CN115511815A - 一种基于分水岭的宫颈液基细胞分割方法和系统 - Google Patents
一种基于分水岭的宫颈液基细胞分割方法和系统 Download PDFInfo
- Publication number
- CN115511815A CN115511815A CN202211143649.XA CN202211143649A CN115511815A CN 115511815 A CN115511815 A CN 115511815A CN 202211143649 A CN202211143649 A CN 202211143649A CN 115511815 A CN115511815 A CN 115511815A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- target
- watershed
- over
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于分水岭的宫颈液基细胞分割方法和系统,涉及细胞分割技术领域。包括图像预处理、分水岭初步粗分割、Kmeans目标分类以及过分割和欠分割的目标优化等步骤,解决了阈值分割方法相对死板分割能力有限和深度学习分割方法需要大量标注数据的问题。对于分水岭方法欠分割问题,使用二次阈值化的方法解决了凹点检测和椭圆拟合的问题;对于过分割问题使用膨胀的方法再次判断降低了漏检率。本发明的宫颈液基细胞分割方法对于宫颈细胞图像中的细胞可以取得良好的分割效果。
Description
技术领域
本发明涉及细胞分割技术领域,尤其涉及一种基于分水岭的宫颈液基细胞分割方法和系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在病理医师对宫颈液基细胞数字切片进行病理诊断时,不止要找出宫颈液基细胞切片中的病变区域,往往还要结合中性粒细胞、淋巴细胞和吞噬细胞等粒细胞的数量对细胞炎症进行一个综合的判断。因此数字切片进行细胞分割时的精确度对病理诊断的结果有着很大的影响。
在对数字图像中的细胞进行分割计数时,常用的方法有阈值法,包括全局阈值法,往往设定一个全局阈值,对整体图像按照灰度值高低分割,对于单个目标的整体性没有约束条件;OTSU阈值法,根据图像灰度值直方图得到阈值,比较适合于灰度值是双峰的图像,对于颜色变换多层的效果不理想;自适应阈值法,针对区域选择阈值,往往对目标边缘、轮廓提取效果良好,但对全局图像较差。目前使用较多的分水岭方法,把图像看作是测地学上的拓扑地貌,通过每一个局部极小值的影响域慢慢向外扩展对图像进行分割。然而,发明人发现现有的分水岭方法只能完成一个粗略的分割,往往产生一些欠分割和过分割现象,分割能力不足。另外,基于深度学习的图像分割方法,严重依赖大量标注数据,对于分布密集、数量庞大的粒细胞情况难以标注,适用性差。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于分水岭的宫颈液基细胞分割方法和系统,先对图像进行预处理增强,然后使用分水岭方法对图像中的粒细胞完成初步粗分割,得到粒细胞的大体目标,最后对粗分割图像出现的欠分割和过分割问题进行细分割优化,矫正图像的分割效果。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于分水岭的宫颈液基细胞分割方法,包括以下步骤:
步骤S1:获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作;
步骤S2:计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割;
步骤S3:得到粗分割的所有目标轮廓,并计算每个目标的相关信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标;
步骤S4:对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
进一步的,预处理操作具体步骤为:对宫颈细胞原始图像进行灰度化处理得到灰度图像:原始图像使用的RGB色彩模式每个像素点由红、绿、蓝三个颜色变量表示,每一个像素的RGB分量分配一个0~255范围内的强度值,通过灰度化转换为只有一个灰度值强度分量且灰度范围为0~255的单通道图像;
对灰度图像进行二值化操作得到二值图像:将0~255像素值组成的灰度图像转换为只有0和255两个值的黑白图像;
对二值图像进行去噪处理:使用形态学开运算,即先腐蚀再膨胀对二值图像进行处理。
进一步的,计算图像中的前景标记、背景标记和未知区域的具体步骤包括:
获得图像的背景标记,对二值图像中的感兴趣目标进行形态学膨胀处理,对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使图像的感兴趣目标边界向外部扩张,使背景标记尽更多地包含真正的感兴趣目标;
获得图像的前景标记,对二值图像进行距离变换操作,计算图像中每一个非零点与离自己最近的零点的距离,将二值图像的灰度值矩阵转换为到最近零点的距离矩阵,通过对此距离矩阵的二值化,获得图像的前景标记;
获得图像未知区域标记,使用背景标记矩阵减去前景标记矩阵得到图像的未知区域标记矩阵。
更进一步的,使用分水岭方法完成初步粗分割的具体步骤包括:通过连通域分析把前景标记中的未知区域标记为0像素值;
对原始图像使用分水岭方法分割感兴趣目标,将前景标记传入的轮廓作为种子,对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,得到所有细胞的感兴趣目标,完成初始粗分割。
进一步的,每个目标的相关信息包括:面积、周长、凸包、外接圆面积、圆粒度、坚实度、长轴、短轴、坚实度、椭圆度、宽度、高度和离心率。
进一步的,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标的具体步骤为:
随机选择3个样本作为初始簇类中心;
针对数据集中每个样本,计算它到k个簇类中心的距离,并将其归属到距离最小的簇类中心所对应的类中;
针对每个簇类,重新计算它的簇类中心位置;
进行重复迭代操作,直到迭代次数达到最大值或簇类中心位置不变终止。
进一步的,对过分割目标使用二次阈值化进行优化;对欠分割目标使用膨胀处理进行优化。
更进一步的,对于欠分割目标进行优化,具体包括:
