CN114820488A - 一种样本成分分析方法、装置、设备及存储介质 - Google Patents

一种样本成分分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114820488A
CN114820488A CN202210397976.1A CN202210397976A CN114820488A CN 114820488 A CN114820488 A CN 114820488A CN 202210397976 A CN202210397976 A CN 202210397976A CN 114820488 A CN114820488 A CN 114820488A
Authority
CN
China
Prior art keywords
image
image block
focused
target
definition
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.)
Pending
Application number
CN202210397976.1A
Other languages
English (en)
Inventor
包永挺
张宏杰
武美辰
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.)
Cobio Smarter Healthcare Technology Co ltd
Original Assignee
Cobio Smarter Healthcare Technology 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 Cobio Smarter Healthcare Technology Co ltd filed Critical Cobio Smarter Healthcare Technology Co ltd
Priority to CN202210397976.1A priority Critical patent/CN114820488A/zh
Publication of CN114820488A publication Critical patent/CN114820488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20021Dividing image into blocks, subimages or windows
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种样本成分分析方法、装置、设备及存储介质,该方法包括:获取基于待检测样本采集到的聚焦图像序列;其中,所述聚焦图像序列包含至少两张聚焦图像;确定各聚焦图像分别对应的至少一个图像块,并基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;对所述目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果。本发明实施例解决了单一聚焦层的目标图像中图像信息不全的问题,保证了样本成分分析结果的准确度。

Description

一种样本成分分析方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域,尤其涉及一种样本成分分析方法、装置、设备及存储介质。
背景技术
随着医疗技术水平的不断提升,体液(如尿液、胸腹水、脑脊液等等)样本的检测逐步被全自动仪器所替代。全自动仪器通常先对注入到容器中的体液进行离心沉淀处理,将体液内的样本成分沉降到容器底部,对沉淀后的体液进行一次全行程扫描,通过聚焦算法计算最佳聚焦位置,再基于最佳聚焦位置执行一次短行程扫描,将最佳聚焦位置对应的图像作为后续样本成分分析的目标图像。
但基于单一聚焦层的目标图像进行样本成分分析的方法,一方面,该目标图像可能会丢失一些体积较小的样本成分,另一方面,该目标图像可能会导致体积较大的样本成分拍摄不全,以上两种问题均会造成样本成分分析结果的不准确。
发明内容
本发明提供了一种样本成分分析方法、装置、设备及存储介质,以解决现有的目标图像的图像信息不全的问题,提高样本分析结果的准确度。
根据本发明的一方面,提供了一种样本成分分析方法,该方法包括:
获取基于待检测样本采集到的聚焦图像序列;其中,所述聚焦图像序列包含至少两张聚焦图像;
确定各聚焦图像分别对应的至少一个图像块,并基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
对所述目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果。
