CN115082379A - 一种活性污泥相差显微图像絮体和丝状菌分割方法 - Google Patents
一种活性污泥相差显微图像絮体和丝状菌分割方法 Download PDFInfo
- Publication number
- CN115082379A CN115082379A CN202210596702.5A CN202210596702A CN115082379A CN 115082379 A CN115082379 A CN 115082379A CN 202210596702 A CN202210596702 A CN 202210596702A CN 115082379 A CN115082379 A CN 115082379A
- Authority
- CN
- China
- Prior art keywords
- image
- flocs
- activated sludge
- floc
- filamentous
- 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
Links
- 239000010802 sludge Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 title claims abstract description 38
- 241000894006 Bacteria Species 0.000 title claims abstract description 24
- 241000233866 Fungi Species 0.000 claims abstract description 42
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000010865 sewage Substances 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000012634 fragment Substances 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000005273 aeration Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 125000001475 halogen functional group Chemical group 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G06T5/70—
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明一种活性污泥相差显微图像絮体和丝状菌分割方法，属于污水处理智能检测方法，本发明解决在相差显微晕圈和遮光效应影响下，难以区分絮体、丝状菌和背景的问题，并提取相应的特征。具体实现方法包括：图像采集、絮体分割、丝状菌分割和特征提取。图像采集：使用相差显微镜和图像采集软件获取活性污泥的相差显微图像；絮体分割：利用灰度变换、图像反转以及开操作对图像进行预处理，用Otsu方法对絮体进行分割；丝状菌分割：采用多尺度Retinex、顶帽底帽滤波增强絮体、边缘检测对污泥图像进行预处理，利用基于约束模糊聚类方法对丝状菌进行分割、回旋半径特征去碎片；特征提取：从分割出的絮体和丝状菌图像中，分别提取絮体和丝状菌形态学特征参数。
Description
技术领域
本发明涉及污水处理智能检测方法，尤其涉及一种活性污泥相差显微图像絮体和丝状菌分割方法。
背景技术
活性污泥显微图像由絮体和丝状菌组成，其正确的分割是提取活性污泥形态学参数的关键，但由于疏密度不同的絮体附着在丝状菌骨架上，存在非均质、结构多样等复杂特点，在相差显微晕圈和遮光效应影响下，难以区分絮体、丝状菌和背景。另外，不同批次污泥样品采集时光源强度变化、絮体和丝状菌分布不均衡且丝状菌目标小的问题，也增加分割难度。
活性污泥显微图像分割主要包括基于数字图像技术的分割和基于深度学习的分割。其中数字图像方法包括基于阈值的分割方法、基于边缘的分割方法以及基于区域的分割方法，这些方法均利用单一的方法对目标进行处理，容易出现欠分割、过分割以及无法分割的情况。深度学习的方法包括基于Deeplab的分割方法、基于U-Net的分割方法、基于PSPNet分割方法，其分割方法发展速度很快，产生了各式各样的模型变体，但采集数据后需大量人力标注样本，所耗时间较多，成本较大，不适用于实际工程。
发明内容
本发明公开了一种活性污泥相差显微图像絮体和丝状菌分割方法，提出根据絮体和丝状菌的特点采用不同的方法进行分割，无需标定样本，在保证模型精度的前提下，用于数字图像处理时容易出现的欠分割、过分割以及不能分割的情况，实现目标准确快速的分割，并提取絮体和丝状菌的形态学特征，满足线下部署以及应用在工程实际上的需求。其显微图像分割和定量信息提取技术在污泥膨胀的预报、絮状物和丝状菌的个体浓度测量生物传感器方面具有潜在价值。
本发明为实现上述目标，采用的技术方案是：
一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，包括下述步骤：
S1，图像采集：在污水处理厂的曝气池出口采集活性污泥样品，采用光学显微镜、工业数码相机和图像采集系统捕获活性污泥相差显微图像；
S2，絮体分割：采用Otsu阈值法对经过线性变换、图像反转和开操作后的图像进行阈值化检测，得到絮体的大致形状，并用边缘检测的结果确定最终的絮体；
S3，丝状菌分割：采用多尺度Retinex(MSR)对图像进行增强后，通过顶帽底帽滤波、边缘检测、约束模糊聚类、回旋半径特征方法实现活性污泥丝状菌分割；
