CN116385435A - 基于图像分割的制药胶囊计数方法 - Google Patents

基于图像分割的制药胶囊计数方法 Download PDF

Info

Publication number
CN116385435A
CN116385435A CN202310644381.6A CN202310644381A CN116385435A CN 116385435 A CN116385435 A CN 116385435A CN 202310644381 A CN202310644381 A CN 202310644381A CN 116385435 A CN116385435 A CN 116385435A
Authority
CN
China
Prior art keywords
value
image
capsule
shadow
connected domain
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
Application number
CN202310644381.6A
Other languages
English (en)
Other versions
CN116385435B (zh
Inventor
宋艳霞
王云鹏
刘西阳
张晓�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jining Jianda Medical Device Technology Co ltd
Original Assignee
Jining Jianda Medical Device Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jining Jianda Medical Device Technology Co ltd filed Critical Jining Jianda Medical Device Technology Co ltd
Priority to CN202310644381.6A priority Critical patent/CN116385435B/zh
Publication of CN116385435A publication Critical patent/CN116385435A/zh
Application granted granted Critical
Publication of CN116385435B publication Critical patent/CN116385435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像分割的制药胶囊计数方法，包括将采集制药胶囊的HSV图像，根据H通道直方图的拟合曲线中的波峰信息确定出胶囊颜色个数和关注区域，将HSV图像转化为灰度图像，获取关注区域的连通域和连通域中的空隙区域，根据每个连通域的边缘像素点，根据每个边缘像素点与其前相邻边缘像素点的梯度方向的差值，得到胶囊集中程度，根据胶囊集中程度和每个连通域中的空隙区域的灰度均值得到灰度图像的阴影程度，根据阴影程度和胶囊颜色个数，得到聚类算法的K值，利用K值对制药胶囊图像进行聚类分割，得到分割后的胶囊图像，并统计其中的胶囊数量，方法智能、精准。

Description

基于图像分割的制药胶囊计数方法
技术领域
本申请涉及图像处理领域，具体涉及一种基于图像分割的制药胶囊计数方法。
背景技术
在制药生产环节中，由于胶囊批量生产，需对生产后的胶囊进行计数处理，而对胶囊进行计数时通常采用先对胶囊图像进行分割进而对分割后的图像进行计数，现有技术常根据图像颜色特征通过K-means聚类算法对胶囊图像进行分割，分割后进行计数，但是，K-means聚类算法对K值即簇类值的选取要求过高，传统的K-means聚类算法其K值需先人为设定。使用K-means聚类算法对胶囊图像进行分割时，是将图中不同区域进行划分，所设定的K值即为区域个数，现有技术是根据胶囊壳的颜色和背景颜色设定K值，对于胶囊图像而言，胶囊周边会出现阴影区域，若只根据胶囊及背景颜色设定初始簇类即K值进行分割时，会将胶囊周边阴影与胶囊区域分为一类，即出现过分割问题，极大影响对胶囊区域的提取从而影响后续计数。
发明内容
针对只根据胶囊及背景颜色设定初始簇类即K值进行分割时，会将胶囊周边阴影与胶囊区域分为一类，即出现过分割问题，极大影响对胶囊区域的提取从而影响后续计数的问题，本发明提供一种基于图像分割的制药胶囊计数方法，包括：
采集制药胶囊的HSV图像，以HSV图像中像素点的H通道值为横坐标，以H通道值对应的像素点个数为纵坐标得到H通道直方图；
获取H通道直方图中每个H通道值对应的像素点个数的拟合曲线，根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数，根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域；
将HSV图像转化为灰度图像，对关注区域进行连通域处理，得到关注区域的连通域和连通域中的空隙区域；
获取每个连通域的边缘像素点，根据每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度；
根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度；
根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值，利用K值对制药胶囊图像进行聚类分割，得到分割后的胶囊图像；
通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数。
所述根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值的方法为：