根据本发明的另一方面,提供了一种样本成分分析装置,该装置包括:
聚焦图像序列获取模块,用于获取基于待检测样本采集到的聚焦图像序列;其中,所述聚焦图像序列包含至少两张聚焦图像;
清晰度确定模块,用于确定各聚焦图像分别对应的至少一个图像块,并基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
目标分析图像确定模块,用于基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
样本成分分析结果确定模块,用于对所述目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的样本成分分析方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的样本成分分析方法。
本发明实施例的技术方案,通过获取多张聚焦图像,确定各聚焦图像分别对应的至少一个图像块,并基于各图像分别对应的图像块参数,确定各图像块分别对应的清晰度,基于各清晰度,对多张聚焦图像执行融合操作,得到目标分析图像,对目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果,解决了单一聚焦层的目标图像中图像信息不全的问题,降低了样本成分分析结果的误识别率和漏识别率,保证了样本成分分析结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种样本成分分析方法的流程图;
图2是根据本发明实施例一提供的一种采集聚焦图像序列的示意图;
图3是根据本发明实施例一提供的一种分割图像块的示意图;
图4是根据本发明实施例一提供的一种确定目标分析图像的示意图;
图5是根据本发明实施例二提供的一种样本成分分析方法的流程图;
图6是根据本发明实施例二提供的一种初始分析图像的示意图;
图7是根据本发明实施例二提供的一种确定目标图像块的示意图;
图8是根据本发明实施例三提供的一种样本成分分析装置的结构示意图;
图9是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“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。
实施例一
图1是根据本发明实施例一提供的一种样本成分分析方法的流程图,本实施例可适用于对体液样本进行样本成分分析的情况,该方法可以由样本成分分析装置来执行,该样本成分分析装置可以采用硬件和/或软件的形式实现,该样本成分分析装置可配置于终端设备或样本检测设备中。如图1所示,该方法包括:
S110、获取基于待检测样本采集到的聚焦图像序列。
其中,示例性的,待检测样本可以是体液,体液是指身体内的液体物质,具体的,体液包括但不限于血液、组织液、淋巴液、尿液、胸腹水和脑脊液等等。此处对待检测样本中的液体成分不作限定。
在本实施例中,聚焦图像序列包含至少两张聚焦图像。其中,具体的,聚焦图像序列可以是图像采集设备基于短行程扫描参数采集到的聚焦图像集合中的任意多张聚焦图像。在一个实施例中,可选的,聚焦图像序列包含最佳聚焦图像以及与最佳聚焦图像相邻的至少一张聚焦图像。
图2是根据本发明实施例一提供的一种采集聚焦图像序列的示意图。具体的,图2中的承载容器中注入有沉淀后的待检测样本,图2示出了承载容器中的5个采集视野,承载容器中的不同形状的图形均表示待检测样本包含的样本成分,示例性的,当待检测样本为体液时,不同大小的椭圆形分别表示不同尺寸的细胞,不同大小的方形分别表示不同尺寸的结晶。
具体的,图像采集设备基于全行程扫描参数对第一个采集视野(从左到右)执行一次全行程扫描,第一个采集视野中的多条虚线表示全行程扫描过程的聚焦拍摄层。基于聚焦采集算法,确定待检测样本对应的最佳聚焦位置,即图2中贯穿承载容器的虚线对应的位置。基于最佳聚焦位置和短行程扫描参数,对剩余的4个采集视野分别执行一次短行程扫描,4个采集视野中的虚线分别表示短行程扫描过程中的聚焦拍摄层。具体的,短行程扫描的多个聚焦拍摄层的中心拍摄层位置为最佳聚焦拍摄位置,与最佳聚焦拍摄位置对应的聚焦图像为聚焦图像序列中的最佳聚焦图像。
在本实施例中,聚焦图像序列可以包含与短行程扫描中多个聚焦拍摄层分别对应的聚焦图像,也可以包含短行程扫描中部分聚焦拍摄层分别对应的聚焦图像,其中,部分聚焦拍摄层中包含中心拍摄层。
这样设置的好处在于,保证聚焦图像序列的整体的清晰度水平,从而提高后续融合得到的目标分析图像的清晰度。
S120、确定各聚焦图像分别对应的至少一个图像块,并基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度。
