CN115294035B - 亮点定位方法、亮点定位装置、电子设备及存储介质 - Google Patents
亮点定位方法、亮点定位装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115294035B CN115294035B CN202210870876.6A CN202210870876A CN115294035B CN 115294035 B CN115294035 B CN 115294035B CN 202210870876 A CN202210870876 A CN 202210870876A CN 115294035 B CN115294035 B CN 115294035B
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- target
- initial
- bright
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 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
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
-
- G06T5/70—
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种亮点定位方法、亮点定位装置、电子设备及存储介质，属于定位技术领域。该方法包括：获取待处理的原始灰度图像；对原始灰度图像进行图像预处理，得到初始背景图像，对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵；对信噪比矩阵进行二值化分割，得到二值化图像；根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像；对初始灰度图像进行图像滤波处理，得到目标灰度图像；根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据。本申请实施例能够提高亮点定位的准确性。
Description
技术领域
本申请涉及定位技术领域，尤其涉及一种亮点定位方法、亮点定位装置、电子设备及存储介质。
背景技术
目前的亮点定位方法常常在图像处理时存在着背景估计不准确和亮点分割不均匀的问题，影响亮点定位的准确性，因此，如何提高亮点定位的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种亮点定位方法、亮点定位装置、电子设备及存储介质，旨在提高亮点定位的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种亮点定位方法，所述方法包括：
获取待处理的原始灰度图像；
对所述原始灰度图像进行图像预处理，得到初始背景图像；
对所述原始灰度图像和所述初始背景图像进行比值计算，得到信噪比矩阵；
对所述信噪比矩阵进行二值化分割，得到二值化图像；
根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像；
对所述初始灰度图像进行图像滤波处理，得到目标灰度图像；
根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点；
通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据。
在一些实施例，所述对所述原始灰度图像进行图像预处理，得到初始背景图像的步骤，包括：
在预设区间内对所述原始灰度图像进行直方图统计，得到亮度直方图；
对所述亮度直方图进行特征提取，得到局部背景值；
根据所述局部背景值对所述原始灰度图像进行减背景处理，得到所述初始背景图像和初始去背景图像。
在一些实施例，所述对所述信噪比矩阵进行二值化分割，得到二值化图像的步骤，包括：
根据所述信噪比矩阵和所述亮度直方图进行阈值计算，得到二值化阈值；
根据所述二值化阈值对所述信噪比矩阵进行二值化分割，得到所述二值化图像。
在一些实施例，所述根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像的步骤，包括：
根据所述二值化图像对所述原始灰度图像进行亮度计算，得到所述二值化图像的前景亮度均值；
根据所述前景亮度均值对所述原始灰度图像进行亮度归一化，得到所述初始灰度图像。
在一些实施例，所述对所述初始灰度图像进行图像滤波处理，得到目标灰度图像的步骤，包括：
对所述初始灰度图像进行高斯滤波处理，得到第一滤波图像；
对所述第一滤波图像进行拉普拉斯锐化处理，得到所述目标灰度图像。
在一些实施例，所述根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点的步骤，包括：
根据所述二值化图像对所述目标灰度图像进行亮点检测，得到所述二值化图像的前景亮度均值；
根据所述前景亮度均值，确定用于亮点检测的强度阈值；
根据所述目标灰度图像中的候选亮点之间的邻接关系构建亮点连通图；
根据所述候选亮点的亮度值对所述亮点连通图的候选亮点进行筛选处理，得到初始亮点；
根据预设的筛选条件对所述初始亮点进行检测处理，得到所述目标亮点。