S4，特征提取：从分割好的絮体和丝状菌图像中，分别提取出絮体和丝状菌的尺寸和形状等形态学特征参数。
进一步可选地，步骤S1包括如下步骤：
S11，从污水处理厂曝气池出口取得的活性污泥样品；S12，采用光学显微镜、工业数码相机和图像采集系统，从左上到右下以Z字路径扫描载玻片上的污泥样品，污泥样品拍摄
张RGB彩色图像，创建活性污泥显微图像数据集。
进一步可选地，步骤S2包括如下步骤：
S21，利用灰度变换、图像反转以及开操作对图像进行预处理；
S22，选择Otsu阈值法对经过预处理的图像进行阈值化检测，得到絮体的大致结果；
S23，通过形态学闭操作对分割出来的絮体去除断边，并适当填充孔洞部分，随后利用边缘检测的结果确定最终的絮体边缘。
进一步可选地，步骤S3包括如下步骤：
S31，图像预处理，包括多尺度Retinex、滤波和边缘检测；
S32，利用约束模糊聚类对预处理后的图像进行分割；
S33，对分割后的图像进行后处理操作，利用减小回转半径去碎片，同时判定老化絮体等，以便更准确的将丝状菌分割出来。
进一步可选地，减少回转半径公式如下：
其中
，
和
为二阶矩阵，定义如下：
进一步可选地，步骤S4包括提取污泥絮体和丝状菌形态学特征。对图像中絮体和丝状菌的每个目标依次提取特征，以下为每个目标提取的形态学特征参数：
本发明有益效果：
1.采用无监督模式分割活性污泥显微图像絮体和丝状菌，无需标定样本，节省人力；
2.组合多尺度Retinex频率域处理和顶帽底帽滤波、形态学运算空间域处理，抑制相差显微图像固有的伪影现象，消除背景影响，增强絮体和丝状菌目标；
3.基于约束模糊聚类和形态学特征进一步提升微小目标丝状菌分割准确性和鲁棒性。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1为基于活性污泥相差显微图像分割方法的流程图；
图2为活性污泥相差显微图像采集流程图；
图3为本发明在污泥显微图像测试集上的分割结果示例图；
图4本方法在污泥显微图像数据集上的性能。
具体实施方式
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。如附图1所示，为本发明的一种活性污泥相差显微图像絮体和丝状菌分割方法流程图。本发明是一种活性污泥相差显微图像絮体和丝状菌分割方法，包括下述步骤：
S1，图像采集。其中，S1包括如下步骤：
S11，活性污泥相差显微图像的采集流程如图2所示，污泥样本取自污水处理厂曝气池出口，每次污泥样品取500 mL，样品采集、图像采集之间的间隔时间不超过3小时；
S12，使用一个带有截面尖端枪头的校准移液枪，取10μL样品于载玻片上，并用24mm×24mm的正方形盖玻片覆盖，采用光学显微镜(Nikon Eclipse TS100)、工业数码相机(ToupTek ToupCamucoms03100kpa)和图像采集软件(ToupView)，从左上到右下以Z字路径扫描载玻片上的污泥样本，污泥样品拍摄
张RGB彩色图像，创建活性污泥显微图像数据集。显微镜相差放大倍数为100X，以确定絮凝物以及丝状菌的大小、形状和结构参数。由于相差显微镜对相位变化过于敏感，并且在成像过程中存在一些缺陷，使得所呈现的图像中产生一些伪影，如光晕，光斑和阴影。
S2，絮体分割。其中，S2包括如下步骤：
S21，对灰度化的图像进行灰度变换，调整图像灰度值。原图像灰度范围为0-255，经过反复试验，设置调整范围为[0.3,0.8]，将小于255×0.3的灰度值设置为0，将大于255×0.8的灰度值设置为255，超出此区间的灰度保持不变。将经过灰度变换的图像再分别进行图像反转和开操作得到图像，利用灰度图像减去经过处理的图像，能极大地抑制光晕和阴影现象，同时使絮体对比度增强；
S22，选择Otsu阈值法对经过预处理的图像进行阈值化检测，得到絮体的大致结果；
S23，由于原始灰度图像中灰度分布不均匀以及亮度明暗等原因，经过Otsu算法分割出来的絮体效果并不完美，絮体内部有空隙，同时絮体和絮体的连接处出现断点等现象，因此通过形态学闭操作对分割出来的絮体去除断边，并适当填充孔洞部分，随后利用边缘检测的结果确定最终的絮体边缘。
S3，丝状菌分割。其中，S3包括如下步骤：
S31，首先，将RGB图像(红、绿、蓝)经过多尺度Retinex进行图像增强，经过多尺度Retinex增强，克服了不同样本因光源明暗所带来的纹理结构影响，提高了整个数据集的对比度。对灰度图像进行顶帽和底帽滤波，将顶帽滤波图像添加到灰度图像中，使得絮体区域变得更亮和更大，随后减去底帽滤波图像使得细丝更暗，整个图像絮体和丝状菌轮廓清晰，便于下一步进行边缘提取。对滤波后的图像进行Sobel梯度边缘检测，边缘检测后的图像由于噪声的干扰，其边界特征很少能够被完整地描述，在亮度不一致的地方会中断，采用形态学闭操作将整个边界进行连接。随后将得到的二值图和原灰度图进行相乘操作，去除杂乱背景；
S32，利用约束模糊聚类的方法对去除杂乱背景后的图像进行分割，约束模糊聚类数目
三类分别为整体、絮体以及丝状菌；经过聚类，每一类的像素点被归类到相应的标签，即标签1、2、3，提取丝状菌的标签3，得到的丝状菌的分割图像；
S33，对分割后的图像进行后处理操作。经过S32分割后的图像由于一些目标被误检测，因此还需要进一步去碎片。第一阶段是将面积小于300的区域去除，第二阶段是利用减小的回转半径来区分碎片和丝状菌，RG大于1的物体是丝状菌，得到所需的丝状菌图像，第三阶段是去除老化絮体,采集的污泥图像中往往会碰到老化的絮体，老化的絮体呈黑褐色，同丝状菌的颜色相似，在聚类分割时，容易将老化絮体识别成丝状菌，这一阶段是判断
和絮体模型分割出的絮体图像
的像素，如果像素点
，则认为此像素点
絮体的像素点，减去属于絮体的部分，即
，得到最终的丝状菌。