其中,具体的,如果图像块的数量为1个,则图像块为整个聚焦图像,如果图像块的数量为多个,则图像块为聚焦图像中的一部分图像。
在一个实施例中,可选的,确定各聚焦图像分别对应的至少一个图像块,包括:基于预设分割参数,对各聚焦图像分别执行分割操作,得到各聚焦图像分别对应的至少一个图像块;其中,预设分割参数包括分割数量、图像块尺寸、图像块的图像坐标位置、图像块的形状和相邻的图像块之间的尺寸间隔中至少一种。
其中,具体的,分割数量可用于表征每个聚焦图像分割后分别得到的图像块的数量,也可以表征整个聚焦图像序列对应的图像块的数量;图像块的图像坐标位置用于表征图像块的任意像素点在聚焦图像中的坐标位置,示例性的,当图像块的形状为方形时,该像素点包括但不限于图像块的左上角像素点、左下角像素点、右上角像素点、右下角像素点或中心像素点等等;在一张聚焦图像中,各图像块的形状和尺寸可以相同也可以不同,只需保证不同聚焦图像中同一图像坐标位置对应的图像块的形状和图像块的尺寸相同即可。
图3是根据本发明实施例一提供的一种分割图像块的示意图。具体的,图3中的左图示出了聚焦图像序列中的n张聚焦图像,分别为a1、a2、a3…an,图3中的中间图以聚焦图像序列中的第i张聚焦图像为例,示出了第i张聚焦图像中的n个图像块,分别为bi1、bi2、bi3…bin,聚焦图像序列中的其他聚焦图像分割得到的图像块与第i张聚焦图像分割得到的图像块相同。图3中的右图示出了对第i个聚焦图像进行分割得到的第i个图像块bii。
清晰度是用于衡量数字图像质量的重要标准。关于清晰度的计算方法将在下述实施例中进行具体解释说明。
S130、基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像。
在一个实施例中,可选的,基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像,包括:基于各图像块分别对应的图像坐标位置,确定至少两个图像块集合;其中,图像块集合中的各图像块对应的图像坐标位置相同;针对每个图像块集合,基于图像块集合中的各图像块分别对应的清晰度与各图像块中各像素点分别对应的像素值,确定融合图像块;基于至少两个融合图像块,确定目标分析图像。
其中,具体的,图像块集合的数量与一张聚焦图像对应的图像块的数量相同。以图3中的示例为例,第i个图像块集合包含的图像块分别为b1i、b2i、b3i…bni,各图像块分别表示第1张聚焦图像、第2张聚焦图像、第三张聚焦图像…第n张聚焦图像中的第i个图像块。
其中,具体的,将图像块集合中的各图像块分别对应的清晰度作为各图像块分别对应的像素权重,将图像块的像素权重与图像块中各像素点分别对应的像素值相乘,得到增强图像块,将图像块集合对应的至少两个增强图像块中各像素点分别对应的增强像素值相加,得到融合图像块。
其中,具体的,融合图像块中融合像素点的融合像素值满足公式:
b'p=b1p·d1+b2p·d2+…+bnp·dn
其中,b'p表示融合图像块中第p个像素点的融合像素值,b1p表示图像块集合中第1个图像块中第p个像素点的像素值,b2p表示图像块集合中第2个图像块中第p个像素点的像素值,bnp表示图像块集合中第n个图像块中第p个像素点的像素值,d1表示第1个图像块对应的清晰度,d2表示第2个图像块对应的清晰度,dn表示第n个图像块对应的清晰度。
图4是根据本发明实施例一提供的一种确定目标分析图像的示意图。具体的,图4的聚焦图像序列中“cn.m”表示第n张聚焦图像中第m个图像块对应的图像坐标位置,示例性的,c1.1、c2.1…cn.1表示的图像块的图像坐标位置相同。图4中的融合图像块集中包含4个融合图像块,其中,b’1、b’2、b’3和b’4分别表示基于第1个图像块集合、第2个图像集合、第3个图像集合和第4个图像块集合分别得到的融合图像块。将4个融合图像块进行拼接,得到目标分析图像。
在上述实施例的基础上,可选的,在基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像之前,该方法还包括:对各图像块分别对应的清晰度执行归一化处理,得到归一化后的清晰度。
其中,具体的,归一化后的清晰度满足公式:
Figure BDA0003588961360000081
其中,n表示聚焦图像序列中聚焦图像的图像数量,m表示每个聚焦图像中图像块的图像块数量,d’ij表示第i张聚焦图像中第j个图像块对应的归一化后的清晰度。
这样设置的好处在于,避免由于不同图像块对应的清晰度的数量级差距过大,导致目标分析图像中不同融合图像块之间的像素值差距较大,从而影响后续样本分析结果的准确度。
S140、对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果。
