CN115984341A - 海洋水质微生物检测方法、装置、设备及存储介质 - Google Patents
海洋水质微生物检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115984341A CN115984341A CN202310265447.0A CN202310265447A CN115984341A CN 115984341 A CN115984341 A CN 115984341A CN 202310265447 A CN202310265447 A CN 202310265447A CN 115984341 A CN115984341 A CN 115984341A
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- reference image
- characteristic point
- target
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Abstract
本申请公开了一种海洋水质微生物检测方法、装置、设备及存储介质,该方法包括:获取同一视野下拍摄的海水样本对应的多张显微镜图像;生成每张显微镜图像的二值图像,确定像素值为1的像素点数量最多的二值图像,将对应的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,提取特征点,确定参考图像与每张待配准图像的目标特征点对;根据参考图像与每张待配准图像的目标特征点对,确定参考图像与每张待配准图像之间的位移量;根据每张待配准图像与参考图像的位移量,对每张待配准图像进行平移,使每张待配准图像与参考图像配准;根据配准之后的每张待配准图像与参考图像,进行海水微生物检测分析,提高了进行海洋水质微生物检测的准确性。
Description
技术领域
本申请涉及海洋环境监测技术领域,尤其涉及一种海洋水质微生物检测方法、装置、设备及存储介质。
背景技术
在海洋环境监测领域,对于水质检测,目前,一般是通过采集相应海域的海水样本,采用显微镜拍摄获得样本对应的多张显微镜图像,然后通过对多张显微镜图像分析进行微生物检测。在拍摄显微镜图像的过程中,由于操作人员不可避免地会存在人工操作误差以及设备硬件等各种因素的影响,获得的显微镜图像可能并不清晰,或者,对于同一视野下拍摄的多张显微镜图像,存在微小的位移,从而导致显微镜图像之间不能精准地配准,这些都导致进行海洋水质微生物检测的准确性不够高。
发明内容
本申请实施例提供一种海洋水质微生物检测方法、装置、设备及存储介质,可以提高进行海洋水质微生物检测的准确性。
第一方面,本申请实施例提供了一种海洋水质微生物检测方法,包括:
获取同一视野下拍摄的海水样本对应的多张显微镜图像;
生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像;
将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对;
根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量;
根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准;
根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析。
第二方面,本申请实施例还提供了一种海洋水质微生物检测装置,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行上述的海洋水质微生物检测方法。
第三方面,本申请实施例还提供了一种检测设备,所述检测设备包括如上述的海洋水质微生物检测装置。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序被处理器执行时使所述处理器实现上述的海洋水质微生物检测方法。
本申请实施例提供了一种海洋水质微生物检测方法、装置、设备及存储介质,通过获取同一视野下拍摄的海水样本对应的多张显微镜图像,生成每张显微镜图像对应的二值图像,并确定多张二值图像中像素值为1的像素点数量最多的二值图像,将确定的二值图像对应的显微镜图像作为清晰度最高的显微镜图像,然后将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取参考图像与每张待配准图像的特征点,确定参考图像与每张待配准图像的目标特征点对,根据参考图像与每张待配准图像的目标特征点对,确定参考图像与每张待配准图像之间的位移量,并根据每张待配准图像与参考图像的位移量,对每张待配准图像进行平移,使每张待配准图像与参考图像配准,进而根据配准之后的每张待配准图像与参考图像,进行海水微生物检测分析,由于是基于高清晰度的显微镜图像进行配准之后进行检测分析的,提高了进行海洋水质微生物检测的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的一种海洋水质微生物检测方法的步骤示意流程图;
图2是本申请实施例提供的一种生成每张所述显微镜图像对应的二值图像的步骤示意流程图;
图3是本申请实施例提供的一种确定所述参考图像与每张所述待配准图像的目标特征点对的步骤示意流程图;