S4，特征提取。其中，S4包括提取污泥絮体和丝状菌形态学特征，经过步骤（S2-S3），污泥图像中的絮体和丝状菌与背景分割开，分别计算出絮体和丝状菌的尺寸和形状等形态学特征参数，包括全局特征和局部特征。全局特征包括絮状物和丝状菌的数量及其总面积，局部特征包括尺寸度量和形状描述符。其中尺寸度量如面积、长度、宽度和周长等，形状描述符如圆度、形状系数、减小的回转半径。
其中欧拉数，可作为识别物体的特征，欧拉数定义为连通成份数减去空洞数，这种拓扑特征具有平稳、旋转和比例不变特性；形状因子(
)主要用来于比较目标与圆之间的偏差，形状因子用来判断边界是否光滑，其取值范围为0到1，其中圆的形状因子为1；圆度，用R
表示，圆度由其目标的伸长率决定，其取值范围为0到1，其中圆的圆度是1；回旋半径，用RG表示，回旋半径也由其目标的伸长率决定，越长絮体的旋转半径越大，圆的旋转半径是
；纵横比，该特征表示物体形状的对称性，它用AR表示。其中每张图像中可能会有许多目标，对多个目标的图像计算出的上述参数（除总面积外）都取均值。采用22个参数定量表征絮体形态学特征、13个参数定量表征丝状菌形态学特征，即每个样本提取了35个形态学参数，这部分研究的目的是寻求图像分析信息和SVI之间的相关性。
本发明包括活性污泥显微图像采集、絮体分割、丝状菌分割、特征提取四个步骤，实施例具体实施进行了从某污水厂采集的污泥显微图像的实施分割，结果如图3所示。图3中，每行所示均为一张实验图像过程，在每列中，上图为原始采集污泥显微图像，中图为labelme标注的标签真值图（其中灰色为絮体，白色为丝状菌），下图为采用本发明处理获得的分割结果图。
本实施例最后使用333张污泥显微图像作为分割数据集，分割目标为絮体和丝状菌。使用图像分割的标准评判指标分割精度(Accurary、Precision、Recall、Dice)进行评测，图4给出了本方法与其他方法从污泥显微图像分割的测试结果，值越大，说明性能越好。
图4本方法在污泥显微图像数据集上的性能，从图4可见，本方法在絮体和丝状菌的图像分割指标上均比其他方法高。
以上所描述的装置实施例仅仅是示意性的，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件的方式来实现，在不付出创造性的劳动的情况下，即可以理解并实施。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。
Claims (6)
1.一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述方法包括以下步骤：
S1，图像采集：在污水处理厂的曝气池出口采集活性污泥样品，采用光学显微镜、工业数码相机和图像采集系统捕获活性污泥相差显微图像；
S2，絮体分割：采用Otsu阈值法对经过线性变换、图像反转和开操作后的图像进行阈值化检测，得到絮体的大致形状，并用边缘检测的结果确定最终的絮体；
S3，丝状菌分割：采用多尺度Retinex(MSR)对图像进行增强后，通过顶帽底帽滤波、边缘检测、约束模糊聚类、回旋半径特征方法实现活性污泥丝状菌分割；
S4，特征提取：从分割好的絮体和丝状菌图像中，分别提取出絮体和丝状菌的尺寸和形状等形态学特征参数。
2.如权利要求1所述的一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述步骤S1包括如下步骤：
S11，从污水处理厂曝气池出口取得的活性污泥样品；
S12，采用光学显微镜、工业数码相机和图像采集系统，从左上到右下以Z字路径扫描载玻片上的污泥样品，污泥样品拍摄
张RGB彩色图像，创建活性污泥显微图像数据集。
3.如权利要求1所述的一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述步骤S2包括如下步骤：
S21，利用灰度变换、图像反转以及开操作对图像进行预处理；
S22，选择Otsu阈值法对经过预处理的图像进行阈值化检测，得到絮体的大致结果；
S23，通过形态学闭操作对分割出来的絮体去除断边，并适当填充孔洞部分，随后利用边缘检测的结果确定最终的絮体边缘。
4.如权利要求1所述的一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述步骤S3包括如下步骤：
S31，图像预处理，包括多尺度Retinex、滤波和边缘检测；
S32，利用约束模糊聚类对预处理后的图像进行分割；
S33，对分割后的图像进行后处理操作，利用减小回转半径去碎片，同时判定老化絮体等，以便更准确的将丝状菌分割出来。
5.如权利要求4所述的一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述减小回转半径公式如下：
其中
，
和
为二阶矩阵，定义如下
6.如权利要求1所述的一种活性污泥相差显微图像絮体和丝状菌分割方法，其特征在于，所述步骤S4包括污泥絮体和丝状菌形态学特征，具体为总闭合面的数量（N），闭合区域总面积（TA）、闭合区域平均面积（A）、二阶中心矩椭圆的长轴长度（Major Axis Length）、二阶中心矩椭圆的短轴长度（Minor Axis Length）、周长（P）、凸周长（Pconvex）、等效圆直径（Deq）、欧拉数（
）、填充后面积（
）、形状因子（FF）、圆度（R）、旋转半径（RG）、纵横比（AR）、分形维数（FD）、坚固度（Sol）、偏心率（Ecc）、最小费雷特直径（
）、最大费雷特直径（
）、凸包络面积（
）、边界框面积（