其中,示例性的,样本成分分析结果包括但不限于样本成分的种类和各种类分别对应的样本数量等等。
本实施例的技术方案,通过获取多张聚焦图像,确定各聚焦图像分别对应的至少一个图像块,并基于各图像分别对应的图像块参数,确定各图像块分别对应的清晰度,基于各清晰度,对多张聚焦图像执行融合操作,得到目标分析图像,对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果,解决了单一聚焦层的目标图像中图像信息不全的问题,降低了样本成分分析结果的误识别率和漏识别率,保证了样本成分分析结果的准确度。
实施例二
图5是根据本发明实施例二提供的一种样本成分分析方法的流程图,本实施例对上述实施例中的“基于至少两个融合图像块,确定目标分析图像”进行进一步细化。如图5所示,该方法包括:
S210、获取基于待检测样本采集到的聚焦图像序列。
S220、确定各聚焦图像分别对应的至少一个图像块,并基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度。
在一个实施例中,可选的,基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度,包括:针对每个图像块,将图像块对应的图像块参数输入到预先训练完成的神经网络模型中,得到输出的图像块对应的清晰度;和/或,采用预设清晰度算法,基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;其中,预设清晰度算法包括基于频率域特征算法、基于统计特征算法和基于空间域特征算法中至少一种。
其中,示例性的,神经网络模型的模型类型包括但不限于多层感知机、卷积神经网络模型、残差收缩网络模型、全连接网络模型,编码器-解码器或生成对抗网络模型等等。此处对神经网络模型的模型类型不作限定。
在上述实施例的基础上,可选的,神经网络模型的训练方法包括:将多个样本图像块分别输入到未训练的神经网络模型中,得到输出结果,基于输出结果和与各样本图像块分别对应的真实清晰度,对未训练的神经网络模型的模型参数进行调整,得到训练完成的神经网络模型。
其中,具体的,基于频率域特征算法通过将聚焦图像变换到频域,然后基于提取的高频分量确定聚焦图像的清晰度;基于统计特征算法,如灰度熵函数,聚焦图像的信息熵值越高,清晰度越高;基于空间域特征算法,如能量梯度函数、方差函数或Vollath函数等,其中,能量梯度函数通过提取聚焦图像的边缘信息,边缘越尖锐,会有更大的梯度值,清晰度也就越高。
在一个实施例中,采用神经网络模型,得到图像块对应的第一清晰度,以及采用三种预设清晰度算法,得到图像块分别对应的第二清晰度、第三清晰度和第四清晰度,将多个清晰度中的中值、最大值、最小值或均值作为图像块最终对应的清晰度。
这样设置的好处在于,可以提高计算得到的清晰度的准确度,从而保证后续样本成分分析结果的准确度。
S230、基于各图像块分别对应的图像坐标位置,确定至少两个图像块集合。
S240、针对每个图像块集合,基于图像块集合中的各图像块分别对应的清晰度与各图像块中各像素点分别对应的像素值,确定融合图像块。
S250、对至少两个融合图像块执行拼接操作,得到初始分析图像。
S260、判断初始分析图像中是否存在空白区域图像,如果是,则执行S270,如果否,则执行S290。
图6是根据本发明实施例二提供的一种初始分析图像的示意图。具体的,图6中的初始分析图像A中包含4个融合图像块,且不存在空白区域图像。如6中的初始分析图像B中同样包含4个融合图像块,但该4个融合图像块不能组成与原聚焦图像的图像尺寸相同的图像,初始分析图像B中存在空白区域图像。
其中,具体的,可根据预设分割参数中的相邻的图像块之间的尺寸间隔,确定初始分析图像中是否存在空白区域图像。如果尺寸间隔为0,则初始分析图像中不存在空白区域图像,如果尺寸间隔不为0,则初始分析图像中存在空白区域图像。
S270、针对空白区域图像内的每个像素点,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值。
图7是根据本发明实施例二提供的一种确定目标图像块的示意图。图7中的A点表示初始分析图像中的空白区域图像中待计算目标像素值的像素点。
在一个实施例中,可选的,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值,包括:将初始分析图像中与像素点对应的像素点坐标位置距离最近的融合图像块作为目标图像块,基于各聚焦图像中与目标图像块分别对应的清晰度以及各聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值。
以图7为例,像素点A对应的目标图像块为“b1”,相应的,像素点A目标像素值满足公式:
b'A=b1A·d11+b2A·d21+…+bnA·dn1
