CN114638774B - 图像数据处理方法及装置、非易失性存储介质 - Google Patents
图像数据处理方法及装置、非易失性存储介质 Download PDFInfo
- Publication number
- CN114638774B CN114638774B CN202011467543.6A CN202011467543A CN114638774B CN 114638774 B CN114638774 B CN 114638774B CN 202011467543 A CN202011467543 A CN 202011467543A CN 114638774 B CN114638774 B CN 114638774B
- Authority
- CN
- China
- Prior art keywords
- feature
- area
- polypeptide
- target
- characteristic
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 229920001184 polypeptide Polymers 0.000 claims abstract description 187
- 102000004196 processed proteins & peptides Human genes 0.000 claims abstract description 187
- 108090000765 processed proteins & peptides Proteins 0.000 claims abstract description 187
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000013461 design Methods 0.000 claims abstract description 65
- 239000000523 sample Substances 0.000 claims description 77
- 238000011156 evaluation Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000427 antigen Substances 0.000 claims description 6
- 102000036639 antigens Human genes 0.000 claims description 6
- 108091007433 antigens Proteins 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 5
- 238000005516 engineering process Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 229910052704 radon Inorganic materials 0.000 description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 6
- 239000012472 biological sample Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000013642 negative control Substances 0.000 description 3
- 239000013641 positive control Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- -1 antibody Proteins 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请公开了一种图像数据处理方法及装置、非易失性存储介质。其中，该方法包括：获取目标图像；依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为所述多肽芯片对待检测样本进行检测得到的；基于所述特征点确定每个网格区域中的特征区域，其中，所述特征区域中包含有所述目标图像的有效特征信息。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种图像数据处理方法及装置、非易失性存储介质。
背景技术
多肽芯片是一种基于衬底材料的芯片，芯片上包括预先设计数量、位置和序列的特征，一个特征是一簇序列相同的多肽，特征与特征之间的多肽序列往往是不一样的，这些特征组成一个高密度多肽阵列。
多肽芯片技术是基于多肽芯片的检测技术，其利用多肽芯片上的种类繁多的多肽与样本的接触，然后利用图像采集技术采集多肽芯片上各个特征信号(具体可表现为携带各个特征信号的荧光图像)，进而输出芯片中每个特征的信号强度，即多肽芯片检测结果数据。基于多肽芯片检测结果数据，可实现对与多肽芯片上的多肽结合的样本中的待测物的分析，样本的分析等。但是，如图1所示，利用图像采集技术采集到的多肽芯片的图像的特征点多、排列密集，且噪声大，导致信噪比低、局部图像混乱无法分辨、图片信号强度低导致错误定位、以及边缘效应明显导致错位等，因此，相关技术中无法对基于多肽芯片采集的图像中的特征点进行准确定位，导致图像识别效率不高。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像数据处理方法及装置、非易失性存储介质，以至少解决相关技术中无法对多肽芯片采集的图像中的特征点进行准确定位，导致图像识别效率不高的技术问题。
根据本申请实施例的一个方面，提供了一种图像数据处理方法，包括：获取目标图像；依据多肽芯片的设计参数将目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为多肽芯片对待检测样本进行检测得到的；基于特征点确定每个网格区域中的特征区域。
根据本申请实施例的另一个方面，提供了一种图像数据处理装置，包括：获取模块，用于获取目标图像；划分模块，用于依据多肽芯片的设计参数将目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为多肽芯片对待检测样本进行检测得到的；第一确定模块，用于基于特征点确定每个网格区域中的特征区域。
根据本申请实施例的又一个方面，提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上所述的图像数据处理的方法。
在本申请实施例中，采用多肽芯片的设计参数将目标图像划分为多个网格区域，并且，每个网格区域中均包括至少一个对待检测样本进行检测得到特征点，并基于特征点确定网格区域的特征区域的方式，由于对目标图像进行了网格划分，并基于网格区域对其中的特征区域进行了定位，因此，可以有效提升特征定位的精度，从而可以提高图像识别的效率，进而解决了相关技术中无法对多肽芯片采集的图像中的特征点进行准确定位，导致图像识别效率不高技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是现有技术中的一种多肽芯片在检测样本时生成的图像示意图；
图2是根据本申请实施例的一种图像数据的定位方法的流程示意图；
图3是根据本申请实施例的一种可选的将特征块划分为不同区域的示意图；
图4a是根据本申请实施例的一种可选的对图像进行角度优化后的图像示意图；
图4b是根据本申请实施例的一种可选的对图像进行网格化处理后得到的示意图；
图4c是根据本申请实施例的一种可选的去除多余网格后得到的示意图；
图5是根据本申请实施例的一种图像数据的定位装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解上述实施例，以下将本申请实施例中涉及的技术术语简述如下：
图像分割(image segmentation)：图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。
特征(feature)，在本文中是指多肽芯片上的某一特定位置上的多个相同的多肽片段。
相关技术中，在对待检测的生物样本(例如血清、血浆等体液样本)进行检测时，采用检测成像仪对多肽芯片进行信号采集后输出的图像可能面临着一些问题：比如多肽芯片技术的图像特征点多、排列密集，且噪声大，导致信噪比低、局部图像混乱无法分辨、图片信号强度低，易导致特征定位错误，并且，由于边缘效应的存在，也容易导致错位。由此，采用相关技术中的方案容易导致图像识别效率比较低。为解决上述技术问题，本申请实施例基于图像定位技术,将采集的图像进行网格化处理，基于得到的网格区域定位特征区域，以下详细说明。