图4是本申请实施例提供的一种根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量的步骤示意流程图;
图5是本申请实施例提供的一种海洋水质微生物检测装置的示意性框图。
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。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在部分实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供了一种海洋水质微生物检测方法、装置、设备及存储介质,其中,该方法通过获取同一视野下拍摄的海水样本对应的多张显微镜图像;生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像;将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对;根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量;根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准;根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析,实现了提高进行海洋水质微生物检测的准确性。
请参阅图1,图1是本申请实施例提供的海洋水质微生物检测方法的流程示意图,该方法可以应用于海洋水质微生物检测装置,或应用于包括海洋水质微生物检测装置的检测设备,本申请实施例中不作任何限制。
如图1所示,本申请实施例提供的海洋水质微生物检测方法包括步骤S101至步骤S106。
S101、获取同一视野下拍摄的海水样本对应的多张显微镜图像。
示例性的,为了对某一海域进行水质微生物检测,对该海域进行海水采样,制作获得海水样本。将海水样本置于显微镜下,获得显微镜在同一视野下拍摄的多张显微镜图像。
S102、生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像。
示例性的,分别对每一张显微镜图像进行二值化处理,获得每张显微镜图像对应的二值图像。
在一些实施例,如图2所示,所述步骤S102可以包括子步骤S1021至子步骤S1023。
S1021、获取每张所述显微镜图像的目标颜色空间对应的通道图像;
S1022、对每张所述通道图像进行像素点抑制或保留处理;
S1023、若处理后的通道图像中的像素点对应的梯度强度大于或等于预设阈值,则将所述像素点对应的像素值标记为1,若所述像素点对应的梯度强度小于所述预设阈值,则将所述像素点对应的像素值标记为0,获得所述二值图像。
示例性的,目标颜色空间包括但不限于RGB颜色空间、HSV颜色空间、YUV颜色空间、LAB颜色空间等。通道图像包括但不限于RGB颜色空间对应的R通道图像、G通道图像、B通道图像,HSV颜色空间对应的H通道图像、S通道图像、V通道图像等。
例如,以目标颜色空间为RGB颜色空间,分别对每张显微镜图像进行RGB通道分离,获得每张显微镜图像对应的G通道图像。
示例性的,通过对每张通道图像进行卷积计算,获得每张通道图像的每个像素点对应的梯度强度和梯度方向。
例如,通过对每张通道图像进行卷积计算,获得每张通道图像在x方向上的梯度a以及y方向的梯度b。将梯度a和梯度b进行向量相加计算,获得梯度向量,梯度向量的模为梯度强度,梯度向量的方向为梯度方向。
示例性的,根据计算获得的每张通道图像的每个像素点对应的梯度强度和梯度方向,采用非极大值抑制方法对每张通道图像进行像素点抑制或保留处理。
示例性的,对于通道图像中的每个像素点,考虑该像素点沿正梯度方向上的相邻像素点、以及该像素点沿负梯度方向上的相邻像素点,若该像素点的梯度强度大于或等于这两个相邻像素点的梯度强度,则将该像素点保留。反之,若该像素点的梯度强度小于两个相邻像素点的梯度强度,则将该像素点抑制。
对于经过像素点抑制或保留处理后的通道图像,若其中像素点对应的梯度强度大于或等于预设阈值,则将像素点对应的像素值标记为1,若像素点对应的梯度强度小于预设阈值,则将像素点对应的像素值标记为0,通过该处理方式生成二值图像。
需要说明的是,预设阈值可根据实际情况进行灵活设置,在此不作具体限制。
获得每张显微镜图像对应的二值图像之后,对每张二值图像中像素值为1的像素点进行计数,获得每张二值图像对应的像素值为1的像素点数量。然后,将像素值为1的像素点数量最多的二值图像对应的显微镜图像,确定为清晰度最高的显微镜图像。
S103、将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对。
对于多张显微镜图像,将清晰度最高的显微镜图像作为参考图像,剩余的其他张显微镜图像作为待配准图像,对参考图像和每张待配准图像进行特征点提取。
在一些实施例中,所述将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,包括:将其他显微镜图像作为备选图像,根据每张所述备选图像对应的二值图像中像素值为1的像素点数量,从所述备选图像中选取目标图像,其中,所述目标图像对应的二值图像中像素值为1的像素点数量大于未选取的备选图像对应的二值图像中像素值为1的像素点数量;将清晰度最高的显微镜图像作为所述参考图像,所述目标图像作为所述待配准图像。
