CN117152136B - 基于菌落单位计数的生物气溶胶监测方法 - Google Patents

基于菌落单位计数的生物气溶胶监测方法 Download PDF

Info

Publication number
CN117152136B
CN117152136B CN202311412742.0A CN202311412742A CN117152136B CN 117152136 B CN117152136 B CN 117152136B CN 202311412742 A CN202311412742 A CN 202311412742A CN 117152136 B CN117152136 B CN 117152136B
Authority
CN
China
Prior art keywords
colony
sub
block
pixel point
pixel
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
Application number
CN202311412742.0A
Other languages
English (en)
Other versions
CN117152136A (zh
Inventor
周蕾
刘旭
胡秋实
田胜男
王昕桐
许铭成
陈婷婷
程方圆
许新潮
赵凯璐
郭志浩
董大千
孙宇峰
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.)
Zhangjiagang Yangtze River Delta Biosafety Research Center
Original Assignee
Zhangjiagang Yangtze River Delta Biosafety Research Center
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 Zhangjiagang Yangtze River Delta Biosafety Research Center filed Critical Zhangjiagang Yangtze River Delta Biosafety Research Center
Priority to CN202311412742.0A priority Critical patent/CN117152136B/zh
Publication of CN117152136A publication Critical patent/CN117152136A/zh
Application granted granted Critical
Publication of CN117152136B publication Critical patent/CN117152136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30232—Surveillance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及图像分析领域，具体涉及一种基于菌落单位计数的生物气溶胶监测方法。该方法包括：获取培养皿的灰度图像，对灰度图像进行分块处理，根据每个子块中所有像素点灰度值的分布特征和所有像素点的梯度的分布特征，获得子块内每个像素点的菌落可能性；根据灰度图像中所有像素点的菌落可能性，以及以像素点为中心的预设邻域范围内所有像素点的菌落可能性的分布，获得每个像素点的菌落真实度；基于菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像；对调整图像进行阈值分割提取出菌落区域，统计菌落区域的数量对生物气溶胶进行监测。本发明能够精确地提取出培养皿中真实的菌落区域，从而提高对生物气溶胶监测的准确性。

Description

基于菌落单位计数的生物气溶胶监测方法
技术领域
本发明涉及图像分析领域，具体涉及一种基于菌落单位计数的生物气溶胶监测方法。
背景技术
生物气溶胶是指由细菌、真菌和病毒等微生物产生的微小颗粒物，悬浮在空气中的气溶胶。通过监测生物气溶胶中菌落的数量或类型，可以评估空气质量和卫生状况，同时还有助于了解疾病的传播途径，因此生物气溶胶中微生物的监测在空气质量评估、疾病传播研究和食品安全等方面具有重要作用。对生物气溶胶中微生物的监测通常需要将气溶胶中的微生物放入培养皿中进行培养，并利用机器视觉技术对培养皿中生成的菌落进行分析。
相关技术中通常利用图像处理和机器视觉技术，对培养皿的图像进行图像分割或边缘检测，从而提取出图像中的菌落区域，并统计菌落区域的数量对生物气溶胶中的微生物进行评估分析，但是培养皿中生成的菌落会影响到周围的培养基，使得菌落周围的培养基的颜色发生变化，通过现有技术无法精确地提取出培养皿中真实的菌落区域，从而降低对生物气溶胶监测的准确性。
发明内容