b'A表示空白区域图像中像素点A的目标像素值,b1A表示聚焦图像序列中的第1张聚焦图像中像素点A对应的像素值,b2A表示聚焦图像序列中的第2张聚焦图像中像素点A对应的像素值,bnA表示聚焦图像序列中的第n张聚焦图像中像素点A对应的像素值,d11表示聚焦图像序列中的第1张聚焦图像中图像块b1对应的清晰度,d21表示聚焦图像序列中的第2张聚焦图像中图像块b1对应的清晰度,dn1表示聚焦图像序列中的第n张聚焦图像中图像块b1对应的清晰度。
在另一个实施例中,可选的,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值,包括:将初始分析图像中与像素点对应的像素点坐标位置对应的预设距离范围内的至少一个图像块分别作为目标图像块,针对每张聚焦图像,将各目标图像块分别对应的清晰度的均值作为目标清晰度,基于各聚焦图像分别对应的目标清晰度以及各聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值。
以图7为例,像素点A对应的目标图像块包括“b1、b2、b4和b5”,相应的,像素点A目标像素值满足公式:
b'A=b1A·d1+b2A·d2+…+bnA·dn
b'A表示空白区域图像中像素点A的目标像素值,b1A表示聚焦图像序列中的第1张聚焦图像中像素点A对应的像素值,b2A表示聚焦图像序列中的第2张聚焦图像中像素点A对应的像素值,bnA表示聚焦图像序列中的第n张聚焦图像中像素点A对应的像素值,d1表示聚焦图像序列中的第1张聚焦图像对应的目标清晰度,d2表示聚焦图像序列中的第2张聚焦图像对应的目标清晰度,dn表示聚焦图像序列中的第n张聚焦图像对应的目标清晰度。
其中,聚焦图像序列中的第i张聚焦图像对应的目标清晰度di满足公式:
Figure BDA0003588961360000121
其中,di1表示第i张聚焦图像中图像块b1对应的清晰度,di2表示第i张聚焦图像中图像块b2对应的清晰度,di4表示第i张聚焦图像中图像块b4对应的清晰度,di5表示第i张聚焦图像中图像块b5对应的清晰度。
在另一个实施例中,可选的,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值,包括:针对每个聚焦图像,将聚焦图像对应的各图像块分别对应的清晰度的均值作为目标清晰度,基于目标清晰度以及各聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值。
其中,像素点A目标像素值满足公式:
b'A=b1A·d1+b2A·d2+…+bnA·dn
b'A表示空白区域图像中像素点A的目标像素值,b1A表示聚焦图像序列中的第1张聚焦图像中像素点A对应的像素值,b2A表示聚焦图像序列中的第2张聚焦图像中像素点A对应的像素值,bnA表示聚焦图像序列中的第n张聚焦图像中像素点A对应的像素值,d1表示聚焦图像序列中的第1张聚焦图像对应的目标清晰度,d2表示聚焦图像序列中的第2张聚焦图像对应的目标清晰度,dn表示聚焦图像序列中的第n张聚焦图像对应的目标清晰度。
以图7为例,聚焦图像序列中的第i张聚焦图像对应的目标清晰度di满足公式:
Figure BDA0003588961360000131
其中,di1表示第i张聚焦图像中图像块b1对应的清晰度,di2表示第i张聚焦图像中图像块b2对应的清晰度,di8表示第i张聚焦图像中图像块b8对应的清晰度。
S280、基于至少一个目标像素值,对初始分析图像执行填充操作,得到目标分析图像,并执行S291。
S290、将初始分析图像作为目标分析图像。
S291、对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果。
在上述实施例的基础上,可选的,该方法还包括:响应于检测到查看指令,获取聚焦图像序列中与查看指令中的序列号对应的目标聚焦图像;响应于检测到查看指令,获取聚焦图像序列中与查看指令中的序列号对应的目标聚焦图像。
其中,示例性的,可根据聚焦图像的采集顺序,确定各聚焦图像分别对应的序列号。
这样设置的好处在于,方便用户查看不同聚焦拍摄层分别对应的聚焦图像,直观的看到每个聚焦拍摄层中的样本成分,解决目标分析图像中存在虚影无法识别样本成分的问题。
本实施例的技术方案,通过对融合图像块执行拼接操作得到的初始分析图像进行是否存在空白区域图像的判断,如果存在,则针对空白区域图像内的每个像素点,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值,基于至少一个目标像素值,对初始分析图像执行填充操作,得到目标分析图像,解决了目标分析图像拼接不完整的问题。进一步地,由于待检测样本中存在各种形状、各种大小的样本成分,固定的分割尺寸或分割形状可能会影响到目标分析图像的清晰度,使得目标分析图像丢失部分图像信息,本实施例提出的空白区域图像的填充方法使得图像块的切分无需遵循单一固定的切分参数,提高了图像块的多样性,从而进一步保证了后续样本成分分析结果的准确度。