为了进一步提高检测的准确性,将清晰度最高的显微镜图像作为参考图像,而其他显微镜图像作为备选图像,然后,根据每张备选图像对应的二值图像中像素值为1的像素点数量,从各备选图像中,选取对应的二值图像中像素值为1的像素点数量较多的备选图像,确定为目标图像。比如,选取预设数量的对应二值图像中像素值为1的像素点数量多的备选图像,确定为目标图像,将选取的目标图像作为待配准图像。
需要说明的是,预设数量可根据实际情况进行灵活设置,在此不作具体限制。
示例性的,采用特征点提取算法,分别对多张显微镜图像中的每一张显微镜图像上所有点进行筛选,获得每一张显微镜图像的特征点。其中,采用的特征点提取算法包括但不限于Harris(角点检测算法)、SURF(Speed-up robust features,加速健壮特点)、BRISK(Binary Robust Invariant Scalable Keypoints,二进制鲁棒不变可扩展关键点)等算法。
需要说明的是,每张显微镜图像提取出的特征点的数量由特征提取算法和显微镜图像本身决定,特征点的数量不定。
在一些实施例中,如图3所示,所述步骤S103可以包括子步骤S1031至子步骤S1035。
S1031、采用特征匹配算法分别匹配每张所述待配准图像与所述参考图像的特征点,确定所述参考图像与每张所述待配准图像的多对匹配特征点对;
S1032、计算每对所述匹配特征点对之间的第一距离;
S1033、从多对所述匹配特征点对中筛选出对应第一距离小于或等于第一预设距离阈值的特征点对,确定为第一候选特征点对;
S1034、从多对所述第一候选特征点对中选取若干特征点对,确定为第二候选特征点对,其中,所述第二候选特征点对的相似性大于其他未选取的第一候选特征点对的相似性;
S1035、从若干所述第二候选特征点对中选取所述目标特征点对。
基于参考图像的特征点、以及每张待配准图像的特征点,分别将每张待配准图像与参考图像进行特征点对匹配,确定每一张待配准图像与参考图像的多对匹配特征点对。
示例性的,采用特征匹配算法分别匹配每一张待配准图像与参考图像的特征点,确定每一张待配准图像与参考图像的多对匹配特征点对。其中,特征匹配算法包括但不限于Flann(Fast_Library_for_Approximate_Nearest_Neighbors,快速最近邻搜索包)、BruteForce(暴力匹配算法)等算法。
示例性的,计算每张显微镜图像的特征点对应的特征描述子。其中,特征描述子即是对每个特征点的信息描述,特征描述子用以特征点匹配。例如,使用特征描述算法计算特征点对应的特征描述子。特征描述算法包括但不限于SURF、BRISK等算法。基于参考图像与每张待配准图像的特征点对应的特征描述子,对参考图像与每张待配准图像进行特征点匹配,确定每一张待配准图像与参考图像的多对匹配特征点对。
获得每一张待配准图像与参考图像的多对匹配特征点对之后,从多对匹配特征点对中筛选出部分匹配特征点对,确定为待配准图像与参考图像的目标特征点对。例如,筛选出相似性最高的若干匹配特征点对,确定为待配准图像与参考图像的目标特征点对。
示例性的,获得每个特征点的位置,根据待配准图像与参考图像的每对匹配特征点对的位置,计算待配准图像与参考图像的每对匹配特征点对之间的距离。为了便于描述,下文将待配准图像与参考图像的每对匹配特征点对之间的距离称为第一距离。
预先设置匹配特征点对之间对应的第一预设距离阈值,需要说明的是,该第一预设距离阈值的具体数值可根据实际情况进行灵活设置,在此不做具体限制。计算获得每一张待配准图像与参考图像的每对匹配特征点对之间的第一距离之后,将各个第一距离与第一预设距离阈值进行比较,从每一张待配准图像与参考图像的多对匹配特征点对中,筛选出对应第一距离小于或等于第一预设距离阈值的特征点对,确定为第一候选特征点对。也即,滤除位移超过第一预设距离阈值的匹配特征点对,剩下的第一候选特征点对之间的位移都不超过第一预设距离阈值。
示例性的,基于参考图像与每张所述待配准图像的特征点对应的特征描述子,确定每一张待配准图像与参考图像的每对匹配特征点对的相似性,例如,计算每一张待配准图像与参考图像的每对匹配特征点对的相似性值。
基于每对第一候选特征点对之间的相似性,从多对第一候选特征点对中选取若干对应的相似性较高的特征点对,确定为第二候选特征点对。例如,从多对第一候选特征点对中,选取对应相似性高于预设相似性阈值的特征点对,确定为第二候选特征点对。又如,从多对第一候选特征点对中,选取对应相似性高的预设数量的特征点对,确定为第二候选特征点对。
获得若干第二候选特征点对,从这些若干第二候选特征点对中,再次进行筛选,选取其中部分确定为目标特征点对。
在一些实施例中,所述从若干所述第二候选特征点对中选取所述目标特征点对,可以包括:计算每两对所述第二候选特征点对之间的第二距离;依此将每对所述第二候选特征点对作为参考特征点对,确定所述参考特征点对的集群,所述参考特征点对与对应的集群中的其他所述第二候选特征点对之间的第二距离小于或等于第二预设距离阈值;将包含所述第二候选特征点对数量最多的集群,确定为目标集群,所述目标集群中的每对所述第二候选特征点对为所述目标特征点对。
例如,假设第二候选特征点对中任意的两对特征点对:特征点对1和特征点对2,其中,特征点对1的两个特征点对应的第一距离是(a,b),特征点对2的两个特征点对应的第一距离是(c,d),则特征点对1和特征点对2之间的第二距离是(|a-c|,|b-d|)。