）、紧密度（Comp）、丝状菌总长度（TL）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210596702.5A CN115082379A (zh) | 2022-05-30 | 2022-05-30 | 一种活性污泥相差显微图像絮体和丝状菌分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210596702.5A CN115082379A (zh) | 2022-05-30 | 2022-05-30 | 一种活性污泥相差显微图像絮体和丝状菌分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115082379A true CN115082379A (zh) | 2022-09-20 |
Family
ID=83249407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210596702.5A Pending CN115082379A (zh) | 2022-05-30 | 2022-05-30 | 一种活性污泥相差显微图像絮体和丝状菌分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082379A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908178A (zh) * | 2023-09-13 | 2023-10-20 | 吉林农业大学 | 一种菌丝表型获取装置及方法 |
-
2022
- 2022-05-30 CN CN202210596702.5A patent/CN115082379A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908178A (zh) * | 2023-09-13 | 2023-10-20 | 吉林农业大学 | 一种菌丝表型获取装置及方法 |
| CN116908178B (zh) * | 2023-09-13 | 2024-03-08 | 吉林农业大学 | 一种菌丝表型获取装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| Kulwa et al. | A state-of-the-art survey for microorganism image segmentation methods and future potential | |
| CN108564124A (zh) | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 | |
| Tonti et al. | An automated approach to the segmentation of HEp-2 cells for the indirect immunofluorescence ANA test | |
| GB2478593A (en) | Segmentation of cell nuclei in histological sections | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| Shahin et al. | A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| Bibiloni et al. | A real-time fuzzy morphological algorithm for retinal vessel segmentation | |
| CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
| GB2466818A (en) | Cell image segmentation using binary threshold and greyscale image processing | |
| US20200193212A1 (en) | Particle boundary identification | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
| CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
| Zhang et al. | A novel concavity based method for automatic segmentation of touching cells in microfluidic chips | |
| CN108171705A (zh) | 一种透明玻璃瓶内液体的异物检测算法 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| Hu et al. | Image segmentation method for crop nutrient deficiency based on fuzzy c-means clustering algorithm | |
| CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
| Bhardwaj et al. | An imaging approach for the automatic thresholding of photo defects | |
| CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、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 |