CN115631128A - 基于圆幂定理的圆形药品数量检测方法 - Google Patents
基于圆幂定理的圆形药品数量检测方法 Download PDFInfo
- Publication number
- CN115631128A CN115631128A CN202210994989.7A CN202210994989A CN115631128A CN 115631128 A CN115631128 A CN 115631128A CN 202210994989 A CN202210994989 A CN 202210994989A CN 115631128 A CN115631128 A CN 115631128A
- Authority
- CN
- China
- Prior art keywords
- circular
- points
- edge
- image
- point
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000002790 cross-validation Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 229940079593 drug Drugs 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 24
- 238000000926 separation method Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 239000006002 Pepper Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000012858 packaging process Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 241000722363 Piper Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009512 pharmaceutical packaging Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于圆幂定理的圆形药品数量检测方法,采集医药包片图像,进行图像预处理,获取圆形药品边缘点;选择医药包片图像中任意一点P向药品边缘做射线,记录射线与边缘点的交点集合,计算P点与各交点的线段乘积,根据圆幂定理,计算各乘积相同的边缘点数集合,构建幂直方图;对幂直方图进行波峰检测,某一波峰值代表同一个圆上的点的累计;对每一个检测出的峰值点进行交叉验证,计算并输出圆参数,即为检测到的圆形区域,统计圆形数量即药品数量。本发明方法数据处理量小,占用内存空间小,检测精度高,速度快,有效减少了药片包装过程中出现的药片数量错误。
Description
技术领域
本发明涉及药品分包二次核检,尤其涉及一种基于圆幂定理的圆形药品数量检测方法。
背景技术
随着药品管理自动化水平的提高,全自动药品包装系统越来越多的代替人工包装与摆药。药品按医嘱经包药机分包后,仍然可能出现药片多余、药片缺失、药片破碎等问题,如不能及时发现和处理,导致患者误服,会加重患者病情甚至带来生命危险。因此对分包的药品进行二次核验,确定药包中药品种类和数量是否与电子处方一致,是确保药品包装安全的必要手段。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于圆幂定理的圆形药品数量检测方法。
为实现本发明的目的,本发明所采用的技术方案是:
一种基于圆幂定理的圆形药品数量检测方法,包括步骤:
(1)采集医药包片图像,进行图像预处理,包括图像增强、图像滤波、图像分隔、边缘提取,获取圆形药品边缘点;
(2)选择医药包片图像中任意一点P向药品边缘做射线,记录射线与边缘点的交点集合,计算P点与各交点的线段乘积,根据圆幂定理,计算各乘积相同的边缘点数集合,构建幂直方图;
(3)对幂直方图进行波峰检测,某一波峰值代表同一个圆上的点的累计;
(4)对每一个检测出的峰值点进行交叉验证,计算并输出圆参数,即为检测到的圆形区域,统计圆形数量即药品数量。
进一步地,步骤(1)具体包括:
(1.1)进行图像灰度转换达到图像增强的目的;
(1.2)采用中值滤波对灰度图进行滤波,消除孤立的噪声点;
(1.3)进行图像分隔,将滤波后的图像分割成前景药片和背景;