分别将每一第二候选特征点对作为参考特征点对,确定其余第二候选特征点对中,与该参考特征点对的第二距离小于或等于第二预设距离阈值的第二候选特征点对,由这些对应第二距离小于或等于第二预设距离阈值的第二候选特征点对,确定该参考特征点对的集群,并统计这些对应第二距离小于或等于第二预设距离阈值的第二候选特征点对的数量,将其作为该参考特征点对的集群对应的数量。
按照上述方式,可以得到每一第二候选特征点对作为参考特征点对时对应的集群,将各个集群中包含第二候选特征点对数量最多的集群,也即集群数量最多的集群,确定为目标集群。该目标集群中的每对第二候选特征点对,即为待配准图像与参考图像的目标特征点对。
S104、根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量。
参考图像与每张待配准图像的目标特征点对,是位移小、相似性高、且不分散排布的特征点对,由这些目标特征点对,确定参考图像与每张待配准图像之间的位移量,就会非常精准。
在一些实施例中,如图4所示,步骤S104可以包括子步骤S1041和子步骤S1042。
S1041、根据每对所述目标特征点对的位置,计算每对所述目标特征点对的位移量;
S1042、根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量。
示例性的,根据待配准图像与参考图像的每对匹配特征点对的位置,计算待配准图像与参考图像的每对匹配特征点对的位移量,也即待配准图像与参考图像的每对匹配特征点对之间的距离。例如,若确定出待配准图像与参考图像的n对目标特征点对,则计算该n对目标特征点对的位移量。
之后,综合待配准图像与参考图像的每对目标特征点对的位移量,确定待配准图像与参考图像之间的位移量。例如,仍以上述列举例子为例,计算获得待配准图像与参考图像的n对目标特征点对的位移量之后,综合这n对目标特征点对的位移量,确定待配准图像与参考图像之间的位移量。
示例性的,所述根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量,可以包括:
计算所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量的平均值,将所述平均值确定为所述参考图像与每张所述待配准图像之间的位移量;或者
将所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量中的中位数,确定为所述参考图像与每张所述待配准图像之间的位移量。
例如,仍以上述列举例子为例,计算获得待配准图像与参考图像的n对目标特征点对的位移量,则计算这n对目标特征点对的位移量的平均值,将计算得到的平均值确定为待配准图像与参考图像之间的位移量。或者,将这n对目标特征点对的位移量的中位数,确定为待配准图像与参考图像之间的位移量。
S105、根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准。
将参考图像不动,根据每张待配准图像与参考图像的位移量,分别对每张待配准图像进行平移,使每张待配准图像与参考图像对齐配准。
在一些实施例中,所述根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,可以包括:若某张所述待配准图像与所述参考图像的位移量是(L1,L2),则将所述待配准图像在水平方向上反向平移L1个像素,在竖直方向上反向平移L2个像素。
例如,假设第n张待配准图像相对参考图像的位移量是(L1,L2),其中L1表示在水平方向上的位移量是L1个像素,L2表示在竖直方向上的位移量是L2个像素。那么,平移的方式就是将第n张待配准图像在水平方向上反向平移L1个像素,也即水平方向上平移–L1个像素,在竖直方向上反向平移L2个像素,也即竖直方向上平移–L2个像素。
通过对每一张待配准图像进行平移,使得所有的待配准图像都与参考图像对齐,从而实现多张显微镜图像的精准配准。
S106、根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析。
示例性的,将配准之后的每张待配准图像与参考图像进行图像融合处理,获得对应的融合图像,然后根据融合图像,进行海水微生物检测分析。比如,检测微生物种类、微生物含量等。
上述实施例通过获取同一视野下拍摄的海水样本对应的多张显微镜图像,生成每张显微镜图像对应的二值图像,并确定多张二值图像中像素值为1的像素点数量最多的二值图像,将确定的二值图像对应的显微镜图像作为清晰度最高的显微镜图像,然后将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取参考图像与每张待配准图像的特征点,确定参考图像与每张待配准图像的目标特征点对,根据参考图像与每张待配准图像的目标特征点对,确定参考图像与每张待配准图像之间的位移量,并根据每张待配准图像与参考图像的位移量,对每张待配准图像进行平移,使每张待配准图像与参考图像配准,进而根据配准之后的每张待配准图像与参考图像,进行海水微生物检测分析,由于是基于高清晰度的显微镜图像进行配准之后进行检测分析的,提高了进行海洋水质微生物检测的准确性。
请参阅图5,图5为本申请实施例提供的一种海洋水质微生物检测装置的的示意性框图。