根据本申请实施例，提供了一种图像数据处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的图像数据处理方法，如图2所示，该方法包括步骤S202-S206，具体地：
步骤S202，获取目标图像；
该目标图像可以是多肽芯片中的多肽片段和待检测样本中被检测对象结合后，发出荧光后，由拍摄设备或成像机采集的图像。其中，待检测样本包括但不限于：血清、血浆、其他体液或其他类型的生物样本。被检测对象包括但不先：抗体、抗原或蛋白质片段等。
步骤S204，依据多肽芯片的设计参数将目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为多肽芯片对待检测样本进行检测得到的；
在本申请的一些实施例中，上述设计参数包括但不限于：芯片中多肽片段的分布信息，例如，多肽片段之间的相对位置、相对距离等信息。
需要注意的是，上述特征点是多肽芯片在检测到待检测样本中的被检测对象(例如抗原、抗体、多肽、蛋白质等)的信号，即多肽芯片中的多肽片段和被检测对象结合后形成的可发光的结合体发射的信号。
需要注意的是，每个网格区域中可以只包含一个特征点，也可以包括多个特征点。
步骤S206，基于特征点确定每个网格区域中的特征区域，其中，该特征区域中包含有目标图像的有效特征信息。
上述有效特征信息可以用于提取特征数据的特征点信息，包括但不限于：目标图像中满足预设条件的特征点，例如，多肽芯片检测到的特征点的数值特征(例如亮度值等)满足一定条件的特征点。
由于对目标图像进行了网格划分，并基于网格区域对其中的特征区域进行了定位，因此，可以有效提升特征定位的精度，从而可以提高图像识别的效率，进而解决了相关技术中无法对多肽芯片采集的图像中的特征点进行准确定位，导致图像识别效率不高技术问题
在利用摄像装置进行图像采集时，导致目标图像发生畸形的原因有多种，其中，主要是多肽芯片相对相机的水平旋转和高度倾斜导致的图片畸形，也包括其他畸变：径向畸变、切向畸变、透视畸变、几何畸变等等。其中，产生畸变的原因有些是由相机造成的，有些是操作不标准或者其他设备造成的。以几何畸变为例，由于相机角度偏离90度太多，其拍出的图像便不是规则的形状(例如方块)。此时，可以用平移、旋转、拉伸，映射、插值等方式对图片进行矫正处理，以消除相机、操作以及拍摄过程中引入的误差，使图片更准确地被后续程序使用。其中，对图片进行插值处理，主要是对图像进行变换后补充需要的且原图像中没有的值，比如拉伸后的图像需要进行插值处理。
为实现上述目的，步骤S204可以通过以下方式实现：对目标图像按照预设规则进行多次校正，得到校正图像，其中，每次校正过程的输入数据为上一次校正过程的输出；对每次校正后得到的校正图像进行评估，得到多个第一评价指标；确定多个第一评价指标中的最大值对应的校正图像，依据多肽芯片的设计参数将校正图像划分为多个网格区域。
具体地，在对目标图像按照预设规则进行校正时，通过以下方式实现：对目标图像从多个方向进行数值变换，得到目标图像的多个特征矩阵，其中，在每次对目标图像进行数据变换前，对目标对象的每个方向进行角度调整；其中，上述第一评价指标包括但不限于方差：计算多个特征矩阵的方差，得到多个方差，并将多个方差作为多个第一评价指标；确定多个方差中的最大方差，并将最大方差对应的特征矩阵作为与第一评价指标中的最大值对应的变换图像。
以针对芯片相对相机的水平旋转和高度倾斜导致的图片畸形为例，目前的解决方案如下：
对图像从水平、竖直两个方向进行数值变换，计算两个方向上的最优观察角度(多肽芯片技术的特征是像矩阵一样按行列排列的，这个角度指的是行列的角度，比如水平角度是指多肽芯片技术的特征行方向和水平方向(图片下边缘)的夹角。行列之间不要求是直角，因为多肽芯片技术的图片可能有畸变，或者特征块亮度分布有倾斜等等)；
其中，所述数值变换的输入可以为全部图片或图片的一部分；
其中，所述数值变换包括如下一种或多种组合：Radon(拉东变换)，Harris(哈瑞斯变换)，Hough(霍夫变换)等，以及它们的变形形式(诸如加权、窗口等)，以提高计算结果的稳定性。其中：
Radon:对图片以某角度做线积分，得到积分向量，计算向量方差，越大越好，方差是经验方法；
Harris：在图片上寻找若干角点(corner point)，计算设定范围内(例如预设数量个像素所对应的范围内)临近角点的方向，重复若干次，通过取平均得到最佳角度；
Hough：对图片做Hough直线检测，得到若干直线，即是可能的边的集合，得到使直线水平或竖直的变换矩阵。
以对图片进行拉东变换为例，详细说明对图片进行校正的流程：1)对图片以初始角度进行拉东变换，计算变换结果的方差；2)微调初始角度，重复步骤1)；3)使用优化算法，对步骤2)进行最优化使得到的方差最大，从而获得最优角度；
其中，上述优化算法可以是任意的优化算法，例如，梯度下降法、牛顿法等，本申请实施例中并不对此作限定。
在其他实施方式中，将计算变换结果用变异系数，取最大的前90％(在其他具体实施例中，可以选择其他数值，比如80％、70％等)的值，计算这些值的熵，以代替方差，获得最优角度，具体为变异系数最大值或熵为最大值时角度最优。
为了节省图像处理的运算资源，在本申请的另一些实施例中，在对图像进行数值变换之前，还可以对图片进行压缩、池化处理。
通过上述数值变换过程，可以得到最佳的多肽芯片技术的特征的水平和竖直分布角度。
还需要注意的是，为了使得定位效果更好，还可以对图片非边缘区域使用不同角度的radon变换，即以角度为优化参数，以数值变换输出的方差为优化目标，迭代求解最优角度。
在本申请的另一些实施例中，多肽芯片的设计参数包括：多肽芯片中各个多肽探针(probe)的分布信息，该多肽探针可以包括但不限于：多肽芯片中的多肽片段；
其中，步骤S204中，在依据多肽芯片的设计参数将目标图像划分为多个网格区域时，可以通过以下方式实现：依据各个多肽探针的分布信息确定多个网格区域的分布信息，并依据网格区域的分布信息将目标图像划分为多个网格区域。
具体地，各个多肽探针的分布信息包括：各个多肽探针之间的相对位置；此时，依据相对位置分别确定多肽探针之间在水平方向上的第一相对距离和在竖直方向上的第二相对距离；依据第一相对距离和第二相对距离确定各个多肽探针的位置信息，该位置信息包括位置和尺寸；依据各个多肽探针的分布信息确定各个多肽探针的位置信息。
在确定多个网格区域之后，将区域中每个网格的中心点作为一个候选特征的中心点，以得到候选特征点集合，其中，该中心点为多肽芯片中的一个多肽片段的结合发光区域的中心点。
从候选特征点集合中的特征点所对应的区域中确定特征区域之前，每个网格区域各自以像素作为移动单位，从自身边缘开始，逐像素移动，得到多个候选特征点集合，其中，每移动一次则得到一个与移动距离对应的候选特征点集合；计算多个候选特征点集合的第二评价指标，并将多个第二评价指标中的最大值对应的候选特征点集合中的特征点作为确定每个网格区域中的特征区域的特征点。
具体地，依据芯片设计参数等距地选取特征中心，组成候选的特征点集合；依据芯片设计参数选取特征中心是指依据多肽芯片技术特征(或者称探针probe)的排列布局信息，例如相对位置等设计参数。然后根据多肽芯片技术特征(即探针probe)之间的相对位置生成一个体现特征布局的模板(即以水平方向两个相邻特征点的距离和竖直方向两个相邻特征点的距离进行绘制网格，绘制的网格的每一个格子的长等于水平方向两个相邻特征点的距离，宽等于竖直方向两个相邻特征点的距离。其中，网格的长和宽的尺寸，可以依据芯片的设计参数确定。其中，上述特征点是一个方块的中心位置)。比如可以在图片上每隔固定数量个像素取一个点，这样取固定数量个点，这些点就是一组“候选的特征点”。
其中，在对图像进行网格化后，从网格区域的边缘开始，在一个设计特征间隔内(即多肽芯片技术的探针probe之间的间隔)，逐像素地移动网格，取网格上的候选特征点集合L，在水平、竖直方向上分别应用函数G(L)，G(L)是数值计算的函数，具体可以是用于计算候选特征点的数值和、均值、方差等的函数,取使G(L)最大的一组候选特征点集合L，G(L)具体可以是候选特征点之一或其任意组合：数值和、均值、方差等；水平方向上的计算过程和竖直方向上的计算过程是分开执行的，计算水平方向上的G(L)时，对竖直方向积分；计算竖直时，对水平方向积分。
需要说明的是，上述方式为单点的穷举法。主要为分为两部分：优化方法和优化目标。例如这里列举的优化方法是穷举，优化目标是函数G(L)的值。
优化目标包括但不限于：候选特征点的数值和、均值、方差；
优化方法除了穷举以外还可以是其他的方式，比如：每隔两个像素计算一次函数G(L)值，在G(L)值最大的一个或几个位置上，再逐像素地进行穷举，这样可以减少计算量。图像是连续的整体。