在一些实施例，所述位置数据包括亚像素中心坐标，所述光强数据包括光强值，所述通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据的步骤，包括：
通过重心法对所述目标亮点进行坐标识别，得到所述目标亮点的亚像素中心坐标；
通过二次样条插值法对所述亚像素中心坐标进行亮度提取，得到所述目标亮点的光强值。
为实现上述目的，本申请实施例的第二方面提出了一种亮点定位装置，所述装置包括：
图像获取模块，用于获取待处理的原始灰度图像；
图像预处理模块，用于对所述原始灰度图像进行图像预处理，得到初始背景图像；
计算模块，用于对所述原始灰度图像和所述初始背景图像进行比值计算，得到信噪比矩阵；
图像分割模块，用于对所述信噪比矩阵进行二值化分割，得到二值化图像；
图像均衡模块，用于根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像；
图像滤波模块，用于对所述初始灰度图像进行图像滤波处理，得到目标灰度图像；
亮点检测模块，用于根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点；
定位模块，用于通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的亮点定位方法、亮点定位装置、电子设备及存储介质，其通过获取待处理的原始灰度图像；对原始灰度图像进行图像预处理，得到初始背景图像；对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵，并对信噪比矩阵进行二值化分割，得到二值化图像，能够通过提高图像背景估计的准确性以及图像分割的准确性。进一步地，根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像，能够使得初始灰度图像全局均衡化，同时，通过对初始灰度图像进行图像滤波处理，得到目标灰度图像，能够提高目标图像质量。最后，根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据，这一方式能够较为准确地识别出目标亮点以及确定目标亮点的位置，提高了亮点定位的准确性。
附图说明
图1是本申请实施例提供的亮点定位方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图1中的步骤S104的流程图；
图4是图1中的步骤S105的流程图；
图5是图1中的步骤S106的流程图；
图6是图1中的步骤S107的流程图；
图7是图1中的步骤S108的流程图；
图8是本申请实施例提供的亮点定位装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
重心法：是指在物理中，如果要想使一个物体在垂直不动或是做匀速直线运动，那么这个点为重心。重心法首先要在坐标系中标出各个地点的位置，目的在于确定各点的相对距离，在国际选址中，经常采用经度和纬度建立坐标。然后，根据各点在坐标系中的横纵坐标值求出成本运输最低的位置坐标X和Y。
插值：在离散数据的基础上插补连续函数，使得这条连续曲线经过全部离散点，同时也可以估计出函数在其他点的近似值。
样条插值：一种以可变样条来作出一条经过一系列点的光滑曲线的数学方法。插值样条是由一些多项式组成的，每一个多项式都是由相邻的两个数据点决定的，任意的两个相邻的多项式以及它们的导数在连接点处都是连续的。
样条插值法：每两个点之间确定一个函数，这个函数就是一个样条，函数不同，样条就不同，然后把所有样条分段结合成一个函数，就是最终的插值函数。
目前的亮点定位方法常常在图像处理时存在着背景估计不准确和亮点分割不均匀的问题，影响亮点定位的准确性，因此，如何提高亮点定位的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种亮点定位方法、亮点定位装置、电子设备及存储介质，旨在提高亮点定位的准确性。
本申请实施例提供的亮点定位方法、亮点定位装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的亮点定位方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的亮点定位方法，涉及人工智能技术领域。本申请实施例提供的亮点定位方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现亮点定位方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的亮点定位方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S108。
步骤S101，获取待处理的原始灰度图像；
步骤S102，对原始灰度图像进行图像预处理，得到初始背景图像；
步骤S103，对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵；
步骤S104，对信噪比矩阵进行二值化分割，得到二值化图像；
步骤S108，根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像；
步骤S106，对初始灰度图像进行图像滤波处理，得到目标灰度图像；
步骤S107，根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；