(1.4)边缘提取,获取圆形药品边缘点。
进一步地,步骤(1.2),在进行中值滤波之前,对图像的灰度图添加椒盐噪声,补充图像中空洞点。
进一步地,步骤(1.3),采用Otsu阈值分割方法进行图像分隔,先获取最优阈值,再对图像进行二值化处理,将图像分割成前景药片和背景。
进一步地,步骤(1.4),采用Sobel算子进行边缘检测,将此算子和原始图片做卷积运算,得到横向和纵向的梯度值,当梯度值大于某一个阈值时,认为该点是边缘点。
进一步地,步骤(2)具体包括:
(2.1)定义E为图像边缘像素点集,P为图像中边缘点外的一点,R为从P点向圆发出的M条射线,R={rj|j=1,2,......,M},对于其中一条射线rj∈R,定义E的子集Ej={ek|k=1,2,......,K},该子集中的点为射线rj与圆边缘的交点;
(2.2)计算Ej中的所有点与P点的距离,并计算出所有成对点的距离乘积,并将乘积存入到集合pj:
(2.3)定义图像的幂直方图为PH,统计从P点发出的M条射线与边缘点的交点集合,计算乘积集合,得到:
其中,rk为乘积量级值,为幂直方图的横坐标,nk是乘积为rk的边缘像素点的数量,p(rk)为乘积量级值rk发生的概率,为幂直方图的纵坐标,对于每一个乘积量级值rk都对应一系列边缘像素点,形成一个像素点集。
进一步地,构建幂直方图之前还包括两个步骤:
第一步,进行预处理,获得一组细化的边缘像素,增加参考点的数量;
第二步,设置从每个参考点发出的射线的密度。
进一步地,步骤(3)中,采用过零峰值检测算子检测直方图峰值,定义一个峰值检测算子kσ,峰值检测结果就是用检测算子与幂直方图求卷积,峰值检测算子kσ是差分算子Γ与高斯滤波算子gσ的乘积。
进一步地,步骤(4)中,交叉验证是指从图像中N个不同点向检测圆发出射线,得到N个幂直方图,将所有幂直方图中的峰值存入集合S={Si|i=1,2,......,N};
每一个Si中包含一系列峰值,对于其中一个峰值p,定义ψ(p)为峰值点p对应的边缘点集合,其中包括真实边缘点和虚假边缘点;定义χ(p)为ψ(p)的子集,满足交叉验证条件的χ(p)中的点为一个该峰值p对应的同一个圆上真实的边缘点。
进一步地,χ(p)需要满足下列交叉验证条件:
(1)χ(p)是N个幂直方图中代表同一个圆的多个峰值对应的点集的公共子集;
χ(p)=ψ(p)∩ψ(p1)∩ψ(p2)......ψ(pn),p1,p2......,pn是不同的峰值,并且来自不同于P峰值的其它幂直方图;
(2)χ(p)要有一定的尺度,点集中元素数量要大于某一阈值,|χ(p)|≥λn;
(3)要求检测圆上的点具有一定的密度,根据χ(p)中像素点采用最小二乘法拟合圆C,获得圆参数(xc,yc,r),定义圆C上点的数量为Nc,需满足圆上点的密度分布要大于某一设定阈值,即|Nc|/r≥Rc;
Nc={ei||dist(ei,pc)-r|≤δ,ei∈E},圆心pc=(xc,yc),δ为定义的阈值。
本发明的有益效果在于,与现有技术相比,本发明方法中涉及算法将二维图像数据转化为一维幂直方图处理,占据内存空间小,提高实时性数据处理量小,检测精度高,速度快,有效减少了药品包装过程中出现的药品数量错误,对实现智能、高效、无污染的病房口服药品分包与发放起着重要作用。
本发明方法经过多个幂直方图交叉验证,排除虚假峰值点和虚假像素点,得到准确的圆上的边缘点,提高圆检测的准确性。
附图说明
图1是本发明所述的基于圆幂定理的圆形药品数量检测方法流程图;
图2是图像预处理流程图;
图3是医药包片图像灰度图;
图4是中值滤波原理图;
图5是图像滤波流程图;
图6是添加椒盐噪声并且进行中值滤波的处理结果图,a是添加椒盐噪声之后的示意图,b是进行中值滤波的处理结果图;
图7是Ostu算法示意图;
图8是Ostu算法分割图像结果示意图;
图9是Sobel算子检测边缘结果示意图;
图10是圆幂定理示意图;
图11是峰值检测示意图,由高斯算子将直方图平滑,如图a,采用差分算子将幂直方图中的一个峰值变换为关于横轴对称的正负峰值,如图b,根据过零交点原则b图中正负变化交叉的零点处即为一个峰值点,如图c。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本发明所述的基于圆幂定理的圆形药品数量检测方法,具体包括以下步骤:
(1)采集医药包片图像,进行图像预处理,包括图像增强、图像滤波、图像分隔、边缘提取,获取圆形药品边缘点;
如图2所示,采集医药包片图像,并进行图像预处理,包括图像灰度转换、中值滤波、图像分隔、边缘提取过程,将提取的边缘点保存在点集E中。