如图5所示,该海洋水质微生物检测装置200可以包括处理器211和存储器212,处理器211和存储器212通过总线连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器211可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器212可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。存储器212中存储有供处理器211执行的各种计算机程序。
其中,所述处理器211用于运行存储在存储器处理器211中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取同一视野下拍摄的海水样本对应的多张显微镜图像;
生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像;
将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对;
根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量;
根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准;
根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析。
在一些实施例中,处理器211在实现所述确定所述参考图像与每张所述待配准图像的目标特征点对时,用于实现:
采用特征匹配算法分别匹配每张所述待配准图像与所述参考图像的特征点,确定所述参考图像与每张所述待配准图像的多对匹配特征点对;
计算每对所述匹配特征点对之间的第一距离;
从多对所述匹配特征点对中筛选出对应第一距离小于或等于第一预设距离阈值的特征点对,确定为第一候选特征点对;
从多对所述第一候选特征点对中选取若干特征点对,确定为第二候选特征点对,其中,所述第二候选特征点对的相似性大于其他未选取的第一候选特征点对的相似性;
从若干所述第二候选特征点对中选取所述目标特征点对。
在一些实施例中,处理器211在实现所述从若干所述第二候选特征点对中选取所述目标特征点对时,用于实现:
计算每两对所述第二候选特征点对之间的第二距离;
依此将每对所述第二候选特征点对作为参考特征点对,确定所述参考特征点对的集群,所述参考特征点对与对应的集群中的其他所述第二候选特征点对之间的第二距离小于或等于第二预设距离阈值;
将包含所述第二候选特征点对数量最多的集群,确定为目标集群,所述目标集群中的每对所述第二候选特征点对为所述目标特征点对。
在一些实施例中,处理器211在实现所述根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量时,用于实现:
根据每对所述目标特征点对的位置,计算每对所述目标特征点对的位移量;
根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量。
在一些实施例中,处理器211在实现所述根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量时,用于实现:
计算所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量的平均值,将所述平均值确定为所述参考图像与每张所述待配准图像之间的位移量;或者
将所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量中的中位数,确定为所述参考图像与每张所述待配准图像之间的位移量。
在一些实施例中,处理器211在实现所述生成每张所述显微镜图像对应的二值图像时,用于实现:
获取每张所述显微镜图像的目标颜色空间对应的通道图像;
对每张所述通道图像进行像素点抑制或保留处理;
若处理后的通道图像中的像素点对应的梯度强度大于或等于预设阈值,则将所述像素点对应的像素值标记为1,若所述像素点对应的梯度强度小于所述预设阈值,则将所述像素点对应的像素值标记为0,获得所述二值图像。
在一些实施例中,处理器211在实现所述将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像时,用于实现:
将其他显微镜图像作为备选图像,根据每张所述备选图像对应的二值图像中像素值为1的像素点数量,从所述备选图像中选取目标图像,其中,所述目标图像对应的二值图像中像素值为1的像素点数量大于未选取的备选图像对应的二值图像中像素值为1的像素点数量;
将清晰度最高的显微镜图像作为所述参考图像,所述目标图像作为所述待配准图像。
此外,本申请的实施例中还提供一种检测设备,该检测设备包括海洋水质微生物检测装置,示例性的,该海洋水质微生物检测装置可以为上述实施例中的海洋水质微生物检测装置200。检测设备可以执行本申请实施例所提供的任一种海洋水质微生物检测方法,因此,可以实现本申请实施例所提供的任一种海洋水质微生物检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本申请的实施例中还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现上述实施例提供的海洋水质微生物检测方法的步骤。例如,该计算机程序被处理器加载,可以执行如下步骤:
获取同一视野下拍摄的海水样本对应的多张显微镜图像;
生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像;
将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对;
根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量;
根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准;
根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,所述存储介质可以是前述实施例的海洋水质微生物检测装置或检测设备的内部存储单元,例如海洋水质微生物检测装置或检测设备的硬盘或内存。所述存储介质也可以是海洋水质微生物检测装置或检测设备的外部存储设备,例如海洋水质微生物检测装置或检测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种海洋水质微生物检测方法,因此,可以实现本申请实施例所提供的任一种海洋水质微生物检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种海洋水质微生物检测方法,其特征在于,包括:
获取同一视野下拍摄的海水样本对应的多张显微镜图像;
生成每张所述显微镜图像对应的二值图像,并确定多张所述二值图像中像素值为1的像素点数量最多的二值图像,将确定的所述二值图像对应的显微镜图像作为清晰度最高的显微镜图像;
将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,分别提取所述参考图像与每张所述待配准图像的特征点,确定所述参考图像与每张所述待配准图像的目标特征点对;
根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量;
根据每张所述待配准图像与所述参考图像的位移量,对每张所述待配准图像进行平移,使每张所述待配准图像与所述参考图像配准;
根据配准之后的每张所述待配准图像与所述参考图像,进行海水微生物检测分析。
2.根据权利要求1所述的方法,其特征在于,所述确定所述参考图像与每张所述待配准图像的目标特征点对,包括:
采用特征匹配算法分别匹配每张所述待配准图像与所述参考图像的特征点,确定所述参考图像与每张所述待配准图像的多对匹配特征点对;
计算每对所述匹配特征点对之间的第一距离;
从多对所述匹配特征点对中筛选出对应第一距离小于或等于第一预设距离阈值的特征点对,确定为第一候选特征点对;
从多对所述第一候选特征点对中选取若干特征点对,确定为第二候选特征点对,其中,所述第二候选特征点对的相似性大于其他未选取的第一候选特征点对的相似性;
从若干所述第二候选特征点对中选取所述目标特征点对。
3.根据权利要求2所述的方法,其特征在于,所述从若干所述第二候选特征点对中选取所述目标特征点对,包括:
计算每两对所述第二候选特征点对之间的第二距离;
依此将每对所述第二候选特征点对作为参考特征点对,确定所述参考特征点对的集群,所述参考特征点对与对应的集群中的其他所述第二候选特征点对之间的第二距离小于或等于第二预设距离阈值;
将包含所述第二候选特征点对数量最多的集群,确定为目标集群,所述目标集群中的每对所述第二候选特征点对为所述目标特征点对。
4.根据权利要求1所述的方法,其特征在于,所述根据所述参考图像与每张所述待配准图像的目标特征点对,确定所述参考图像与每张所述待配准图像之间的位移量,包括:
根据每对所述目标特征点对的位置,计算每对所述目标特征点对的位移量;
根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述参考图像与每张所述待配准图像的每对所述目标特征点对的位移量,确定所述参考图像与每张所述待配准图像之间的位移量,包括:
计算所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量的平均值,将所述平均值确定为所述参考图像与每张所述待配准图像之间的位移量;或者
将所述参考图像与每张所述待配准图像的各对所述目标特征点对的位移量中的中位数,确定为所述参考图像与每张所述待配准图像之间的位移量。
6.根据权利要求1所述的方法,其特征在于,所述生成每张所述显微镜图像对应的二值图像,包括:
获取每张所述显微镜图像的目标颜色空间对应的通道图像;
对每张所述通道图像进行像素点抑制或保留处理;
若处理后的通道图像中的像素点对应的梯度强度大于或等于预设阈值,则将所述像素点对应的像素值标记为1,若所述像素点对应的梯度强度小于所述预设阈值,则将所述像素点对应的像素值标记为0,获得所述二值图像。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述将清晰度最高的显微镜图像作为参考图像,其他显微镜图像作为待配准图像,包括:
将其他显微镜图像作为备选图像,根据每张所述备选图像对应的二值图像中像素值为1的像素点数量,从所述备选图像中选取目标图像,其中,所述目标图像对应的二值图像中像素值为1的像素点数量大于未选取的备选图像对应的二值图像中像素值为1的像素点数量;