步骤S108，通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据。
本申请实施例所示意的步骤S101至步骤S108，通过获取待处理的原始灰度图像；对原始灰度图像进行图像预处理，得到初始背景图像；对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵，并对信噪比矩阵进行二值化分割，得到二值化图像，能够通过提高图像背景估计的准确性以及图像分割的准确性。进一步地，根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像，能够使得初始灰度图像全局均衡化，同时，通过对初始灰度图像进行图像滤波处理，得到目标灰度图像，能够提高目标图像质量。最后，根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据，这一方式能够较为准确地识别出目标亮点以及确定目标亮点的位置，提高了亮点定位的准确性。
在一些实施例的步骤S101中，可通过相机拍摄获取荧光灰度图像，将拍摄得到的荧光灰度图像作为待处理的原始灰度图像，其中，原始灰度图像的图像格式可以为TIF格式，图像尺寸可以为4116×2176。
请参阅图2，在一些实施例中，为了提高背景估计的准确性，提高获取的背景图像以及前景图像的图像质量，步骤S102可以包括但不限于包括步骤S201至步骤S203：
步骤S201，在预设区间内对原始灰度图像进行直方图统计，得到亮度直方图；
步骤S202，对亮度直方图进行特征提取，得到局部背景值；
步骤S203，根据局部背景值对原始灰度图像进行减背景处理，得到初始背景图像和初始去背景图像。
在一些实施例的步骤S201中，预设区间的大小可以根据实际的业务需求设置，例如，预设区间的大小可以为n*n，其中，n为大于0的整数，例如可以是原始灰度图像f的n×n范围内，对原始灰度图像的亮度进行直方图统计，得到亮度直方图，其中，亮度直方图可以表示如公式(1)：
Hist(i,j)＝∑f(i,j)＝I|(i,j)∈Dn*n 公式(1)
其中，Hist(i，j)为预设区间[n*n]的亮度直方图，f为原始灰度图像，i，j为原始灰度图像的像素点坐标，Dn*n为预设区间，I为原始灰度图像的光强值。
在一些实施例的步骤S202中，对亮度直方图进行特征提取，取亮度直方图的30分位数作为局部背景值。需要说明的是，在一些其他实施例中也可以选择亮度直方图上的其他分位数作为局部背景值，不限于此。
在一些实施例的步骤S203中，在根据局部背景值对原始灰度图像进行减背景处理时，将原始灰度图像减去局部背景值，得到初始背景图像和初始去背景图像，具体过程可以表示如公式(2)所示：
f1＝{f-Hist30|D} 公式(2)
其中，f1为初始去背景图像，Hist30为局部背景值，即初始背景图像。
上述步骤S201至步骤S203通过采用局部直方图统计的方式来进行背景估计,可以灵活地应对高密度和低密度的荧光芯片，能够较好地兼容不同芯片密度下的背景估计，从而提高背景估计的准确性。
在一些实施例的步骤S102中，对原始灰度图像和初始背景图像进行比值计算，可以方便地得到原始灰度图像的信噪比，即信噪比矩阵，其中，信噪比矩阵可以表示如公式(3)所示：
SNR＝f/g＝{f(x,y)/g(x,y)|(x,y)∈D} 公式(3)
其中，SNR为信噪比矩阵，f(x，y)为原始灰度图像，g(x，y)为初始背景图像，其中，x，y为像素点的坐标，D为预设区间。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S302：
步骤S301，根据信噪比矩阵和亮度直方图进行阈值计算，得到二值化阈值；
步骤S302，根据二值化阈值对信噪比矩阵进行二值化分割，得到二值化图像。
由于在图像分割过程中，激光光照往往是不均匀的，这会导致通过亮度值来初步筛选亮点的计算复杂度较高，因此，为了解决这一问题，本申请采用受光照影响较小的信噪比筛选方式来实现亮点的初步筛选，该初步筛选过程具体体现为本申请的图像分割过程。
在一些实施例的步骤S301中，为了消除传统技术中阈值选取不稳定的问题，本申请实施例利用反比例函数的特征来实现对不同密度的适应。具体地，首先根据信噪比矩阵中的像素点的像素大小，对信噪比矩阵中的像素点进行排序，通过这一方式可以得到一组从小到大排列的数组，例如，该数组为8956416等。进一步地，根据数组求出信噪比矩阵中的信噪比的中位数以及较高分位数，从而根据数组以及求出的中位数A、较高分位数B，计算出二值化阈值，其中，二值化阈值可以表示如公式(4)所示：
T＝mean(SNR)*(factor+A/(B/A)) 公式(4)
其中，T为二值化阈值，mean(SNR)为信噪比矩阵的均值，A为信噪比矩阵的中位数，A可以取QuantileSNR(50)，即中位数为信噪比矩阵的50分位数，B为信噪比矩阵的较高分位数，B可以取QuantileSNR(95)，即B为信噪比矩阵的95分位数，其中，QuantileSNR为信噪比矩阵的分位数，factor为预设的权重参数，一般取0.5。
进一步地，上述二值化阈值可以表示为
T＝mean(SNR)*(factor+QuantileSNR(50)/(QuantileSNR(95)/(QuantileSNR(50)))
在一些实施例的步骤S302中，根据二值化阈值对信噪比矩阵进行二值化分割，从而得到二值化图像BI。