为了解决通过现有技术无法精确地分割出培养皿中真实的菌落区域，从而降低对生物气溶胶监测的准确性的技术问题，本发明的目的在于提供一种基于菌落单位计数的生物气溶胶监测方法，所采用的技术方案具体如下：
本发明提出了一种基于菌落单位计数的生物气溶胶监测方法，所述方法包括：
获取培养皿的灰度图像；
对所述灰度图像进行分块处理，获得图像中的子块；根据所述子块内像素点灰度值的分布获得每个子块的菌落存在度；对所述子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向；根据子块的所述菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性；
根据灰度图像中所有像素点的所述菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的所述菌落可能性的分布，获得每个像素点的菌落真实度；根据所述菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像；
对所述调整图像进行阈值分割，获得调整图像中的菌落区域；根据所述菌落区域对生物气溶胶进行监测。
进一步地，所述根据所述子块内像素点灰度值的分布获得每个子块的菌落存在度包括：
将每个所述子块内所有像素点灰度值的平均值，作为子块的整体灰度值；
将每个所述子块内所有像素点灰度值的方差，作为子块的灰度混乱度；
将所述整体灰度值和所述灰度混乱度的乘积值，作为每个子块的菌落存在度。
进一步地，所述对所述子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向包括：
基于sobel梯度算子，对所述子块内每个像素点进行梯度计算，获得子块内像素点的梯度幅值和梯度方向。
进一步地，所述根据子块的所述菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性包括：
获取所述子块内每个像素点的像素点向量，其中所述像素点向量的方向为对应像素点的所述梯度方向，所述像素点向量的模长为对应像素点的所述梯度幅值；
获取每个子块的子块向量，其中所述子块向量的方向为对应子块内所有所述像素点向量的合向量的方向，所述子块向量的模长为对应子块内所有所述像素点向量的模长的平均值；
对每个所述像素点向量与所述子块向量之间夹角的余弦值进行负相关映射，获得子块内每个像素点的第一差异；将每个所述像素点向量与所述子块向量之间差向量的模长与所述子块向量的模长的比值，作为子块内每个像素点的第二差异；
对子块内所有像素点的所述第一差异和所述第二差异的乘积值进行累加，获得子块的整体差异；
将子块内所有像素点的梯度方向的方差，作为子块的方向混乱度；将所述方向混乱度和所述整体差异的乘积值作为每个子块的梯度混乱参数；
根据所述梯度混乱参数和所述菌落存在度获取每个子块的可能性参数；
将每个子块的可能性参数作为对应子块内每个像素点的菌落可能性。
进一步地，所述可能性参数与所述梯度混乱参数呈负相关，所述可能性参数与所述菌落存在度呈正相关。
进一步地，所述根据灰度图像中所有像素点的所述菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的所述菌落可能性的分布，获得每个像素点的菌落真实度包括：
将灰度图像中所有像素点的所述菌落可能性的平均值，作为可能性均值；
将每个像素点的所述菌落可能性与所述可能性均值的差值的绝对值，作为每个像素点的可能性差异；
将以每个像素点为中心的所述预设邻域范围内所有像素点的菌落可能性的方差，作为中心像素点的可能性混乱度；
将所述可能性差异和所述可能性混乱度的乘积值进行归一化处理，获得每个像素点的菌落真实度。
进一步地，所述根据所述菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像包括：
将每个像素点的所述菌落真实度与对应像素点的灰度值的乘积值，作为每个像素点的灰度调整值；
将所述灰度调整值作为每个像素点的灰度值，获得调整图像。
进一步地，所述对所述调整图像进行阈值分割，获得调整图像中的菌落区域包括：
基于迭代阈值分割算法，对所述调整图像进行分割处理，获得二值图像；
对所述二值图像进行连通域分析，获取二值图像中的连通区域；
将每个所述连通区域作为菌落区域。
进一步地，所述根据所述菌落区域对生物气溶胶进行监测包括：
统计所述菌落区域的数量；
根据所述菌落区域的数量对生物气溶胶中存在的微生物的种类数量进行监测。
进一步地，所述子块的尺寸为3×3。
本发明具有如下有益效果：
本发明考虑到当生物气溶胶放置在培养皿中进行培养的过程中，生成的菌落会影响到培养皿中的培养基，使得菌落区域周围的培养基的颜色发生变化，从而降低对真实菌落区域的识别，因此首先对灰度图像进行分块处理，有利于对灰度图像各个位置的细节进行分析；考虑到菌落区域的像素点灰度值较高，并且灰度值变化较明显，因此通过获取的菌落存在度反映每个子块存在菌落的可能性，考虑到菌落区域中像素点的梯度较为统一，因此可结合菌落存在度以及像素点的梯度幅值和梯度方向的分布，获取像素点的菌落可能性，通过菌落可能性初步反映每个像素点在菌落区域的可能性，进一步通过获取的菌落真实度对像素点的灰度值进行调整，获得调整图像，调整图像中菌落区域表现出更加明显的特征，从而在对调整图像进行阈值分割时可精确地提取出菌落区域，提高对生物气溶胶监测的准确性。
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和优点，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的介绍，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获得其它附图。
图1为本发明一个实施例所提供的一种基于菌落单位计数的生物气溶胶监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于菌落单位计数的生物气溶胶监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于菌落单位计数的生物气溶胶监测方法实施例：
下面结合附图具体的说明本发明所提供的一种基于菌落单位计数的生物气溶胶监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于菌落单位计数的生物气溶胶监测方法流程图，该方法包括：
步骤S1：获取培养皿的灰度图像。
生物气溶胶是指由细菌、真菌和病毒等微生物产生的微小颗粒物，悬浮在空气中的气溶胶，对生物气溶胶中微生物的监测通常需要将气溶胶中的微生物放入培养皿中进行培养，并对培养皿中形成的菌落进行计数，从而根据菌落的数量对空气中的微生物的种类数量进行分析，通过监测生物气溶胶中菌落的数量或类型，可以评估空气质量和卫生状况，同时还有助于了解疾病的传播途径。
本发明实施例首先将包含菌落的培养皿放置在深色观察板上，使用工业相机以俯视角度对培养皿进行拍照，采集培养皿的原始图像，由于原始图像中包含大量的背景区域，降低后续对菌落区域提取的准确性，因此将采集的原始图像输入到语义分割网络中，并输出初始图像中仅包含培养皿的图像，需要说明的是，语义分割网络是本领域技术人员熟知的技术手段，在此不做赘述。为了降低后续图像处理的计算量，提高处理速度，在本发明的一个实施例中将采集到的培养皿的图像进行灰度化处理，转化为单通道的灰度图像。需要说明的是，灰度化处理是本领域技术人员熟知的技术手段，在此不再赘述。
获取到培养皿的灰度图像后，便可在后续中对灰度图像进行处理，并提取出灰度图像中的菌落区域，从而实现对生物气溶胶的监测。
步骤S2：对灰度图像进行分块处理，获得图像中的子块；根据子块内像素点灰度值的分布获得每个子块的菌落存在度；对子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向；根据子块的菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性。
由于培养皿中生成菌落后，形成的菌落会对其周围的培养基产生影响，使得培养基的颜色发生变化，在后续的图像分割中会将受菌落影响的培养基的部分区域误认为是真实的菌落区域，从而降低对菌落区域提取的准确性，因此为了对灰度图像的各个位置进行更加细节的分析，首先对灰度图像进行分块处理，并在后续中对划分出的各个子块单独进行分析，降低受菌落影响的培养基的影响，保证能够精确地提取出灰度图像中真实的菌落区域。
优选地，在本发明的一个实施例中将子块的尺寸设置为3×3，在本发明的其他实施例中也可根据具体实施场景将子块设置成其他尺寸，在此不作限定。需要说明的是，当灰度图像由于边界问题不足以划分出一个完整子块时，可对灰度图像的边界进行像素点填充，其中，图像的边界填充是本领域技术人员熟知的技术手段，在此不做赘述。
将灰度图像进行分块后，便可基于菌落的灰度特征，对划分出的各个子块中存在菌落的可能性进行分析，首先菌落区域的像素点灰度值相较于其他区域更高，菌落区域中像素点灰度值的变化也比较明显，并且越靠近菌落区域的中心，像素点的灰度值就越高并且灰度值变化也越明显，因此可根据子块内像素点灰度值的分布获得每个子块的菌落存在度，通过菌落存在度初步反映子块中存在菌落的可能性，菌落存在度越大，说明该子块中存在菌落的可能性就越大。
优选地，在本发明的一个实施例中每个子块的菌落存在度的获取方法具体包括：
将每个子块内所有像素点灰度值的平均值，作为子块的整体灰度值；将每个子块内所有像素点灰度值的方差，作为子块的灰度混乱度；将整体灰度值和灰度混乱度的乘积值，作为每个子块的菌落存在度。菌落存在度的表达式可以具体例如为：
Ci=Ai×Bi；
其中，Ci表示第i个子块的菌落存在度；Ai表示第i个子块内所有像素点灰度值的平均值，即整体灰度值；Bi表示第i个子块内所有像素点灰度值的方差，即灰度混乱度。
在菌落存在度的获取过程中，Ci表示第i个子块的菌落存在度，菌落存在度Ci越高，说明该子块中存在菌落的可能性就越大，由于菌落区域中像素点的灰度值较高，因此子块的整体灰度值Ai越大，说明该子块越可能有菌落存在，则菌落存在度Ci就越大；由于菌落区域中像素点灰度值变化较明显，因此子块的灰度混乱度Bi越大，说明该子块越可能有菌落存在，则菌落存在度Ci就越大，因此在本发明的一个实施例中将整体灰度值Ai和灰度混乱度Bi的乘积值作为子块的菌落存在度Ci。
由于菌落存在度是针对子块获取的，并且受菌落影响的培养基会发生变色的情况，导致这种培养基区域中的像素点灰度值的特征和菌落区域中像素点灰度值的特征相似，为了较小对菌落区域识别的误差，需要根据菌落区域的其他特征做进一步的分析，由于菌落区域中像素点的梯度较为统一，因此首先需要对子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向，在本发明的一个实施例中使用sobel梯度算子对子块中的像素点进行梯度计算，需要说明的是，在本发明的其他实施例中也可使用例如robert梯度算子或scharr梯度算子等对像素点进行梯度计算，在此不作限定。
获取到子块中每个像素点的梯度幅值和梯度方向后，便可结合子块的菌落存在度，以及该子块内像素点的梯度方向的分布和梯度幅值的分布，获得每个像素点的菌落可能性，通过菌落可能性反映像素点在菌落区域的可能性，菌落可能性越大，说明该像素点越可能属于菌落区域，从而可提高后续对菌落区域提取的精度。
优选地，在本发明的一个实施例中子块内每个像素点的菌落可能性的获取方法具体包括：
获取子块内每个像素点的像素点向量，其中像素点向量的方向为对应像素点的梯度方向，像素点向量的模长为对应像素点的梯度幅值；获取每个子块的子块向量，其中子块向量的方向为对应子块内所有像素点向量的合向量的方向，子块向量的模长为对应子块内所有像素点向量的模长的平均值；对每个像素点向量与子块向量之间夹角的余弦值进行负相关映射，获得子块内每个像素点的第一差异；将每个像素点向量与子块向量之间差向量的模长与子块向量的模长的比值，作为子块内每个像素点的第二差异；对子块内所有像素点的第一差异和第二差异的乘积值进行累加，获得子块的整体差异；将子块内所有像素点的梯度方向的方差，作为子块的方向混乱度；将方向混乱度和整体差异的乘积值作为每个子块的梯度混乱参数；获取每个子块的可能性参数，其中可能性参数与梯度混乱参数呈负相关，可能性参数与菌落存在度呈正相关；将每个子块的可能性参数作为对应子块内每个像素点的菌落可能性。其中，子块的可能性参数的表达式具体可以例如为：
;
其中，Pi表示第i个子块的可能性参数；Ci表示第i个子块的菌落存在度；Ei表示第i个子块内所有像素点的梯度方向的方差，即方向混乱度；表示第i个子块内第j个像素点的像素点向量；/>表示第i个子块的子块向量；cos[ ]表示余弦函数，用于求两个向量之间夹角的余弦值；|| ||表示求模符号，用于求向量的模长；m表示子块内像素点的数量；ε表示调节因子，防止分母为0，在本发明的一个实施例中调节因子ε设置为0.01，调节因子的具体数值可根据具体实施场景由实施者自行设置，在此不作限定。
在子块的可能性参数的获取过程中，Ci表示第i个子块的菌落存在度，由上述菌落存在度的求取过程可知，菌落存在度Ci越大，说明该子块存在菌落的可能性就越大，则该子块的可能性参数就越大；表示子块内某个像素点的第一差异，其中/>表示该子块的子块向量，/>表示子块内每个像素点的像素点向量，而子块向量/>是通过该子块内所有的像素点向量/>求取的，反映的是该子块内所有像素点在整体上的梯度特征，由于菌落区域中像素点的梯度比较统一，所以第一差异越小，说明每个像素点向量的方向与整体的子块向量的方向越一致，进而说明该子块内存在菌落的可能性就越大，则该子块的可能性参数Pi就越大；/>表示子块内某个像素点的第二差异，其中表示像素点向量/>与子块向量/>之间差向量的模长，/>表示子块向量/>的模长，第二差异越小，说明像素点向量与子块向量的差异越小，进而说明子块内像素点的梯度与该子块整体上的梯度之间的差异越小，则该子块的可能性参数Pi就越大；Ei表示子块内所有像素点的梯度方向的方差，即该子块的方向混乱度，方向混乱度Ei越小，说明该子块内像素点的梯度方向越一致，进而说明该子块内存在菌落的可能性就越大，则该子块的可能性参数Pi就越大。
在本发明的实施例中为了在后续中针对像素点进行分析，将子块的可能性参数作为该子块内每个像素点的菌落可能性，以菌落可能性初步反映像素点属于菌落区域的可能性，以提高对菌落区域提取的精度，并且灰度图像中的每个像素点都会被赋予对应菌落可能性，在后续的步骤中将表示灰度图像中第k个像素点的菌落可能性。
步骤S3：根据灰度图像中所有像素点的菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的菌落可能性的分布，获得每个像素点的菌落真实度；根据菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像。
由于受菌落影响的培养基的部分区域中像素点的梯度也可能出现较为统一的特征，则此类像素点的菌落可能性也可能会偏大，从而会将受菌落影响的培养基部分区域的像素点误认为是菌落区域的像素点，因此为了减小误差，需要做出进一步的分析，当培养基上不存在菌落时，各个像素点的菌落可能性存在一致性，当菌落产生时，菌落区域中各个像素点的菌落可能性就会发生变化，因此可从整体和局部的角度出发，根据灰度图像中所有像素点的菌落可能性，以及以每个像素点为中心的预设邻域范围内像素点的菌落可能性的分布，获得每个像素点的菌落真实度，通过菌落真实度能够更加准确的反映出像素点属于菌落区域的可能性，从而降低上述获取的像素点的菌落可能性的误差。在本发明的一个实施例中将预设邻域范围的尺寸设置为3×3，预设邻域范围的具体尺寸可根据具体实施场景由实施者自行设置，在此不作限定。
优选地，在本发明的一个实施例中每个像素点的菌落真实度的获取方法具体包括：
将灰度图像中所有像素点的菌落可能性的平均值，作为可能性均值；将每个像素点的菌落可能性与可能性均值的差值的绝对值，作为每个像素点的可能性差异；将以每个像素点为中心的预设邻域范围内所有像素点的菌落可能性的方差，作为中心像素点的可能性混乱度；将可能性差异和可能性混乱度的乘积值进行归一化处理，获得每个像素点的菌落真实度。菌落真实度的表达式具体可以例如为：
其中，Hk表示灰度图像中第k个像素点的菌落真实度；表示灰度图像中第k个像素点的菌落可能性；/>表示灰度图像中第h个像素点的菌落可能性；σk表示灰度图像中以第k个像素点为中心的预设邻域范围内所有像素点的菌落可能性的方差，即第k个像素点的可能性混乱度；n表示灰度图像中像素点的总数量；norm( )表示归一化函数，用于归一化处理。
在灰度图像中每个像素点的菌落真实度的获取过程中，Hk表示第k个像素点的菌落真实度，菌落真实度Hk越大，说明该像素点属于菌落区域的可信程度就越高；当不存在菌落时，各个像素点的菌落可能性存在一致性，当菌落产生时，菌落区域中各个像素点的菌落可能性就会发生变化，因此首先从整体的角度分析，将灰度图像中所有像素点的菌落可能性的平均值，作为可能性均值，以可能性均值反映灰度图像在整体上的菌落可能性，并将每个像素点的菌落可能性/>与可能性均值的差值的绝对值，作为每个像素点的可能性差异，可能性差异越大，说明该像素点的菌落可能性与整体上的可能性均值之间的差异越大，进而说明该像素点属于菌落区域的可能性就越大，则该像素点的菌落真实度Hk就越大，σk表示表示灰度图像中以第k个像素点为中心的预设邻域范围内所有像素点的菌落可能性的方差，即第k个像素点的可能性混乱度，可能性混乱度σk越大，说明以该像素点为中心的预设邻域范围内像素点菌落可能性/>越不一致，进而说明该像素点属于菌落区域的可能性就越大，则该像素点的菌落真实度Hk就越大，同时为了将菌落真实度限定在[0,1]范围内，将可能性差异和可能性混乱度的乘积值进行归一化处理的结果作为菌落真实度Hk，在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
获取到灰度图像中每个像素点的菌落真实度后，可通过菌落真实度反映每个像素点属于菌落区域的可信度，菌落真实度越大，说明该像素点越可能属于菌落区域中，因此可通过菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像，从而降低受菌落影响而发生颜色变化的培养基对真实的菌落区域提取的影响，便于在后续中从调整图像中提取出更加精确的菌落区域。
优选地，在本发明的一个实施例中调整图像的获取方法具体包括：
将每个像素点的菌落真实度与对应像素点的灰度值的乘积值，作为每个像素点的灰度调整值；将灰度调整值作为每个像素点的灰度值，获得调整图像。
经过菌落真实度对每个像素点的灰度值进行调整后，获取的调整图像与原始的灰度图像相比，菌落区域表现出更加明显的特征，并且菌落区域与受菌落影响的培养基之间的区别更加明显，因此在后续中可直接对调整图像进行处理，从而可精确提取出培养皿中生成的菌落区域，提高对生物气溶胶中微生物监测的准确性。
步骤S4：对调整图像进行阈值分割，获得调整图像中的菌落区域；根据菌落区域对生物气溶胶进行监测。
获取到调整图像后，由于调整图像中菌落区域与受菌落影响的培养基之间的区别更加明显，因此可直接对调整图像进行阈值分割，提取出调整图像中的菌落区域。
优选地，在本发明的一个实施例中菌落区域的获取方法具体包括：
基于迭代阈值分割算法，对调整图像进行分割处理，获得二值图像；对二值图像进行连通域分析，获取二值图像中的连通区域；将每个连通区域作为菌落区域。需要说明的是，迭代阈值分割算法是本领域技术人员熟知的技术手段，在此不做赘述。
从调整图像中提取出菌落区域后，便可基于提取的菌落区域对生物气溶胶中存在的微生物进行监测。
优选地，在本发明的一个实施例中据菌落区域对生物气溶胶进行监测的方法具体包括：
统计菌落区域的数量；由于生物气溶胶中的微生物在培养皿中经过培养后，生成的某个菌落是相同种类微生物的菌落，因此可根据菌落区域的数量对生物气溶胶中存在的微生物的种类数量进行监测。
综上所述，本发明实施例首先获取培养皿的灰度图像，然后对灰度图像进行分块处理，获取图像中的各个子块，根据子块内像素点灰度值分布的特征获得子块的菌落存在度，对子块内没个像素点进行梯度计算，获得子块内每个像素点的梯度幅值和梯度方向，进而结合子块的菌落存在度以及该子块内像素点梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性，然后根据灰度图像中每个像素点的菌落可能性与所有像素点的在整体上的菌落可能性的差异，以及该像素点在预设邻域范围内的菌落可能性的分布，获得每个像素点的菌落真实度；进一步基于菌落真实度对每个像素点的灰度值进行调整，获得调整图像，并对调整图像进行阈值分割提取出调整图像中的菌落区域，进而根据统计的菌落区域的数量对生物气溶胶中存在的微生物的种类数量进行监测。
一种用于菌落检测的图像增强方法实施例：
现有技术中通常对含有菌落的培养皿图像进行滤波处理或直方图均衡化处理增大菌落区域与背景之间的区别，从而实现对图像中菌落区域的增强，但由于培养皿中生成的菌落会影响到周围的培养基，使得菌落周围的培养基的颜色发生变化，从而导致通过现有的图像增强方法无法对菌落区域和受菌落影响的培养基进行有效区分。
为了解决该问题，本实施例提供了一种用于菌落检测的图像增强方法，包括：
步骤S1：获取培养皿的灰度图像；
步骤S2：对灰度图像进行分块处理，获得图像中的子块；根据子块内像素点灰度值的分布获得每个子块的菌落存在度；对子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向；根据子块的菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性；
步骤S3：根据灰度图像中所有像素点的菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的菌落可能性的分布，获得每个像素点的菌落真实度；根据菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像。
其中，步骤S1~步骤S3在上述基于菌落单位计数的生物气溶胶监测方法实施例中已给出了详细说明，在此不再赘述。
本实施例带来的有益效果为：本发明实施例考虑到当生物气溶胶放置在培养皿中进行培养的过程中，生成的菌落会影响到培养皿中的培养基，使得菌落区域周围的培养基的颜色发生变化，从而降低对真实菌落区域的识别，因此首先对灰度图像进行分块处理，有利于对灰度图像各个位置的细节进行分析；考虑到菌落区域的像素点灰度值较高，并且灰度值变化较明显，因此通过获取的菌落存在度反映每个子块存在菌落的可能性，考虑到菌落区域中像素点的梯度较为统一，因此可结合菌落存在度以及像素点的梯度幅值和梯度方向的分布，获取像素点的菌落可能性，通过菌落可能性初步反映每个像素点在菌落区域的可能性，进一步通过获取的菌落真实度对像素点的灰度值进行调整，获得调整图像，调整图像中菌落区域表现出更加明显的特征，并且菌落区域与受菌落影响的培养基之间的区别更加明显，可通过调整图像对菌落区域和受菌落影响的培养基进行有效区分。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述方法包括：
获取培养皿的灰度图像；
对所述灰度图像进行分块处理，获得图像中的子块；根据所述子块内像素点灰度值的分布获得每个子块的菌落存在度；对所述子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向；根据子块的所述菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性；
根据灰度图像中所有像素点的所述菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的所述菌落可能性的分布，获得每个像素点的菌落真实度；根据所述菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像；
对所述调整图像进行阈值分割，获得调整图像中的菌落区域；根据所述菌落区域对生物气溶胶进行监测。
2.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述根据所述子块内像素点灰度值的分布获得每个子块的菌落存在度包括：
将每个所述子块内所有像素点灰度值的平均值，作为子块的整体灰度值；
将每个所述子块内所有像素点灰度值的方差，作为子块的灰度混乱度；
将所述整体灰度值和所述灰度混乱度的乘积值，作为每个子块的菌落存在度。
3.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述对所述子块内每个像素点进行梯度分析获得像素点的梯度幅值和梯度方向包括：
基于sobel梯度算子，对所述子块内每个像素点进行梯度计算，获得子块内像素点的梯度幅值和梯度方向。
4.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述根据子块的所述菌落存在度，以及对应子块内像素点的梯度幅值的分布和梯度方向的分布，获得子块内每个像素点的菌落可能性包括：
获取所述子块内每个像素点的像素点向量，其中所述像素点向量的方向为对应像素点的所述梯度方向，所述像素点向量的模长为对应像素点的所述梯度幅值；
获取每个子块的子块向量，其中所述子块向量的方向为对应子块内所有所述像素点向量的合向量的方向，所述子块向量的模长为对应子块内所有所述像素点向量的模长的平均值；
对每个所述像素点向量与所述子块向量之间夹角的余弦值进行负相关映射，获得子块内每个像素点的第一差异；将每个所述像素点向量与所述子块向量之间差向量的模长与所述子块向量的模长的比值，作为子块内每个像素点的第二差异；
对子块内所有像素点的所述第一差异和所述第二差异的乘积值进行累加，获得子块的整体差异；
将子块内所有像素点的梯度方向的方差，作为子块的方向混乱度；将所述方向混乱度和所述整体差异的乘积值作为每个子块的梯度混乱参数；
根据所述梯度混乱参数和所述菌落存在度获取每个子块的可能性参数；
将每个子块的可能性参数作为对应子块内每个像素点的菌落可能性。
5.根据权利要求4所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述可能性参数与所述梯度混乱参数呈负相关，所述可能性参数与所述菌落存在度呈正相关。
6.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述根据灰度图像中所有像素点的所述菌落可能性，以及以每个像素点为中心的预设邻域范围内所有像素点的所述菌落可能性的分布，获得每个像素点的菌落真实度包括：
将灰度图像中所有像素点的所述菌落可能性的平均值，作为可能性均值；
将每个像素点的所述菌落可能性与所述可能性均值的差值的绝对值，作为每个像素点的可能性差异；
将以每个像素点为中心的所述预设邻域范围内所有像素点的菌落可能性的方差，作为中心像素点的可能性混乱度；
将所述可能性差异和所述可能性混乱度的乘积值进行归一化处理，获得每个像素点的菌落真实度。
7.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述根据所述菌落真实度对灰度图像中每个像素点的灰度值进行调整，获得调整图像包括：
将每个像素点的所述菌落真实度与对应像素点的灰度值的乘积值，作为每个像素点的灰度调整值；
将所述灰度调整值作为每个像素点的灰度值，获得调整图像。
8.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述对所述调整图像进行阈值分割，获得调整图像中的菌落区域包括：
基于迭代阈值分割算法，对所述调整图像进行分割处理，获得二值图像；
对所述二值图像进行连通域分析，获取二值图像中的连通区域；
将每个所述连通区域作为菌落区域。
9.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述根据所述菌落区域对生物气溶胶进行监测包括：
统计所述菌落区域的数量；
根据所述菌落区域的数量对生物气溶胶中存在的微生物的种类数量进行监测。
10.根据权利要求1所述的一种基于菌落单位计数的生物气溶胶监测方法，其特征在于，所述子块的尺寸为3×3。
CN202311412742.0A 2023-10-30 2023-10-30 基于菌落单位计数的生物气溶胶监测方法 Active CN117152136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311412742.0A CN117152136B (zh) 2023-10-30 2023-10-30 基于菌落单位计数的生物气溶胶监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311412742.0A CN117152136B (zh) 2023-10-30 2023-10-30 基于菌落单位计数的生物气溶胶监测方法

Publications (2)

Publication Number Publication Date
CN117152136A CN117152136A (zh) 2023-12-01
CN117152136B true CN117152136B (zh) 2024-01-26

Family

ID=88899082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311412742.0A Active CN117152136B (zh) 2023-10-30 2023-10-30 基于菌落单位计数的生物气溶胶监测方法

Country Status (1)

Country Link
CN (1) CN117152136B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437236B (zh) * 2023-12-21 2024-03-01 中国人民解放军总医院第一医学中心 一种胃肠镜图像异常检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6153400A (en) * 1999-03-12 2000-11-28 Akzo Nobel N.V. Device and method for microbial antibiotic susceptibility testing
CN112430528A (zh) * 2020-11-24 2021-03-02 华中科技大学 一种基于喷雾辅助的高通量微生物接种装置
CN116912250A (zh) * 2023-09-13 2023-10-20 山东众成菌业股份有限公司 基于机器视觉的菌包生产质量检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6153400A (en) * 1999-03-12 2000-11-28 Akzo Nobel N.V. Device and method for microbial antibiotic susceptibility testing
CN112430528A (zh) * 2020-11-24 2021-03-02 华中科技大学 一种基于喷雾辅助的高通量微生物接种装置
CN116912250A (zh) * 2023-09-13 2023-10-20 山东众成菌业股份有限公司 基于机器视觉的菌包生产质量检测方法

Also Published As

Publication number Publication date
CN117152136A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN110334706B (zh) 一种图像目标识别方法及装置
CN117152136B (zh) 基于菌落单位计数的生物气溶胶监测方法
CN104169945B (zh) 对图像中的对象的两级分类
US11227142B2 (en) Culture imaging system
CN114627125B (zh) 一种基于光学手段的不锈钢压片机表面质量评估方法
CN108376403B (zh) 基于霍夫圆变换的网格菌落图像分割方法
WO2008005426A2 (en) Computer-aided pathological diagnosis system
CN107622277A (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN111079620A (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN113902713B (zh) 一种基于图像分割算法的多菌落体计数方法
CN111597848A (zh) 一种批量qr码图像提取方法及系统
Sarrafzadeh et al. Detecting different sub-types of acute myelogenous leukemia using dictionary learning and sparse representation
Bhamare et al. Automatic blood cell analysis by using digital image processing: a preliminary study
CN109948544B (zh) 一种目标菌落自动定位与识别方法
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN116524269A (zh) 一种视觉识别检测系统
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN111783789A (zh) 一种图像敏感信息识别方法
CN110853030A (zh) 生物反应器病毒感染细胞质量评价方法
CN112396638A (zh) 一种图像处理方法、终端和计算机可读存储介质
Minoi et al. Mobile vision-based automatic counting of bacteria colonies
CN112633320B (zh) 基于相像系数和dbscan的雷达辐射源数据清洗方法
CN111899221B (zh) 一种面向外观缺陷检测的自迁移学习方法
Li et al. Colony Image Edge Detection Algorithm Based on FCM and RBI-FCM Clustering Methods.

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