步骤S206中，特征区域可以称为数据区，是候选的特征(feature)(即步骤S204中网格区域的中心)中的真正的特征所组成的区域。具体地，可以通过以下过程实现：
基于多肽芯片中多肽探针的分布信息，从候选特征点集合中选取一组按照预设顺序排列的多个第一目标特征点集合，其中，第一目标特征点集合中的特征点数量与多肽芯片中的特征行数或列数相同；将第一目标特征点集合沿预设方向移动预设距离，得到第二目标特征点集合；对于多个第一目标特征点集合中的每个第一目标特征点集合，计算第一目标特征点集合中各个特征点的特征值和第二目标特征点集合中各个特征点的特征值之间的差值，并计算得到的多个差值的和值；将多个差值的和值中的最大值对应的第一目标特征点集合所覆盖的范围作为特征区域。上述预设方向包括但不限于水平方向和垂直方向，也可以是与水平方向或垂直方向呈一定角度的方向。
其中，多个网格区域中各个网格区域之间的距离是相同的；预设距离为任意相邻两个网格区域之间的相对距离的一半。
容易注意到的是，依据多肽芯片技术设计参数，探针位置分布是设计好的，水平和竖直方向上的特征(probe)数量也是固定的。按照设计的位置分布，在网格化的特征点中选取一组顺序的特征点L0，L0的元素个数等于多肽芯片的特征行数或列数，计算特征点推移半特征宽度得到同样数量的L1(选择的特征点为一行的特征点时，推移的方向为沿着所选择的特征点的连线向左或向右；选择的特征点为一列的特征点时，推移的方向为沿着所选择的特征点的连线向上或向下)，计算对应的L0和L1的数值差(数值为信号差值或荧光强度差值)之和D，通过在L上遍历所有可能的L0，依据每组计算出的D，选择最大的一组L0作为多肽芯片上的真实特征的位置。计算特征点推移半特征宽度(以该实施例，即为半个网格的宽度)的理由是：网格是方的，边和中心隔了半个特征宽度。因为针对该网格，计算该网格的中心和边的和或者差或者其他数值计算方式，计算的结果可以辨别特征块与非特征块。如果特征块的形状为圆型、三角形或其他形状，根据圆、三角形或其它形状的边与中心点的关系确定推移的方向和推移的距离，以能够辨别特征块与非特征块。需要说明的是，在各步骤执行过程中，可以插入滤波器以优化图片的质量。
在本申请的另一些实施例中，步骤S204还可以通过以下方式依将目标图像划分为多个网格区域：确定多肽芯片的设计参数中各个探针的位置信息；基于各个探针的位置信息确定用于提取特征数据的数据区，对数据区进行划分，得到多个网格区域。其中，该过程也可以认为是对步骤S206的进一步的优化过程，例如，在确定特征区域即数据区后，对数据区进一步进行网格化处理。
其中，依据多肽芯片的设计参数将目标图像划分为多个网格区域包括：将目标图像分成多个切块；从多个切块中选择出切块集合；分别对切块集合中的各个切块进行网格化处理，得到多个网格区域。其中，在对各个切块进行网格化处理时，可以依据多肽芯片的设计参数进行网格化处理，例如，在每个切块内，依据相邻多肽片段之间的间隔对目标图像进行网格化处理，例如，对目标图像采用等间隔的方式对每个切块进行网格化处理。
例如，将目标图像分为多个切块，并对多个切块分别进行网格化，获得多个候选特征点集合L，根据归一化的G(L)值,取其中最优的方案,或平均的方案，或加权平均的方案。平均的方案是：假设有N个结果，每个结果都是I个候选的特征点位置的集合，特征点记为Pin＝(Xin，Yin),i表示特征点编号,n表示结果的编号，每个特征点位置取这N个位置的均值，则加权的方式是，以归一化的G(L)值为因子，记第n个结果的G(L)值为Gn，则结果为：/>
在从多个切块中选择切块集合时，可以采用以下方式：确定多个切块的图像对比度；比较多个切块的图像对比度；依据比较结果从多个切块中选择出切块集合中的切块。
具体地，依据比较结果对图像对比度进行按照从大到小的顺序进行排序；将排序靠前的N个图像对比度对应的切块且包含特征点的切块作为切块集合中的切块，其中，N为大于或等于1的自然数。
其中，本申请实施例中的对比度定义可以通过图像的灰度直方图h得到，比如h的方差、峰间距、阈值等，也可以是他们的组合所定义的函数。
在本申请的一些实施例中，步骤S206可以通过以下方式确定：以候选特征点集合中的特征点为中心，确定预设面积和形状的像素块作为特征块，以特征块的数值特征组成特征矩阵；并对特征矩阵进行二值化处理，得到第一目标矩阵；将第一目标矩阵与多肽芯片的芯片设计模板矩阵进行匹配，得到匹配的特征点位置和特征点位置的相应评价指标，其中，芯片设计模板矩阵中的元素是与多肽芯片中的对照特征块对应的；依据特征点位置和特征点位置的相应评价指标确定特征区域。其中，对照特征块包括但不限于：阳性对照特征块和阴性对照特征块。
其中，二值化处理的方法包括不限于：大津法,自适应阈值，局部阈值、LUT灰度映射多值化等。
像素块的形状大小是可以提前设计的，也可以是自适应确定的；一种可选的形状和大小选取方法是：分别选取不同大小的像素块计算二值化，再计算匹配分数，选择使匹配分数最大的像素块面积方案；形状选取的方案和像素块的大小的选取是类似的，此处不再赘述。
像素块的确定方式有多种：
例如，在多肽芯片的芯片设计参数指定的特征范围内，以候选特征点集合中的特征点为中心，依次取多个相同类型的同心图形，并分别依据多个相同类型的同心图形中的像素值确定相应的特征信号值；对特征信号值进行二值化处理，得到二值化数值；计算二值化数值与对照特征块的匹配度，并将匹配度最大的同心图形作为像素块。
其中，可以通过以下方式确定相应的特征信号值：计算多个相同类型的同心图形中像素值的集中趋势指标，将集中趋势指标作为特征信号值。
例如：在一个芯片设计参数指定的特征范围内，由大到小地依次取若干同心圆或同心矩形或同心圆环，分别计算这些同心图形面积内像素值的中位数(或均值等)作为特征信号值，再通过二值化方法进行二值化获得各同心图形对应的二值化数值。其中，芯片在设计中，设有若干个对照特征块，对照特征块包括阳性对照特征块和阴性对照特征块。使用模板匹配(pattern match)技术计算二值化结果(即二值化图形)与设计模板中相应的若干阳性对照特征块与阴性对照特征块所组成的二值化图形的匹配度，选择使匹配结果最好(匹配度最高)的一种形状方案，该方案所对应的同心图形即为最佳的特征形状大小。设计模板是由芯片设计者预先设计的。
其中，模板匹配是在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术。这里说的模板是我们已知的小图像，模板匹配就是在一副大图像中搜寻目标。模板就是我们已知的在图中要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。
又例如，像素块还可以通过以下方式确定：
在多肽芯片的芯片设计参数指定的特征范围内，按照面积从大到小的顺序依次取多个相同类型的同心图形；并计算多个相同类型的同心图形中像素点的数值稳定度，其中，数值稳定度用于指示同心图形中不同位置的像素点所对应特征信号值之间的差异。其中，不同位置的像素点的特征信号值波动越小、离散程度越小，所述数值稳定度越高；依据数值稳定度从多个相同类型的同心图形中选择目标同心图形，并将目标同心图形作为像素块。
其中，依据数值稳定度从多个相同类型的同心图形中选择目标同心图形，包括：获取多个相同类型的同心图形的第一目标面积；依据第一目标面积和稳定度从多个相同类型的同心图形中选择目标同心图形，具体地：计算第一预设面积与第一目标面积之间的第一差值，其中，第一预设面积为基于多肽芯片的芯片设计参数确定的或者基于特征块面积的预设比例确定的；计算第一差值与数值稳定度的比值，将比值最小的同心图形作为目标同心图形。
上述同心图像包括但不限于：同心圆、同心矩形、同心N边形(N大于等于3)或同心圆环等。在一个芯片设计参数指定的特征范围内，由大到小地依次取若干同心圆或同心矩形或同心N边形(N大于等于3)或同心圆环，取这些同心图形面积内像素点作为特征像素点，计算每个特征块内各自的特征像素点的数值稳定度(数值稳定度指的是不同位置的特征信号值的差别，特征块中不同位置的特征信号值的波动越小，离散程度越小，稳定度越高)，再计算所有特征块的均值，取其中能够使平均稳定度最高的，并且面积适中的一种形状，作为最佳的特征形状。具体地，定义尝试面积(即每次取的同心图形的面积)与预设面积的差值为S,定义稳定度为V,其中稳定度越高、面积差值越小为越优，则最佳形状大小即指的是使S与V的比值最小的。预设面积为芯片设计参数，或者定义为特征块面积的四分之一，即特征块的高和宽的一半。
又例如，像素块是通过以下方式确定的：
以特征块的中心点为圆心，将特征块从内到外划分为多个同心圆区域，其中，多个同心圆区域中包括：位于最底层的同心圆范围内的第一区域；最底层的同心圆相邻的第一圆环区域；与第一圆环区域相邻的第二圆环区域；与第二圆环区域相邻的第三圆环区域；其中，第一区域、第一圆环区域、第二圆环区域和第三圆环区域的边与圆心的距离依次增大；依次调整第一区域和第一圆环区域的大小，并计算每次调整后第一区域和第一圆环区域的集中趋势指标的第二差值，以及计算每次调整后第一区域和第一圆环区域之和，得到第二目标面积；依据第二目标面积和第二差值确定像素块。