上述步骤S301至步骤S302通过采用直方图统计分位数的反比例算法来进行图像二值化分割，可以有效地应对不同密度下的亮点分割，能够根据密度的高低方便地改变二值化阈值的大小，当密度较高时，选取较小的二值化阈值，当密度较低时，选取较大的二值化阈值，从而解决高密度场景下，背景估计过高的问题，从而提高背景估计和图像分割的准确性。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S402：
步骤S401，根据二值化图像对原始灰度图像进行亮度计算，得到二值化图像的前景亮度均值；
步骤S402，根据前景亮度均值对原始灰度图像进行亮度归一化，得到初始灰度图像。
由于在拍摄过程中，图像不同区域的光照往往会存在一定的差异，即图像会表现为中央亮，边缘暗，因此，为了平衡图像的不同区域的光照差异，常常需要对图像进行全局亮度均衡化，从而提高图像质量。
在一些实施例的步骤S401中，首先评估原始灰度图像的不同区域的荧光强度，具体地，可以统计每个像素点周围固定范围内的荧光强度均值，将该荧光亮度均值作为该像素点的荧光强度，其中，固定范围的大小可以根据实际业务需求设置，不做限制。例如，求出二值化图像在161×161区域内像素值为1的像素点，然后获取这些像素点在前景图像的前景元素均值，将这一前景元素均值作为二值化图像的前景亮度均值。
进一步地，采用形态学计算该D区域内的前景元素均值的过程可以表示如公式(5)所示：
其中，f’为荧光评估矩阵(即前景亮度均值)，m、n分别表示原始灰度图像的高度和宽度，f为去背景后的原始灰度图像(即初始去背景图像)。Mean是指是对结构元素D，求D区域内二值化图像B中像素值为1的前景图像的前景元素均值，B是原始灰度图像根据二值化阈值T进行分割的二值化图像，B＝0表示背景，B＝1表示前景。
在一些实施例的步骤S402中，荧光评估矩阵可以用于表征原始灰度图像的不同区域位置的亮度差异，因此，可以根据荧光评估矩阵来消除不同区域位置的亮度差异，即将原始灰度图像的亮度以图像中心为基准进行全局亮度归一化，得到初始灰度图像。
在一个具体实施例中，以均衡化像素点(x，y)为例，首先计算应该评估矩阵的中心与像素点的比值ratio，这一比值可以用于反映该处的应该强度需要提升的倍数，其中，ratio＝center(f')/f'(x,y)。进而，比值与原始灰度图像的像素点进行相乘处理，得到该像素点归一化之后的亮度值。最后将原始灰度图像的每个经过归一化的像素点更新到亮度中心，得到初始灰度图像，其中，初始灰度图像可以表示为
g'(x,y)＝g(x,y)*center(f')/f'(x,y)；其中，g'(x,y)为初始灰度图像，g(x,y)为原始灰度图像。
上述步骤S401至步骤S402，通过采用全局均衡化的方式可以有效地消除拍摄图像时光照不均匀对图像质量的影响，提高边缘亮点的检出率，减少漏检概率，提高数据总量。
请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S502：
步骤S501，对初始灰度图像进行高斯滤波处理，得到第一滤波图像；
步骤S502，对第一滤波图像进行拉普拉斯锐化处理，得到目标灰度图像。
为了防止拉普拉斯滤波器计算二次微分时造成更多的图像噪声，本申请采用两步法进行LoG滤波，即对初始灰度图像先进行高斯模糊滤波，再对高斯滤波之后的图像进行拉普拉斯锐化滤波。
在一些实施例的步骤S501中，通过高斯滤波器对初始灰度图像进行高斯滤波处理，从而去除图像噪声，其中，图像噪声包括高斯噪声和椒盐噪声，得到第一滤波图像。具体地，可以通过高斯滤波器对初始灰度图像按照3×3的窗口大小进行高斯卷积处理，得到第一滤波图像，其中，高斯核可以为0.85。
在一些实施例的步骤S502中，由于目前的图像成像常常存在色散，像散等问题，因而会导致图像出现中央清晰，边缘模糊的情况，为了解决这一问题，本申请实施例中的rh墨西哥帽算子采用渐变的方式，对于第一滤波图像的不同区域锐化的核参数是不同的，核参数一般基于该区域图像的模糊情况而确定，具体地，通过具有多种核参数的rh墨西哥帽算子对第一滤波图像进行锐化卷积，得到目标灰度图像。锐化过程可以表示为rh(x，y)＝rh*factor，其中，factor为锐化因子，若第一滤波图像的某一像素位置的局部越模糊，则锐化因子factor越大，从而使得该像素位置得到的锐化程度越高。
上述步骤S501至步骤S502，通过高斯滤波的方式可以方便地去除高斯噪声和椒盐噪声，通过拉普拉斯锐化可以较好地强化亮点特征，提高目标灰度图像的前景和背景之间的对比度，同时，LoG滤波算子参数采用区域渐变的滤波策略，能够提高目标亮点的分辨率，同时也能够提高目标亮点的区分度，其中，目标亮点可以是目标荧光尖峰点。
请参阅图6，在一些实施例，步骤S106包括但不限于包括步骤S601至步骤S605：
步骤S601，根据二值化图像对目标灰度图像进行亮点检测，得到二值化图像的前景亮度均值；
步骤S602，根据前景亮度均值，确定用于亮点检测的强度阈值；
步骤S603，根据目标灰度图像中的候选亮点之间的邻接关系构建亮点连通图；
步骤S604，根据候选亮点的亮度值对亮点连通图的候选亮点进行筛选处理，得到初始亮点；
步骤S605，根据预设的筛选条件对初始亮点进行检测处理，得到目标亮点。
在一些实施例的步骤S601中，采用mean函数对二值化图像中像素为1的前景像素点进行亮度计算，得到二值化图像的前景亮度均值。