裁剪欠分割目标区域,计算每个欠分割目标的外接矩形坐标,从原始宫颈细胞图像中裁剪出欠分割目标图像;
消除欠分割区域图像背景,将裁剪出来的过分割矩形图像中的非过分割部分填充为(0,0,0)的像素值,只保留过分割目标,消除图像中连带裁剪出来的其他目标;
对欠分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像;
对欠分割区域图像进行二次阈值化,将灰度图像转换为二值图像;
对二值化图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标。
更进一步的,对于过分割目标进行优化,具体包括:
裁剪出过分割目标区域,计算每个过分割目标的外接矩形坐标,并拓宽目标周围区域,从原始宫颈细胞图像中裁剪出过分割目标图像;
对过分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像;
对灰度化图像进行阈值化处理,将灰度图像转化为二值图像;
对二值图像进行膨胀处理,使二值图像中的欠分割目标边界向外部扩张;如果两个物体间隔较近,会将两物体连通在一起。
对二值图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标。
本发明第二方面提供了一种基于分水岭的宫颈液基细胞分割的系统,包括:
预处理模块,被配置为获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作;
第一分割模块,被配置为计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割;
第二分割模块,被配置为得到粗分割的所有目标轮廓,并计算每个目标的面积、周长、圆粒度、坚实度信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标;
目标优化模块,被配置为对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
上述本发明的实施例的有益效果如下:
本发明使用分水岭算法对宫颈细胞图像进行初步粗分割,解决了阈值分割方法相对死板分割能力有限和深度学习分割方法需要大量标注数据的问题;对于分水岭方法欠分割问题,使用二次阈值化的方法解决了凹点检测和椭圆拟合的问题;对于过分割问题使用膨胀的方法再次判断降低了误检率。本发明的宫颈液基细胞分割方法对于宫颈细胞图像中的细胞可以取得良好的分割效果,在临床上可以对宫颈液基细胞炎症的判断起到良好的辅助作用。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一宫颈细胞分割方法的流程图;
图2为本发明实施例一宫颈细胞分割过程的框架结构图。
具体实施方式:
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种基于分水岭的宫颈液基细胞分割方法,如图1所示,包括图像预处理、分水岭初步粗分割、Kmeans目标分类以及过分割和欠分割的目标优化等步骤,具体过程为:
步骤S1:获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作。
优选的,宫颈液基细胞图像为病理切片扫描仪在宫颈液基玻片上扫描的数字切片图像。
S1.1:对宫颈细胞原始图像进行灰度化处理得到灰度图像:原始图像使用的RGB色彩模式每个像素点由红、绿、蓝(R,G,B)三个颜色变量表示,每一个像素的RGB分量分配一个0~255范围内的强度值,通过灰度化转换为只有一个灰度值强度分量、灰度范围为0~255的单通道图像。使得图像对比度增强,特征更明显,从而改善图像的显示效果并且更加容易处理。
S1.2:对灰度图像进行二值化操作得到二值图像:将0~255像素值组成的灰度图像转换为只有0和255两个值的黑白图像,有利于凸显感兴趣目标的轮廓,更加有利于后续感兴趣目标的分割和提取。
S1.3:对二值图像进行去噪处理:本实施例使用形态学开运算,即先腐蚀再膨胀对二值图像进行处理,操作能够有效去除图像中的孤立点和小区域物体,到达去噪的作用;并且可以消除图像中小于结构元素的细节部分,起到平滑物体轮廓保持局部形状不变的作用。
步骤S2:计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割。
S2.1:获得图像的背景标记,对二值图像中的感兴趣目标进行形态学膨胀处理,对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使图像的感兴趣目标边界向外部扩张,使背景标记尽更多地包含真正的感兴趣目标。
S2.2:获得图像的前景标记,对步骤S1得到的二值图像进行距离变换操作,计算图像中每一个非零点与离自己最近的零点的距离,将二值图像的灰度值矩阵转换为到最近零点的距离矩阵,此矩阵反应了各个像素与背景的距离关系以便于提取前景。通过对此距离矩阵的二值化,获得图像的前景标记。特别的,二值化的阈值由距离矩阵中的最大值得到:
Thresholddis=α×max(distance)
其中,Thresholddis为所求二值化阈值,α为阈值系数,本例中α=0.1,distance为距离矩阵。
S2.3:获得图像未知区域标记,使用背景标记矩阵减去前景标记矩阵得到图像的未知区域标记矩阵。
通过连通域分析把前景标记中的未知区域标记为0像素值。
S2.4:对原始图像使用分水岭方法分割感兴趣目标,将前景标记传入的轮廓作为种子,对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,得到所有细胞的感兴趣目标,完成初始粗分割。
优选的,分水岭分割算法是一种基于拓扑理论的数学形态学的分割方法,其基本思想是依据宫颈细胞原始图像的强度值把图像看作是测地学上的拓扑地貌,通过每一个局部极小值(即前景标记)的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成分水岭从而完成图像分割。
步骤S3:得到粗分割的所有目标轮廓,并计算每个目标的相关信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标。