其中，依据第二目标面积和第二差值确定像素块，包括：计算第二预设面积与第二目标面积之间的第三差值，其中，第二预设面积为多肽芯片的芯片设计参数中的或者预设比例的特征块面积；计算第三差值与第二差值的比值，将最大比值对应的区域作为像素块。
如图3所示，将一个特征块划分成几个区域：特征区、背景区、边界区、其他区。通过调整特征区、背景区的大小，计算特征区和背景区的均值或中位数的差值，使这个差值最大的且面积最适中的方案即为最优的。其中，面积适中的定义和上面类似，定义尝试面积与预设面积的差值为S,定义特征区和背景区的均值或中位数的差值为V，其中S越小越好，V越大越好，则“使这个差值最大的且面积最适中”指的就是使S与V比值最大。需要说明的是，上述均值或中位数可以用于体现相应区域的荧光亮度。
需要说明的是，以上步骤可以是在一次实验中进行的，也可以是基于实验事先确定的，这取决于算法实现的效率和计算量要求。当没有足够条件或时间时，优选的是取芯片设计时的预设面积，如果没有该预设面积，可以取特征块中心约占特征块面积四分之一的正方形(或圆形)形状作为特征区域。
所述像素块的形状可以为圆形、方形、菱形、环形等多边形或不规则形状。
所述特征块的数值特征可以是均值、和、方差、分位数、最值等等。
为了优化特征中心位置使特征内分布合理，在基于特征点确定每个网格区域中的特征区域之前，还可以执行以下步骤：以多个网格区域的中心点为中心，围绕中心点取预设面积的像素块；对像素块以像素为单位进行调整，并在每次调整后计算像素块的对称性指标，其中，该对称性指标用于指示像素块中的有效特征点的分布对称程度，有效特征点为多肽芯片中的多肽探针检测到抗原的位置处的特征点；将计算得到的对称性指标中的最大值对应的中心点作为确定候选特征点的中心点。
以多肽芯片检测生物样本为例，在当前特征的中心附近取一定面积的像素块，使像素块内部的荧光强度数值分布呈中心对称。具体优化过程包括以下步骤：
1)对每一个求出的特征位置，取其周围预设的像素宽度的像素块，对像素块进行水平和竖直方向的积分，得到两个方向上的数值分布的对称性指标；其中，对称性指标为：水平对称：像素块左半部分与水平反转后的右半部分的相关性值；竖直对称：像素块上半部分与竖直反转后的下半部分的相关性值，
2)以像素为单位微调特征位置，重复计算步骤1)，使用最优化算法优化特征位置，使分布对称性指标最大，从而获得最佳的特征中心位置。
在确定特征区域后，还可以提取特征像素块(即特征区域)中的数值特征，作为多肽芯片技术特征的数值。所述数值特征包括不限于：均值、中位数、方差、分位数、变异系数、最值等。
总体来说，本申请实施例提供的图像数据处理的方法的原理可以参见图4(a,b,c)，如图4所示，图4a为优化角度后的图像；图4b是对图像进行网格化处理后得到的图像；图4c为划定范围，以去除多余网格的示意图。
本申请实施例还提供一种图像数据处理的装置，该方法在用于实现图2所示的方法，如图5所述，该装置包括：
获取模块50，用于获取目标图像
划分模块52，用于依据多肽芯片的设计参数将目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为多肽芯片对待检测样本进行检测得到的；
第一确定模块54，用于基于特征点确定每个网格区域中的特征区域。
划分模块52，还用于对目标图像按照预设规则进行多次校正，得到校正图像，其中，每次校正过程的输入数据为上一次校正过程的输出；对每次校正后得到的校正图像进行评估，得到多个第一评价指标；确定多个第一评价指标中的最大值对应的校正图像，依据多肽芯片的设计参数将校正图像划分为多个网格区域。
在一些实施例中，划分模块52，还用于对目标图像从多个方向进行数值变换，得到目标图像的多个特征矩阵，其中，在每次对目标图像进行数据变换前，对目标对象的每个方向进行角度调整；计算多个特征矩阵的方差，得到多个方差，并将多个方差作为多个第一评价指标；以及确定多个方差中的最大方差，并将最大方差对应的特征矩阵作为与第一评价指标中的最大值对应的特征矩阵。
多肽芯片的设计参数包括：多肽芯片中各个多肽探针的分布信息；划分模块52，还用于依依据各个多肽探针的分布信息确定多个网格区域的分布信息，并依据网格区域的分布信息将目标图像划分为多个网格区域。
其中，各个多肽探针的分布信息包括：各个多肽探针之间的相对位置；此时，划分模块52，还用于执行以下步骤：依据各个多肽探针的分布信息确定多个网格区域的分布信息，包括：依据相对位置分别确定多肽探针之间在水平方向上的第一相对距离和在竖直方向上的第二相对距离；依据第一相对距离和第二相对距离确定各个多肽探针的位置信息，该位置信息包括位置和尺寸；依据各个多肽探针的位置信息确定各个多肽探针的分布信息。
在一些实施例中，上述装置还可以包括以下模块：第二确定模块，用于基于特征点确定每个网格区域中的特征区域之前，确定多个网格区域的中心点，得到候选特征点集合，其中，中心点为多肽芯片中的多肽片段对待检测样本进行检测后，依据检测结果生成的图像区域的中心位置；从候选特征点集合中的特征点所对应的区域中确定特征区域。
可选地，第一确定模块，还用于在每个网格区域各自以像素作为移动单位，从自身边缘开始，逐像素移动，得到多个候选特征点集合，其中，指定网格区域为多个网格区域中的任意一个网格区域，并且，每移动一次则得到一个与移动过程对应的候选特征点集合；计算多个候选特征点集合的第二评价指标，并将多个第二评价指标中的最大值对应的候选特征点集合中的特征点作为确定每个网格区域中的特征区域的特征点。
第一确定模块，还用于：基于多肽芯片中多肽探针的分布信息，从候选特征点集合中选取一组按照预设顺序排列的多个第一目标特征点集合，其中，第一目标特征点集合中的特征点数量与多肽芯片中的特征行数或列数相同；将第一目标特征点集合沿预设方向移动预设距离，得到第二目标特征点集合；对于多个第一目标特征点集合中的每个第一目标特征点集合，计算第一目标特征点集合中各个特征点的特征值和第二目标特征点集合中各个特征点的特征值之间的差值，并计算得到的多个差值的和值；将多个差值的和值中的最大值对应的第一目标特征点集合所覆盖的范围作为特征区域。
其中，多个网格区域中各个网格区域之间的距离是相同的；预设距离为任意相邻两个网格区域之间的相对距离的一半。
划分模块52，还用于确定多肽芯片的设计参数中各个探针的位置信息；基于各个探针的位置信息确定用于提取特征数据的数据区，对数据区进行划分，得到多个网格区域。
可选地，划分模块52，还用于将目标图像分成多个切块；从多个切块中选择出切块集合；分别对切块集合中的各个切块进行网格化处理，得到多个网格区域。其中，划分模块52，还用于确定多个切块的图像对比度；比较多个切块的图像对比度；依据比较结果从多个切块中选择出切块集合中的切块。
在一些实施例中，划分模块52，还用于依据比较结果对图像对比度进行按照从大到小的顺序进行排序；将排序靠前的N个图像对比度对应的切块且包含特征点的切块作为切块集合中的切块，其中，N为大于或等于1的自然数。
划分模块52，还用于以候选特征点集合中的特征点为中心，确定预设面积和形状的像素块作为特征块，以特征块的数值特征组成特征矩阵；并对特征矩阵进行二值化处理，得到第一目标矩阵；将第一目标矩阵与多肽芯片的芯片设计模板矩阵进行匹配，得到匹配的特征点位置和特征点位置的相应评价指标，其中，芯片设计模板矩阵中的元素是与多肽芯片中的对照特征块对应的；依据特征点位置和特征点位置的相应评价指标确定特征区域。
其中，上述像素块可以通过以下方式确定：
在多肽芯片的芯片设计参数指定的特征范围内，以候选特征点集合中的特征点为中心，依次取多个相同类型的同心图形，并分别依据多个相同类型的同心图形中的像素值确定相应的特征信号值；对特征信号值进行二值化处理，得到二值化数值；计算二值化数值与对照特征块的匹配度，并将匹配度最大的同心图形作为像素块，其中，在分别依据多个相同类型的同心图形中的像素值确定相应的特征信号值的过程中：计算多个相同类型的同心图形中像素值的集中趋势指标，将集中趋势指标作为特征信号值。
上述像素块还可以通过以下方式确定的：
在多肽芯片的芯片设计参数指定的特征范围内，从大到小依次取多个相同类型的同心图形；并计算多个相同类型的同心图形中像素点的数值稳定度，其中，数值稳定度用于指示同心图形中不同位置的像素点所对应特征信号值之间的差异，不同位置的像素点的特征信号值波动越小、离散程度越小，数值稳定度越高；依据数值稳定度从多个相同类型的同心图形中选择目标同心图形，并将目标同心图形作为像素块。其中，依据数值稳定度从多个相同类型的同心图形中选择目标同心图形可以表现为以下过程：获取多个相同类型的同心图形的第一目标面积；依据第一目标面积和稳定度从多个相同类型的同心图形中选择目标同心图形，具体地，计算第一预设面积与第一目标面积之间的第一差值，其中，第一预设面积为基于多肽芯片的芯片设计参数确定的或者基于特征块面积的预设比例确定的；计算第一差值与数值稳定度的比值，将比值最小的同心图形作为目标同心图形。