在一些实施例的步骤S602中，根据前景亮度均值，确定用于亮点检测的强度阈值的过程可以表示为Threshold＝mean(fBI＝1)，其中，Threshold为强度阈值，fBI＝1为二值化图像中值为1的前景像素点，mean(fBI＝1)为求取均值。
在一些实施例的步骤S603中，根据候选亮点之间的邻接关系构建亮点连通图常常采用4连通或者8连通的方式。在本申请中采用8连通的方式来对候选亮点之间的邻接关系构建亮点连通图。
在一些实施例的步骤S604中，根据亮点连通图，查找每个候选亮点邻接的8个候选亮点，比较每个候选亮点邻接的8个候选亮点，若处于中心位置的候选亮点的亮度值大于邻接的8个候选亮点的亮度值，则将该候选亮点作为初始亮点。
在一些实施例的步骤S605中，预设的筛选条件可以综合强度阈值、二值化面积参数、高斯系数以及梯度方向场等多维度特征来设置。具体地，可以基于两个不等式(如公式(6)和公式(7)所示)来对初始亮点进行检测和筛选，当初始亮点同时满足以下两个不等式条件时，将该初始亮点作为目标亮点。
Area＞0.5 公式(6)
SumIntensity5*5*GaussCeof*GradientCeof＞Threshold 公式(7)
其中，Area为亮点连通图中二值化图像为1的前景所占的比率，即在亮度连通图3*3范围内应当有一半以上的是代表前景的像素点。SumIntensity是初始亮点附近大小为5*5范围以内的能量积分和，SumIntensity能够反映出初始亮点能够激发的能量大小。GaussCeof为窗口大小为5*5的窗口像素以及二维高斯分布的相关系数，该相关系数可以通过对大量的已知亮点进行高斯拟合得到，通过相关系数可以反映出初始亮点的亮点形态，若相关系数越接近于1，则表明当前区域的形态越接近已知亮点的形态。GradienCeof表示窗口大小为5*5的窗口内的梯度方向场，若一个像素点(初始亮点)的水平梯度方向和竖直梯度方向指向中心尖峰，则梯度方向场的数值越大，该参数能够反映图像中的尖峰趋势性。
上述步骤S601至步骤S605，在进行目标亮点定位的过程中，综合了强度阈值、二值化面积参数、高斯系数以及梯度方向场等多维度特征来对候选亮点进行筛选，能够较为准确地找出原始灰度图像中的所有亮点尖峰点，有效地提高目标亮点查找的查全率和查准率。
请参阅图7，在一些实施例中，位置数据包括亚像素中心坐标，光强数据包括光强值，步骤S107可以包括但不限于包括步骤S701至步骤S702：
步骤S701，通过重心法对目标亮点进行坐标识别，得到目标亮点的亚像素中心坐标；
步骤S702，通过二次样条插值法对亚像素中心坐标进行亮度提取，得到目标亮点的光强值。
在一些实施例的步骤S701和S702中，通过重心法计算目标亮点之间的相对距离，根据相对距离的大小，得到目标亮点的亚像素中心坐标，其中，目标亮点为尖峰点。通过二次样条插值法或者二次函数来对亚像素中心坐标进行亮度提取，得到目标亮点的光强值。
需要说明的是，在上述的图像预处理过程以及目标亮点筛选的过程中，可以采用x86指令集来进行加速处理，从而使得本申请实施例的亮点定位方法能够满足实时测序的处理需求和工业生产的要求。
本申请实施例的亮度定位方法，其通过获取待处理的原始灰度图像；对原始灰度图像进行图像预处理，得到初始背景图像；对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵，并对信噪比矩阵进行二值化分割，得到二值化图像，能够通过提高图像背景估计的准确性以及图像分割的准确性。进一步地，根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像，能够使得初始灰度图像全局均衡化，同时，通过对初始灰度图像进行图像滤波处理，得到目标灰度图像，能够提高目标图像质量。最后，根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据，这一方式能够较为准确地识别出目标亮点以及确定目标亮点的位置，提高了亮点定位的准确性。
请参阅图8，本申请实施例还提供一种亮点定位装置，可以实现上述亮点定位方法，该装置包括：
图像获取模块801，用于获取待处理的原始灰度图像；
图像预处理模块802，用于对原始灰度图像进行图像预处理，得到初始背景图像；
计算模块803，用于对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵；
图像分割模块804，用于对信噪比矩阵进行二值化分割，得到二值化图像；
图像均衡模块805，用于根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像；
图像滤波模块806，用于对初始灰度图像进行图像滤波处理，得到目标灰度图像；
亮点检测模块807，用于根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；
定位模块808，用于通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据。