S3.1:对于分水岭方法初步分割出来的感兴趣目标,计算每个目标的面积、周长、凸包、外接圆面积、圆粒度、坚实度、长轴、短轴、坚实度、椭圆度、宽度、高度、离心率,将其信息编码为一个one-hot形式的特征向量,定义欠分割、过分割、最终目标三个聚类类别,使用Kmeans方法将细胞分为欠分割、过分割和最终目标。
S3.2:Kmeans的具体步骤为:
随机选择3个样本作为初始簇类中心;
针对数据集中每个样本计算它到k个簇类中心的距离,并将其归属到距离最小的簇类中心所对应的类中;
针对每个簇类,重新计算它的簇类中心位置;
重复迭代上面两步操作,直到迭代次数达到最大值或簇类中心位置不变终止。
步骤S4:对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
S4.1:对过分割目标使用二次阈值化进行优化。
S4.1.1:裁剪欠分割目标区域,计算每个欠分割目标的外接矩形坐标,从原始宫颈细胞图像中裁剪出欠分割目标图像。
S4.1.2:消除欠分割区域图像背景,将裁剪出来的过分割矩形图像中的非过分割部分填充为(0,0,0)的像素值,只保留过分割目标,消除图像中连带裁剪出来的其他目标。
S4.1.3:对欠分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像。
S4.1.4:对欠分割区域图像进行二次阈值化,将灰度图像转换为二值图像,与步骤S1二值化操作不同的是,本次二值化的阈值降低一个梯度,使得步骤S1难以分离的欠分割目标比更加突出。特别的:
Threshold2=Threshold1-Gradient
Threshold2为第二次阈值化阈值,Threshold1为第一次阈值化阈值,Gradient为减少梯度,本实施例中Gradient=60。
S4.1.5:对二值化图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标;若不是,则丢弃。
S4.2:对欠分割目标使用膨胀处理进行优化。
S4.2.1:裁剪出过分割目标区域,计算每个过分割目标的外接矩形坐标,并拓宽目标周围区域,从原始宫颈细胞图像中裁剪出过分割目标图像。
S4.2.2:对过分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像。
S4.2.3:对灰度化图像进行阈值化处理,将灰度图像转化为二值图像。
S4.2.4:对二值图像进行膨胀处理,使二值图像中的欠分割目标边界向外部扩张。如果两个物体间隔较近,会将两物体连通在一起。在本实施例中,对于图像中一个细胞分割成两个细胞的过度分割现象,膨胀会扩大细胞边界使之重新组合在一起。
S4.2.5:对二值图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标,若不是,则丢弃。
实施例二:
本发明实施例二提供了一种基于分水岭的宫颈液基细胞分割的系统,包括:
预处理模块,被配置为获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作;
第一分割模块,被配置为计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割;
第二分割模块,被配置为得到粗分割的所有目标轮廓,并计算每个目标的面积、周长、圆粒度、坚实度信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标;
目标优化模块,被配置为对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
以上实施例二系统中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于分水岭的宫颈液基细胞分割方法,其特征在于,包括以下步骤:
步骤S1:获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作;
步骤S2:计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割;
步骤S3:得到粗分割的所有目标轮廓,并计算每个目标的相关信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标;
步骤S4:对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
2.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,预处理操作具体步骤为:对宫颈细胞原始图像进行灰度化处理得到灰度图像:原始图像使用的RGB色彩模式每个像素点由红、绿、蓝三个颜色变量表示,每一个像素的RGB分量分配一个0~255范围内的强度值,通过灰度化转换为只有一个灰度值强度分量且灰度范围为0~255的单通道图像;
对灰度图像进行二值化操作得到二值图像:将0~255像素值组成的灰度图像转换为只有0和255两个值的黑白图像;
对二值图像进行去噪处理:使用形态学开运算,即先腐蚀再膨胀对二值图像进行处理。
3.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,计算图像中的前景标记、背景标记和未知区域的具体步骤包括:
获得图像的背景标记,对二值图像中的感兴趣目标进行形态学膨胀处理,对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使图像的感兴趣目标边界向外部扩张,使背景标记尽更多地包含真正的感兴趣目标;
获得图像的前景标记,对二值图像进行距离变换操作,计算图像中每一个非零点与离自己最近的零点的距离,将二值图像的灰度值矩阵转换为到最近零点的距离矩阵,通过对此距离矩阵的二值化,获得图像的前景标记;
获得图像未知区域标记,使用背景标记矩阵减去前景标记矩阵得到图像的未知区域标记矩阵。
4.如权利要求3所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,使用分水岭方法完成初步粗分割的具体步骤包括:通过连通域分析把前景标记中的未知区域标记为0像素值;
对原始图像使用分水岭方法分割感兴趣目标,将前景标记传入的轮廓作为种子,对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,得到所有细胞的感兴趣目标,完成初始粗分割。