像素块还可以通过以下方式确定：以特征块的中心点为圆心，将特征块从内到外划分为多个同心圆区域，其中，多个同心圆区域中包括：位于最底层的同心圆范围内的第一区域；最底层的同心圆相邻的第一圆环区域；与第一圆环区域相邻的第二圆环区域；与第二圆环区域相邻的第三圆环区域；其中，第一区域、第一圆环区域、第二圆环区域和第三圆环区域的边与圆心的距离依次增大；依次调整第一区域和第一圆环区域的大小，并计算每次调整后第一区域和第一圆环区域的集中趋势指标的第二差值，以及计算每次调整后第一区域和第一圆环区域之和，得到第二目标面积；依据第二目标面积和第二差值确定像素块，具体地，计算第二预设面积与第二目标面积之间的第三差值，其中，第二预设面积为多肽芯片的芯片设计参数中的或者预设比例的特征块面积；计算第三差值与第二差值的比值，将最大比值对应的区域作为像素块。
第三确定模块，用于基于特征点确定每个网格区域中的特征区域之前，以多个网格区域的中心点为中心，围绕中心点取预设面积的像素块；对像素块以像素为单位进行调整，并在每次调整后计算像素块的对称性指标，其中，该对称性指标用于指示像素块中的有效特征点的分布对称程度，有效特征点为多肽芯片中的多肽探针检测到抗原的位置处的特征点；将计算得到的对称性指标中的最大值对应的中心点作为确定候选特征点的中心点。
本申请实施例还提供一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上所述的图像数据处理的方法。
具体地：
非易失性存储介质中用于存储执行以下功能的程序：获取目标图像；依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为所述多肽芯片对所述待检测样本进行检测得到的；基于所述特征点确定每个网格区域中的特征区域，其中，所述特征区域中包含有所述目标图像的有效特征信息
可选地，非易失性存储介质中还用于存储执行以下功能的程序：对所述目标图像按照预设规则进行多次校正，得到校正图像，其中，每次校正过程的输入数据为上一次校正过程的输出；对每次校正后得到的校正图像进行评估，得到多个第一评价指标；确定所述多个第一评价指标中的最大值对应的校正图像，依据所述多肽芯片的设计参数将所述校正图像划分为多个网格区域。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (35)
1.一种图像数据处理方法，包括：
获取目标图像，其中，所述目标图像包括多肽芯片中的多肽片段和待检测样本中被检测对象结合后，发出荧光后，由拍摄设备或成像机采集的图像；
依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为所述多肽芯片对待检测样本进行检测得到的信号，所述设计参数包括所述多肽芯片中多肽片段的分布信息，所述信号为所述多肽芯片中的多肽片段和被检测对象结合后形成的可发光的结合体发射的信息，所述多肽片段的分布信息包括以下至少之一：所述多肽片段之间的相对位置信息，相对距离信息；
基于所述特征点确定每个网格区域中的特征区域，其中，所述特征区域中包含有所述目标图像的有效特征信息，所述有效特征信息为用于提取特征数据的特征点信息，基于所述特征点确定每个网格区域中的特征区域包括：确定所述多个网格区域的中心点，得到候选特征点集合；从所述候选特征点集合中的特征点所对应的区域中确定所述特征区域；
从所述候选特征点集合中的特征点所对应的区域中确定所述特征区域之前，所述方法还包括：在所述多个网格区域中任意两个相邻网格区域之间，以像素作为移动单位，从待移动的指定网格区域的边缘开始，逐像素移动所述指定网格区域，得到多个候选特征点集合，其中，所述指定网格区域为所述多个网格区域中的任意一个网格区域，并且，每移动一次则得到一个与移动过程对应的所述候选特征点集合；计算所述多个候选特征点集合的第二评价指标，并将多个第二评价指标中的最大值对应的候选特征点集合中的特征点作为确定所述每个网格区域中的特征区域的特征点，其中，所述候选特征点集合对应的第二评价指标为将所述候选特征点集合中的特征点的数值输入到预设数值处理函数后得到的计算结果；
基于所述特征点确定每个网格区域中的特征区域，包括：基于所述多肽芯片中多肽探针的分布信息，从所述候选特征点集合中选取一组按照预设顺序排列的多个第一目标特征点集合，其中，所述第一目标特征点集合中的特征点数量与所述多肽芯片中的特征行数或列数相同；将所述第一目标特征点集合沿预设方向移动预设距离，得到第二目标特征点集合；对于所述多个第一目标特征点集合中的每个第一目标特征点集合，计算所述第一目标特征点集合中各个特征点的特征值和第二目标特征点集合中各个特征点的特征值之间的差值，并计算得到的多个差值的和值；将所述多个差值的和值中的最大值对应的第一目标特征点集合所覆盖的范围作为所述特征区域；
基于所述特征点确定每个网格区域中的特征区域，包括：以所述候选特征点集合中的特征点为中心，确定预设面积和形状的像素块作为特征块，以所述特征块的数值特征组成特征矩阵，其中，所述特征块的数值特征包括以下至少之一：均值，和，方差，分位数，最值；并对所述特征矩阵进行二值化处理，得到第一目标矩阵；将所述第一目标矩阵与所述多肽芯片的芯片设计模板矩阵进行匹配，得到匹配的特征点位置和所述特征点位置的相应评价指标，其中，所述芯片设计模板矩阵中的元素是与所述多肽芯片中的对照特征块对应的，所述对照特征块包括以下至少之一：阳性对照特征块和阴性对照特征块，所述相应评价指标包括所述特征点位置对应的与所述对照特征块之间的匹配度；依据所述特征点位置和所述特征点位置的相应评价指标确定所述特征区域。
2.根据权利要求1所述的方法，其中，依据多肽芯片的设计参数将所述目标图像划分为多个网格区域之前，还包括：
对所述目标图像按照预设规则进行校正，得到校正图像；
对每次校正后得到的校正图像进行评估，得到多个第一评价指标，其中，所述第一评价指标包括所述校正图像对应的多个特征矩阵的多个方差；
确定所述多个第一评价指标中的最大值对应的校正图像。
3.根据权利要求2所述的方法，其中，
对所述目标图像按照预设规则进行多次校正，得到校正图像，包括：对所述目标图像从多个方向进行数值变换，得到所述目标图像的多个特征矩阵；
确定所述多个第一评价指标中的最大值对应的校正图像，包括：确定所述多个方差中的最大方差，并将所述最大方差对应的特征矩阵作为与所述第一评价指标中的最大值对应的特征矩阵。
4.根据权利要求1所述的方法，其中，多肽芯片的设计参数包括：所述多肽芯片中各个多肽探针的分布信息；依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，包括：
依据所述各个多肽探针的分布信息确定所述多个网格区域的分布信息，并依据所述网格区域的分布信息将所述目标图像划分为所述多个网格区域。
5.根据权利要求4所述的方法，其中，所述各个多肽探针的分布信息包括：所述各个多肽探针之间的相对位置；
依据所述各个多肽探针的分布信息确定所述多个网格区域的分布信息，包括：依据所述相对位置分别确定所述多肽探针之间在水平方向上的第一相对距离和在竖直方向上的第二相对距离；依据所述第一相对距离和第二相对距离确定各个多肽探针的位置信息，所述位置信息包括位置和尺寸；依据所述各个多肽探针的位置信息确定所述各个多肽探针的分布信息。
6.根据权利要求1所述的方法，其中，所述多个网格区域中各个网格区域之间的距离是相同的；所述预设距离为任意相邻两个网格区域之间的相对距离的一半。
7.根据权利要求1所述的方法，其中，依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，包括：
确定所述多肽芯片的设计参数中各个探针的位置信息；基于所述各个探针的位置信息确定用于提取特征数据的数据区，对所述数据区进行划分，得到所述多个网格区域。
8.根据权利要求1所述的方法，其中，依据多肽芯片的设计参数将所述目标图像划分为多个网格区域包括：
将所述目标图像分成多个切块；
从所述多个切块中选择出切块集合；
分别对切块集合中的各个切块进行网格化处理，分别得到所述多个网格区域。
9.根据权利要求8所述的方法，其中，从所述多个切块中选择出切块集合，包括：
确定所述多个切块的图像对比度；比较所述多个切块的图像对比度；依据比较结果从所述多个切块中选择出所述切块集合中的切块。
10.根据权利要求9所述的方法，其中，依据比较结果从所述多个切块中选择出所述切块集合中的切块，包括：