(1.1)进行图像灰度转换达到图像增强的目的;
进行图像灰度转换将彩色图像转换为灰度图,灰度图在分离目标药片和背景的同时,还能最大程度保存目标药片的边缘信息。因此,在对图像进行灰度化增强时,为保存目标药片边缘信息,只需将图像初步做灰度化即可,以便于接下来的滤波去噪处理。
医药包片图像灰度图如图3所示。
(1.2)采用中值滤波对灰度图进行滤波,提高图像质量;
中值滤波的工作方式是用像素领域内灰度的中值代替该像素的值。它的工作原理可以用图4中的五部分来来表示。
将模板在图中漫游,模板中心与某个像素位置重合;读取模板下各对应像素的灰度值;将这些灰度值从小到大排成一列;找出这些值里排在中间的一个;将这个中间值赋值给对应模板中心位置的像素。
中值滤波可以修改和周围像素灰度值相差过大的像素,变成与周围像素值接近的值,所以能够消除孤立的噪声点。
如图5所示,在进行中值滤波之前,需要对图像的灰度图添加椒盐噪声,添加噪声能补充图像中空洞点,可以使中值滤波的滤波效果更加明显。
图6是添加椒盐噪声并且进行中值滤波的处理结果图,将中值滤波的结果和灰度图作对比,可以看到,背景中的噪声得到了更加精细的平滑处理,在这个过程中没有损伤药片的边缘,更深度的将背景灰度进行统一,这会使的后续的图像分割环节更加准确。
(1.3)进行图像分隔,将滤波后的图像分割成前景药片和背景;
如图7所示,采用Otsu阈值分割方法,先获取最优阈值,再对图像二值化处理,将滤波后的药片图像分割成前景药片和背景。
此方法用一阈值t将图像分割成前景μ0和背景μ1,概率分别为ω0和ω1,图像的总均值为μ,根据下述公式(1),将图像的最小灰度值到最大值遍历t,当g最大时的t即是分割的最佳阈值。
g从方差的意义上,可以度量灰度分布的均匀性,方差值越大,组成图像的背景和目标的差别也就越大。
Ostu算法分割图像结果如图8所示。
(1.4)边缘提取,获取圆形药品边缘点;
根据图像在边缘处的阶跃性,图像的梯度在边缘区会有极大值特性,利用这种特性进行边缘检测的算子,称为一阶微分边缘检测算子,也叫做梯度边缘算子。Sobel算子是能够进行水平和垂直边缘检测的一个算子,它的模板包括一个横向模板Gx和一个纵向梯度模板Gy,公式(2)为模板详情。
把此算子去和原始图片做卷积运算,能得到横向G(x)和纵向G(y)的梯度值,当梯度值大于某一个阈值时,可认为该点是边缘点。
如图9所示,是Sobel算子检测边缘效果图,边缘检测的处理效果更能最大的保留药片的边缘信息。因此,边缘检测是目前最适合检测药片边缘的算法,将提取的边缘点保存在点集E中。
(2)选择医药包片图像中任意一点P向药品边缘做射线,记录射线与边缘点的交点集合,计算P点与各交点的线段乘积,根据圆幂定理,计算各乘积相同的边缘点数集合,构建幂直方图;
如图10所示,假设一个圆圆心为O,半径为r,定义任意一点P关于圆心O的幂为同时满足其中A、B、M、N为从P点向圆发出的射线与圆的交点。根据圆幂定理,同一个圆上的边缘点计算得到的幂也就是pow(O,P)值应该是近似相等的。不同圆上的边缘点pow(O,P)值不同。因此可以利用此聚类原则判断哪些点属于同一圆的边缘点。
对于一幅图像I,定义E为图像边缘像素点集,P为图像中边缘点外的一点,R为从P点向圆发出的M条射线,R={rj|j=1,2,......,M},对于其中一条射线rj∈R,定义E的子集Ej={ek|k=1,2,......,K},该子集中的点为射线rj与圆边缘的交点。
计算Ej中的所有点与P点的距离,并计算出所有成对点的距离乘积,并将乘积存入到集合pj:
定义图像的幂直方图为PH,统计从P点发出的M条射线与边缘点的交点集合,计算乘积集合pj,得到:
其中,rk为乘积量级值,也就是幂直方图的横坐标,nk是乘积为rk的边缘像素点的数量,p(rk)为乘积量级值rk发生的概率,即为幂直方图的纵坐标,对于每一个乘积量级值rk都对应一系列边缘像素点,形成一个像素点集。根据圆幂定理,幂直方图中像素点集中的几个顶点就是代表几个圆上的像素点。
根据上述原理构建幂直方图之前还包括两个具体步骤:
第一步,进行预处理,获得一组细化的边缘像素e,增加参考点的数量;
首先,对于不完全圆,从某些参考点收集两个交点是不可能的,因此,增加参考点的数量可以克服这个位置偏差问题。其次,对于远离参考点的小圆,可能无法收集到足够的交叉点,从而导致丢失检测。第三,由于与圆有关的点的功率等于该点到圆的切线段的平方,所以可能会出现不同的圆从不同的参考点共享相同的圆功率的情况。对于带有噪声和量化错误的真实图像,使用多个直方图的多个参考点和交叉验证检查将减少系统的随机性和增加了检测峰的置信度。