将关注颜色个数作为初始K值；
依次增大K值，并且利用每个K值将图像分割为多个类别图像；
获取每个K值分割后含有关注区域像素点的多个类别图像，并计算其中每个类别图像的阴影程度，将最大阴影程度作为该K值对应的分割图像的阴影程度；
将每个K值对应的分割图像的阴影程度和前一K值对应的分割图像的阴影程度的差值，作为每个K值对应的分割图像的阴影程度的评价指标；
随着K值的增大，当评价指标减小至不变时，对应的K值作为K-means聚类算法的K值。
所述根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度的方法为：
获取每个连通域中的每个空隙区域的灰度均值，将每个连通域中的所有空隙区域的灰度均值进行累加，再进行归一化，得到归一化后的累加值；
将1减去归一化后的累加值得到的差值和连通域的胶囊集中程度的乘积值，作为连通域的阴影程度；
将每个阴影程度和该阴影程度对应的连通域个数的乘积进行累加，并对累加值归一化后得到的值作为灰度图像的阴影程度。
所述根据每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度的方法为：
获取每个连通域中每个像素点与其前相邻边缘像素点的梯度方向的差值，得到梯度方向差值序列；将梯度方向差值序列中的差值进行求和，再进行归一化后得到的值，作为连通域的胶囊集中程度。
所述根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数的方法为：
获取拟合曲线中的每个波峰处所对应的纵坐标值，即像素点个数，将纵坐标值由大到小依次排列，得到纵坐标值序列；
获取纵坐标值序列中两相邻纵坐标值的比值，并计算两相邻纵坐标的比值的差值，对该差值进行归一化；
若归一化后的差值小于差值阈值时，HSV图像中胶囊颜色个数为
Figure SMS_1
，关注颜色个数为/>
Figure SMS_2
；若归一化后的差值大于差值阈值时，HSV图像中胶囊颜色个数为/>
Figure SMS_3
，关注颜色个数为/>
Figure SMS_4
。
所述根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域的方法为：
若关注颜色个数为
Figure SMS_5
，选取纵坐标值序列中前/>
Figure SMS_6
1个纵坐标值，作为待分析序列；若关注颜色个数为/>
Figure SMS_7
，选取纵坐标值序列中前/>
Figure SMS_8
1个纵坐标值，作为待分析序列；
获取待分析序列中每个纵坐标值对应的H值，将所有像素值在
Figure SMS_9
范围内的像素点标记为0，其他范围内像素点标记为1，将得到的二值掩膜与灰度图相乘，得到HSV图像中的阴影区域，/>
Figure SMS_10
为H值的跨度范围。
所述通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数的方法为：
使用凹点检测的方法对连通域进行处理，将粘连的胶囊分开，得到分割后的胶囊图像；
对分割后的每一类胶囊图像进行连通域处理，得到每类胶囊图像中连通域个数，将每类胶囊图像中连通域个数最大值，作为制药胶囊RGB图像中的胶囊个数。
本发明的有益效果是：
本发明获取制药胶囊灰度图像中的关注区域，根据关注区域中每个像素点的梯度方向和灰度值，并对关注区域进行连通域处理，得到关注区域的连通域和连通域中的空隙区域，根据连通域的每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度；通过对像素点的梯度方向进行分析，能够体现像素点周边的变化情况，当该连通域中存在多个胶囊时，其边缘像素点中连续点的梯度方向变化较大，而当连通域中仅存在一个胶囊时，其边缘像素点的连续点梯度变化较小，因此可通过胶囊集中程度体现连续像素点的梯度方向变化情况；本发明还根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度，根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值，利用K值对制药胶囊图像进行聚类分割，得到分割后的胶囊图像通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数；在聚类分割的K值选取时，充分考虑到图像中阴影区域的影响，能够降低仅根据图像颜色信息设定K值时出现的阴影区域与胶囊区域被划分为一类，出现严重粘连的情况，同时改进了K-means算法对K值选取需人工设定的缺陷，也避免了当图中阴影过多时将阴影区域与胶囊区域分为一类的问题，获得到更精准的胶囊分割图像，根据分割图像得到准确的胶囊计数结果。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于图像分割的制药胶囊计数方法的流程示意图；
图2是本发明的一种基于图像分割的制药胶囊计数方法中的胶囊示意图。
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，都属于本发明保护的范围。
本发明的一种基于图像分割的制药胶囊计数方法的实施例，如图1所示，包括：
步骤一：采集制药胶囊的HSV图像，以HSV图像中像素点的H通道值为横坐标，以H通道值对应的像素点个数为纵坐标得到H通道直方图；获取H通道直方图中每个H通道值对应的像素点个数的拟合曲线，根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数，根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域；
该步骤的目的是，通过生产线上布置的相机采集制药胶囊的俯视图像，根据图像在HSV空间的H通道直方图的拟合曲线中的波峰信息得到图像中的颜色信息，并根据颜色信息获取关注区域。
