CN116645318A - 图像清晰度评价方法、装置及系统 - Google Patents
图像清晰度评价方法、装置及系统 Download PDFInfo
- Publication number
- CN116645318A CN116645318A CN202310189213.2A CN202310189213A CN116645318A CN 116645318 A CN116645318 A CN 116645318A CN 202310189213 A CN202310189213 A CN 202310189213A CN 116645318 A CN116645318 A CN 116645318A
- Authority
- CN
- China
- Prior art keywords
- pixel
- point
- vector
- characteristic
- vectors
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 52
- 210000000349 chromosome Anatomy 0.000 claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 210000004027 cell Anatomy 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 2
- 229930003231 vitamin Natural products 0.000 claims description 2
- 235000013343 vitamin Nutrition 0.000 claims description 2
- 239000011782 vitamin Substances 0.000 claims description 2
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000009194 climbing Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像清晰度评价方法、装置及系统,所述方法包括获取不同焦距下细胞内部的实时染色体图像;提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量;对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;基于所述角点数进行图像清晰度评价。本发明能够对每一幅染色体图像进行角点检测,根据输出的角点数来判定当前染色体图像的清晰度级别。
Description
技术领域
本发明属于图像处理领域,具体涉及一种图像清晰度评价方法、装置及系统。
背景技术
随着光电信息技术和自动化技术的发展,基于视觉传感器的图像处理技术在目标识别、异常检测和显微成像等诸多领域得到了越来越广泛的发展和应用。基于视觉传感器的测量和显微成像技术可以实现更精细化的设备焦距调整。这种焦距智能调整方式可以在最大程度上避免由于人工进行设备调节所造成的测量误差,同时可以节省时间成本。
基于图像处理的自动对焦技术属于机器视觉技术的一种,其中如何获取清晰的对焦图像尤为重要。目前基于视觉传感器的快速图像清晰度评价方法中,图像清晰度评价算法主要可以分为灰度梯度函数、频域函数、信息学函数和统计学函数。其中灰度梯度函数尤其常用。此类方法从图像的灰度梯度方面着手,比较不同像素之间的差异大小,并借此来表征当前图像的清晰度级别。
但是,由于在近焦平面的图像序列其灰度梯度特征较为相似,导致基于图像灰度梯度函数来实现的图像清晰度评价方法,在自动对焦的过程中的效果差强人意。故此,在图像清晰度评价领域仍需要更优的方法来实现更快更准确的对焦。
发明内容
针对上述问题,本发明提出一种图像清晰度评价方法、装置及系统,能够对每一幅染色体图像进行角点检测,根据输出的角点数来判定当前染色体图像的清晰度级别,当配合爬山法进行对焦时,在近焦附近仍有很好的灵敏度,可以很好的进行自动对焦。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种图像清晰度评价方法,包括:
获取不同焦距下细胞内部的实时染色体图像;
提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量,n为选中的像素半径;
对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
基于所述角点数进行图像清晰度评价。
可选地,所述预先训练好的KNN分类模型通过以下方法训练获得:
获取包含不同焦距下细胞内部的历史染色体图像;
依次对各历史染色体图像进行特征像素点查找,并以各特征像素点周围n2个像素点的灰度值组成原始特征点像素向量;
对所有原始特征点像素向量进行降维,生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
针对各新的特征点像素向量分别进行角点标注,形成标签信息;
利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
可选地,所述对所有原始特征点像素向量进行降维生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量,具体为:
利用PCA主成分分析法对所有原始特征点像素向量进行降维,生成降维向量;
将所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
将未被替换的原始特征点像素向量中的所有值置零,形成新的特征点像素向量。
可选地,所述原始特征点像素向量为16维向量,所述降维向量为4维向量,所述降维向量中的各个灰度值为对应的原始特征点像素向量中的灰度值乘以权值,所述权值是降维过程中产生的。
可选地,所述利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型,具体为:
若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
可选地,所述若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,具体为:
式中,I1表示降维后像素点1的灰度值,I5表示降维后像素点5的灰度值,I9表示降维后像素点9的灰度值,I13表示降维后像素点13的灰度值,IP表示特征像素点P的灰度值,t为第一阈值。
可选地,所述逻辑判断包括以下步骤:
若某特征像素点向量中的像素点1、像素点5、像素点9和像素点13的灰度值满足
则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则表示该特征点像素向量通过逻辑判断。
可选地,在进行角点标注时,采用以下公式进行标签值设置:
式中,为特征点像素向量/>中的i处像素点的标签值;/>为/>中i处像素点的灰度值;Ip为特征像素点p处的灰度值;t为阈值。
第二方面,本发明提供了一种图像清晰度评价装置,包括:
获取模块,用于获取不同焦距下细胞内部的实时染色体图像;
提取模块,用于提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量;
模型处理模块,用于对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
评价模块,用于基于所述角点数进行图像清晰度评价。
第三方面,本发明提供了一种图像清晰度评价系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明提出了一种图像清晰度评价方法、装置及系统,对每一幅染色体图像进行角点检测,根据输出的角点数来判定当前染色体图像的清晰度级别,当配合爬山法进行对焦时,在近焦附近仍有很好的灵敏度,可以很好的进行自动对焦。同时也避免了以图像灰度梯度为核心的图像清晰度函数需要多次对焦来实现定焦的过程,节省了2/3的时间成本。
本发明能够提高可变焦视觉传感器的定焦准确度以及时效性,且可以布置于低算力的设备中,保证实用性及强泛化能力。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明一种实施例的图像清晰度评价方法的流程图之一;
图2是本发明一种实施例的图像清晰度评价方法的流程图之二;
图3是本发明一种实施例中KNN模型的训练流程图;
图4是将本发明一种实施例的图像清晰度评价方法应用在实际染色体图像上的实验情况;
图5是为结合爬山算法实现的快速图像清晰度评价函数过程图;
图6为将图像清晰度评价方法结合爬山算法实现的快速图像清晰度评价的过程图。
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。
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,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。
实施例1
本发明实施例中提供了一种图像清晰度评价方法,如图1所示,包括以下步骤:
步骤(1)获取不同焦距下细胞内部的实时染色体图像;在具体实施过程中,所述实时细胞内部染色体图像可以由视觉传感器进行采集,也可以由显微镜进行采集;
步骤(2)提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量;
步骤(3)对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
步骤(4)基于所述角点数进行图像清晰度评价。
基于本发明实施例中的方法,可以实现对每一幅染色体图像进行角点检测,根据输出的角点数来判定当前染色体图像的清晰度级别,在近焦附近仍有很好的灵敏度,可以很好的进行自动对焦。同时也避免了以图像灰度梯度为核心的图像清晰度函数需要多次对焦来实现定焦的过程,节省了2/3的时间成本。本发明能够提高可变焦视觉传感器的定焦准确度以及时效性,快速判定出调焦过程中最清晰的唯一图像,且可以布置于低算力的设备中,保证实用性及强泛化能力。
在本发明实施例的一种具体实施方式中,所述预先训练好的KNN分类模型通过以下方法训练获得:
获取包含不同焦距下细胞内部的历史染色体图像;在具体实施过程中,所述实时细胞内部染色体图像可以由视觉传感器进行采集;
依次对各历史染色体图像进行特征像素点查找,并以各特征像素点周围n2个像素点的灰度值组成原始特征点像素向量;
对所有原始特征点像素向量进行降维,生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
针对各新的特征点像素向量分别进行角点标注,形成标签信息;
利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
在具体实施过程中,在进行特征像素点查找时可以选用FAST算法,FAST算法的具体提取过程包括:对固定半径圆上的像素点进行逐个测试,通过逻辑测试可以去处大量的非特征候选点。一般情况下,准确的像素半径需要针对特定的图像集来进行选取,由于本发明实施例中面对的是染色体图像,在测试了3、4、5个像素半径后,发现4个像素可以最好的表征染色体图像的角点信息,不会出现过多的错误检测。这里的错误检测主要是:由于判定是否为角点,是根据以给定的像素半径涉及的点与圆心像素(即特征点像素)的差值来初步确定的,而染色体图像3个像素差值太小,5个像素差值太大。在使用FAST算法对染色体图像进行处理后,可以得到一系列特征像素点p;2)指定像素半径n,以特征像素点p为圆心,选取出n2个像素点组成特征点像素向量所述n可以取4,所述原始特征点像素向量为16维向量,具体参见图3,还可以根据实际的需要取其他值。当原始特征点像素向量为16维向量时,所述降维向量为4维向量,所述降维向量中的各个灰度值为对应的原始特征点像素向量中的灰度值乘以权值,所述权值是降维过程中产生的。
其中,所述对所有原始特征点像素向量进行降维生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量,具体为:
利用PCA主成分分析法对所有原始特征点像素向量进行降维,生成降维向量;
将所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
将未被替换的原始特征点像素向量中的所有值置零,形成新的特征点像素向量。
在具体实施过程中,PCA主成分分析法的优化目标为:
s.t.WTW=I
其中,表示/> 为单位矩阵。为此可以很容易看出这是一个带有矩阵限制的优化问题。使用拉格朗日乘子法来处理,得到优化目标的拉格朗日函数:
L(W,Θ)=-tr(WTXXTW)+<Θ,WTW-I>==-tr(WTXXTW)+tr(ΘT(WTW-I))
其中,为拉格朗日乘子矩阵,其维度与限制条件的维度恒等,且其中的每个元素均为未知的拉格朗日乘子,<Θ,WTW-I>=tr(ΘT(WTW-I))为矩阵的内积。若此时仅考虑限制/>那么拉格朗日乘子矩阵Θ为对角矩阵,令新的拉格朗日乘子矩阵为/>则新的拉格朗日函数为:
L(W,Λ)=-tr(WTXXTW)+tr(ΛT(WTW-I))
两边对W求偏导得:
令得:
-2XXTW+2WΛ=0
XXT W=WΛ
展开W,Λ得:
XXTwi=λiwi,i=1,2,...,d'
将XXTwi=λiwi优化目标:
由此得到令这d'个特征值λ1,λ2,...,λd'以及d'个单位特征向量w1,w2,...,wd',作为XXT的前d'个最大特征值和特征向量就可以使得优化目标达到最优。实验表明,d'=4可以取得较好的降维效果。即16维度最终降低为4维度,用4个特征值来表征经过投影变换后的向量,为了不影响原来的16维度数据格式,本发明实施例中还将其余的12个元素位置赋予权值0,这样的处理方式虽然有着会让实验变差的隐患,但是从结果来看整体表现良好,最终本发明方法确定的角点皆为真实角点。
在本发明实施例的一种具体实施方式中,所述利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型,具体为:
若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
其中,如图2所示,所述若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,具体为:
式中,I1表示降维后像素点1的灰度值,I5表示降维后像素点5的灰度值,I9表示降维后像素点9的灰度值,I13表示降维后像素点13的灰度值,IP表示特征像素点P的灰度值,t为第一阈值,一般取0.25倍的图像平均灰度。
所述将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果,若比较结果中大于第一阈值的数量大于第二阈值,具体为:
|Ik-IP|>t
N>12
式中,N为比较结果中大于第一阈值的数量,第二阈值取值为12,t为第一阈值,Ik为像素点k的灰度值。
在本发明实施例的一种具体实施方式中,逻辑判断包括以下步骤:
若某特征像素点向量中的像素点1、像素点5、像素点9和像素点13的灰度值满足
则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则表示该特征点像素向量通过逻辑判断。
在本发明实施例的一种具体实施方式中,在进行角点标注时,采用以下公式进行标签值设置:
式中,为特征像素点向量/>中的i处像素点的标签值;/>为/>中i处像素点的灰度值;Ip为特征像素点p处的灰度值;t为阈值。
如图4所示,所述利用所有新的特征点像素向量和标签信息训练KNN分类模型,具体为:
所有新的特征点像素向量和标签信息分为训练集和测试集,并选择元组数据结构来存储数据,形成训练元组和测试元组;
定义一个大小为Kp,且按距离由大到小的优先级队列,所述优先级队列用于存储训练元组;
随机从训练元组中选取Kp个元组作为初始的最近邻元组,分别计算测试元组到这Kp个元组的距离,将训练元组的标签信息和距离存入所述优先级队列;
遍历所述训练训练元组,计算当前训练元组与测试元组的欧式距离,以欧式距离作为标准更新优先级队列;
统计所述优先级队列中出现频次最多的类别,与测试元组中的类别进行比较,若不同,则需要调整Kp,直至达到预期效果。
图5中上下为不同的染色体在一次变焦过程中的时序图,为了方便甄别,本发明选取的是间隔5帧选择一幅图像来进行展示,图中黑点即为角点。由图中可以看出,在两次变焦过程中,图片中角点的数量都经历了由少到多,由多到少的过程。越是清晰的图像,其检测出的角点数量越多,配合爬山法可以很快确定最清晰的图像(红色框标记的为最清晰图像)。
图6为将本发明实施例中的图像清晰度评价方法结合爬山算法实现的快速图像清晰度评价的过程图。在显微镜的对焦过程中,使用最多的方法便是爬山法配合本发明实施例中的图象清晰度评价方法来进行定焦。图5中为八组变焦过程,可以看出,本发明的方法在应用的过程中保证了清晰图像的单峰性(极值点全局唯一)与灵敏度(在焦平面附近的攀升速率)。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种图像清晰度评价装置,包括:
获取模块,用于获取不同焦距下细胞内部的实时染色体图像;
提取模块,用于提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量;
模型处理模块,用于将所有特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
评价模块,用于基于所述角点数进行图像清晰度评价。
实施例3
本发明实施例中提供了一种图像清晰度评价系统,其特征在于:包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种图像清晰度评价方法,其特征在于,包括:
获取不同焦距下细胞内部的实时染色体图像;
提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量,n为选中的像素半径;
对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
基于所述角点数进行图像清晰度评价。
2.根据权利要求1所述的一种图像清晰度评价方法,其特征在于:所述预先训练好的KNN分类模型通过以下方法训练获得:
获取包含不同焦距下细胞内部的历史染色体图像;
依次对各历史染色体图像进行特征像素点查找,并以各特征像素点周围n2个像素点的灰度值组成原始特征点像素向量;
对所有原始特征点像素向量进行降维,生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
针对各新的特征点像素向量分别进行角点标注,形成标签信息;
利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
3.根据权利要求2所述的一种图像清晰度评价方法,其特征在于:所述对所有原始特征点像素向量进行降维生成降维向量,利用所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量,具体为:
利用PCA主成分分析法对所有原始特征点像素向量进行降维,生成降维向量;
将所述降维向量替换对应的原始特征点像素向量,形成新的特征点像素向量;
将未被替换的原始特征点像素向量中的所有值置零,形成新的特征点像素向量。
4.根据权利要求3所述的一种图像清晰度评价方法,其特征在于:所述原始特征点像素向量为16维向量,所述降维向量为4维向量,所述降维向量中的各个灰度值为对应的原始特征点像素向量中的灰度值乘以权值,所述权值是降维过程中产生的。
5.根据权利要求4所述的一种图像清晰度评价方法,其特征在于:所述利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型,具体为:
若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则利用所有新的特征点像素向量和标签信息训练KNN分类模型,获得预先训练好的KNN分类模型。