实施例三
图8是根据本发明实施例三提供的一种样本成分分析装置的结构示意图。如图8所示,该装置包括:聚焦图像序列获取模块310、清晰度确定模块320、目标分析图像确定模块330和样本成分分析结果确定模块340。
其中,聚焦图像序列获取模块310,用于获取基于待检测样本采集到的聚焦图像序列;其中,聚焦图像序列包含至少两张聚焦图像;
清晰度确定模块320,用于确定各聚焦图像分别对应的至少一个图像块,并基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
目标分析图像确定模块330,用于基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
样本成分分析结果确定模块340,用于对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果。
本实施例的技术方案,通过获取多张聚焦图像,确定各聚焦图像分别对应的至少一个图像块,并基于各图像分别对应的图像块参数,确定各图像块分别对应的清晰度,基于各清晰度,对多张聚焦图像执行融合操作,得到目标分析图像,对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果,解决了单一聚焦层的目标图像中图像信息不全的问题,降低了样本成分分析结果的误识别率和漏识别率,保证了样本成分分析结果的准确度。
在上述实施例的基础上,可选的,目标分析图像确定模块330包括:
图像块集合确定单元,用于基于各图像块分别对应的图像坐标位置,确定至少两个图像块集合;其中,图像块集合中的各图像块对应的图像坐标位置相同;
融合图像块确定单元,用于针对每个图像块集合,基于图像块集合中的各图像块分别对应的清晰度与各图像块中各像素点分别对应的像素值,确定融合图像块;
目标分析图像确定单元,用于基于至少两个融合图像块,确定目标分析图像。
在上述实施例的基础上,可选的,目标分析图像确定单元,具体用于:
对至少两个融合图像块执行拼接操作,得到初始分析图像,并判断初始分析图像中是否存在空白区域图像;
如果存在,则针对空白区域图像内的每个像素点,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与像素点分别对应的像素值,确定像素点对应的目标像素值;
基于至少一个目标像素值,对初始分析图像执行填充操作,得到目标分析图像。
在上述实施例的基础上,可选的,该装置还包括:
归一化处理模块,用于基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像之前,对各图像块分别对应的清晰度执行归一化处理,得到归一化后的清晰度。
在上述实施例的基础上,可选的,清晰度确定模块320,包括:
第一清晰度确定单元,用于针对每个图像块,将图像块对应的图像块参数输入到预先训练完成的神经网络模型中,得到输出的图像块对应的清晰度;
和/或,
第二清晰度确定单元,用于采用预设清晰度算法,基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;其中,预设清晰度算法包括基于频率域特征算法、基于统计特征算法和基于空间域特征算法中至少一种。
在上述实施例的基础上,可选的,清晰度确定模块320,包括:
图像块确定单元,用于基于预设分割参数,对各聚焦图像分别执行分割操作,得到各聚焦图像分别对应的至少一个图像块;其中,预设分割参数包括分割数量、图像块尺寸、图像块的图像坐标位置、图像块的形状和相邻的图像块之间的尺寸间隔中至少一种。
在上述实施例的基础上,可选的,该装置还包括:
目标聚焦图像展示模块,用于响应于检测到查看指令,获取聚焦图像序列中与查看指令中的序列号对应的目标聚焦图像;
通过可视化工具,将目标聚焦图像展示给用户。
本发明实施例所提供的样本成分分析装置可执行本发明任意实施例所提供的样本成分分析方法,具备执行方法相应的功能模块和有益效果。
实施例四
图9是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图9所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如样本成分分析方法。