本步骤首先将生产得到的制药胶囊平铺放置，放置时避免胶囊出现叠层情况影响后续处理，获取得到的制药胶囊图像，如图2所示，需要说明的是，本发明针对的制药胶囊是非透明外壳的制药胶囊。
由于本方法需对阴影区域进行分析，而阴影区域像素点颜色值相较胶囊区域与背景区域占比较少。由于胶囊壳体颜色的不确定性，首先需根据图像的颜色信息获取关注区域即可能阴影区域，然后将胶囊RGB图像转为HSV图像，由于H值表示色调，可体现图像的颜色信息，以图中所有点的H通道值为横坐标，以每一H通道值所对应的像素点个数为纵坐标建立坐标系，得到图像所对应的H通道直方图，将H通道直方图上点拟合曲线，对曲线进行平滑处理，得到平滑的拟合曲线。
其中，根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数的方法为：
（1）获取拟合曲线中的每个波峰处所对应的纵坐标值，即像素点个数，将纵坐标值由大到小依次排列，得到纵坐标值序列；
由于待检测图像中存在胶囊区域、背景两个区域、其他区域，当胶囊的颜色只有一种时，直方图的拟合曲线中的波峰数量为3，具体为胶囊区域像素点的波峰，背景像素点颜色波峰，其他像素点的波峰；当胶囊颜色有两种时，直线拟合曲线中波峰数量为4，分别为背景区域像素点的波峰、两种颜色各自包括的像素点的波峰、其他像素点的波峰；
当胶囊壳体只呈现同一种颜色时，此时波峰值序列中为
Figure SMS_13
，/>
Figure SMS_14
，/>
Figure SMS_16
；此时/>
Figure SMS_11
为背景区域的峰值处的像素点个数，/>
Figure SMS_15
为胶囊的波峰值处的像素点数量，/>
Figure SMS_17
为阴影或者噪声区域的波峰值处的像素点数量，此时/>
Figure SMS_18
值与/>
Figure SMS_12
值相差较大；
当胶囊壳体呈现两种颜色时，此时波峰值序列中为
Figure SMS_20
，/>
Figure SMS_22
，/>
Figure SMS_27
，/>
Figure SMS_21
；此时/>
Figure SMS_23
为背景区域的峰值处的像素点个数，/>
Figure SMS_25
，/>
Figure SMS_28
为胶囊壳体的两种颜色区域的波峰值处的像素点数量，/>
Figure SMS_19
为阴影或者噪声区域的波峰值处的像素点数量，此时/>
Figure SMS_24
值与/>
Figure SMS_26
值相差较小；
（2）获取纵坐标值序列中两相邻纵坐标值的比值，并计算两相邻纵坐标的比值的差值，对该差值进行归一化；
Figure SMS_29
公式中，d为对差值进行归一化后的值，
Figure SMS_30
为对得到的数据进行归一化处理，将得到数据映射到(0,1)范围内，由于差值可能为负数，对差值进行绝对值处理；
（3）设定阈值为D，本方法取D为0.7，可视具体情况进行调整；
若归一化后的差值小于差值阈值时，判定此时壳体为两种颜色，HSV图像中胶囊颜色个数为
Figure SMS_31
=2，关注颜色个数为/>
Figure SMS_32
=4；
若归一化后的差值大于差值阈值时，HSV图像中胶囊颜色个数为
Figure SMS_33
=1，关注颜色个数为/>
Figure SMS_34
=3；
其中，根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域的方法为：
（1）若关注颜色个数为
Figure SMS_35
，选取纵坐标值序列中前/>
Figure SMS_36
1个纵坐标值，作为待分析序列；若关注颜色个数为/>
Figure SMS_37
，选取纵坐标值序列中前/>
Figure SMS_38
1个纵坐标值，作为待分析序列；
具体的，在本实施例中，壳体为一种颜色，HSV图像中的胶囊颜色个数为1，对获取得到的序列中的前2个值，即
Figure SMS_39
，/>
Figure SMS_40
值进行分析，记得到的待分析的个数为v，即v为2或3，获取得到待分析序列/>
Figure SMS_41
；当壳体为两种颜色，对获取得到序列中前3个值，即/>
Figure SMS_42
，/>
Figure SMS_43
，/>
Figure SMS_44
值进行考虑，构建待分析序列/>
Figure SMS_45
；
（2）获取待分析序列中每个纵坐标值对应的H值，将所有像素值在
Figure SMS_46
范围内的像素点标记为0，其他范围内像素点标记为1，将得到的二值掩膜与灰度图相乘，得到HSV图像中的阴影区域，/>
Figure SMS_47
为H值的跨度范围；
具体的在本实施例中，由于要获取关注区域需排除胶囊区域及背景无阴影区域的影响，需对上述得到的待分析序列
Figure SMS_48
中数据进行如下分析：
获取上述得到的每个
Figure SMS_50
值所对应的横坐标，即H通道值，记为序列/>
Figure SMS_52
，/>
Figure SMS_54
表示图中出现次数最多的前/>
Figure SMS_49
个H通道值，/>
Figure SMS_53
指关注颜色个数，包括胶囊颜色个数和背景颜色和其他阴影颜色；设定阈值为T，由于在胶囊图像中其胶囊壳体与背景均分别呈现同一颜色，对于每一颜色值而言其H值的跨度范围为/>
Figure SMS_55
，本实施例中设定阈值/>
Figure SMS_56
为4，可视情况进行调整，将所有像素值在/>
Figure SMS_51
范围内的像素点标记为0，其他范围内像素点标记为1，将得到的二值掩膜与灰度图相乘，得到HSV图像的关注区域。
步骤二：将HSV图像转化为灰度图像，对关注区域进行连通域处理，得到关注区域的连通域和连通域中的空隙区域；获取每个连通域的边缘像素点，根据每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度；