将清晰度最高的显微镜图像作为所述参考图像,所述目标图像作为所述待配准图像。
8.一种海洋水质微生物检测装置,其特征在于,包括:处理器、存储器,所述存储器存储有可被所述处理器执行的计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的海洋水质微生物检测方法。
9.一种检测设备,其特征在于,所述检测设备包括如权利要求8所述的海洋水质微生物检测装置。
10.一种存储介质,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7中任一项所述的海洋水质微生物检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265447.0A CN115984341B (zh) | 2023-03-20 | 2023-03-20 | 海洋水质微生物检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265447.0A CN115984341B (zh) | 2023-03-20 | 2023-03-20 | 海洋水质微生物检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984341A true CN115984341A (zh) | 2023-04-18 |
CN115984341B CN115984341B (zh) | 2023-05-23 |
Family
ID=85968561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310265447.0A Active CN115984341B (zh) | 2023-03-20 | 2023-03-20 | 海洋水质微生物检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984341B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758580A (zh) * | 2023-05-05 | 2023-09-15 | 中国地质大学(北京) | 底栖生物识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243084A1 (en) * | 2015-11-06 | 2017-08-24 | The Regents Of The University Of California | Dsp-sift: domain-size pooling for image descriptors for image matching and other applications |
CN108876855A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于深度学习的海参检测和双目视觉定位方法 |
CN112509122A (zh) * | 2020-12-04 | 2021-03-16 | 大连海事大学 | 一种基于多高度无透镜数字全息的高浓度微颗粒浓度与活性的检测方法及装置 |
CN113066121A (zh) * | 2019-12-31 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分析系统和识别重复细胞的方法 |
CN113125434A (zh) * | 2019-12-31 | 2021-07-16 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分析系统和控制拍摄样本图像的方法 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN115063794A (zh) * | 2022-06-15 | 2022-09-16 | 安徽大学 | 一种秀丽隐杆线虫全身细胞自动识别的方法 |
WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
-
2023
- 2023-03-20 CN CN202310265447.0A patent/CN115984341B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243084A1 (en) * | 2015-11-06 | 2017-08-24 | The Regents Of The University Of California | Dsp-sift: domain-size pooling for image descriptors for image matching and other applications |
CN108876855A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于深度学习的海参检测和双目视觉定位方法 |
CN113066121A (zh) * | 2019-12-31 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分析系统和识别重复细胞的方法 |