6.根据权利要求5所述的一种图像清晰度评价方法,其特征在于:所述若各降维向量对应的像素点的灰度值与其对应的特征像素点的灰度值之间的差值满足预设的要求,具体为:
式中,I1表示降维后像素点1的灰度值,I5表示降维后像素点5的灰度值,I9表示降维后像素点9的灰度值,I13表示降维后像素点13的灰度值,IP表示特征像素点P的灰度值,t为第一阈值。
7.根据权利要求6所述的一种图像清晰度评价方法,其特征在于:所述逻辑判断包括以下步骤:
若某特征像素点向量中的像素点1、像素点5、像素点9和像素点13的灰度值满足
则将该特征像素点的灰度值分别与其周围n2个像素点的灰度值进行比较,生成比较结果;
若比较结果中大于第一阈值的数量大于第二阈值,则表示该特征点像素向量通过逻辑判断。
8.根据权利要求2所述的一种图像清晰度评价方法,其特征在于:在进行角点标注时,采用以下公式进行标签值设置:
式中,为特征点像素向量/>中的i处像素点的标签值;/>为/>中i处像素点的灰度值;Ip为特征像素点p处的灰度值;t为阈值。
9.一种图像清晰度评价装置,其特征在于,包括:
获取模块,用于获取不同焦距下细胞内部的实时染色体图像;
提取模块,用于提取所述实时染色体图像的特征像素点,并以各特征像素点周围n2个像素点的灰度值组成特征点像素向量;
模型处理模块,用于对所述特征像素点向量进行逻辑判断,之后将所有通过逻辑判断的特征点像素向量送入预先训练好的KNN分类模型,使得所述KNN分类模型输出角点数;
评价模块,用于基于所述角点数进行图像清晰度评价。
10.一种图像清晰度评价系统,其特征在于:包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189213.2A CN116645318A (zh) | 2023-03-02 | 2023-03-02 | 图像清晰度评价方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189213.2A CN116645318A (zh) | 2023-03-02 | 2023-03-02 | 图像清晰度评价方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645318A true CN116645318A (zh) | 2023-08-25 |
Family
ID=87621823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310189213.2A Pending CN116645318A (zh) | 2023-03-02 | 2023-03-02 | 图像清晰度评价方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645318A (zh) |
-
2023
- 2023-03-02 CN CN202310189213.2A patent/CN116645318A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
EP2889619B1 (en) | Image processing device, image processing method, computer-readable medium, and image processing system | |
JP5413408B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
US10169861B2 (en) | Image processing apparatus, non-transitory computer readable medium, and image processing method | |
JP5333570B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN111881757B (zh) | 一种行人重识别方法、装置、设备及介质 | |
EP2234388B1 (en) | Object detection apparatus and method | |
US20220012884A1 (en) | Image analysis system and analysis method | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
WO2005012880B1 (en) | Analysing biological entities | |
CN111239684A (zh) | 一种基于YoloV3深度学习的双目快速距离测量方法 | |
US9064156B2 (en) | Pattern discriminating apparatus | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
CN113281780B (zh) | 对图像数据进行标注的方法、装置及电子设备 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
KR101622748B1 (ko) | 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체 | |
CN117269193A (zh) | 合成革表观质量智能化检测方法 | |
US11069084B2 (en) | Object identification method and device | |
CN116645318A (zh) | 图像清晰度评价方法、装置及系统 | |
CN114972737A (zh) | 基于原型对比学习的遥感图像目标检测系统及方法 | |
US10146042B2 (en) | Image processing apparatus, storage medium, and image processing method | |
CN114550129A (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
JP5907125B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
RU2698157C1 (ru) | Система поиска нарушений в порядке расположения объектов | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 |
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 |