该步骤的目的是，根据图像中的连通域的梯度方向变化情况，计算每个连通域的胶囊集中程度。
其中，关注区域的连通域和连通域中的空隙区域的获取方法为：
首先将图像转为灰度图，对上述得到的关注区域上每一像素点在灰度图中求取每点所对应的梯度方向
Figure SMS_57
并获取每点所对应的灰度值，进而对上述得到的关注区域进行连通域处理。由于图中胶囊分布的随机性，会出现部分胶囊较为集中的分布，进而获取得到的连通域中会存在多个胶囊的情况，同时，由于胶囊随机分布且所有胶囊并非完全紧密贴合，胶囊之间会存在少许空隙，而空隙区域内的像素点即为上述所得关注区域内的像素点。进而经连通域处理后，会出现一连通域中包含些许小连通域的情况。
需要说明的是，本方法所称连通域与一般所设定连通域不同，是指其内包含些许小连通域且其不被其他连通域所包含，连通域即指内部存在一个或多个胶囊的连通域，而内部小连通域指的是胶囊中间的空隙区域。
其中，根据每个边缘像素点与其前相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度的方法为：
获取每个连通域中每个像素点与其前相邻边缘像素点的梯度方向的差值，得到梯度方向差值序列；将梯度方向差值序列中的差值进行求和，再进行归一化后得到的值，作为连通域的胶囊集中程度，具体如下：
首先，提取每一连通域边缘上像素点所对应的梯度方向：
此处设定的连通域指的是该连通域不被其他连通域所包含。以边缘处任一点为起始点，沿顺时针方向获取该区域边缘上每点的梯度方向值，将所得的梯度方向值存入序列
Figure SMS_58
中，其中/>
Figure SMS_59
表示该连通域边缘上像素点个数；
由于当连通域中仅存在一个胶囊时，说明此时该胶囊与其余胶囊距离较远，进行聚类分割时，其周边阴影区域对该胶囊影响较小，即不会与其他胶囊发生粘连从而对簇类个数的影响较小。而当获取得到的连通域中存在多个胶囊时，说明此连通域区域中胶囊分布较为集中，胶囊间的阴影区域对周边胶囊的影响较大，从而导致周边胶囊出现粘连的概率提高，即该阴影区域对簇类个数的影响较大；
然后，计算每个连通域的胶囊集中程度：
由于采集得到的胶囊图像为俯视图像，图像中胶囊边缘近似矩形，从而胶囊周边阴影区域其边缘也近似矩形，由于梯度方向可体现像素点周边的变化情况，当该连通域中存在多个胶囊时，其边缘像素点中连续点的梯度方向变化较大，而当连通域中仅存在一个胶囊时，其边缘像素点的连续点梯度变化较小，可根据连续点的梯度方向变化情况获取该连通域中胶囊的集中程度，因此，对于每一连通域而言，其胶囊集中程度为：
Figure SMS_60
公式中，
Figure SMS_61
为连通域的胶囊集中程度，/>
Figure SMS_62
为连通域第/>
Figure SMS_63
个边缘像素点，/>
Figure SMS_64
表示该连通域边缘上每一点其梯度方向与前一点做差所得的集合，可表示连通域边缘上连续点的梯度方向变化程度，/>
Figure SMS_65
表示对该连通域边缘上每点的变化程度进行求和操作，可体现该连通域边缘梯度方向变化程度，/>
Figure SMS_66
表示对数据进行归一化操作。
公式逻辑：由于梯度方向可体现像素点周边的变化情况，当
Figure SMS_67
值较小时，说明该处的梯度方向与前一点的梯度方向差异较小，即该点位于某一胶囊边缘可能性较大，而当/>
Figure SMS_68
值较大，说明该处的梯度方向与前一点的梯度方向差异较大，即该点位于两个胶囊的交界处可能性较大，进而当/>
Figure SMS_69
越大时，说明该连通域边缘存在方向突变点越多，从而说明该连通域中胶囊越密集。
需要说明的是，由于阴影对胶囊区域的影响情况即为关注区域的阴影程度，而阴影对胶囊区域的影响情况可根据阴影的位置与颜色所决定，当某区域胶囊较为密集且胶囊之间的阴影区域颜色较深时，此处阴影对胶囊区域分割的影响较大，即当该阴影区域与胶囊区域被分为一类时，粘连情况较为严重，此时，该阴影区域对簇类个数的影响较大。而当某区域胶囊较为松散即该胶囊周边阴影与其他胶囊不存在粘连时，此处阴影对胶囊区域分割的影响较小，进而对簇类个数影响也较小。因此，本步骤先对阴影区域的分布进行分析。
步骤三：根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度；根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值，利用K值对制药胶囊图像进行聚类分割，得到分割后的胶囊图像；
该步骤的目的是，根据每个连通域的胶囊集中程度得到每个连通域中阴影区域对胶囊区域的影响；
其中，根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度的方法为：
（1）获取每个连通域中的每个空隙区域的灰度均值，将每个连通域中的所有空隙区域的灰度均值进行累加，再进行归一化，得到归一化后的累加值；
将1减去归一化后的累加值得到的差值和连通域的胶囊集中程度的乘积值，作为连通域的阴影程度，具体为：
记连通域中的每一小连通域（空隙区域的连通域）中像素点的灰度均值为
Figure SMS_70
，/>
Figure SMS_71
表示小连通域的个数。由于当该连通域内像素点颜色越深即该连通域内像素点灰度均值越趋近于0时，该区域阴影情况越重，越易与周边胶囊出现粘连；
则每一连通域而言，其阴影程度为：
Figure SMS_72
公式中，
Figure SMS_73
为连通域阴影程度，/>
Figure SMS_74
表示连通域的胶囊集中程度，/>
Figure SMS_75
表示对该连通域中每一小连通域的灰度均值进行求和操作；
（2）将每个阴影程度和该阴影程度对应的连通域个数的乘积进行累加，并对累加值归一化后得到的值作为灰度图像的阴影程度：