第二步,考虑从每个参考点发出的射线的密度;
射线的稀疏很可能会导致在构建功率直方图的过程中漏检交点,但是,密集射线可能会导致重复计数并增加计算成本。因此,在最佳条件下,所需的光线数量将根据图像的大小和复杂性而变化。
例如,给定一个大小为n×m的图像个像素点,得到边缘集E,使用以下策略确定拍摄的光线数量:如果边缘集的大小小于边界像素的大小(i.e.|E|<2mn-4),则点P的光线射向E中的每个边缘像素;否则,射线是从P点向边界像素(i,j),i∈{1,m},j∈{1,m}发射射线。
(3)对幂直方图进行波峰检测,某一波峰值代表同一个圆上的点的累计,可有效检测圆形区域;
在使用数字图像时,边缘像素很难位于一个圆上。因此,圆检测的目标是检测一组边缘像素,这些像素可能大致位于边缘两侧。同样,同一个圆上的点也不精确对应同一个幂值。因此,在功率直方图中发现的峰值有扩散的趋势,并可能出现混合簇,从而给峰值检测阶段带来问题。
如图11所示,峰值检测包括以下三个过程,第一步由高斯算子将直方图平滑(图a),第二步采用差分算子将幂直方图中的一个峰值变换为关于横轴对称的正负峰值(图b),第三步根据过零交点原则,b图中正负变化交叉的零点处即为一个峰值点(图c)。
(4)对每一个检测出的峰值点进行交叉验证,计算并输出圆参数,即为检测到的圆形区域,统计圆形数量即药品数量。
步骤(3)中检测到了一系列峰值,每个峰值对应一系列边缘点,但是边缘点中有虚假点,即有部分点并不属于同一个圆,并且检测的峰值中也有部分虚假峰值,因此,采用交叉验证方法排除边缘点,得到准确的圆上的边缘点,提高圆参数计算的准确性。
交叉验证是指从图像中N个不同点向检测圆发出射线,得到N个幂直方图,将所有幂直方图中的峰值存入集合S={Si|i=1,2,......,N}。每一个Si中包含一系列峰值,对于其中一个峰值p,定义ψ(p)为峰值点p对应的边缘点集合,其中包括真实边缘点和虚假边缘点。定义χ(p)为ψ(p)的子集,χ(p)中的点为一个该峰值p对应的同一个圆上真实的边缘点。
χ(p)需要满足下列交叉验证条件:
(1)χ(p)是N个幂直方图中代表同一个圆的多个峰值对应的点集的公共子集。
χ(p)=ψ(p)∩ψ(p1)∩ψ(p2)......ψ(pn),p1,p2......,pn是不同的峰值,并且来自不同于P峰值的其它幂直方图。
(2)χ(p)要有一定的尺度,点集中元素数量要大于某一阈值,|χ(p)|≥λn。
(3)要求检测圆上的点具有一定的密度,根据χ(p)中像素点采用最小二乘法拟合圆C,获得圆参数(xc,yc,r),定义圆C上点的数量为Nc,需满足圆上点的密度分布要大于某一设定阈值,即|Nc|/r≥Rc。
Nc={ei||dist(ei,pc)-r|≤δ,ei∈E},圆心pc=(xc,yc),δ为定义的阈值。
通过上面的条件,一个峰值点可经过多个幂直方图交叉验证。排除虚假峰值点和虚假像素点,提高圆检测的准确性。
本发明的有益效果在于,与现有技术相比,本发明方法中涉及算法将二维图像数据转化为一维幂直方图处理,占据内存空间小,提高实时性数据处理量小,检测精度高,速度快,有效减少了药品包装过程中出现的药品数量错误,对实现智能、高效、无污染的病房口服药品分包与发放起着重要作用。
本发明方法经过多个幂直方图交叉验证,排除虚假峰值点和虚假像素点,得到准确的圆上的边缘点,提高圆检测的准确性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于圆幂定理的圆形药品数量检测方法,其特征在于,包括步骤:
(1)采集医药包片图像,进行图像预处理,包括图像增强、图像滤波、图像分隔、边缘提取,获取圆形药品边缘点;
(2)选择医药包片图像中任意一点P向药品边缘做射线,记录射线与边缘点的交点集合,计算P点与各交点的线段乘积,根据圆幂定理,计算各乘积相同的边缘点数集合,构建幂直方图;
(3)对幂直方图进行波峰检测,某一波峰值代表同一个圆上的点的累计;
(4)对每一个检测出的峰值点进行交叉验证,计算并输出圆参数,即为检测到的圆形区域,统计圆形数量即药品数量。
2.根据权利要求1所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(1)具体包括:
(1.1)进行图像灰度转换达到图像增强的目的;
(1.2)采用中值滤波对灰度图进行滤波,消除孤立的噪声点;
(1.3)进行图像分隔,将滤波后的图像分割成前景药片和背景;
(1.4)边缘提取,获取圆形药品边缘点。