依据比较结果对所述图像对比度进行按照从大到小的顺序进行排序；将排序靠前的N个图像对比度对应的切块且包含所述特征点的切块作为所述切块集合中的切块，其中，N为大于或等于1的自然数。
11.根据权利要求1所述的方法，其中，所述像素块是通过以下方式确定的：
在所述多肽芯片的芯片设计参数指定的特征范围内，以所述候选特征点集合中的特征点为中心，依次取多个相同类型的同心图形，并分别依据所述多个相同类型的同心图形中的像素值确定相应的特征信号值，其中，分别依据所述多个相同类型的同心图形中的像素值确定相应的特征信号值，包括：计算所述多个相同类型的同心图形中像素值的集中趋势指标，将所述集中趋势指标作为所述特征信号值；
对所述特征信号值进行二值化处理，得到二值化数值；计算所述二值化数值与所述对照特征块的匹配度，并将匹配度最大的同心图形作为所述像素块。
12.根据权利要求1所述的方法，其中，所述像素块是通过以下方式确定的：
在所述多肽芯片的芯片设计参数指定的特征范围内，按照面积从大到小的顺序依次取多个相同类型的同心图形；并计算所述多个相同类型的同心图形中像素点的数值稳定度，其中，所述数值稳定度用于指示所述同心图形中不同位置的像素点所对应特征信号值之间的差异，所述特征信号值为所述像素点所对应的像素值的集中趋势指标；
依据所述数值稳定度从所述多个相同类型的同心图形中选择目标同心图形，并将所述目标同心图形作为所述像素块。
13.根据权利要求12所述的方法，其中，依据所述数值稳定度从所述多个相同类型的同心图形中选择目标同心图形，包括：
获取所述多个相同类型的同心图形中各个所述同心图形的第一目标面积；依据所述第一目标面积和所述稳定度从所述多个相同类型的同心图形中选择目标同心图形。
14.根据权利要求13所述的方法，其中，依据所述第一目标面积和所述稳定度从所述多个相同类型的同心图形中选择目标同心图形，包括：
计算第一预设面积与所述第一目标面积之间的第一差值，其中，所述第一预设面积为基于所述多肽芯片的芯片设计参数确定的或者基于特征块面积的预设比例确定的；
计算所述第一差值与所述数值稳定度的比值，将比值最小的同心图形作为所述目标同心图形。
15.根据权利要求1所述的方法，其中，所述像素块是通过以下方式确定的：
以所述特征块的中心点为圆心，将所述特征块从内到外划分为多个同心圆区域，其中，所述多个同心圆区域中包括：位于最底层的同心圆范围内的第一区域；所述最底层的同心圆相邻的第一圆环区域；与所述第一圆环区域相邻的第二圆环区域；与所述第二圆环区域相邻的第三圆环区域；其中，所述第一区域、第一圆环区域、第二圆环区域和所述第三圆环区域的边与所述圆心的距离依次增大；
依次调整所述第一区域和第一圆环区域的大小，并计算每次调整后所述第一区域和第一圆环区域的集中趋势指标的第二差值，以及计算每次调整后所述第一区域和所述第一圆环区域之和，得到第二目标面积，其中，调整完成后所述第一区域和所述第一圆环区域的均值或中位数的差值最大；
依据所述第二目标面积和所述第二差值确定所述像素块。
16.根据权利要求15所述的方法，其中，依据所述第二目标面积和所述第二差值确定所述像素块，包括：
计算第二预设面积与所述第二目标面积之间的第三差值，其中，所述第二预设面积为所述多肽芯片的芯片设计参数中的预设比例的特征块面积；
计算所述第三差值与所述第二差值的比值，将最大比值对应的区域作为所述像素块。
17.根据权利要求1所述的方法，其中，基于所述特征点确定每个网格区域中的特征区域之前，所述方法还包括：
以所述多个网格区域的中心点为中心，围绕所述中心点取预设面积的像素块；
对所述像素块以像素为单位进行调整，并在每次调整后计算所述像素块的对称性指标，其中，该对称性指标用于指示所述像素块中的有效特征点的分布对称程度，所述有效特征点为所述多肽芯片中的多肽探针检测到抗原的位置处的特征点；
将计算得到的对称性指标中的最大值对应的中心点作为确定所述候选特征点的中心点。
18.一种图像数据处理装置，包括：
获取模块，用于获取目标图像，其中，所述目标图像包括多肽芯片中的多肽片段和待检测样本中被检测对象结合后，发出荧光后，由拍摄设备或成像机采集的图像；
划分模块，用于依据多肽芯片的设计参数将所述目标图像划分为多个网格区域，其中，每个网格区域中包括至少一个特征点，该特征点为所述多肽芯片对待检测样本进行检测得到的信号，所述设计参数包括所述多肽芯片中多肽片段的分布信息，所述信号为所述多肽芯片中的多肽片段和被检测对象结合后形成的可发光的结合体发射的信息，所述多肽片段的分布信息包括以下至少之一：所述多肽片段之间的相对位置信息，相对距离信息；
所述划分模块，还用于以候选特征点集合中的特征点为中心，确定预设面积和形状的像素块作为特征块，以所述特征块的数值特征组成特征矩阵，其中，所述特征块的数值特征包括以下至少之一：均值，和，方差，分位数，最值；并对所述特征矩阵进行二值化处理，得到第一目标矩阵；将所述第一目标矩阵与所述多肽芯片的芯片设计模板矩阵进行匹配，得到匹配的特征点位置和所述特征点位置的相应评价指标，其中，所述芯片设计模板矩阵中的元素是与所述多肽芯片中的对照特征块对应的，所述对照特征块包括以下至少之一：阳性对照特征块和阴性对照特征块，所述相应评价指标包括所述特征点位置对应的与所述对照特征块之间的匹配度；依据所述特征点位置和所述特征点位置的相应评价指标确定特征区域；
第一确定模块，用于基于所述特征点确定每个网格区域中的特征区域，有效特征信息为用于提取特征数据的特征点信息；
所述第一确定模块，还用于在所述多个网格区域中任意两个相邻网格区域之间，以像素作为移动单位，从待移动的指定网格区域的边缘开始，逐像素移动所述指定网格区域，得到多个候选特征点集合，其中，所述指定网格区域为所述多个网格区域中的任意一个网格区域，并且，每移动一次则得到一个与移动过程对应的所述候选特征点集合；计算所述多个候选特征点集合的第二评价指标，并将多个第二评价指标中的最大值对应的候选特征点集合中的特征点作为确定所述每个网格区域中的特征区域的特征点，其中，所述候选特征点集合对应的第二评价指标为将所述候选特征点集合中的特征点的数值输入到预设数值处理函数后得到的计算结果；
所述第一确定模块，还用于：基于所述多肽芯片中多肽探针的分布信息，从所述候选特征点集合中选取一组按照预设顺序排列的多个第一目标特征点集合，其中，所述第一目标特征点集合中的特征点数量与所述多肽芯片中的特征行数或列数相同；将所述第一目标特征点集合沿预设方向移动预设距离，得到第二目标特征点集合；对于所述多个第一目标特征点集合中的每个第一目标特征点集合，计算所述第一目标特征点集合中各个特征点的特征值和第二目标特征点集合中各个特征点的特征值之间的差值，并计算得到的多个差值的和值；将所述多个差值的和值中的最大值对应的第一目标特征点集合所覆盖的范围作为所述特征区域；
第二确定模块，用于基于所述特征点确定每个网格区域中的特征区域之前，确定所述多个网格区域的中心点，得到候选特征点集合，其中，所述中心点为所述多肽芯片中的多肽片段对所述待检测样本进行检测后，依据检测结果生成的图像区域的中心位置；从所述候选特征点集合中的特征点所对应的区域中确定所述特征区域。
19.根据权利要求18所述的装置，其中，所述划分模块，还用于对所述目标图像按照预设规则进行多次校正，得到校正图像，其中，每次校正过程的输入数据为上一次校正过程的输出；对每次校正后得到的校正图像进行评估，得到多个第一评价指标，其中，所述第一评价指标包括所述校正图像对应的多个特征矩阵的多个方差；确定所述多个第一评价指标中的最大值对应的校正图像。
20.根据权利要求19所述的装置，其中，所述划分模块，还用于对所述目标图像从多个方向进行数值变换，得到所述目标图像的多个特征矩阵；以及确定所述多个方差中的最大方差，并将所述最大方差对应的特征矩阵作为与所述第一评价指标中的最大值对应的特征矩阵。
21.根据权利要求18所述的装置，其中，多肽芯片的设计参数包括：所述多肽芯片中各个多肽探针的分布信息；所述划分模块，还用于依据所述各个多肽探针的分布信息确定所述多个网格区域的分布信息，并依据所述网格区域的分布信息将所述目标图像划分为所述多个网格区域。
22.根据权利要求21所述的装置，其中，所述各个多肽探针的分布信息包括：所述各个多肽探针之间的相对位置；所述划分模块，还用于：依据所述各个多肽探针的分布信息确定所述多个网格区域的分布信息，包括：依据所述相对位置分别确定所述多肽探针之间在水平方向上的第一相对距离和在竖直方向上的第二相对距离；依据所述第一相对距离和第二相对距离确定各个多肽探针的位置信息，所述位置信息包括位置和尺寸；依据所述各个多肽探针的位置信息确定所述各个多肽探针的分布信息。
23.根据权利要求18所述的装置，其中，所述多个网格区域中各个网格区域之间的距离是相同的；预设距离为任意相邻两个网格区域之间的相对距离的一半。
24.根据权利要求18所述的装置，其中，所述划分模块，还用于确定所述多肽芯片的设计参数中各个探针的位置信息；基于所述各个探针的位置信息确定用于提取特征数据的数据区，对所述数据区进行划分，得到所述多个网格区域。