该亮点定位装置的具体实施方式与上述亮点定位方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述亮点定位方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的亮点定位方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WI F I、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述亮点定位方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的亮点定位方法、亮点定位装置、电子设备及存储介质，其通过获取待处理的原始灰度图像；对原始灰度图像进行图像预处理，得到初始背景图像；对原始灰度图像和初始背景图像进行比值计算，得到信噪比矩阵，并对信噪比矩阵进行二值化分割，得到二值化图像，能够通过提高图像背景估计的准确性以及图像分割的准确性。进一步地，根据二值化图像对原始灰度图像进行图像均衡处理，得到初始灰度图像，能够使得初始灰度图像全局均衡化，同时，通过对初始灰度图像进行图像滤波处理，得到目标灰度图像，能够提高目标图像质量。最后，根据二值化图像对目标灰度图像进行亮点检测，得到目标亮点；通过预设算法对目标亮点进行定位处理，得到目标亮点的位置数据和光强数据，这一方式能够较为准确地识别出目标亮点以及确定目标亮点的位置，提高了亮点定位的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上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网络单元上。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。
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，包括多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)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-On l y Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (7)
1.一种亮点定位方法，其特征在于，所述方法包括：
获取待处理的原始灰度图像；
对所述原始灰度图像进行图像预处理，得到初始背景图像；
对所述原始灰度图像和所述初始背景图像进行比值计算，得到信噪比矩阵；
对所述信噪比矩阵进行二值化分割，得到二值化图像；
根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像；
对所述初始灰度图像进行图像滤波处理，得到目标灰度图像；
根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点；
通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据；
所述对所述原始灰度图像进行图像预处理，得到初始背景图像的步骤，包括：
在预设区间内对所述原始灰度图像进行直方图统计，得到亮度直方图；
对所述亮度直方图进行特征提取，得到局部背景值；
根据所述局部背景值对所述原始灰度图像进行减背景处理，得到所述初始背景图像和初始去背景图像；
所述对所述信噪比矩阵进行二值化分割，得到二值化图像的步骤，包括：
根据所述信噪比矩阵和所述亮度直方图进行阈值计算，得到二值化阈值；
根据所述二值化阈值对所述信噪比矩阵进行二值化分割，得到所述二值化图像；
所述根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像的步骤，包括：
根据所述二值化图像对所述原始灰度图像进行亮度计算，得到所述二值化图像的前景亮度均值；
根据所述前景亮度均值对所述原始灰度图像进行亮度归一化，得到所述初始灰度图像。
2.根据权利要求1所述的亮点定位方法，其特征在于，所述对所述初始灰度图像进行图像滤波处理，得到目标灰度图像的步骤，包括：
对所述初始灰度图像进行高斯滤波处理，得到第一滤波图像；
对所述第一滤波图像进行拉普拉斯锐化处理，得到所述目标灰度图像。
3.根据权利要求1所述的亮点定位方法，其特征在于，所述根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点的步骤，包括：
根据所述二值化图像对所述目标灰度图像进行亮点检测，得到所述二值化图像的前景亮度均值；
根据所述前景亮度均值，确定用于亮点检测的强度阈值；
根据所述目标灰度图像中的候选亮点之间的邻接关系构建亮点连通图；
根据所述候选亮点的亮度值对所述亮点连通图的候选亮点进行筛选处理，得到初始亮点；
根据预设的筛选条件对所述初始亮点进行检测处理，得到所述目标亮点。
4.根据权利要求1至3任一项所述的亮点定位方法，其特征在于，所述位置数据包括亚像素中心坐标，所述光强数据包括光强值，所述通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据的步骤，包括：
通过重心法对所述目标亮点进行坐标识别，得到所述目标亮点的亚像素中心坐标；
通过二次样条插值法对所述亚像素中心坐标进行亮度提取，得到所述目标亮点的光强值。
5.一种亮点定位装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理的原始灰度图像；
图像预处理模块，用于对所述原始灰度图像进行图像预处理，得到初始背景图像；
计算模块，用于对所述原始灰度图像和所述初始背景图像进行比值计算，得到信噪比矩阵；
图像分割模块，用于对所述信噪比矩阵进行二值化分割，得到二值化图像；
图像均衡模块，用于根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像；
图像滤波模块，用于对所述初始灰度图像进行图像滤波处理，得到目标灰度图像；
亮点检测模块，用于根据所述二值化图像对所述目标灰度图像进行亮点检测，得到目标亮点；
定位模块，用于通过预设算法对所述目标亮点进行定位处理，得到所述目标亮点的位置数据和光强数据；
所述对所述原始灰度图像进行图像预处理，得到初始背景图像，包括：
在预设区间内对所述原始灰度图像进行直方图统计，得到亮度直方图；
对所述亮度直方图进行特征提取，得到局部背景值；
根据所述局部背景值对所述原始灰度图像进行减背景处理，得到所述初始背景图像和初始去背景图像；
所述对所述信噪比矩阵进行二值化分割，得到二值化图像，包括：
根据所述信噪比矩阵和所述亮度直方图进行阈值计算，得到二值化阈值；
根据所述二值化阈值对所述信噪比矩阵进行二值化分割，得到所述二值化图像；
所述根据所述二值化图像对所述原始灰度图像进行图像均衡处理，得到初始灰度图像，包括：
根据所述二值化图像对所述原始灰度图像进行亮度计算，得到所述二值化图像的前景亮度均值；
根据所述前景亮度均值对所述原始灰度图像进行亮度归一化，得到所述初始灰度图像。
6.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至4任一项所述的亮点定位方法的步骤。
7.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至4中任一项所述的亮点定位方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210870876.6A CN115294035B (zh) | 2022-07-22 | 2022-07-22 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
| PCT/CN2023/074781 WO2024016632A1 (zh) | 2022-07-22 | 2023-02-07 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210870876.6A CN115294035B (zh) | 2022-07-22 | 2022-07-22 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115294035A CN115294035A (zh) | 2022-11-04 |
| CN115294035B true CN115294035B (zh) | 2023-11-10 |
Family
ID=83824011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210870876.6A Active CN115294035B (zh) | 2022-07-22 | 2022-07-22 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115294035B (zh) |
| WO (1) | WO2024016632A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294035B (zh) * | 2022-07-22 | 2023-11-10 | 深圳赛陆医疗科技有限公司 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617611A (zh) * | 2013-11-12 | 2014-03-05 | 清华大学 | 一种自动阈值分割光斑中心及尺寸检测方法 |
| CN107918931A (zh) * | 2016-10-10 | 2018-04-17 | 深圳市瀚海基因生物科技有限公司 | 图像处理方法及系统 |
| WO2020037572A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法和装置、图像配准方法和装置 |
| WO2020037573A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
| CN112289377A (zh) * | 2018-08-22 | 2021-01-29 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
| WO2021030952A1 (zh) * | 2019-08-16 | 2021-02-25 | 深圳市真迈生物科技有限公司 | 碱基识别方法、系统、计算机程序产品和测序系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7333656B2 (en) * | 2003-11-26 | 2008-02-19 | Matsushita Electric Industrial Co., Ltd. | Image processing method and image processing apparatus |