CN113125434A (zh) * | 2019-12-31 | 2021-07-16 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分析系统和控制拍摄样本图像的方法 |
CN112509122A (zh) * | 2020-12-04 | 2021-03-16 | 大连海事大学 | 一种基于多高度无透镜数字全息的高浓度微颗粒浓度与活性的检测方法及装置 |
WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN115063794A (zh) * | 2022-06-15 | 2022-09-16 | 安徽大学 | 一种秀丽隐杆线虫全身细胞自动识别的方法 |
Non-Patent Citations (3)
Title |
---|
WENRUI ZHANG ET AL.: "Research on underwater image registration method based on MSRCR and SIFT", 《 INTERNATIONAL CONFERENCE ON COMPUTER VISION AND PATTERN ANALYSIS (ICCPA 2021)》 * |
李加强: "基于视觉辅助定位的水下机器人目标抓取控制", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
靳峰等: "一种快速准确的图像配准算法", 《西安电子科技大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758580A (zh) * | 2023-05-05 | 2023-09-15 | 中国地质大学(北京) | 底栖生物识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115984341B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pape et al. | 3-D histogram-based segmentation and leaf detection for rosette plants | |
US8861884B1 (en) | Training classifiers for deblurring images | |
Uliyan et al. | A novel forged blurred region detection system for image forensic applications | |
WO2014087689A1 (ja) | 画像処理装置、画像処理システム及びプログラム | |
CN115984341B (zh) | 海洋水质微生物检测方法、装置、设备及存储介质 | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
WO2015035462A1 (en) | Point feature based 2d-3d registration | |
CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
CN114897764A (zh) | 基于标准化通道注意力的肺结节假阳性排除方法及装置 | |
Agarwal et al. | A comparative study of SIFT and SURF algorithms under different object and background conditions | |
CN112989098A (zh) | 一种图像类侵权实体自动化检索方法、装置和电子设备 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
US11430130B2 (en) | Image processing method and computer-readable recording medium having recorded thereon image processing program | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
KR101821770B1 (ko) | 특징 추출을 위한 기법들 | |
Shi et al. | Quaternion Color Curvature. | |
KR20070056756A (ko) | 이미지/노이즈 판별을 위한 통계적 영상처리 시스템 및방법 | |
Zheng et al. | Automatic setae segmentation from Chaetoceros microscopic images | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
US8705874B2 (en) | Image processing method and system using regionalized architecture | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |