CN116883997B - 一种基于图像识别的噬菌斑计数方法及系统 - Google Patents
一种基于图像识别的噬菌斑计数方法及系统 Download PDFInfo
- Publication number
- CN116883997B CN116883997B CN202311126634.7A CN202311126634A CN116883997B CN 116883997 B CN116883997 B CN 116883997B CN 202311126634 A CN202311126634 A CN 202311126634A CN 116883997 B CN116883997 B CN 116883997B
- Authority
- CN
- China
- Prior art keywords
- plaque
- image
- features
- color
- plaques
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000007787 solid Substances 0.000 claims abstract description 84
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 239000002609 medium Substances 0.000 claims description 77
- 241000894006 Bacteria Species 0.000 claims description 40
- 210000000170 cell membrane Anatomy 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 26
- 230000001580 bacterial effect Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 239000001963 growth medium Substances 0.000 claims description 14
- 238000010186 staining Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009990 desizing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 208000015181 infectious disease Diseases 0.000 claims description 5
- 241001515965 unidentified phage Species 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000007877 drug screening Methods 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 14
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 239000000539 dimer Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域，本发明公开了一种基于图像识别的噬菌斑计数方法及系统，该方法包括以下步骤：获取已形成噬菌斑的固体培养基图像；基于图像识别构建噬菌斑识别系统，采集噬菌斑高清图像；对噬菌斑图像进行预处理；利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取；将提取的图像特征导入噬菌斑识别系统中，将其与预设噬菌斑特征进行对比、匹配，以识别噬菌斑；最后，计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。本发明通过图像识别技术结合机器学习算法，实现了对噬菌斑的准确识别和计数，具有自动化、高效性和精确性的优点，可广泛应用于生物医学研究、药物筛选等领域。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种基于图像识别的噬菌斑计数方法及系统。
背景技术
噬菌斑是一种生物膜，通常由细菌聚集形成，并附着在生物体表面。噬菌斑的数量是评估生物体健康状态和疾病程度的重要指标。因此，准确、高效地计数噬菌斑对于医学、生物学和环境科学等领域的研究具有重要意义。
传统的噬菌斑计数方法通常依赖于人工观察和手动计数，存在人工主观性高、工作效率低和易出错的问题。图像识别技术可以对采集到的噬菌斑图像进行预处理、特征提取，以便对噬菌斑进行准确的定位和计数。然而，现有的方法在噬菌斑形状、大小和背景复杂性方面的鲁棒性和准确性仍然存在挑战。因此，现在亟需一种有效的基于图像识别的噬菌斑计数方法。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于图像识别的噬菌斑计数方法及系统。
本发明第一方面提供了一种基于图像识别的噬菌斑计数方法，包括：
获取已形成噬菌斑的固体培养基图像；
基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。
本方案中，所述获取已形成噬菌斑的固体培养基图像之前，还包括：
在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作；
选择FM4-64作为活性细胞膜染色剂；
将准备好的FM4-64溶液添加到细菌样品中，在预设温度和预设时间下进行孵育，得到染色后的细菌样品，所述细菌样品的细胞膜呈红色；
将所述细菌样品去除未结合的染色剂和杂质；
在所述固体培养基加入噬菌体，形成噬菌斑后，将活性细菌进行细胞膜脱染操作。
本方案中，所述获取已形成噬菌斑的固体培养基图像，具体为：
利用显微镜和摄像设备对已形成噬菌斑的固体培养基进行拍摄，得到固体培养基图像；
根据固体培养基图像依次对每个红色区域进行标号，获取每个噬菌斑在固体培养基中的位置。
本方案中，所述基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像，具体为：
根据噬菌斑在固体培养基中的位置，利用荧光显微镜和高清摄像设备获取每个噬菌斑高清图像；
将获取到的噬菌斑高清图像存储到预设计算机中。
本方案中，所述对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化，具体为：
对噬菌斑高清图像通过边缘增强算法突出噬菌斑的轮廓；
进一步对噬菌斑高清图像使用中值滤波器替换每个像素周围邻域的值为邻域中的中值，去除斑点噪声；
对于不同尺寸的噬菌斑高清图像，进行尺度归一化处理，得到清晰的噬菌斑图像。
本方案中，所述利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征，具体为：
构建特征提取模型；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于几何形状的特征描述子和边界分析技术，从预处理后的噬菌斑高清图像中提取噬菌斑的形状特征，所述形状特征包括噬菌斑的面积、周长；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于颜色直方图的特征描述子和颜色空间变换技术，从预处理后的噬菌斑高清图像中提取噬菌斑的颜色特征；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于边缘检测算法，从预处理后的噬菌斑高清图像中提取噬菌斑的轮廓特征。
本方案中，所述将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑，具体为：
在构建噬菌斑识别系统后，预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，所述预设噬菌斑特征包括形状特征、颜色特征和轮廓特征；
将所述提取到的噬菌斑的形状特征、颜色特征、轮廓特征导入噬菌斑识别系统中与预设噬菌斑特征进行对比和匹配，根据图像相似度算法，计算出噬菌斑特征与预设噬菌斑特征的匹配程度；
根据计算出的匹配程度，进行噬菌斑识别，若匹配程度高于预设匹配值，则确认该区域为噬菌斑；
将识别结果标记在固体培养基图像中。
本方案中，所述计算识别出的噬菌斑的数量，并生成噬菌斑计数结果，具体为：
计算出的噬菌斑数量；
将噬菌斑数量生成计数结果，所述结果包括计数记录和噬菌斑的数量信息。
本方案中，还包括：
构建噬菌斑特征数据库；
基于现有不同细菌被噬菌体侵染形成的历史噬菌斑特征，获取噬菌斑特征保存至噬菌斑特征数据库中，所述噬菌斑特征包括噬菌斑的名称、形状、颜色、大小、轮廓；
获取固体培养基中不同噬菌斑图像；
对所述不同噬菌斑图像进行预处理，得到噬菌斑预处理图像；
基于特征提取算法，对每个噬菌斑预处理图像进行特征计算，用向量量化方法对每个特征进行描述，得到噬菌斑向量特征；
将噬菌斑向量特征进行分析和解码，得到每个噬菌斑的形状、颜色、大小、轮廓特征；
将每个噬菌体的形状、颜色、大小、轮廓特征与数据库中的噬菌斑的形状、颜色、大小、轮廓进行对比，得到目标噬菌斑名称。
根据目标噬菌斑名称，对目标噬菌斑进行计数，得到目标噬菌斑计数结果。
本发明第二方面还提供了一种基于图像识别的噬菌斑计数系统，其特征在于所述基于图像识别的噬菌斑计数系统包括储存器以及处理器，所述储存器包括基于图像识别的噬菌斑计数方法程序，所述基于图像识别的噬菌斑计数方法程序被所述处理器执行时，实现如下步骤：
获取已形成噬菌斑的固体培养基图像；
基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。
本发明涉及图像识别技术领域，本发明公开了一种基于图像识别的噬菌斑计数方法及系统，该方法包括以下步骤：获取已形成噬菌斑的固体培养基图像；基于图像识别构建噬菌斑识别系统，采集噬菌斑高清图像；对噬菌斑图像进行预处理；利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取；将提取的图像特征导入噬菌斑识别系统中，将其与预设噬菌斑特征进行对比、匹配，以识别噬菌斑；最后，计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。本发明通过图像识别技术结合机器学习算法，实现了对噬菌斑的准确识别和计数，具有自动化、高效性和精确性的优点，可广泛应用于生物医学研究、药物筛选等领域。
附图说明
图1示出了本发明一种基于图像识别的噬菌斑计数方法的流程图；
图2示出了本发明对噬菌斑高清图像特征提取流程图；
图3示出了本发明对噬菌斑进行识别流程图；
图4示出了一种基于图像识别的噬菌斑计数系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种基于图像识别的噬菌斑计数预测方法的流程图。
如图1所示，本发明第一方面提供了一种基于图像识别的噬菌斑计数方法，包括：
S102，获取已形成噬菌斑的固体培养基图像；
S104，基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
S106，对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
S108，利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
S110，将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
S112，计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。
根据本发明实施例，所述获取已形成噬菌斑的固体培养基图像之前，还包括：
在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作；
选择FM4-64作为活性细胞膜染色剂；
将准备好的FM4-64溶液添加到细菌样品中，在预设温度和预设时间下进行孵育，得到染色后的细菌样品，所述细菌样品的细胞膜呈红色；
将所述细菌样品去除未结合的染色剂和杂质；
在所述固体培养基加入噬菌体，形成噬菌斑后，将活性细菌进行细胞膜脱染操作。
需要说明的是，所述在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作是因为，大部分细菌被噬菌体侵染后，导致细胞膜裂解，所形成的噬菌斑是透明的，染色的目的是为了使形成的噬菌斑更好观察；所述FM4-64为荧光二聚体双硫苏丹黑，FM4-64是一种活性细胞膜染色剂，使细菌的细胞膜染色后不会导致细菌的死亡，避免了噬菌体无法侵染该细菌；所述形成噬菌斑后，将活性细菌进行细胞膜脱染操作，将活性细菌的细胞膜恢复原有的颜色，并且使细菌死亡，避免了对染色后的噬菌斑观察的干扰，使细菌死亡，保持噬菌斑形态，便于观察。
根据本发明实施例，所述获取已形成噬菌斑的固体培养基图像，具体为：
利用显微镜和摄像设备对已形成噬菌斑的固体培养基进行拍摄，得到固体培养基图像；
根据固体培养基图像依次对每个红色区域进行标号，获取每个噬菌斑在固体培养基中的位置。
需要说明的是，所述对每个红色区域进行标号，便于后续对识别到的噬菌斑进行计数；所述获取噬菌斑在固体培养基中的位置，初步判定噬菌斑在培养基中存在的位置，因为在显微镜中较难观察每个噬菌体的位置，避免重复对同一噬菌斑进行拍摄。
根据本发明实施例，所述基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像，具体为：
根据噬菌斑在固体培养基中的位置，利用荧光显微镜和高清摄像设备获取每个噬菌斑高清图像；
将获取到的噬菌斑高清图像存储到预设计算机中。
根据本发明实施例，所述对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化，具体为：
对噬菌斑高清图像通过边缘增强算法突出噬菌斑的轮廓；
进一步对噬菌斑高清图像使用中值滤波器替换每个像素周围邻域的值为邻域中的中值，去除斑点噪声；
对于不同尺寸的噬菌斑高清图像，进行尺度归一化处理，得到清晰的噬菌斑图像。
需要说明的是，所述通过边缘增强算法突出噬菌斑的轮廓，使噬菌斑边缘更加清晰可见；所述使用中值滤波器可以平滑图像，去除细小的噪声点和噪声纹理，保留噬菌斑的主要特征；所述对噬菌斑高清图像进行尺度归一化，以保证在特征提取和匹配过程中的一致性和可比性。
图2示出了本发明对噬菌斑高清图像特征提取流程图。
根据本发明实施例，所述利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征，具体为：
S202，构建特征提取模型；
S204，将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于几何形状的特征描述子和边界分析技术，从预处理后的噬菌斑高清图像中提取噬菌斑的形状特征，所述形状特征包括噬菌斑的面积、周长；
S206，将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于颜色直方图的特征描述子和颜色空间变换技术，从预处理后的噬菌斑高清图像中提取噬菌斑的颜色特征；
S208，将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于边缘检测算法，从预处理后的噬菌斑高清图像中提取噬菌斑的轮廓特征。
需要说明的是，所述基于几何形状的特征描述子和边界分析技术是计算机视觉领域中常用的方法，用于对图像或对象的几何形状进行描述和分析，这些技术可以帮助识别、分类和跟踪物体，以及提取图像中的结构信息；基于颜色直方图的特征描述子和颜色空间变换技术是一种将图像或对象的颜色分布信息转换为数值或向量表示的方法；边缘检测算法是用于在图像中检测出物体或场景中的边缘，边缘是图像中像素值变化较大的区域，通常表示物体的边界或纹理的边界，边缘检测算法可以帮助我们提取出图像中的边缘信息，从而进行形状分析、目标识别、图像分割等任务。
图3示出了本发明对噬菌斑进行识别流程图。
根据本发明实施例，所述将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑，具体为：
S302，在构建噬菌斑识别系统后，预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，所述预设噬菌斑特征包括形状特征、颜色特征和轮廓特征；
S304，将所述提取到的噬菌斑的形状特征、颜色特征、轮廓特征导入噬菌斑识别系统中与预设噬菌斑特征进行对比和匹配，根据图像相似度算法，计算出噬菌斑特征与预设噬菌斑特征的匹配程度；
S306，根据计算出的匹配程度，进行噬菌斑识别，若匹配程度高于预设匹配值，则确认该区域为噬菌斑；
S308，将识别结果标记在固体培养基图像中。
需要说明的是，所述预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，是为了后续将提取到的噬菌斑特征与所述预设噬菌斑特征进行对比，得到噬菌斑识别结果；所述预设值为85%，当匹配程度高于预设值则认定为该区域为噬菌斑；所述将识别结果标记在固体培养基中，便于后续对噬菌斑进行计数。
根据本发明实施例，所述计算识别出的噬菌斑的数量，并生成噬菌斑计数结果，具体为：
计算出的噬菌斑数量；
将噬菌斑数量生成计数结果，所述结果包括计数记录和噬菌斑的数量信息。
需要说明的是，生成的计数结果可用于统计噬菌斑的数量，也可根据计数记录和噬菌斑的数量信息生成研究统计图。
根据本发明实施例，还包括：
构建噬菌斑特征数据库；
基于现有不同细菌被噬菌体侵染形成的历史噬菌斑特征，获取噬菌斑特征保存至噬菌斑特征数据库中，所述噬菌斑特征包括噬菌斑的名称、形状、颜色、大小、轮廓；
获取固体培养基中不同噬菌斑图像；
对所述不同噬菌斑图像进行预处理，得到噬菌斑预处理图像；
基于特征提取算法，对每个噬菌斑预处理图像进行特征计算，用向量量化方法对每个特征进行描述，得到噬菌斑向量特征；
将噬菌斑向量特征进行分析和解码，得到每个噬菌斑的形状、颜色、大小、轮廓特征；