| CN115294035B (zh) * | 2022-07-22 | 2023-11-10 | 深圳赛陆医疗科技有限公司 | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
-
2022
- 2022-07-22 CN CN202210870876.6A patent/CN115294035B/zh active Active
-
2023
- 2023-02-07 WO PCT/CN2023/074781 patent/WO2024016632A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617611A (zh) * | 2013-11-12 | 2014-03-05 | 清华大学 | 一种自动阈值分割光斑中心及尺寸检测方法 |
| CN107918931A (zh) * | 2016-10-10 | 2018-04-17 | 深圳市瀚海基因生物科技有限公司 | 图像处理方法及系统 |
| CN107945150A (zh) * | 2016-10-10 | 2018-04-20 | 深圳市瀚海基因生物科技有限公司 | 基因测序的图像处理方法及系统 |
| WO2020037572A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法和装置、图像配准方法和装置 |
| WO2020037573A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
| CN112289377A (zh) * | 2018-08-22 | 2021-01-29 | 深圳市真迈生物科技有限公司 | 检测图像上的亮斑的方法、装置和计算机程序产品 |
| WO2021030952A1 (zh) * | 2019-08-16 | 2021-02-25 | 深圳市真迈生物科技有限公司 | 碱基识别方法、系统、计算机程序产品和测序系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024016632A1 (zh) | 2024-01-25 |
| CN115294035A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN104966285B (zh) | 一种显著性区域的检测方法 | |
| CN111340749B (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
| CN105574533B (zh) | 一种图像特征提取方法和装置 | |
| CN102713938A (zh) | 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术 | |
| CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
| CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
| CN115294035B (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| CN117011250A (zh) | 缺陷检测方法、装置及存储介质 | |
| CN111429437B (zh) | 面向目标检测的图像无参考清晰度质量检测方法 | |
| CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
| CN115410135B (zh) | 自主式搬运的航空行李特征感知重构方法、系统及其应用 | |
| CN116883336A (zh) | 图像处理方法、装置、计算机设备及介质 | |
| CN106683044B (zh) | 一种多通道光学探测系统的图像拼接方法、装置 | |
| CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
| CN111753642A (zh) | 一种确定关键帧的方法及装置 | |
| CN116188826A (zh) | 一种复杂光照条件下的模板匹配方法及装置 | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
| CN111027560B (zh) | 文本检测方法以及相关装置 | |
| Chang et al. | Pixel-based adaptive normalized cross correlation for illumination invariant stereo matching | |
| CN113284158A (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
| CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| CN112270695A (zh) | 一种确定相机运动状态的方法、装置、设备及存储介质 |
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 |