由于对于每一连通域而言，当该区域胶囊较为密集且胶囊之间的阴影区域颜色较深时，此处阴影对胶囊区域分割的影响较大，而此时阴影即指的是该连通域内部的些许小连通域；
由于已经获取得到了每一连通域的阴影程度，而获取合适的簇类个数需对整体图像进行分析处理，需得到整张图像的阴影程度，计算方法为：
Figure SMS_76
公式中，
Figure SMS_77
表示整张图像的阴影程度，/>
Figure SMS_78
表示上述求得的每一连通域的阴影程度，
Figure SMS_79
表示每一阴影程度所对应的连通域个数，/>
Figure SMS_80
表示阴影程度中最小值，/>
Figure SMS_81
表示阴影程度中的最大值，/>
Figure SMS_82
表示对所求的数据进行归一化处理。
其中，根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值的方法为：
（1）将关注颜色个数作为初始K值；依次增大K值，并且利用每个K值将图像分割为多个类别图像；记原始胶囊图像所对应的阴影程度为
Figure SMS_83
，自/>
Figure SMS_84
起始，逐步增大/>
Figure SMS_85
值，并且利用每个/>
Figure SMS_86
值，对原始胶囊图像进行分割，得到/>
Figure SMS_87
个类别的图像；
（2）获取每个K值分割后含有关注区域像素点的多个类别图像，并计算其中每个类别图像的阴影程度，将最大阴影程度作为该K值对应的分割图像的阴影程度；获取
Figure SMS_89
个类别的图像中，含有关注区域中像素点的类别图像，由于可能会将关注区域中像素点分为不同类别，因此，记获取得到的含有关注区域中像素点的类别图像集合为/>
Figure SMS_93
，/>
Figure SMS_96
为集合中图像类别总数，记集合中每一类别图像所对应的阴影程度为/>
Figure SMS_90
，其中/>
Figure SMS_91
表示利用/>
Figure SMS_95
值将胶囊图像分割，得到/>
Figure SMS_97
个类别的图像，这/>
Figure SMS_88
个类别图像中，第/>
Figure SMS_92
个类别图像所对应的阴影程度，将这/>
Figure SMS_94
个类别图像中阴影程度最大值/>
Figure SMS_98
，作为该K值对应的分割图像的阴影程度，需要说明的是，阴影程度求取过程与整张胶囊图像的阴影程度的获取方法相同；
（3）将每个K值对应的分割图像的阴影程度和前一K值对应的分割图像的阴影程度的差值，作为每个K值对应的分割图像的阴影程度的评价指标
Figure SMS_99
；
Figure SMS_100
式中，
Figure SMS_102
为K值对应的分割图像的阴影程度的评价指标，/>
Figure SMS_106
为K值对应的分割图像的阴影程度，含义为利用/>
Figure SMS_108
值对图像进行分割，即簇类个数为/>
Figure SMS_103
时该图像的分割效果；
Figure SMS_105
为前一K值对应的分割图像的阴影程度，含义为利用/>
Figure SMS_107
对图像进行分割，即簇类个数为/>
Figure SMS_110
时该图像的分割效果，由于差值可能为负数，对其进行绝对值处理，对于初始分割效果所获取得到的/>
Figure SMS_101
值，由于此时所对应的/>
Figure SMS_104
不在所设定的阈值范围内，此时对于初始K，即当/>
Figure SMS_109
时，所对应的评价指标/>
Figure SMS_111
；
（4）随着K值的增大，当评价指标减小至不变时，对应的K值作为K-means聚类算法的K值；因为不同的阴影程度对K值的要求也不同，当阴影程度较大时，说明所需K值较大，反之较小，根据获取得到的阴影程度构建K值评价模型进而获取得到自适应的K值，当分割效果越好时，即每个K值对应的分割图像的阴影程度越小，而随着K值的不断增加，其阴影程度会不断减小，直至不发生改变，此时说明分割达到最优，此时对应的K值即为K-means聚类算法的K值；
本方法的优点在于，原始的K值评价模型是在RGB三维空间中，仅考虑三维空间中样本点的分布的紧密性即簇类紧密程度，未考虑原图像信息，仅根据簇类紧密程度获取得到的最优K值不一定能将图像中粘连胶囊进行分割，对于后续的对于胶囊颗粒的计数操作仍产生影响，本方法结合图像信息，分析图像阴影程度的变化情况获取得到最优K值，去除胶囊周边阴影的影响，对于不同的胶囊图像获取得到最合适的K值；至此，根据图像阴影程度得到聚类分割算法的K值。
需要说明的是，步骤二获取得到了图像的阴影程度，不同的阴影程度对K值的要求也不同，当阴影程度越大时，说明此时阴影区域对胶囊分割的影响较大，所需的K值也越大，当阴影程度越小时，说明此时阴影区域对胶囊分割的影响较小，所需的K值也较小，根据不同的阴影程度获取不同的K值，可降低仅根据图像颜色信息设定K值时出现的阴影区域与胶囊区域被划分为一类，出现严重粘连的情况，同时可改进K-means算法对K值选取需人工设定的缺陷，对胶囊图像分割得到自适应K值。
通过上述胶囊图像模型获取得到自适应K值，利用当前的所得到的K值使用K-means聚类算法对胶囊图像进行聚类分割处理，K-means聚类算法为现有技术，此处不做过多阐述。后续可根据上述操作对多个胶囊图像获取自适应K值，完成多个胶囊图像的分割，得到分割后的胶囊图像，通过结合阴影区域的形状特征对关注区域进行分析，获取关注区域的阴影程度，进而根据阴影程度得到簇类个数，对胶囊图像进行分割处理；
通过对关注区域阴影程度的分析可进一步得到自适应的K值，避免了当图中阴影过多时将阴影区域与胶囊区域分为一类的问题，获取得到更精准的胶囊分割图像，便于后续计数处理。
步骤四：通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数。
该步骤的目的是，对分割后的胶囊图像中的胶囊个数进行统计。