在一些实施例中,样本成分分析方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的样本成分分析方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行样本成分分析方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的样本成分分析方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种样本成分分析方法,该方法包括:
获取基于待检测样本采集到的聚焦图像序列;其中,聚焦图像序列包含至少两张聚焦图像;
确定各聚焦图像分别对应的至少一个图像块,并基于各图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
对目标分析图像执行样本成分分析操作,得到与待检测样本对应的样本成分分析结果。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (10)

1.一种样本成分分析方法,其特征在于,包括:
获取基于待检测样本采集到的聚焦图像序列;其中,所述聚焦图像序列包含至少两张聚焦图像;
确定各聚焦图像分别对应的至少一个图像块,并基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
对所述目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果。
2.根据权利要求1所述的方法,其特征在于,所述基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像,包括:
基于各图像块分别对应的图像坐标位置,确定至少两个图像块集合;其中,所述图像块集合中的各图像块对应的图像坐标位置相同;
针对每个图像块集合,基于所述图像块集合中的各图像块分别对应的清晰度与各图像块中各像素点分别对应的像素值,确定融合图像块;
基于至少两个融合图像块,确定目标分析图像。
3.根据权利要求2所述的方法,其特征在于,所述基于至少两个融合图像块,确定目标分析图像,包括:
对至少两个融合图像块执行拼接操作,得到初始分析图像,并判断所述初始分析图像中是否存在空白区域图像;
如果存在,则针对所述空白区域图像内的每个像素点,基于各图像块分别对应的清晰度以及至少两个聚焦图像中与所述像素点分别对应的像素值,确定所述像素点对应的目标像素值;
基于至少一个目标像素值,对所述初始分析图像执行填充操作,得到目标分析图像。
4.根据权利要求1所述的方法,其特征在于,在基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像之前,所述方法还包括:
对各图像块分别对应的清晰度执行归一化处理,得到归一化后的清晰度。
5.根据权利要求1所述的方法,其特征在于,所述基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度,包括:
针对每个图像块,将所述图像块对应的图像块参数输入到预先训练完成的神经网络模型中,得到输出的所述图像块对应的清晰度;
和/或,
采用预设清晰度算法,基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;其中,所述预设清晰度算法包括基于频率域特征算法、基于统计特征算法和基于空间域特征算法中至少一种。
6.根据权利要求1所述的方法,其特征在于,所述确定各聚焦图像分别对应的至少一个图像块,包括:
基于预设分割参数,对各所述聚焦图像分别执行分割操作,得到各聚焦图像分别对应的至少一个图像块;其中,所述预设分割参数包括分割数量、图像块尺寸、图像块的图像坐标位置、图像块的形状和相邻的图像块之间的尺寸间隔中至少一种。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于检测到查看指令,获取所述聚焦图像序列中与所述查看指令中的序列号对应的目标聚焦图像;
通过可视化工具,将所述目标聚焦图像展示给用户。
8.一种样本成分分析装置,其特征在于,包括:
聚焦图像序列获取模块,用于获取基于待检测样本采集到的聚焦图像序列;其中,所述聚焦图像序列包含至少两张聚焦图像;
清晰度确定模块,用于确定各聚焦图像分别对应的至少一个图像块,并基于各所述图像块分别对应的图像块参数,确定各图像块分别对应的清晰度;
目标分析图像确定模块,用于基于各图像块分别对应的清晰度,对至少两张聚焦图像执行融合操作,得到目标分析图像;
样本成分分析结果确定模块,用于对所述目标分析图像执行样本成分分析操作,得到与所述待检测样本对应的样本成分分析结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的样本成分分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的样本成分分析方法。