25.根据权利要求18所述的装置，其中，所述划分模块，还用于将所述目标图像分成多个切块；从所述多个切块中选择出切块集合；分别对切块集合中的各个切块进行网格化处理，分别得到所述多个网格区域。
26.根据权利要求18所述的装置，其中，所述划分模块，还用于确定多个切块的图像对比度；比较所述多个切块的图像对比度；依据比较结果从所述多个切块中选择出切块集合中的切块。
27.根据权利要求26所述的装置，其中，所述划分模块，还用于依据比较结果对所述图像对比度进行按照从大到小的顺序进行排序；将排序靠前的N个图像对比度对应的切块且包含所述特征点的切块作为所述切块集合中的切块，其中，N为大于或等于1的自然数。
28.根据权利要求18所述的装置，其中，所述像素块是通过以下方式确定的：
在所述多肽芯片的芯片设计参数指定的特征范围内，以所述候选特征点集合中的特征点为中心，依次取多个相同类型的同心图形，并分别依据所述多个相同类型的同心图形中的像素值确定相应的特征信号值，其中，分别依据所述多个相同类型的同心图形中的像素值确定相应的特征信号值，包括：计算所述多个相同类型的同心图形中像素值的集中趋势指标，将所述集中趋势指标作为所述特征信号值；对所述特征信号值进行二值化处理，得到二值化数值；计算所述二值化数值与所述对照特征块的匹配度，并将匹配度最大的同心图形作为所述像素块。
29.根据权利要求18所述的装置，其中，所述像素块是通过以下方式确定的：
在所述多肽芯片的芯片设计参数指定的特征范围内，从大到小依次取多个相同类型的同心图形；并计算所述多个相同类型的同心图形中像素点的数值稳定度，其中，所述数值稳定度用于指示所述同心图形中不同位置的像素点所对应特征信号值之间的差异，不同位置的像素点的特征信号值波动越小、离散程度越小，所述数值稳定度越高，所述特征信号值为所述像素点所对应的像素值的集中趋势指标；
依据所述数值稳定度从所述多个相同类型的同心图形中选择目标同心图形，并将所述目标同心图形作为所述像素块。
30.根据权利要求29所述的装置，其中，依据所述数值稳定度从所述多个相同类型的同心图形中选择目标同心图形，包括：
获取所述多个相同类型的同心图形中各个所述同心图形的第一目标面积；依据所述第一目标面积和所述稳定度从所述多个相同类型的同心图形中选择目标同心图形。
31.根据权利要求30所述的装置，其中，依据所述第一目标面积和所述稳定度从所述多个相同类型的同心图形中选择目标同心图形，包括：
计算第一预设面积与所述第一目标面积之间的第一差值，其中，所述第一预设面积为基于所述多肽芯片的芯片设计参数确定的或者基于特征块面积的预设比例确定的；
计算所述第一差值与所述数值稳定度的比值，将比值最小的同心图形作为所述目标同心图形。
32.根据权利要求18所述的装置，其中，所述像素块是通过以下方式确定的：
以所述特征块的中心点为圆心，将所述特征块从内到外划分为多个同心圆区域，其中，所述多个同心圆区域中包括：位于最底层的同心圆范围内的第一区域；所述最底层的同心圆相邻的第一圆环区域；与所述第一圆环区域相邻的第二圆环区域；与所述第二圆环区域相邻的第三圆环区域；其中，所述第一区域、第一圆环区域、第二圆环区域和所述第三圆环区域的边与所述圆心的距离依次增大；
依次调整所述第一区域和第一圆环区域的大小，并计算每次调整后所述第一区域和第一圆环区域的集中趋势指标的第二差值，以及计算每次调整后所述第一区域和所述第一圆环区域之和，得到第二目标面积，其中，调整完成后所述第一区域和所述第一圆环区域的均值或中位数的差值最大；
依据所述第二目标面积和所述第二差值确定所述像素块。
33.根据权利要求32所述的装置，其中，依据所述第二目标面积和所述第二差值确定所述像素块，包括：
计算第二预设面积与所述第二目标面积之间的第三差值，其中，所述第二预设面积为所述多肽芯片的芯片设计参数中的或者预设比例的特征块面积；
计算所述第三差值与所述第二差值的比值，将最大比值对应的区域作为所述像素块。
34.根据权利要求33所述的装置，其中，所述装置还包括：
第三确定模块，用于基于所述特征点确定每个网格区域中的特征区域之前，以所述多个网格区域的中心点为中心，围绕所述中心点取预设面积的像素块；对所述像素块以像素为单位进行调整，并在每次调整后计算所述像素块的对称性指标，其中，该对称性指标用于指示所述像素块中的有效特征点的分布对称程度，所述有效特征点为所述多肽芯片中的多肽探针检测到抗原的位置处的特征点；将计算得到的对称性指标中的最大值对应的中心点作为确定所述候选特征点的中心点。
35.一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至17中任意一项所述的图像数据处理的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384396 | 2020-12-01 | ||
| CN2020113843966 | 2020-12-01 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638774A CN114638774A (zh) | 2022-06-17 |
| CN114638774B true CN114638774B (zh) | 2024-02-02 |
Family
ID=81945124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011467543.6A Active CN114638774B (zh) | 2020-12-01 | 2020-12-14 | 图像数据处理方法及装置、非易失性存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638774B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009015820A (ja) * | 2007-06-06 | 2009-01-22 | Sharp Corp | 画像処理装置、画像形成装置、画像送信装置、画像読取装置、画像処理システム、画像処理方法、画像処理プログラムおよびその記録媒体 |
| CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
| JP2017054431A (ja) * | 2015-09-11 | 2017-03-16 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
| CN109165572A (zh) * | 2018-08-03 | 2019-01-08 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN109934216A (zh) * | 2017-12-19 | 2019-06-25 | 华为技术有限公司 | 图像处理的方法、装置、计算机可读存储介质 |
| CN110276348A (zh) * | 2019-06-20 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 一种图像定位方法、装置、服务器及存储介质 |
| CN110473238A (zh) * | 2019-06-25 | 2019-11-19 | 浙江大华技术股份有限公司 | 一种图像配准方法、装置、电子设备及存储介质 |
| CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
| CN111325215A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
| CN111369604A (zh) * | 2020-02-26 | 2020-07-03 | 广州海洋地质调查局 | 一种基于网格的地形特征点提取方法及处理终端 |
| CN111767819A (zh) * | 2020-06-23 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
| CN111862206A (zh) * | 2019-12-31 | 2020-10-30 | 滴图(北京)科技有限公司 | 一种视觉定位方法、装置、电子设备及可读存储介质 |
| CN111862204A (zh) * | 2019-12-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 图像的视觉特征点的提取方法及相关装置 |
| CN111881913A (zh) * | 2019-07-05 | 2020-11-03 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| CN111986262A (zh) * | 2020-09-07 | 2020-11-24 | 北京凌云光技术集团有限责任公司 | 一种图像区域定位方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060173628A1 (en) * | 2005-02-02 | 2006-08-03 | Sampas Nicholas M | Method and system for determining feature-coordinate grid or subgrids of microarray images |
| JP2010182150A (ja) * | 2009-02-06 | 2010-08-19 | Seiko Epson Corp | 顔の特徴部位の座標位置を検出する画像処理装置 |
| US9531962B2 (en) * | 2014-07-24 | 2016-12-27 | Samsung Electronics Co., Ltd. | Image set alignment and combination processing |
-
2020
- 2020-12-14 CN CN202011467543.6A patent/CN114638774B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009015820A (ja) * | 2007-06-06 | 2009-01-22 | Sharp Corp | 画像処理装置、画像形成装置、画像送信装置、画像読取装置、画像処理システム、画像処理方法、画像処理プログラムおよびその記録媒体 |
| CN103258328A (zh) * | 2013-04-27 | 2013-08-21 | 浙江大学 | 一种宽视场镜头的畸变中心定位方法 |
| JP2017054431A (ja) * | 2015-09-11 | 2017-03-16 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| CN109934216A (zh) * | 2017-12-19 | 2019-06-25 | 华为技术有限公司 | 图像处理的方法、装置、计算机可读存储介质 |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
| CN109165572A (zh) * | 2018-08-03 | 2019-01-08 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN111325215A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
| CN110276348A (zh) * | 2019-06-20 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 一种图像定位方法、装置、服务器及存储介质 |
| CN110473238A (zh) * | 2019-06-25 | 2019-11-19 | 浙江大华技术股份有限公司 | 一种图像配准方法、装置、电子设备及存储介质 |
| CN111881913A (zh) * | 2019-07-05 | 2020-11-03 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| CN111862204A (zh) * | 2019-12-18 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 图像的视觉特征点的提取方法及相关装置 |
| CN111862206A (zh) * | 2019-12-31 | 2020-10-30 | 滴图(北京)科技有限公司 | 一种视觉定位方法、装置、电子设备及可读存储介质 |
| CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
| CN111369604A (zh) * | 2020-02-26 | 2020-07-03 | 广州海洋地质调查局 | 一种基于网格的地形特征点提取方法及处理终端 |
| CN111767819A (zh) * | 2020-06-23 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
| CN111986262A (zh) * | 2020-09-07 | 2020-11-24 | 北京凌云光技术集团有限责任公司 | 一种图像区域定位方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 图像匹配方法研究综述;贾迪;朱宁丹;杨宁华;吴思;李玉秀;赵明远;;中国图象图形学报(第05期);全文 * |
| 基于动态网格和分区域聚类的玉米苗带识别算法研究;张博立等;《中国农机化学报》;全文 * |
| 结合区域协方差分析的图像显著性检测;张旭东;吕言言;缪永伟;郝鹏翼;陈佳舟;;中国图象图形学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638774A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11227405B2 (en) | Determining positions and orientations of objects | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN105046271B (zh) | 基于模板匹配的melf元件定位与检测方法 | |
| JP4420821B2 (ja) | 組織学的アセスメント | |
| CN109886878B (zh) | 一种基于由粗到精配准的红外图像拼接方法 | |
| US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
| US20190362481A1 (en) | Detecting mura defects in master panel of flat panel displays during fabrication | |
| CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
| JP4996394B2 (ja) | 認証装置及び認証方法 | |
| CN110580481B (zh) | 一种基于epi的光场图像关键位置检测方法 | |
| CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
| CN116391204A (zh) | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
| US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
| CN111968115A (zh) | 基于栅格化图像处理方法的骨科耗材检测方法及系统 | |
| CN112037221A (zh) | 宫颈癌tct切片阳性细胞检测模型多域共适应训练方法 | |
| CN104268550B (zh) | 特征提取方法及装置 | |
| CN113269733B (zh) | 一种断层扫描图像中放射粒子的伪影检测方法 | |
| CN114638774B (zh) | 图像数据处理方法及装置、非易失性存储介质 | |
| JP6300571B2 (ja) | 収穫補助装置 | |
| CN115862006B (zh) | 一种面粉磨粉过程中麸星的检测方法 | |
| Wang et al. | Precise gridding of microarray images by detecting and correcting rotations in subarrays | |
| JP7003786B2 (ja) | 粒子径測定装置及び粒子径測定方法 | |
| CN114691915A (zh) | 一种通过算法提升瓷砖图像识别的方法及装置 | |
| CN104156696B (zh) | 基于双方向图的快速局部不变特征描述子的构造方法 |
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 |