对于上述得到的胶囊分割图像中，仍存在部分胶囊区域连通域粘连情况，直接通过连通域个数获取胶囊个数不够准确，由于胶囊形状类圆形，本方法使用凹点检测的方法对连通域进行处理，凹点检测即基于图形的几何特征，结合凸包处理，将粘连目标分割开，得到分割粘连后的胶囊图像，对每一类别图像进行连通域处理，记每一类别连通域个数为
Figure SMS_112
，其中Q指类别图像个数，记所得连通域个数中最大/>
Figure SMS_113
值为该胶囊图像中胶囊个数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像分割的制药胶囊计数方法，其特征在于，该方法包括：
采集制药胶囊的HSV图像，以HSV图像中像素点的H通道值为横坐标，以H通道值对应的像素点个数为纵坐标得到H通道直方图；
获取H通道直方图中每个H通道值对应的像素点个数的拟合曲线，根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数，根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域；
将HSV图像转化为灰度图像，对关注区域进行连通域处理，得到关注区域的连通域和连通域中的空隙区域；
获取每个连通域的边缘像素点，根据每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度；
根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度；
根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值，利用K值对制药胶囊图像进行聚类分割，得到分割后的胶囊图像；
通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数。
2.根据权利要求1所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述根据灰度图像的阴影程度和关注颜色个数，得到K-means聚类算法的K值的方法为：
将关注颜色个数作为初始K值；
依次增大K值，并且利用每个K值将图像分割为多个类别图像；
获取每个K值分割后含有关注区域像素点的多个类别图像，并计算其中每个类别图像的阴影程度，将最大阴影程度作为该K值对应的分割图像的阴影程度；
将每个K值对应的分割图像的阴影程度和前一K值对应的分割图像的阴影程度的差值，作为每个K值对应的分割图像的阴影程度的评价指标；
随着K值的增大，当评价指标减小至不变时，对应的K值作为K-means聚类算法的K值。
3.根据权利要求1所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述根据每个连通域的胶囊集中程度和该连通域中的空隙区域的灰度均值得到灰度图像的阴影程度的方法为：
获取每个连通域中的每个空隙区域的灰度均值，将每个连通域中的所有空隙区域的灰度均值进行累加，再进行归一化，得到归一化后的累加值；
将1减去归一化后的累加值得到的差值和连通域的胶囊集中程度的乘积值，作为连通域的阴影程度；
将每个阴影程度和该阴影程度对应的连通域个数的乘积进行累加，并对累加值归一化后得到的值作为灰度图像的阴影程度。
4.根据权利要求1所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述根据每个边缘像素点与其相邻边缘像素点的梯度方向的差值，计算每个连通域的胶囊集中程度的方法为：
获取每个连通域中每个像素点与其前相邻边缘像素点的梯度方向的差值，得到梯度方向差值序列；将梯度方向差值序列中的差值进行求和，再进行归一化后得到的值，作为连通域的胶囊集中程度。
5.根据权利要求1所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述根据拟合曲线中波峰处对应的像素点个数得到关注颜色个数的方法为：
获取拟合曲线中的每个波峰处所对应的纵坐标值，即像素点个数，将纵坐标值由大到小依次排列，得到纵坐标值序列；
获取纵坐标值序列中两相邻纵坐标值的比值，并计算两相邻纵坐标的比值的差值，对该差值进行归一化；
若归一化后的差值小于差值阈值时，HSV图像中胶囊颜色个数为
Figure QLYQS_1
，关注颜色个数为/>
Figure QLYQS_2
；若归一化后的差值大于差值阈值时，HSV图像中胶囊颜色个数为/>
Figure QLYQS_3
，关注颜色个数为/>
Figure QLYQS_4
。
6.根据权利要求5所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述根据关注颜色个数和拟合曲线中波峰处对应的H通道值得到关注区域的方法为：
若关注颜色个数为
Figure QLYQS_5
，选取纵坐标值序列中前/>
Figure QLYQS_6
1个纵坐标值，作为待分析序列；若关注颜色个数为/>
Figure QLYQS_7
，选取纵坐标值序列中前/>
Figure QLYQS_8
1个纵坐标值，作为待分析序列；
获取待分析序列中每个纵坐标值对应的H值，将所有像素值在
Figure QLYQS_9
范围内的像素点标记为0，其他范围内像素点标记为1，将得到的二值掩膜与灰度图相乘，得到HSV图像中的阴影区域，/>
Figure QLYQS_10
为H值的跨度范围。
7.根据权利要求1所述的一种基于图像分割的制药胶囊计数方法，其特征在于，所述通过分割后的胶囊图像获得采集制药胶囊RGB图像中的胶囊个数的方法为：
使用凹点检测的方法对连通域进行处理，将粘连的胶囊分开，得到分割后的胶囊图像；
对分割后的每一类胶囊图像进行连通域处理，得到每类胶囊图像中连通域个数，将每类胶囊图像中连通域个数最大值，作为制药胶囊RGB图像中的胶囊个数。
CN202310644381.6A 2023-06-02 2023-06-02 基于图像分割的制药胶囊计数方法 Active CN116385435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310644381.6A CN116385435B (zh) 2023-06-02 2023-06-02 基于图像分割的制药胶囊计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310644381.6A CN116385435B (zh) 2023-06-02 2023-06-02 基于图像分割的制药胶囊计数方法

Publications (2)

Publication Number Publication Date
CN116385435A true CN116385435A (zh) 2023-07-04
CN116385435B CN116385435B (zh) 2023-09-26

Family

ID=86967886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310644381.6A Active CN116385435B (zh) 2023-06-02 2023-06-02 基于图像分割的制药胶囊计数方法

Country Status (1)

Country Link
CN (1) CN116385435B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111362A1 (en) * 2008-11-06 2010-05-06 Industrial Technology Research Institute Method for detecting shadow of object
JP2011248702A (ja) * 2010-05-28 2011-12-08 Sharp Corp 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体
KR101539637B1 (ko) * 2014-05-13 2015-07-27 국방과학연구소 색상 히스토그램의 다중 임계 분할과 합성을 이용한 영상 추적 방법
CN105139386A (zh) * 2015-08-12 2015-12-09 南京航空航天大学 一种快速自动检测电气接插件焊点不合格品的图像处理方法
US20150363660A1 (en) * 2014-06-12 2015-12-17 Asap54.Com Ltd System for automated segmentation of images through layout classification
CN106447676A (zh) * 2016-10-12 2017-02-22 浙江工业大学 一种基于快速密度聚类算法的图像分割方法
CN107292891A (zh) * 2017-06-20 2017-10-24 华南农业大学 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法
CN109544562A (zh) * 2018-11-09 2019-03-29 北京工业大学 基于图像的钢筋端面自动识别计数算法
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN113256644A (zh) * 2020-12-17 2021-08-13 深圳怡化电脑股份有限公司 票据图像分割方法、装置、介质和设备
CN115049865A (zh) * 2022-04-14 2022-09-13 鼎云(上海)科技有限公司 基于计算机视觉的烟叶分级方法和系统
CN115359052A (zh) * 2022-10-19 2022-11-18 南通鼎顺生物科技有限公司 基于聚类算法的医疗影像增强方法
CN115359043A (zh) * 2022-10-18 2022-11-18 启东市航新实用技术研究所 一种pcb板面异物智能检测方法
CN115619838A (zh) * 2022-12-19 2023-01-17 济宁市健达医疗器械科技有限公司 用于医疗废弃物冷库的遗漏风险监控系统
CN115760884A (zh) * 2023-01-06 2023-03-07 山东恩信特种车辆制造有限公司 基于图像处理的半挂车表面焊渣优化分割方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111362A1 (en) * 2008-11-06 2010-05-06 Industrial Technology Research Institute Method for detecting shadow of object
JP2011248702A (ja) * 2010-05-28 2011-12-08 Sharp Corp 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体
KR101539637B1 (ko) * 2014-05-13 2015-07-27 국방과학연구소 색상 히스토그램의 다중 임계 분할과 합성을 이용한 영상 추적 방법
US20150363660A1 (en) * 2014-06-12 2015-12-17 Asap54.Com Ltd System for automated segmentation of images through layout classification
CN105139386A (zh) * 2015-08-12 2015-12-09 南京航空航天大学 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN106447676A (zh) * 2016-10-12 2017-02-22 浙江工业大学 一种基于快速密度聚类算法的图像分割方法
CN107292891A (zh) * 2017-06-20 2017-10-24 华南农业大学 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法
CN109544562A (zh) * 2018-11-09 2019-03-29 北京工业大学 基于图像的钢筋端面自动识别计数算法
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN113256644A (zh) * 2020-12-17 2021-08-13 深圳怡化电脑股份有限公司 票据图像分割方法、装置、介质和设备
CN115049865A (zh) * 2022-04-14 2022-09-13 鼎云(上海)科技有限公司 基于计算机视觉的烟叶分级方法和系统
CN115359043A (zh) * 2022-10-18 2022-11-18 启东市航新实用技术研究所 一种pcb板面异物智能检测方法
CN115359052A (zh) * 2022-10-19 2022-11-18 南通鼎顺生物科技有限公司 基于聚类算法的医疗影像增强方法
CN115619838A (zh) * 2022-12-19 2023-01-17 济宁市健达医疗器械科技有限公司 用于医疗废弃物冷库的遗漏风险监控系统
CN115760884A (zh) * 2023-01-06 2023-03-07 山东恩信特种车辆制造有限公司 基于图像处理的半挂车表面焊渣优化分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FATEMEH KAZEMI 等: "Automatic Recognition of Acute Myelogenous Leukemia in Blood Microscopic Images Using K-means Clustering and Support Vector Machine", 《J MED SIGNALS SENS》, vol. 6, no. 3, pages 183 - 193 *
廖焕: "基于机器视觉的胶囊外观规格检测系统研究", 《CNKI学位论文》, vol. 2019, no. 5 *

Also Published As

Publication number Publication date
CN116385435B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN110415208B (zh) 一种自适应目标检测方法及其装置、设备、存储介质
US20100002920A1 (en) Mitotic Figure Detector and Counter System and Method for Detecting and Counting Mitotic Figures
CN107230188B (zh) 一种视频运动阴影消除的方法
CN111860538A (zh) 一种基于图像处理的舌体颜色鉴别方法和装置
CN101114335A (zh) 全角度快速指纹识别方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
Pawade et al. Comparative study of different paper currency and coin currency recognition method
Ibraheem et al. A non-invasive automatic skin cancer detection system for characterizing malignant melanoma from seborrheic keratosis
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN117593193B (zh) 一种基于机器学习的钣金图像增强方法及系统
CN113743421B (zh) 一种水稻叶片花青素显色区域分割及定量分析的方法
CN107729863B (zh) 人体指静脉识别方法
CN116109933B (zh) 一种用于废弃矿山生态修复的动态识别方法
CN116385435B (zh) 基于图像分割的制药胶囊计数方法
CN116188510B (zh) 一种基于多传感器的企业排放数据采集系统
CN110910497B (zh) 实现增强现实地图的方法和系统
Carvajal et al. Skin cancer classification in dermatological images based on a dense hybrid algorithm
CN112241954B (zh) 基于肿块差异化分类的全视野自适应分割网络配置方法
CN114140830A (zh) 一种基于循环肿瘤细胞图像的重复识别抑制方法
CN111402189B (zh) 一种视频图像偏色检测装置及方法
Zou et al. Recognition of Tea Diseases under Natural Background Based on Particle Swarm Optimization Algorithm Optimized Support Vector Machine
Hu et al. Shadow elimination based on multiple feature differences and glvq

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