5.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,每个目标的相关信息包括:面积、周长、凸包、外接圆面积、圆粒度、坚实度、长轴、短轴、坚实度、椭圆度、宽度、高度和离心率。
6.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标的具体步骤为:
随机选择3个样本作为初始簇类中心;
针对数据集中每个样本,计算它到k个簇类中心的距离,并将其归属到距离最小的簇类中心所对应的类中;
针对每个簇类,重新计算它的簇类中心位置;
进行重复迭代操作,直到迭代次数达到最大值或簇类中心位置不变终止。
7.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,对过分割目标使用二次阈值化进行优化;对欠分割目标使用膨胀处理进行优化。
8.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,对于欠分割目标进行优化,具体包括:
裁剪欠分割目标区域,计算每个欠分割目标的外接矩形坐标,从原始宫颈细胞图像中裁剪出欠分割目标图像;
消除欠分割区域图像背景,将裁剪出来的过分割矩形图像中的非过分割部分填充为(0,0,0)的像素值,只保留过分割目标,消除图像中连带裁剪出来的其他目标;
对欠分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像;
对欠分割区域图像进行二次阈值化,将灰度图像转换为二值图像;
对二值化图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标。
9.如权利要求1所述的基于分水岭的宫颈液基细胞分割方法,其特征在于,对于过分割目标进行优化,具体包括:
裁剪出过分割目标区域,计算每个过分割目标的外接矩形坐标,并拓宽目标周围区域,从原始宫颈细胞图像中裁剪出过分割目标图像;
对过分割区域图像灰度化处理,把RGB三通道图像转换为单通道灰度图像;
对灰度化图像进行阈值化处理,将灰度图像转化为二值图像;
对二值图像进行膨胀处理,使二值图像中的欠分割目标边界向外部扩张;如果两个物体间隔较近,会将两物体连通在一起;
对二值图像进行查找目标操作,判断每个目标的面积是否在[40,1500]区间,若是,则加入最终目标。
10.一种基于分水岭的宫颈液基细胞分割的系统,其特征在于,包括:
预处理模块,被配置为获取宫颈液基细胞图像,对宫颈液基细胞图像进行灰度化、阈值化、开运算预处理操作;
第一分割模块,被配置为计算图像中的前景标记、背景标记和未知区域,使用分水岭方法完成初步粗分割;
第二分割模块,被配置为得到粗分割的所有目标轮廓,并计算每个目标的面积、周长、圆粒度、坚实度信息,使用Kmeans方法将细胞划分为欠分割、过分割和最终目标;
目标优化模块,被配置为对过分割目标和欠分割目标进行优化,并将优化后的目标加入最终目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143649.XA CN115511815A (zh) | 2022-09-20 | 2022-09-20 | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143649.XA CN115511815A (zh) | 2022-09-20 | 2022-09-20 | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511815A true CN115511815A (zh) | 2022-12-23 |
Family
ID=84503517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211143649.XA Pending CN115511815A (zh) | 2022-09-20 | 2022-09-20 | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511815A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
-
2022
- 2022-09-20 CN CN202211143649.XA patent/CN115511815A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645390A (zh) * | 2023-07-27 | 2023-08-25 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
CN116645390B (zh) * | 2023-07-27 | 2023-10-03 | 吉林省星博医疗器械有限公司 | 一种荧光图像细胞快速分割方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
CN104751187B (zh) | 抄表图像自动识别方法 | |
CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114067114A (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
CN111582004A (zh) | 一种地面图像中的目标区域分割方法及装置 | |
CN115511815A (zh) | 一种基于分水岭的宫颈液基细胞分割方法和系统 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
Lin et al. | License plate location method based on edge detection and mathematical morphology | |
CN116718599A (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
Tung et al. | Efficient uneven-lighting image binarization by support vector machines |
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 |