CN116071746A - 一种细胞图像识别分析方法 - Google Patents
一种细胞图像识别分析方法 Download PDFInfo
- Publication number
- CN116071746A CN116071746A CN202310357267.5A CN202310357267A CN116071746A CN 116071746 A CN116071746 A CN 116071746A CN 202310357267 A CN202310357267 A CN 202310357267A CN 116071746 A CN116071746 A CN 116071746A
- Authority
- CN
- China
- Prior art keywords
- cell
- area
- image
- region
- independent
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005054 agglomeration Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 239000012535 impurity Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004220 aggregation Methods 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种细胞图像识别分析方法,包括如下步骤:获取目标细胞图像;对目标细胞图像进行预处理;对预处理后的目标细胞图像进行二值化处理,获得与目标细胞图像对应的二值图像;对二值图像进行形态学操作处理,使得二值图像上显现出细胞区域;获取细胞区域的直径参数;根据直径参数确定细胞区域的类型;根据细胞区域的类型,确定与细胞区域的类型对应的识别方法,采用识别方法获取所细胞区域的参数信息;如此,能够简化细胞图像识别分析方法的步骤,提高细胞图像识别分析方法的实用性;同时,细胞图像识别分析方法能够对细胞接团区域内的细胞进行单独识别和分析,从而提高细胞图像识别分析方法的识别分析效果。
Description
技术领域
本发明涉及图像识别技术领域,尤其是一种细胞图像识别分析方法。
背景技术
在生物医学研究和应用中,经常需要处理包含细胞的图像,识别图像中的细胞并对图像中细胞的特征进行分析和统计是非常常见的需求。目前的细胞图像识别和分析大多基于机器学习的方法,机器学习的方法具有较高的准确性,但是对于硬件计算能力以及训练样本数量有较高的要求,在很多场景下很难适用。此外当前的细胞图像识别大多只能识别到独立的细胞以及细胞接团的区域,并不能进一步对接团内的细胞进行划分识别和分析。
发明内容
本发明的主要目的是提出一种细胞图像识别分析方法,旨在解决现有细胞图像识别分析方法因步骤复杂而导致在很多场景下难以适用,并且无法对细胞接团区域内的细胞进行单独识别和分析的问题。
为实现上述目的,本发明提出一种细胞图像识别分析方法,包括如下步骤:
获取目标细胞图像;
对所述目标细胞图像进行预处理;
对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像;
对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域;
获取所述细胞区域的预估直径参数;
根据所述预估直径参数确定所述细胞区域的类型;
根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息。
可选地,所述对所述目标细胞图像进行预处理,包括以下至少其中一项:
去除所述目标细胞图像中的背景图像;
采用中值滤波法对所述目标细胞图像进行处理,滤除所述目标细胞图像中的背景噪声;
调整所述目标细胞图像的直方图。
可选地,所述对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像,包括:
计算所述目标细胞图像中的各个核区域的阈值参数;
根据所述各个核区域的阈值参数,对所述目标细胞图像进行二值化处理,获得所述目标细胞图像的二值图像。
可选地,所述对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域,包括:
对所述二值图像进行形态学操作处理,滤除所述二值图像上的细胞的内部杂质;
对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓;
采用注水法填充所有闭合轮廓内的孔洞,使得所述二值图像上显现出细胞区域。
可选地,所述对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓,包括:
将所述二值图像上的一个前景像素点设置为当前检索像素点;
对所述当前检索像素点在预设方向上进行检索;
若在与之相邻的前景像素点之间检索到背景像素点,则将所述背景像素点补充至所述当前检索像素点中,以形成闭合轮廓。
可选地,所述预估直径参数为Φ,最小目标直径为Φmin,最大目标直径为Φmax;
所述根据所述预估直径参数确定所述细胞区域的类型,包括:
当Φ<Φmin时,确定所述细胞区域为杂质区域;
当Φmin≤Φ≤Φmax,确定所述细胞区域为独立细胞区域;
当Φ>Φmax,确定所述细胞区域为细胞接团区域。
可选地,所述根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息,包括:
当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息;
当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息。
可选地,所述细胞接团区域的参数信息包括独立细胞区域的圆度参数;
所述当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息,包括:
采用圆形拟合所述独立细胞区域的轮廓,获得拟合圆图形;
计算所述拟合圆图形的直径以确定为所述独立细胞区域的直径;
获取所述拟合圆图形的像素面积,并根据单个像素点的面积,计算所述拟合圆图形的面积以确定为所述独立细胞区域的面积;
根据所述独立细胞区域的直径以及所述独立细胞区域的面积,计算所述独立细胞区域的圆度参数。
可选地,所述当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息,包括:
采用霍夫圆检测法识别所述细胞接团区域,获得所述细胞接团区域内的多个独立细胞区域;
采用圆拟合法分别对多个所述独立细胞区域进行识别,获取对应的所述独立细胞区域的参数信息,其中,所述细胞接团区域的参数信息包括多个所述独立细胞区域的参数信息。
可选地,所述根据所述细胞区域的类型,调整对所述细胞区域的识别方法,获取所述细胞区域的参数信息之后,还包括:
确认所述二值图像上的各个所述细胞区域是否识别完成。
本发明的技术方案中,对所述目标细胞图像进行预处理;对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像;对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域;获取所述细胞区域的预估直径参数;根据所述预估直径参数确定所述细胞区域的类型;根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息;如此设置,能够简化所述细胞图像识别分析方法的步骤,提高所述细胞图像识别分析方法的实用性;同时,由于本发明的细胞图像识别分析方法能够根据不同类型的细胞区域,分别对细胞区域进行识别和分析,因此,所述细胞图像识别分析方法能够对细胞接团区域内的细胞进行单独识别和分析,从而提高所述细胞图像识别分析方法的识别分析效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的细胞图像识别分析方法第一实施例的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“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。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。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,也不在本发明要求的保护范围之内。
在生物医学研究和应用中,经常需要处理包含细胞的图像,识别图像中的细胞并对图像中细胞的特征进行分析和统计是非常常见的需求。目前的细胞图像识别和分析大多基于机器学习的方法,机器学习的方法具有较高的准确性,但是对于硬件计算能力以及训练样本数量有较高的要求,在很多场景下很难适用。此外当前的细胞图像识别大多只能识别到独立的细胞以及细胞接团的区域,并不能进一步对接团内的细胞进行划分识别和分析。
鉴于此,本发明提供一种细胞图像识别分析方法。图1为本发明提供的细胞图像识别分析方法的具体实施例。
请参阅图1,所述细胞图像识别分析方法包括如下步骤:
S10:获取目标细胞图像;
S20:对所述目标细胞图像进行预处理;
S30:对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像;
S40:对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域;
S50:获取所述细胞区域的预估直径参数;
S60:根据所述预估直径参数确定所述细胞区域的类型;
S70:根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息。
本发明的技术方案中,对所述目标细胞图像进行预处理;对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像;对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域;获取所述细胞区域的预估直径参数;根据所述预估直径参数确定所述细胞区域的类型;根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息;如此设置,能够简化所述细胞图像识别分析方法的步骤,提高所述细胞图像识别分析方法的实用性;同时,由于本发明的细胞图像识别分析方法能够根据不同类型的细胞区域,分别对细胞区域进行识别和分析,因此,所述细胞图像识别分析方法能够对细胞接团区域内的细胞进行单独识别和分析,从而提高所述细胞图像识别分析方法的识别分析效果。
具体地,所述对所述目标细胞图像进行预处理S20,包括以下至少其中一项:
S201:去除所述目标细胞图像中的背景图像;
S201':采用中值滤波法对所述目标细胞图像进行处理,滤除所述目标细胞图像中的背景噪声;
S201'':调整所述目标细胞图像的直方图。
在本实施例中,对所述目标细胞图像进行光消除的操作,也即,将所述目标细胞图像减去无细胞的背景图像,避免光照条件以及背景噪声对于细胞识别的干扰;对所述目标细胞图像进行滤波的操作,也即,采用中值滤波法对所述目标细胞图像进行处理,在滤除背景噪声的同时,保留了图像中的边缘信息;对所述目标细胞图像进行增强对比度的操作,也即,通过调整所述目标细胞图像的直方图,从而增强图像的对比度,进而提高细胞识别分析的准确性。
同时,所述对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像S30,包括:
S301:计算所述细胞图像中的各个核区域的阈值参数;
S302:根据所述各个核区域的阈值参数,对所述细胞图像进行二值化处理,获得所述细胞图像的二值图像。
在本实施例中,采用局部动态阈值的二值化方式,针对图像中每一个核区域(矩形区域),单独计算一个阈值,利用该阈值对该区域进行二值化;需要说明的是,图像二值化(Image Binarization)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黑白效果的过程;图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。
进一步参阅图1,所述对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域S40,包括:
S401:对所述二值图像进行形态学操作处理,滤除所述二值图像上的细胞的内部杂质;
S402:对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓;
S403:采用注水法填充所有闭合轮廓内的孔洞,使得所述二值图像上显现出细胞区域。
具体地,所述对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓S402,包括:
S4021:将所述二值图像上的一个前景像素点设置为当前检索像素点;
S4022:对所述当前检索像素点在预设方向上进行检索;
S4023:若在与之相邻的前景像素点之间检索到背景像素点,则将所述背景像素点补充至所述当前检索像素点中,以形成闭合轮廓。
在本实施例中,对所述二值图像进行形态学操作处理,而形态学开操作可以有效滤除掉细胞内部的杂质;对所述二值图像上的每一个前景像素点进行轮廓补充,也就是说,针对每一个前景像素点(二值图中像素为255的点),向8个方向检索,如果和其他前景像素点间隔一个背景像素点,则将该背景像素点补充为前景,如此,在所述二值图像上形成闭合轮廓;对所述闭合轮廓进行孔洞填充,也即,采用注水法填充所有闭合轮廓内的孔洞,使得所述二值图像上显现出细胞区域。
需要说明的是,所述预估直径参数为Φ,最小目标直径为Φmin,最大目标直径为Φmax。
所述根据所述直径参数确定所述细胞区域的类型S60,包括:
S601:当Φ<Φmin时,确定所述细胞区域为杂质区域;
S602:当Φmin≤Φ≤Φmax,确定所述细胞区域为独立细胞区域;
S603:当Φ>Φmax,确定所述细胞区域为细胞接团区域。
具体地,所述根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息S70,包括:
S701:当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息;
S702:当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息。
在本实施例中,当Φ<Φmin时,确定所述细胞区域为杂质区域,此时放弃对所述杂质区域进行识别;当Φmin≤Φ≤Φmax,确定所述细胞区域为独立细胞区域,此时采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息;当Φ>Φmax,确定所述细胞区域为细胞接团区域,此时分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息;如此,所述细胞图像识别分析方法能够对细胞接团区域内的细胞进行单独识别和分析,从而提高所述细胞图像识别分析方法的识别分析效果。
具体地,所述细胞接团区域的参数信息包括独立细胞区域的圆度参数;
所述当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息S701,包括:
S7011:采用圆形拟合所述独立细胞区域的轮廓,获得拟合圆图形;
S7012:计算所述拟合圆图形的直径以确定为所述独立细胞区域的直径;
S7013:获取所述拟合圆图形的像素面积,并根据单个像素点的面积,计算所述拟合圆图形的面积以确定为所述独立细胞区域的面积;
S7014:根据所述独立细胞区域的直径以及所述独立细胞区域的面积,计算所述独立细胞区域的圆度参数。
在本实施例中,利用最小圆去拟合上面识别出来的所述独立细胞区域,形成所述拟合圆图形,将所述拟合圆图形的直径确定为所述独立细胞区域的直径;获取所述拟合圆图形的像素面积,并根据单个像素点的面积,计算所述拟合圆图形的面积以确定为所述独立细胞区域的面积;根据所述独立细胞区域的直径以及所述独立细胞区域的面积,通过公式计算所述独立细胞区域的圆度,其中,S为拟合圆图形的面积,C为拟合圆图形的周长;所述独立细胞区域的参数信息包括所述独立细胞区域的直径、所述独立细胞区域的面积以及所述独立细胞区域的圆度;如此设置,完成对所述独立细胞区域的参数分析。
具体地,所述当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息S702,包括:
S7021:采用霍夫圆检测法识别所述细胞接团区域,获得所述细胞接团区域内的多个独立细胞区域;
S7022:采用圆拟合法分别对多个所述独立细胞区域进行识别,获取对应的所述独立细胞区域的参数信息,其中,所述细胞接团区域的参数信息包括多个所述独立细胞区域的参数信息。
在本实施例中,先对所述细胞接团区域进行图像梯度计算,根据计算结果,沿最大梯度方向对所述细胞接团区域进行霍夫圆检测,获得所述细胞接团区域内的多个独立细胞区域;此时,所述细胞接团区域内的各个独立细胞区域均被识别,在所述细胞接团区域内的各个独立细胞区域被识别后,逐一采用采用圆拟合法识别独立细胞区域(也就是上述S7011~S7014的步骤),以分别获取对应的所述独立细胞区域的参数信息,其中,所述细胞接团区域的参数信息包括多个所述独立细胞区域的参数信息;如此,完成对所述细胞接团区域的识别和分析。
在本发明中,所述根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息之后S70,还包括:
S80:确认所述二值图像上的各个所述细胞区域是否识别完成。
在本实施例中,在进行一次识别分析之后,进一步确认所述二值图像上的各个所述细胞区域是否都识别分析完毕,若各个所述细胞区域都识别分析完毕,则此次所述目标细胞图像的识别分析结束;若有未识别的细胞区域,则按照上述方法步骤重新进行识别分析;如此设置,可以提高所述细胞图像识别分析方法的识别分析效果。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种细胞图像识别分析方法,其特征在于,包括如下步骤:
获取目标细胞图像;
对所述目标细胞图像进行预处理;
对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像;
对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域;
获取所述细胞区域的预估直径参数;
根据所述预估直径参数确定所述细胞区域的类型;
根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息。
2.根据权利要求1所述的细胞图像识别分析方法,其特征在于,所述对所述目标细胞图像进行预处理,包括以下至少其中一项:
去除所述目标细胞图像中的背景图像;
采用中值滤波法对所述目标细胞图像进行处理,滤除所述目标细胞图像中的背景噪声;
调整所述目标细胞图像的直方图。
3.根据权利要求1所述的细胞图像识别分析方法,其特征在于,所述对预处理后的所述目标细胞图像进行二值化处理,获得与所述目标细胞图像对应的二值图像,包括:
计算所述目标细胞图像中的各个核区域的阈值参数;
根据所述各个核区域的阈值参数,对所述目标细胞图像进行二值化处理,获得所述目标细胞图像的二值图像。
4.根据权利要求1所述的细胞图像识别分析方法,其特征在于,所述对所述二值图像进行形态学操作处理,使得所述二值图像上显现出细胞区域,包括:
对所述二值图像进行形态学操作处理,滤除所述二值图像上的细胞的内部杂质;
对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓;
采用注水法填充所有闭合轮廓内的孔洞,使得所述二值图像上显现出细胞区域。
5.根据权利要求4所述的细胞图像识别分析方法,其特征在于,所述对所述二值图像上的每一个前景像素点进行轮廓补充,并形成闭合轮廓,包括:
将所述二值图像上的一个前景像素点设置为当前检索像素点;
对所述当前检索像素点在预设方向上进行检索;
若在与之相邻的前景像素点之间检索到背景像素点,则将所述背景像素点补充至所述当前检索像素点中,以形成闭合轮廓。
6.根据权利要求1所述的细胞图像识别分析方法,其特征在于,所述预估直径参数为Φ,最小目标直径为Φmin,最大目标直径为Φmax;
所述根据所述预估直径参数确定所述细胞区域的类型,包括:
当Φ<Φmin时,确定所述细胞区域为杂质区域;
当Φmin≤Φ≤Φmax,确定所述细胞区域为独立细胞区域;
当Φ>Φmax,确定所述细胞区域为细胞接团区域。
7.根据权利要求6所述的细胞图像识别分析方法,其特征在于,所述根据所述细胞区域的类型,确定与所述细胞区域的类型对应的识别方法,采用所述识别方法获取所述细胞区域的参数信息,包括:
当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息;
当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息。
8.根据权利要求7所述的细胞图像识别分析方法,其特征在于,所述细胞接团区域的参数信息包括独立细胞区域的圆度参数;
所述当所述细胞区域为独立细胞区域时,采用圆拟合法识别所述独立细胞区域,并获取所述独立细胞区域的参数信息,包括:
采用圆形拟合所述独立细胞区域的轮廓,获得拟合圆图形;
计算所述拟合圆图形的直径以确定为所述独立细胞区域的直径;
获取所述拟合圆图形的像素面积,并根据单个像素点的面积,计算所述拟合圆图形的面积以确定为所述独立细胞区域的面积;
根据所述独立细胞区域的直径以及所述独立细胞区域的面积,计算所述独立细胞区域的圆度参数。
9.根据权利要求7所述的细胞图像识别分析方法,其特征在于,所述当所述细胞区域为细胞接团区域时,分别采用霍夫圆检测法和圆拟合法识别所述细胞接团区域,并获取所述细胞接团区域的参数信息,包括:
采用霍夫圆检测法识别所述细胞接团区域,获得所述细胞接团区域内的多个独立细胞区域;
采用圆拟合法分别对多个所述独立细胞区域进行识别,获取对应的所述独立细胞区域的参数信息,其中,所述细胞接团区域的参数信息包括多个所述独立细胞区域的参数信息。
10.根据权利要求1所述的细胞图像识别分析方法,其特征在于,所述根据所述细胞区域的类型,调整对所述细胞区域的识别方法,获取所述细胞区域的参数信息之后,还包括:
确认所述二值图像上的各个所述细胞区域是否识别完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310357267.5A CN116071746A (zh) | 2023-04-06 | 2023-04-06 | 一种细胞图像识别分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310357267.5A CN116071746A (zh) | 2023-04-06 | 2023-04-06 | 一种细胞图像识别分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071746A true CN116071746A (zh) | 2023-05-05 |
Family
ID=86170147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310357267.5A Pending CN116071746A (zh) | 2023-04-06 | 2023-04-06 | 一种细胞图像识别分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071746A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015130806A (ja) * | 2014-01-09 | 2015-07-23 | 大日本印刷株式会社 | 成育情報管理システム及び成育情報管理プログラム |
JP2017150923A (ja) * | 2016-02-24 | 2017-08-31 | コニカミノルタ株式会社 | 細胞画像解析方法および細胞画像解析装置 |
CN109409182A (zh) * | 2018-07-17 | 2019-03-01 | 宁波华仪宁创智能科技有限公司 | 基于图像处理的胚胎自动识别方法 |
US20210027462A1 (en) * | 2018-04-13 | 2021-01-28 | Ventana Medical Systems, Inc. | Systems for cell shape estimation |
CN113430164A (zh) * | 2021-05-30 | 2021-09-24 | 华中科技大学同济医学院附属协和医院 | 一种细胞培养系统及培养方法、应用 |
CN113902713A (zh) * | 2021-10-12 | 2022-01-07 | 广东电网有限责任公司广州供电局 | 一种基于图像分割算法的多菌落体计数方法 |
CN115620075A (zh) * | 2022-12-16 | 2023-01-17 | 南昌大学 | 白细胞分类模型用数据集的生成方法、系统及设备 |
-
2023
- 2023-04-06 CN CN202310357267.5A patent/CN116071746A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015130806A (ja) * | 2014-01-09 | 2015-07-23 | 大日本印刷株式会社 | 成育情報管理システム及び成育情報管理プログラム |
JP2017150923A (ja) * | 2016-02-24 | 2017-08-31 | コニカミノルタ株式会社 | 細胞画像解析方法および細胞画像解析装置 |
US20210027462A1 (en) * | 2018-04-13 | 2021-01-28 | Ventana Medical Systems, Inc. | Systems for cell shape estimation |
CN109409182A (zh) * | 2018-07-17 | 2019-03-01 | 宁波华仪宁创智能科技有限公司 | 基于图像处理的胚胎自动识别方法 |
CN113430164A (zh) * | 2021-05-30 | 2021-09-24 | 华中科技大学同济医学院附属协和医院 | 一种细胞培养系统及培养方法、应用 |
CN113902713A (zh) * | 2021-10-12 | 2022-01-07 | 广东电网有限责任公司广州供电局 | 一种基于图像分割算法的多菌落体计数方法 |
CN115620075A (zh) * | 2022-12-16 | 2023-01-17 | 南昌大学 | 白细胞分类模型用数据集的生成方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN101122953A (zh) | 一种图片文字分割的方法 | |
CN110245626B (zh) | 一种在虹膜图像中精确检测眼睫毛图像的方法 | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
CN111027544A (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
Adiga et al. | Particle picking by segmentation: a comparative study with SPIDER-based manual particle picking | |
Gui et al. | A fast caption detection method for low quality video images | |
CN109460768B (zh) | 一种用于组织病理学显微图像的文本检测与去除方法 | |
CN116071746A (zh) | 一种细胞图像识别分析方法 | |
CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
Zhang et al. | A structure-aware splitting framework for separating cell clumps in biomedical images | |
CN110807348A (zh) | 基于贪婪算法的文档图像中干扰线的去除方法 | |
Satish et al. | Edge assisted fast binarization scheme for improved vehicle license plate recognition | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN110766680B (zh) | 一种基于几何约束的白细胞图像分割方法 | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
CN113470028A (zh) | 染色体核型图像质量评估方法、染色体分析仪和存储介质 | |
Duan et al. | Bio-inspired visual attention model and saliency guided object segmentation | |
CN111028258A (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
Zhang et al. | Character recognition in natural scene images using local description | |
CN114332108B (zh) | 一种图片中的虚实线局部区域的提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230505 |