分析最大外轮廓和二值图像，计算颤藻类像素长度，步骤五、基于颤藻类像素长度，统计颤藻类细胞个数；本发明根据图像上颤藻类细胞的形态，采用了不同的策略来统计它们的细胞个数，极大地提高了曲线形态颤藻类的细胞统计精度，也提高了算法处理的效率，本方法不仅可以应用于颤藻类细胞个数统计，还可以应用于拟柱孢藻类、泽丝藻类、鞘丝藻类和束丝藻类等，具有广泛的适用性，且为独立的模块，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颤藻类细胞统计方法。
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颤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颤藻类的细胞个数；
现有的方法是基于深度学习模型对藻类进行识别和统计的方法，在统计颤藻类细胞个数时，直接以深度学习模型检测的矩形框来估算颤藻类的长度，统计出来的细胞个数误差较大，因此，本发明提出一种基于显微镜图像的颤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颤藻类细胞统计方法，该方法可以根据图像上颤藻类细胞的形态，采用不同的策略来统计它们的细胞个数，极大地提高了曲线形态颤藻类的细胞个数统计精度，也提高了算法处理的效率，具有广泛的适用性。
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颤藻类细胞统计方法，包括以下步骤：
步骤一、获取图像并采用高斯模糊化对图像进行去噪处理，再对图像进行预处理，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、从获取的二值图像上提取颤藻类细胞外轮廓数据，并从外轮廓数据中找出最大外轮廓；
步骤四、根据最大外轮廓和二值图像，计算出图像上颤藻类像素长度；
步骤五、根据图像上颤藻类像素长度，统计出图像上颤藻类细胞的个数。
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，获得增强对比度后的图像。
进一步改进在于：所述步骤二中先采用OTSU(大律)方法对灰度图像进行二值化处理，然后对二值图像进行形态学膨胀(dilate)处理。
进一步改进在于：所述步骤三中根据最大外轮廓和二值图像计算图像上颤藻类像素长度具体包括
S1、计算出最大外轮廓的最小外接矩形；
S2、根据最小外接矩形的宽高比判断颤藻类细胞的形状；
S3、当形状判断为长条形时，直接以最小外接矩形长边数据作为颤藻类的像素长度；
S4、当形状判断为曲线形时，对二值图像进行细化处理，并计算出颤藻类细胞的像素长度。
进一步改进在于：所述S4中颤藻类形状为曲线形时像素长度计算包括
F1、计算出最大外轮廓的像素周长；
F2、对二值图像进行细化处理，细化后的二值图像为一条曲线，每个白色(255)值对应的像素即为曲线上的一个点；
F3、设置步长并按照步长，在细化后的曲线上生成计算轮廓宽度的采样点；
F4、以最大外轮廓上的点集为基础，从第二个采样点开始，依次计算出它们的轮廓像素宽度；
F5、统计各个采样点计算得到的轮廓宽度数据，找出轮廓宽度的像素平均值；
F6、利用最大外轮廓的像素周长和轮廓宽度的像素平均值，计算出颤藻类像素长度。
进一步改进在于：所述F4中采样点计算轮廓像素宽度具体包括G1、计算采样点与最大外轮廓上各点的像素距离，找出轮廓上像素距离低于设置阈值的点；
G2、将当前采样点与上一个采样点组成线段，获得直线方程，并计算出线段的斜率和截距，通过计算两个采样点X方向和Y方向偏差的绝对值，判断该线段的方向；
G3、通过采样点线段的方向，将G1中各个轮廓点代入到直线方程中，计算出轮廓点的属性，并按属性将轮廓点放入到左、右点集中；
G4、从左点集中，找到与当前采样点像素距离最近的值；从右点集中，找到与当前采样点像素距离最近的值；然后将两个值相加，得到当前采样点计算的轮廓像素宽度。
进一步改进在于：所述F5中首先将各个采样点计算出来的轮廓宽度数据按从小到大的方式进行排序，然后取轮廓宽度的中位值，计算各个采样点的轮廓宽度数据与中位值轮廓宽度的偏差，删除偏差大的采样点，然后计算剩余的采样点轮廓宽度的平均值。
进一步改进在于：所述F6中计算时将最大外轮廓的像素周长除以2，然后再减去F4中轮廓像素宽度，计算出颤藻类像素长度。
进一步改进在于：所述步骤五中计算颤藻类细胞的个数时，利用颤藻类的像素长度除以单位颤藻类细胞像素长度即得到颤藻类细胞的个数。
本发明的有益效果为：本发明根据图像上颤藻类细胞的形态，采用了不同的策略来统计它们的细胞个数，极大地提高了曲线形态颤藻类的细胞统计精度，也提高了算法处理的效率，本方法不仅可以应用于颤藻类细胞个数统计，还可以应用于拟柱孢藻类、泽丝藻类、鞘丝藻类和束丝藻类等，具有广泛的适用性，且为独立的模块，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颤藻类长度流程图。
图5为本发明实施例计算最大外轮廓的宽度流程图。
图6为本发明实施例计算最大外轮廓的宽度示意图。
图7为本发明实施例的颤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1-7所示，本实施例提供了一种基于显微镜图像的颤藻类细胞统计方法，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：从灰度图像中检测出颤藻类的二值图像；
步骤三、查找最大外轮廓：从二值图像中找出颤藻类的最大外轮廓；
步骤四、计算颤藻类长度：基于最大外轮廓计算颤藻类的像素长度；
步骤五、藻类细胞个数统计：根据颤藻类的像素长度和单位细胞像素长度，计算出颤藻类的细胞个数。
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)在二值化图像上做形态学膨胀操作，增强颤藻类外轮廓的完整性。
根据说明书附图4所示，所述计算颤藻类长度包括以下内容:
(1)在二值图像上计算外轮廓；
(2)从外轮廓数据中找出最大外轮廓；
(3)计算最大外轮廓的最小外接矩形；
(4)用最小外接矩形的长边除以短边，计算宽高比，当比值大于设定的阈值10时，认为图像上的颤藻类形状为长条形；
(5)如果(4)判断颤藻类为长条形，那么直接以它的长边作为颤藻类的像素长度；
(6)如果(4)判断颤藻类不是长条形，那么，先对二值图像做细化处理，让二值图像中白色部分(像素值为255)变成单像素的曲线；
(7)计算最大外轮廓的像素周长；
(8)利用细化后的曲线，计算出最大外轮廓的平均像素宽度；
(9)通过最大外轮廓的像素周长和平均宽度，计算出图像中颤藻类的像素长度。具体方法为：最大外轮廓的像素周长除以2，然后减去最大外轮廓的像素宽度。
根据说明书附图5所示，所述计算最大外轮廓的宽度包括以下内容:
(1)细化后的二值图像实际上是一个曲线，每个白色(255)值对应的像素即为曲线上的一个点，首先，按照设置的步长(step)，从曲线上找出宽度分析采样点坐标，并将它们以向量形式(vector<Point>ptC)保存；
(2)从ptC中第2个点开始分析轮廓的宽度；
(3)计算外轮廓中各点与ptC中当前点的像素距离，将距离小于设定阈值的轮廓点存放在一个临时的向量(vector<PointData>tempPt)里,其中PointData为结构体，里面包含pt变量和location变量，分别表示点的坐标和点的位置(0表示左边，1表示右边)；
(4)从ptC中的第2个点开始为每个宽度分析采样点构建一个data结构体(struct)数据，结构体中包含line结构体变量、pt变量、direction变量、leftDist变量和rightDist变量，其中line结构体内还包含ptLast变量、k变量和b变量。line结构体表示当前点与上一个采样点组成的线段，线段采用斜截式直线方程y＝kx+b，ptLast表示上一个采样点的坐标，k表示直线的斜率，b表示直线在y轴上的截距。pt变量表示当前采样点坐标，direction变量表示线段的方向(0表示水平方向，1表示垂直方向)，leftDist变量表示pt点与轮廓左边点最近的距离，rightDist变量表示pt点与轮廓右边点最近的距离，构建完成后形成一个结构体向量(vector<data>ptCD)；
(5)对ptCD中的每个元素，根据它的line结构体变量，分别计算出它的斜率k和y轴上的截距b，并将参数保存在line中；
(6)对ptCD中的每个元素，计算pt和line结构体中ptLast两个端点在X方向的偏差dx和在Y方向的偏差dy。如果dx的绝对值大于dy的绝对值，那么将direction变量赋值为0，反之，direction变量赋值为1；
(7)对ptCD中的每个元素，计算tempPt里所有的点与line的投影。如果direction变量为0，则将tempPt里点的x坐标代入到斜截式直线方程y＝kx+b中求出投影数值y1，如果y1比当前pt点的y坐标要小，说明tempPt中该点在当前采样点pt的上方，将tempPt中该点结构体PointData的location变量赋值为0(标记为轮廓左边的点)。反之，则说明tempPt中该点在当前采样点pt的下方，将tempPt中该点结构体PointData的location变量赋值为1(标记为轮廓右边的点)。同理，如果direction变量为1，则将tempPt里点的y坐标代入到斜截式直线方程y＝kx+b中求出投影数值x1，如果x1比当前采样点pt的x坐标要小，说明tempPt中该点当前采样点pt的左边，将tempPt中该点结构体PointData的location变量赋值为0。反之，则说明tempPt中该点在当前采样点pt的右边，将tempPt中该点结构体PointData的location变量赋值为1；
(8)对ptCD中的每个元素，从tempPt中找出所有location＝0的点，分别计算它们与当前采样点pt的像素距离，将最小距离存放在leftDist变量中；
(9)对ptCD中的每个元素，从tempPt中找出所有location＝1的点，分别计算它们与当前采样点pt的像素距离，将最小距离存放rightDist变量中；
(10)对ptCD中的每个元素，计算它们的轮廓宽度(leftDist+rightDist)，并将计算的结果以向量形式(vector<float>width)保存；
(11)将计算的轮廓宽度向量width按从小到大的方式进行排序，取中间位置对应的数值作为轮廓宽度中值medianWidth；
(12)计算轮廓宽度向量width中每个元素与medianWidth的偏差，如果偏差的绝对值大于设定的阈值，将删除width中对应的值；
(13)将轮廓宽度向量width中每个数值进行累加，除以width中元素的个数，得到最大外轮廓的像素宽度meanWidth。
为了更好地说明计算最大外轮廓宽度的过程，结合说明书附图6来进行讲解：
(1)图像中点1、2、3、4、5表示的是轮廓宽度采样分析点。它从二值图细化的曲线上，按照设置的步长step进行采样而来；
(2)以2号采样点来说明分析过程；
(3)以2号采样点为基准，计算轮廓上的点与2号点之间的像素距离，如果距离小于设定的阈值，那么将这些点纳入到2号点的分析范围内，从这些轮廓点中计算2号点对应的轮廓宽度。示例图6中深色的点A、B、C、D、E和F就是2号点找到的这些轮廓点；
(4)1号点是2号点的上一个轮廓宽度采样分析点，将1号点与2号点组成一个线段line，采用斜截式直线方程y＝kx+b，来计算line的参数k和b；
(5)计算1号点与2号点之间X方向的偏差dx(dx＝abs(x1-x2))和Y方向的偏差dy(dy＝abs(y1-y2))，如果dx大于dy，则说明line的方向是水平的，反之，line的方向是垂直的。本示例中line的方向是垂直状态；
(6)分别计算A、B、C、D、E和F点相对line的位置关系，并将它们分成左和右两个类。具体方式是：如果line的方向是水平状态，将以上各点的x坐标值代入到直线方程y＝kx+b中，计算出投影值y1。如果y1小于2号点的y坐标值，那么，该点在2号点的上方；反之，则在2号点的下方。同理，如果line的方向是垂直状态，将以上各点的y坐标值代入到直线方程y＝kx+b中，计算出投影值x1。如果x1小于2号点的x坐标值，那么，该点在2号点的左边；反之，则在2号点的右边。
(7)通过(6)，可以得到：A、D和E是2号点左边的轮廓点；B、C和F点为2号点右边的轮廓点；
(8)分别计算A、D和E点与2号点的像素距离，找出最小的值leftDist,图中D点与2号点距离最近；
(9)分别计算B、C和F点与2号点的像素距离，找出最小的值rightDist,图中C点与2号点距离最近；
(10)将(8)与(9)计算的leftDist和rightDist相加，得到2号采样点计算的轮廓宽度width2；
(11)按照以上的方法，依次计算3、4和5号采样点，分别得到它们的轮廓宽度width3、width4和width5；
(12)对width2、width3、width4和width5进行排序，找出中间轮廓宽度值作为medianWidth；
(13)以中间轮廓宽度值medianWidth为基准，分别计算它与width2、width3、width4和width5的偏差，删除偏差较大的宽度值，本示例中假设各个采样点计算的轮廓宽度都差不多，没有进行删除操作；
(14)通过width2、width3、width4和width5来计算出轮廓的平均宽度。
将计算出来的颤藻类像素长度除以它的单位细胞长度，即可计算出颤藻类细胞的个数。
根据说明书附图7所示，颤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颤藻类细胞个数。
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 (6)
1.一种基于显微镜图像的颤藻类细胞统计方法，其特征在于，包括以下步骤：
步骤一、获取图像并采用高斯模糊化对图像进行去噪处理，再对图像进行预处理，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、从获取的二值图像上提取颤藻类细胞外轮廓数据，并从外轮廓数据中找出最大外轮廓；
步骤四、根据最大外轮廓和二值图像，计算出图像上颤藻类细胞像素长度；
步骤五、根据图像上颤藻类细胞像素长度，统计出图像上颤藻类细胞的个数；
所述步骤四中根据最大外轮廓和二值图像计算图像上颤藻类细胞像素长度具体包括
S1、计算出最大外轮廓的最小外接矩形；
S2、根据最小外接矩形的宽高比判断颤藻类细胞的形状；
S3、当形状判断为长条形时，直接以最小外接矩形长边数据作为颤藻类细胞的像素长度；
S4、当形状判断为曲线形时，对二值图像进行细化处理，并计算出颤藻类细胞的像素长度；
所述S4中颤藻类细胞形状为曲线形时，像素长度的计算方法包括
F1、计算出最大外轮廓的像素周长；
F2、对二值图像进行细化处理，细化后的二值图像为一条曲线；
F3、设置步长并按照步长，在细化后的曲线上生成计算轮廓宽度的采样点；
F4、以最大外轮廓上的点集为基础，从第二个采样点开始，依次计算出它们的轮廓像素宽度；
F5、统计各个采样点计算得到的轮廓宽度数据，找出轮廓宽度的像素平均值；
F6、利用最大外轮廓的像素周长和轮廓宽度的像素平均值，计算出颤藻类细胞像素长度；
所述F4中采样点计算轮廓像素宽度具体包括
G1、计算采样点与最大外轮廓上各点的像素距离，找出轮廓上像素距离低于设置阈值的轮廓点；
G2、将当前采样点与上一个采样点组成线段，获得直线方程，并计算出线段的斜率和截距，通过计算两个采样点X方向和Y方向偏差的绝对值，判断该线段的方向；
G3、通过采样点线段的方向，将G1中各个轮廓点代入到直线方程中，计算出轮廓点的属性，并按属性将轮廓点放入到左、右点集中；
G4、从左点集中，找到与当前采样点像素距离最近的值；从右点集中，找到与当前采样点像素距离最近的值；然后将两个值相加，得到当前采样点计算的轮廓像素宽度。
2.根据权利要求1所述的一种基于显微镜图像的颤藻类细胞统计方法，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，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颤藻类细胞统计方法，其特征在于：所述步骤二中先采用OTSU方法对灰度图像进行二值化处理，然后对二值图像进行形态学膨胀处理。
4.根据权利要求1所述的一种基于显微镜图像的颤藻类细胞统计方法，其特征在于：所述F5中首先将各个采样点计算出来的轮廓宽度数据按从小到大的方式进行排序，然后取轮廓宽度的中位值，计算各个采样点的轮廓宽度数据与中位值轮廓宽度的偏差，删除偏差大的采样点，然后计算剩余的采样点轮廓宽度的平均值。
5.根据权利要求1所述的一种基于显微镜图像的颤藻类细胞统计方法，其特征在于：所述F6中计算时将最大外轮廓的像素周长除以2，然后再减去F5中轮廓宽度的像素平均值，计算出颤藻类细胞像素长度。
6.根据权利要求1所述的一种基于显微镜图像的颤藻类细胞统计方法，其特征在于：所述步骤五中统计颤藻类细胞的个数时，利用颤藻类细胞的像素长度除以单位颤藻类细胞像素长度即得到颤藻类细胞的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263753.6A CN114627018B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的颤藻类细胞统计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210263753.6A CN114627018B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的颤藻类细胞统计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627018A CN114627018A (zh) | 2022-06-14 |
| CN114627018B true CN114627018B (zh) | 2023-01-13 |
Family
ID=81902884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210263753.6A Active CN114627018B (zh) | 2022-03-17 | 2022-03-17 | 一种基于显微镜图像的颤藻类细胞统计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627018B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110487705A (zh) * | 2019-09-03 | 2019-11-22 | 中国科学院南京地理与湖泊研究所 | 一种微囊藻的计数方法、系统及装置 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2022
- 2022-03-17 CN CN202210263753.6A patent/CN114627018B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110487705A (zh) * | 2019-09-03 | 2019-11-22 | 中国科学院南京地理与湖泊研究所 | 一种微囊藻的计数方法、系统及装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627018A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| 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 | |
| CN107330979B (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN111444778B (zh) | 一种车道线检测方法 | |
| CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
| CN110647795A (zh) | 一种表格识别方法 | |
| CN111582000B (zh) | 一种条形码定位方法、装置及相关设备 | |
| CN112560538B (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
| CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
| CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
| CN111753693B (zh) | 一种静态场景下目标检测方法 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN114511530A (zh) | 一种基于显微镜图像的鱼腥藻类细胞统计方法 | |
| CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
| CN116416268A (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
| CN115797813A (zh) | 基于航拍图像的水环境污染检测方法 | |
| CN114627018B (zh) | 一种基于显微镜图像的颤藻类细胞统计方法 | |
| CN114782413B (zh) | 一种基于显微镜图像的星杆藻类细胞统计方法 | |
| CN114612333B (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
| JP7188336B2 (ja) | 付着物検出装置、および付着物検出方法 | |
| CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
| CN114418994B (zh) | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 | |
| CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 |
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 |