3.根据权利要求2所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(1.2),在进行中值滤波之前,对图像的灰度图添加椒盐噪声,补充图像中空洞点。
4.根据权利要求2所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(1.3),采用Otsu阈值分割方法进行图像分隔,先获取最优阈值,再对图像进行二值化处理,将图像分割成前景药片和背景。
5.根据权利要求2所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(1.4),采用Sobel算子进行边缘检测,将此算子和原始图片做卷积运算,得到横向和纵向的梯度值,当梯度值大于某一个阈值时,认为该点是边缘点。
6.根据权利要求1所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(2)具体包括:
(2.1)定义E为图像边缘像素点集,P为图像中边缘点外的一点,R为从P点向圆发出的M条射线,R={rj|j=1,2,......,M},对于其中一条射线rj∈R,定义E的子集Ej={ek|k=1,2,......,K},该子集中的点为射线rj与圆边缘的交点;
(2.2)计算Ej中的所有点与P点的距离,并计算出所有成对点的距离乘积,并将乘积存入到集合pj:
(2.3)定义图像的幂直方图为PH,统计从P点发出的M条射线与边缘点的交点集合,计算乘积集合,得到:
其中,rk为乘积量级值,为幂直方图的横坐标,nk是乘积为rk的边缘像素点的数量,p(rk)为乘积量级值rk发生的概率,为幂直方图的纵坐标,对于每一个乘积量级值rk都对应一系列边缘像素点,形成一个像素点集。
7.根据权利要求6所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
构建幂直方图之前还包括两个步骤:
第一步,进行预处理,获得一组细化的边缘像素,增加参考点的数量;
第二步,设置从每个参考点发出的射线的密度。
8.根据权利要求1所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(3)中,采用过零峰值检测算子检测直方图峰值,定义一个峰值检测算子kσ,峰值检测结果就是用检测算子与幂直方图求卷积,峰值检测算子kσ是差分算子Γ与高斯滤波算子gσ的乘积。
9.根据权利要求1所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
步骤(4)中,交叉验证是指从图像中N个不同点向检测圆发出射线,得到N个幂直方图,将所有幂直方图中的峰值存入集合S={Si|i=1,2,......,N};
每一个Si中包含一系列峰值,对于其中一个峰值p,定义ψ(p)为峰值点p对应的边缘点集合,其中包括真实边缘点和虚假边缘点;定义χ(p)为ψ(p)的子集,满足交叉验证条件的χ(p)中的点为一个该峰值p对应的同一个圆上真实的边缘点。
10.根据权利要求9所述的基于圆幂定理的圆形药品数量检测方法,其特征在于,
χ(p)需要满足下列交叉验证条件:
(1)χ(p)是N个幂直方图中代表同一个圆的多个峰值对应的点集的公共子集;
χ(p)=ψ(p)∩ψ(p1)∩ψ(p2)......ψ(pn),p1,p2......,pn是不同的峰值,并且来自不同于P峰值的其它幂直方图;
(2)χ(p)要有一定的尺度,点集中元素数量要大于某一阈值,|χ(p)|≥λn;
(3)要求检测圆上的点具有一定的密度,根据χ(p)中像素点采用最小二乘法拟合圆C,获得圆参数(xc,yc,r),定义圆C上点的数量为Nc,需满足圆上点的密度分布要大于某一设定阈值,即|Nc|/r≥Rc;
Nc={ei||dist(ei,pc)-r|≤δ,ei∈E},圆心pc=(xc,yc),δ为定义的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994989.7A CN115631128A (zh) | 2022-08-18 | 2022-08-18 | 基于圆幂定理的圆形药品数量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994989.7A CN115631128A (zh) | 2022-08-18 | 2022-08-18 | 基于圆幂定理的圆形药品数量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631128A true CN115631128A (zh) | 2023-01-20 |