将每个噬菌体的形状、颜色、大小、轮廓特征与数据库中的噬菌斑的形状、颜色、大小、轮廓进行对比，得到目标噬菌斑名称。
根据目标噬菌斑名称，对目标噬菌斑进行计数，得到目标噬菌斑计数结果。
需要说明的是，固体培养基中可能存在被污染的情况，导致培养基中存在第二种细菌，根据本发明实施例，可对不同细菌形成的噬菌斑进行识别，得到目标噬菌斑，进一步增加了对噬菌斑识别的准确性和可靠性，进而能有效对目标噬菌斑进行计数；所述向量量化方法是一种将图像特征进行编码，将图像特征转换成计算机语言的一个过程。
根据本发明实施例，还包括：
获取噬菌斑图像；
获取染色后的单个噬菌斑的第一颜色信息，所述第一颜色信息包括色调、饱和度、亮度信息；
基于计算机视觉算法，将噬菌斑图像颜色信息从RGB颜色空间转换为HSV空间格式；
从所述HSV空间提取噬菌斑颜色的色调、饱和度、亮度信息，得到噬菌斑图像的第二颜色信息；
将噬菌斑图像的第二颜色信息与所述第一颜色信息进行对比，得到噬菌斑的颜色变化信息；
根据所述颜色变化信息判断噬菌斑是否存在重叠，若存在重叠，利用计算机视觉算法得到颜色重叠层数，进而得到噬菌斑重叠个数；
基于噬菌斑重叠个数修正原有的计数结果。
需要说明的是，本发明实施例适用于当噬菌斑存在重叠的情况下，根据本发明实施例可准确的得到噬菌斑的重叠个数，进而提高对噬菌斑计数的准确率；所述颜色变化信息包括色调变化、饱和度变化、亮度变化；RGB颜色空间是一种使用红（R）、绿（G）和蓝（B）三个通道来表示颜色的模型。而HSV颜色空间是一种使用色调（Hue）、饱和度（Saturation）和明度（Value）三个分量来表示颜色的模型。RGB到HSV的转换是一种将RGB颜色值转换为对应的HSV颜色值的过程。
根据本发明实施例，还包括：
获取固体培养基中的细菌种类、噬菌体侵染所述固体培养基中的细菌形成的历史噬菌斑颜色；
根据所述历史噬菌斑颜色，基于Lab颜色模型，将获取到的不同噬菌斑颜色特征进行随机融合，得到对比颜色信息，所述对比颜色信息包括一个噬菌斑的颜色和多个噬菌斑重叠之后噬菌斑颜色融合后的重叠颜色；
获取固体培养基中的噬菌斑图像；
基于计算机视觉算法，获取噬菌斑图像的颜色信息；
将噬菌斑图像的颜色信息与对比颜色信息进行对比，得到噬菌斑图像中单个噬菌斑位置和多个噬菌斑重叠位置；
根据单个噬菌斑位置和多个噬菌斑重叠位置进行计数，得到噬菌斑计数结果。
需要说明的是，所述对比颜色特征是多种噬菌斑颜色进行随机组合，将组合颜色进行融合后得到的组合颜色特征，根据对比颜色特征，能够判断什么细菌形成的噬菌斑存在重叠，且根据对比颜色特征能够判断噬菌斑重叠个数；Lab颜色模型是一种用于描述颜色的模型，它由亮度（L）和两个颜色通道（a和b）组成。Lab模型与人类感知颜色的方式密切相关，因此常用于颜色测量和图像处理任务。
图4示出了一种基于图像识别的噬菌斑计数预测系统的框图。
本发明第二方面还提供了一种基于图像识别的噬菌斑计数预测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于图像识别的噬菌斑计数预测方法程序，所述基于图像识别的噬菌斑计数预测方法程序被所述处理器执行时，实现如下步骤：
获取已形成噬菌斑的固体培养基图像；
基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。
根据本发明实施例，所述获取已形成噬菌斑的固体培养基图像之前，还包括：
在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作；
选择FM4-64作为活性细胞膜染色剂；
将准备好的FM4-64溶液添加到细菌样品中，在预设温度和预设时间下进行孵育，得到染色后的细菌样品，所述细菌样品的细胞膜呈红色；
将所述细菌样品去除未结合的染色剂和杂质；
在所述固体培养基加入噬菌体，形成噬菌斑后，将活性细菌进行细胞膜脱染操作。
需要说明的是，所述在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作是因为，大部分细菌被噬菌体侵染后，导致细胞膜裂解，所形成的噬菌斑是透明的，染色的目的是为了使形成的噬菌斑更好观察；所述FM4-64为荧光二聚体双硫苏丹黑，FM4-64是一种活性细胞膜染色剂，使细菌的细胞膜染色后不会导致细菌的死亡，避免了噬菌体无法侵染该细菌；所述形成噬菌斑后，将活性细菌进行细胞膜脱染操作，将活性细菌的细胞膜恢复原有的颜色，并且使细菌死亡，避免了对染色后的噬菌斑观察的干扰，使细菌死亡，保持噬菌斑形态，便于观察。
根据本发明实施例，所述获取已形成噬菌斑的固体培养基图像，具体为：
利用显微镜和摄像设备对已形成噬菌斑的固体培养基进行拍摄，得到固体培养基图像；
根据固体培养基图像依次对每个红色区域进行标号，获取每个噬菌斑在固体培养基中的位置。
需要说明的是，所述对每个红色区域进行标号，便于后续对识别到的噬菌斑进行计数；所述获取噬菌斑在固体培养基中的位置，初步判定噬菌斑在培养基中存在的位置，因为在显微镜中较难观察每个噬菌体的位置，避免重复对同一噬菌斑进行拍摄。
根据本发明实施例，所述基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像，具体为：
根据噬菌斑在固体培养基中的位置，利用荧光显微镜和高清摄像设备获取每个噬菌斑高清图像；
将获取到的噬菌斑高清图像存储到预设计算机中。
根据本发明实施例，所述对所述噬菌斑图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化，具体为：
对噬菌斑高清图像通过边缘增强算法突出噬菌斑的轮廓；
进一步对噬菌斑高清图像使用中值滤波器替换每个像素周围邻域的值为邻域中的中值，去除斑点噪声；
对于不同尺寸的噬菌斑高清图像，进行尺度归一化处理，得到清晰的噬菌斑图像。
需要说明的是，所述通过边缘增强算法突出噬菌斑的轮廓，使噬菌斑边缘更加清晰可见；所述使用中值滤波器可以平滑图像，去除细小的噪声点和噪声纹理，保留噬菌斑的主要特征；所述对噬菌斑高清图像进行尺度归一化，以保证在特征提取和匹配过程中的一致性和可比性。
根据本发明实施例，所述利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征，具体为：
构建特征提取模型；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于几何形状的特征描述子和边界分析技术，从预处理后的噬菌斑高清图像中提取噬菌斑的形状特征，所述形状特征包括噬菌斑的面积、周长；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于颜色直方图的特征描述子和颜色空间变换技术，从预处理后的噬菌斑高清图像中提取噬菌斑的颜色特征；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于边缘检测算法，从预处理后的噬菌斑高清图像中提取噬菌斑的轮廓特征。
需要说明的是，所述基于几何形状的特征描述子和边界分析技术是计算机视觉领域中常用的方法，用于对图像或对象的几何形状进行描述和分析，这些技术可以帮助识别、分类和跟踪物体，以及提取图像中的结构信息；基于颜色直方图的特征描述子和颜色空间变换技术是一种将图像或对象的颜色分布信息转换为数值或向量表示的方法；边缘检测算法是用于在图像中检测出物体或场景中的边缘，边缘是图像中像素值变化较大的区域，通常表示物体的边界或纹理的边界，边缘检测算法可以帮助我们提取出图像中的边缘信息，从而进行形状分析、目标识别、图像分割等任务。
根据本发明实施例，所述将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑，具体为：
在构建噬菌斑识别系统后，预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，所述预设噬菌斑特征包括形状特征、颜色特征和轮廓特征；
将所述提取到的噬菌斑的形状特征、颜色特征、轮廓特征导入噬菌斑识别系统中与预设噬菌斑特征进行对比和匹配，根据图像相似度算法，计算出噬菌斑特征与预设噬菌斑特征的匹配程度；
根据计算出的匹配程度，进行噬菌斑识别，若匹配程度高于预设匹配值，则确认该区域为噬菌斑；
将识别结果标记在固体培养基图像中。
需要说明的是，所述预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，是为了后续将提取到的噬菌斑特征与所述预设噬菌斑特征进行对比，得到噬菌斑识别结果；所述预设值为85%，当匹配程度高于预设值则认定为该区域为噬菌斑；所述将识别结果标记在固体培养基中，便于后续对噬菌斑进行计数。
根据本发明实施例，所述计算识别出的噬菌斑的数量，并生成噬菌斑计数结果，具体为：
计算出的噬菌斑数量；
将噬菌斑数量生成计数结果，所述结果包括计数记录和噬菌斑的数量信息。
需要说明的是，生成的计数结果可用于统计噬菌斑的数量，也可根据计数记录和噬菌斑的数量信息生成研究统计图。
根据本发明实施例，还包括：
构建噬菌斑特征数据库；
基于现有不同细菌被噬菌体侵染形成的历史噬菌斑特征，获取噬菌斑特征保存至噬菌斑特征数据库中，所述噬菌斑特征包括噬菌斑的名称、形状、颜色、大小、轮廓；
获取固体培养基中不同噬菌斑图像；
对所述不同噬菌斑图像进行预处理，得到噬菌斑预处理图像；
基于特征提取算法，对每个噬菌斑预处理图像进行特征计算，用向量量化方法对每个特征进行描述，得到噬菌斑向量特征；
将噬菌斑向量特征进行分析和解码，得到每个噬菌斑的形状、颜色、大小、轮廓特征；
将每个噬菌体的形状、颜色、大小、轮廓特征与数据库中的噬菌斑的形状、颜色、大小、轮廓进行对比，得到目标噬菌斑名称。
根据目标噬菌斑名称，对目标噬菌斑进行计数，得到目标噬菌斑计数结果。
需要说明的是，固体培养基中可能存在被污染的情况，导致培养基中存在第二种细菌，根据本发明实施例，可对不同细菌形成的噬菌斑进行识别，得到目标噬菌斑，进一步增加了对噬菌斑识别的准确性和可靠性，进而能有效对目标噬菌斑进行计数；所述向量量化方法是一种将图像特征进行编码，将图像特征转换成计算机语言的一个过程。
根据本发明实施例，还包括：
获取噬菌斑图像；
获取染色后的单个噬菌斑的第一颜色信息，所述第一颜色信息包括色调、饱和度、亮度信息；
基于计算机视觉算法，将噬菌斑图像颜色信息从RGB颜色空间转换为HSV空间格式；
从所述HSV空间提取噬菌斑颜色的色调、饱和度、亮度信息，得到噬菌斑图像的第二颜色信息；
将噬菌斑图像的第二颜色信息与所述第一颜色信息进行对比，得到噬菌斑的颜色变化信息；
根据所述颜色变化信息判断噬菌斑是否存在重叠，若存在重叠，利用计算机视觉算法得到颜色重叠层数，进而得到噬菌斑重叠个数；
基于噬菌斑重叠个数修正原有的计数结果。
需要说明的是，本发明实施例适用于当噬菌斑存在重叠的情况下，根据本发明实施例可准确的得到噬菌斑的重叠个数，进而提高对噬菌斑计数的准确率；所述颜色变化信息包括色调变化、饱和度变化、亮度变化；RGB颜色空间是一种使用红（R）、绿（G）和蓝（B）三个通道来表示颜色的模型。而HSV颜色空间是一种使用色调（Hue）、饱和度（Saturation）和明度（Value）三个分量来表示颜色的模型。RGB到HSV的转换是一种将RGB颜色值转换为对应的HSV颜色值的过程。
根据本发明实施例，还包括：
获取固体培养基中的细菌种类、噬菌体侵染所述固体培养基中的细菌形成的历史噬菌斑颜色；
根据所述历史噬菌斑颜色，基于Lab颜色模型，将获取到的不同噬菌斑颜色特征进行随机融合，得到对比颜色信息，所述对比颜色信息包括一个噬菌斑的颜色和多个噬菌斑重叠之后噬菌斑颜色融合后的重叠颜色；
获取固体培养基中的噬菌斑图像；
基于计算机视觉算法，获取噬菌斑图像的颜色信息；
将噬菌斑图像的颜色信息与对比颜色信息进行对比，得到噬菌斑图像中单个噬菌斑位置和多个噬菌斑重叠位置；
根据单个噬菌斑位置和多个噬菌斑重叠位置进行计数，得到噬菌斑计数结果。
需要说明的是，所述对比颜色特征是多种噬菌斑颜色进行随机组合，将组合颜色进行融合后得到的组合颜色特征，根据对比颜色特征，能够判断什么细菌形成的噬菌斑存在重叠，且根据对比颜色特征能够判断噬菌斑重叠个数；Lab颜色模型是一种用于描述颜色的模型，它由亮度（L）和两个颜色通道（a和b）组成。Lab模型与人类感知颜色的方式密切相关，因此常用于颜色测量和图像处理任务。
本发明涉及图像识别技术领域，本发明公开了一种基于图像识别的噬菌斑计数方法及系统，该方法包括以下步骤：获取已形成噬菌斑的固体培养基图像；基于图像识别构建噬菌斑识别系统，采集噬菌斑高清图像；对噬菌斑图像进行预处理；利用机器学习算法对预处理后的噬菌斑图像进行图像特征提取；将提取的图像特征导入噬菌斑识别系统中，将其与预设噬菌斑特征进行对比、匹配，以识别噬菌斑；最后，计算识别出的噬菌斑的数量，并生成噬菌斑计数结果。本发明通过图像识别技术结合机器学习算法，实现了对噬菌斑的准确识别和计数，具有自动化、高效性和精确性的优点，可广泛应用于生物医学研究、药物筛选等领域。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于图像识别的噬菌斑计数方法，其特征在于，包括以下步骤：
获取已形成噬菌斑的固体培养基图像；
基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
对所述噬菌斑高清图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
利用机器学习算法对预处理后的噬菌斑高清图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
计算识别出的噬菌斑的数量，并生成噬菌斑计数结果；
所述对所述噬菌斑高清图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化，具体为：
对噬菌斑高清图像通过边缘增强算法突出噬菌斑的轮廓；
进一步对噬菌斑高清图像使用中值滤波器替换每个像素周围邻域的值为邻域中的中值，去除斑点噪声；
对于不同尺寸的噬菌斑高清图像，进行尺度归一化处理，得到清晰的噬菌斑图像；
构建噬菌斑特征数据库；
基于现有不同细菌被噬菌体侵染形成的历史噬菌斑特征，获取噬菌斑特征保存至噬菌斑特征数据库中，所述噬菌斑特征包括噬菌斑的名称、形状、颜色、大小、轮廓；
获取固体培养基中不同噬菌斑图像；
对所述不同噬菌斑图像进行预处理，得到噬菌斑预处理图像；
基于特征提取算法，对每个噬菌斑预处理图像进行特征计算，用向量量化方法对每个特征进行描述，得到噬菌斑向量特征；
将噬菌斑向量特征进行分析和解码，得到每个噬菌斑的形状、颜色、大小、轮廓特征；
将每个噬菌体的形状、颜色、大小、轮廓特征与数据库中的噬菌斑的形状、颜色、大小、轮廓进行对比，得到目标噬菌斑名称；
根据目标噬菌斑名称，对目标噬菌斑进行计数，得到目标噬菌斑计数结果；
其中，还包括：
获取噬菌斑图像；
获取染色后的单个噬菌斑的第一颜色信息，所述第一颜色信息包括色调、饱和度、亮度信息；
基于计算机视觉算法，将噬菌斑图像颜色信息从RGB颜色空间转换为HSV空间格式；
从所述HSV空间提取噬菌斑颜色的色调、饱和度、亮度信息，得到噬菌斑图像的第二颜色信息；
将噬菌斑图像的第二颜色信息与所述第一颜色信息进行对比，得到噬菌斑的颜色变化信息；
根据所述颜色变化信息判断噬菌斑是否存在重叠，若存在重叠，利用计算机视觉算法得到颜色重叠层数，进而得到噬菌斑重叠个数；
基于噬菌斑重叠个数修正原有的计数结果。
2.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述获取已形成噬菌斑的固体培养基图像之前，还包括：
在噬菌体加入到含有细菌的固体培养基之前，将固体培养基中的细菌的细胞膜进行染色操作；
选择FM4-64作为活性细胞膜染色剂；
将准备好的FM4-64溶液添加到细菌样品中，在预设温度和预设时间下进行孵育，得到染色后的细菌样品，所述细菌样品的细胞膜呈红色；
将所述细菌样品去除未结合的染色剂和杂质；
在所述固体培养基加入噬菌体，形成噬菌斑后，将活性细菌进行细胞膜脱染操作。
3.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述获取已形成噬菌斑的固体培养基图像，具体为：
利用显微镜和摄像设备对已形成噬菌斑的固体培养基进行拍摄，得到固体培养基图像；
根据固体培养基图像依次对每个红色区域进行标号，获取每个噬菌斑在固体培养基中的位置。
4.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像，具体为：
根据噬菌斑在固体培养基中的位置，利用荧光显微镜和高清摄像设备获取每个噬菌斑高清图像；
将获取到的噬菌斑高清图像存储到预设计算机中。
5.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述利用机器学习算法对预处理后的噬菌斑高清图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征，具体为：
构建特征提取模型；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于几何形状的特征描述子和边界分析技术，从预处理后的噬菌斑高清图像中提取噬菌斑的形状特征，所述形状特征包括噬菌斑的面积、周长；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于颜色直方图的特征描述子和颜色空间变换技术，从预处理后的噬菌斑高清图像中提取噬菌斑的颜色特征；
将所述预处理后的噬菌斑高清图像导入特征提取模型中，基于边缘检测算法，从预处理后的噬菌斑高清图像中提取噬菌斑的轮廓特征。
6.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑，具体为：
在构建噬菌斑识别系统后，预先在噬菌斑识别系统中定义和存储预设噬菌斑特征，所述预设噬菌斑特征包括形状特征、颜色特征和轮廓特征；
将所述提取到的噬菌斑的形状特征、颜色特征、轮廓特征导入噬菌斑识别系统中与预设噬菌斑特征进行对比和匹配，根据图像相似度算法，计算出噬菌斑特征与预设噬菌斑特征的匹配程度；
根据计算出的匹配程度，进行噬菌斑识别，若匹配程度高于预设匹配值，则确认该区域为噬菌斑；
将识别结果标记在固体培养基图像中。
7.根据权利要求1所述的一种基于图像识别的噬菌斑计数方法，其特征在于，所述计算识别出的噬菌斑的数量，并生成噬菌斑计数结果，具体为：
计算出的噬菌斑数量；
将噬菌斑数量生成计数结果，所述结果包括计数记录和噬菌斑的数量信息。
8.一种基于图像识别的噬菌斑计数系统，其特征在于，所述基于图像识别的噬菌斑计数系统包括储存器以及处理器，所述储存器包括基于图像识别的噬菌斑计数方法程序，所述基于图像识别的噬菌斑计数方法程序被所述处理器执行时，实现如下步骤：
获取已形成噬菌斑的固体培养基图像；
基于图像识别构建噬菌斑识别系统，从固体培养基图像中依次采集形成红色区域的噬菌斑高清图像；
对所述噬菌斑高清图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化；
利用机器学习算法对预处理后的噬菌斑高清图像进行图像特征提取，所述图像特征包括形状特征、颜色特征、轮廓特征；
将提取的图像特征导入噬菌斑识别系统中，将提取到的图像特征与预设噬菌斑特征进行对比、匹配，识别得到噬菌斑；
计算识别出的噬菌斑的数量，并生成噬菌斑计数结果；
所述对所述噬菌斑高清图像进行预处理，所述预处理包括图像增强、去除噪声值、尺寸归一化，具体为：
对噬菌斑高清图像通过边缘增强算法突出噬菌斑的轮廓；
进一步对噬菌斑高清图像使用中值滤波器替换每个像素周围邻域的值为邻域中的中值，去除斑点噪声；
对于不同尺寸的噬菌斑高清图像，进行尺度归一化处理，得到清晰的噬菌斑图像；
构建噬菌斑特征数据库；
基于现有不同细菌被噬菌体侵染形成的历史噬菌斑特征，获取噬菌斑特征保存至噬菌斑特征数据库中，所述噬菌斑特征包括噬菌斑的名称、形状、颜色、大小、轮廓；
获取固体培养基中不同噬菌斑图像；
对所述不同噬菌斑图像进行预处理，得到噬菌斑预处理图像；
基于特征提取算法，对每个噬菌斑预处理图像进行特征计算，用向量量化方法对每个特征进行描述，得到噬菌斑向量特征；
将噬菌斑向量特征进行分析和解码，得到每个噬菌斑的形状、颜色、大小、轮廓特征；
将每个噬菌体的形状、颜色、大小、轮廓特征与数据库中的噬菌斑的形状、颜色、大小、轮廓进行对比，得到目标噬菌斑名称；
根据目标噬菌斑名称，对目标噬菌斑进行计数，得到目标噬菌斑计数结果；
其中，还包括：
获取噬菌斑图像；
获取染色后的单个噬菌斑的第一颜色信息，所述第一颜色信息包括色调、饱和度、亮度信息；
基于计算机视觉算法，将噬菌斑图像颜色信息从RGB颜色空间转换为HSV空间格式；
从所述HSV空间提取噬菌斑颜色的色调、饱和度、亮度信息，得到噬菌斑图像的第二颜色信息；
将噬菌斑图像的第二颜色信息与所述第一颜色信息进行对比，得到噬菌斑的颜色变化信息；
根据所述颜色变化信息判断噬菌斑是否存在重叠，若存在重叠，利用计算机视觉算法得到颜色重叠层数，进而得到噬菌斑重叠个数；
基于噬菌斑重叠个数修正原有的计数结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126634.7A CN116883997B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的噬菌斑计数方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126634.7A CN116883997B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的噬菌斑计数方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883997A CN116883997A (zh) | 2023-10-13 |
| CN116883997B true CN116883997B (zh) | 2024-01-09 |
Family
ID=88257114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311126634.7A Active CN116883997B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的噬菌斑计数方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883997B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015154718A (ja) * | 2014-02-19 | 2015-08-27 | 学校法人 埼玉医科大学 | コロニー数計数装置、コロニー数計数方法、及びコロニー数計数プログラム |
| 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 |
| WO2022225890A1 (en) * | 2021-04-19 | 2022-10-27 | Thrive Bioscience, Inc. | Plaque detection method and apparatus for imaging of cells |
| WO2023278692A1 (en) * | 2021-07-02 | 2023-01-05 | Thrive Bioscience, Inc. | Plaque detection method and apparatus for imaging of cells |
| CN115984202A (zh) * | 2022-12-22 | 2023-04-18 | 浙江大学 | 一种斑马鱼心血管功能智能识别与评价方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9588035B2 (en) * | 2012-09-13 | 2017-03-07 | The Governing Council Of The University Of Toronto | System and method for fetal and maternal red blood cell counting |
| KR102454880B1 (ko) * | 2021-02-05 | 2022-10-14 | 박병진 | 학습된 딥러닝 모델을 이용한 cfu 인식 방법 |
-
2023
- 2023-09-04 CN CN202311126634.7A patent/CN116883997B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015154718A (ja) * | 2014-02-19 | 2015-08-27 | 学校法人 埼玉医科大学 | コロニー数計数装置、コロニー数計数方法、及びコロニー数計数プログラム |
| WO2022225890A1 (en) * | 2021-04-19 | 2022-10-27 | Thrive Bioscience, Inc. | Plaque detection method and apparatus for imaging of cells |
| WO2023278692A1 (en) * | 2021-07-02 | 2023-01-05 | Thrive Bioscience, Inc. | Plaque detection method and apparatus for imaging of cells |
| 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 |
| CN115984202A (zh) * | 2022-12-22 | 2023-04-18 | 浙江大学 | 一种斑马鱼心血管功能智能识别与评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 噬菌斑电子图像的计算机处理及其自动计数;张俊祥 等;《中国病毒学》;第18卷(第04期);第387-390页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883997A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961426B (zh) | 一种人脸皮肤肤质的检测方法 | |
| Khan et al. | Unsupervised identification of malaria parasites using computer vision | |
| JP5413501B1 (ja) | 画像処理装置、画像処理システム及びプログラム | |
| Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
| CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN103116763A (zh) | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 | |
| CN111597848B (zh) | 一种批量qr码图像提取方法及系统 | |
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| Pandit et al. | Literature review on object counting using image processing techniques | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN115620075A (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN110648336A (zh) | 一种舌质和舌苔的分割方法及装置 | |
| Nguyen et al. | Using contextual information to classify nuclei in histology images | |
| CN116883997B (zh) | 一种基于图像识别的噬菌斑计数方法及系统 | |
| CN112396638A (zh) | 一种图像处理方法、终端和计算机可读存储介质 | |
| CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
| KR100488014B1 (ko) | ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법 | |
| CN115019306A (zh) | 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统 | |
| Bai et al. | A convolutional neural network combined with color deconvolution for mitosis detection | |
| Patil et al. | An advanced method for chilli plant disease detection using image processing | |
| CN109658382B (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
| CN113158996A (zh) | 一种基于扫描电子显微镜图像和人工智能的硅藻两步识别和分类方法 | |
| Andreini et al. | Automatic image analysis and classification for urinary bacteria infection screening | |
| CN117496274B (zh) | 一种基于液滴图像的分类计数方法、系统和存储介质 |
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 |