CN202210397976.1A 2022-04-11 2022-04-11 一种样本成分分析方法、装置、设备及存储介质 Pending CN114820488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210397976.1A CN114820488A (zh) 2022-04-11 2022-04-11 一种样本成分分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210397976.1A CN114820488A (zh) 2022-04-11 2022-04-11 一种样本成分分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114820488A true CN114820488A (zh) 2022-07-29

Family

ID=82536364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210397976.1A Pending CN114820488A (zh) 2022-04-11 2022-04-11 一种样本成分分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114820488A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128782A (zh) * 2023-04-19 2023-05-16 苏州苏映视图像软件科技有限公司 一种图像生成方法、装置、设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128782A (zh) * 2023-04-19 2023-05-16 苏州苏映视图像软件科技有限公司 一种图像生成方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
US20230008696A1 (en) Method for incrementing sample image
CN112819821B (zh) 一种细胞核图像检测方法
CN113807350A (zh) 一种目标检测方法、装置、设备及存储介质
CN113409284B (zh) 电路板故障检测方法、装置、设备以及存储介质
CN109146891B (zh) 一种应用于mri的海马体分割方法、装置及电子设备
CN115409990B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN115294332A (zh) 一种图像处理方法、装置、设备和存储介质
CN113344862A (zh) 缺陷检测方法、装置、电子设备及存储介质
CN115861255A (zh) 用于图像处理的模型训练方法、装置、设备、介质及产品
CN114820488A (zh) 一种样本成分分析方法、装置、设备及存储介质
CN115359322A (zh) 一种目标检测模型训练方法、装置、设备和存储介质
CN115311244A (zh) 一种病灶尺寸确定方法、装置、电子设备及存储介质
CN113658274A (zh) 用于灵长类动物种群行为分析的个体间距自动计算方法
CN112749978A (zh) 检测方法、装置、设备、存储介质以及程序产品
CN114926447B (zh) 用于训练模型的方法、用于检测目标的方法和装置
CN117115568B (zh) 数据筛选方法、装置、设备及存储介质
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN112801082B (zh) 图像的采样方法、装置及电子设备
CN114037865B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN115032615B (zh) 一种激光雷达标定点确定方法、装置、设备及存储介质
CN114757845A (zh) 基于人脸识别的光线调节方法、装置、电子设备及介质
CN117974611A (zh) 肋骨抑制模型的生成方法、装置、电子设备及存储介质
CN116580296A (zh) 一种道路积水区域的检测方法、装置、设备及存储介质
CN117690181A (zh) 虹膜图像的处理方法、装置、电子设备及存储介质
CN116664951A (zh) 一种图像分类模型的训练方法、图像分类方法和装置

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