Family
ID=84902569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210994989.7A Pending CN115631128A (zh) | 2022-08-18 | 2022-08-18 | 基于圆幂定理的圆形药品数量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631128A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116281070A (zh) * | 2023-03-30 | 2023-06-23 | 山东大舜医药物流有限公司 | 基于大数据的医药分拣系统及方法 |
CN117274251A (zh) * | 2023-11-20 | 2023-12-22 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
-
2022
- 2022-08-18 CN CN202210994989.7A patent/CN115631128A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116281070A (zh) * | 2023-03-30 | 2023-06-23 | 山东大舜医药物流有限公司 | 基于大数据的医药分拣系统及方法 |
CN117274251A (zh) * | 2023-11-20 | 2023-12-22 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
CN117274251B (zh) * | 2023-11-20 | 2024-02-06 | 山东鲁抗医药集团赛特有限责任公司 | 基于图像数据的药品生产过程中药片质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596166B (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
RU2708422C1 (ru) | Способ и система управления банкоматами | |
CN108537784B (zh) | 一种基于深度学习的ct图肺结节检测方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN115631128A (zh) | 基于圆幂定理的圆形药品数量检测方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN110032946B (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN110210297B (zh) | 报关单图像中文字定位与提取的方法 | |
CN110599512A (zh) | 基于图像识别的药品名称识别方法及系统 | |
CN108875737B (zh) | 一种纸质处方单据中检测复选框是否勾选的方法及系统 | |
CN109784341A (zh) | 一种基于lstm神经网络的医疗单据识别方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
Raza et al. | Deconvolving convolutional neural network for cell detection | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115620075B (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
CN111597848A (zh) | 一种批量qr码图像提取方法及系统 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN112528740A (zh) | 一种压板状态识别方法 | |
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 |
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 |