CN117437634B - 一种尿沉渣检测影像有形部分的识别分割方法 - Google Patents
一种尿沉渣检测影像有形部分的识别分割方法 Download PDFInfo
- Publication number
- CN117437634B CN117437634B CN202311764165.1A CN202311764165A CN117437634B CN 117437634 B CN117437634 B CN 117437634B CN 202311764165 A CN202311764165 A CN 202311764165A CN 117437634 B CN117437634 B CN 117437634B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- threshold
- parameter
- segmentation threshold
- urinary sediment
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 283
- 239000013049 sediment Substances 0.000 title claims abstract description 64
- 230000002485 urinary effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 210000002700 urine Anatomy 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分割数据处理技术领域，具体涉及一种尿沉渣检测影像有形部分的识别分割方法。该方法首先获取最佳分割阈值所在的阈值区间，接着利用阈值区间内所有分割阈值获得分割结果，根据分割结果获取各自的分割程度参数；进一步根据孤立树增长过程中分割程度参数的波动特征以及位置特征参数，获取置信程度参数；进一步获得最佳分割阈值并对图像进行分割，获得尿沉渣有形部分分割结果。相较于常规的分割阈值获取方式，避免了样本随机性带来的分割阈值错误估计，又利用孤立森林算法分割的有效性质获得最佳分割阈值，实现尿沉渣检测显微图像上有形部分的精准识别分割。
Description
技术领域
本发明涉及图像分割数据处理技术领域，具体涉及一种尿沉渣检测影像有形部分的识别分割方法。
背景技术
尿沉渣显微图像检测场景中，尿沉渣显微检测图像中的有形部分指的是尿液离心后沉渣中的有形成分，主要包括尿液中的细胞，比如红细胞、白细胞、上皮细胞、管型、结晶、微生物等。
利用数字图像处理技术对尿沉淀医学影像进行分割识别，大大降低了人工显微镜检验的误诊率，提高了工作效率。但是现有的利用孤立森林算法对于图像阈值分割最佳阈值的获取过程中，构建的孤立树的样本具有随机性，不同维度上的数据点的维度区分度不同，根据其孤立树获取的阈值往往不是最佳阈值，使得最终获得的分割效果不够理想，影响后续基于分割结果的其他操作的准确性和可靠性。
发明内容
为了解决现有利用孤立森林算法不能准确寻找最佳分割阈值，影响尿沉渣检测影像有形部分识别分割的技术问题，本发明的目的在于提供一种尿沉渣检测影像有形部分的识别分割方法，所采用的技术方案具体如下：
获取尿沉渣检测显微灰度图像；将所述尿沉渣检测显微灰度图像按照预设分块方式进行分块，获得尿沉渣检测显微灰度子块图像；
任选一个所述尿沉渣检测显微灰度子块图像作为目标子块图像；分析所述目标子块图像的灰度直方图中不同灰度级下像素点数量的分布特征，获取目标子块图像分割阈值的阈值区间；所述阈值区间中的每个分割阈值为对应灰度直方图下的灰度级；遍历所述阈值区间中的每个分割阈值，分析每个分割阈值对应的分割结果中不同类型像素点在目标子块图像中的分布特征，获取每个分割阈值的重叠面积参数；利用孤立森林算法获取每个分割结果中不同类型像素点的异常分数值；结合每个分割结果中不同类型像素点的所述异常分数值和所述重叠面积参数，获取每个分割阈值的分割程度参数；
根据分割阈值的分割程度参数随孤立树数量变化的变化特征，获取孤立树的数量上限参数；根据每个分割阈值在所述阈值区间的位置特征、所述孤立树的数量上限参数，分析不同数量孤立树下所述分割程度参数的波动变化，获取每个分割阈值的置信程度参数；根据分割阈值的所述置信程度参数，筛选出最佳分割阈值集合；根据所述最佳分割阈值集合获取最佳分割阈值；
改变所述目标子块图像，获取所有所述尿沉渣检测显微灰度子块图像的最佳分割阈值；根据所述最佳分割阈值对各自对应的子块图像进行分割，并将分割结果的有形部分进行合并，获得尿沉渣有形部分分割结果。
进一步地，所述阈值区间的获取方法包括：
以目标子块图像的灰度直方图中最高峰为起点，向右获取两个相邻灰度级的像素点数量的差值绝对值，并进行归一化，获得两个相邻灰度级的差异参数；当所述差异参数小于预设差异参数阈值时，选择此时对应的两个相邻灰度级之中较大的灰度级作为阈值区间中心点；根据预设阈值区间长度获取阈值区间，阈值区间内每个灰度级作为一个分割阈值。
进一步地，所述重叠面积参数的获取方法包括：
根据分割阈值对目标子块图像进行阈值分割，分割获得的不同类型的像素点分别构成第一像素点集合与第二像素点集合，分别对两个集合像素点进行密度聚类，获得聚类第一聚类簇和第二聚类簇，根据结合像素点在所述目标子块图像中的位置，分析所述第一聚类簇和所述第二聚类簇的重叠面积，获得重叠面积参数。
进一步地，所述分割程度参数的获取方法包括：
获取所述第一像素点集合内所有像素点的异常分数值之和作为第一分数参数；获取所述第二像素点集合内所有像素点的异常分数值之和作为第二分数参数；将所述第一分数参数与所述第二分数参数的差值绝对值作为分子，所述重叠面积参数作为分母，获得分割程度参数。
进一步地，所述数量上限参数的获取方法包括：
随着孤立树的数量增加，相邻的分割阈值的分割程度参数的变化幅度归一化后小于预设变化阈值时，停止增加孤立树，以当前孤立树的数量作为数量上限参数。
进一步地，所述置信程度参数的获取方法包括：
获取每个分割阈值的位置特征参数；将所述分割阈值的相邻孤立树数量对应的分割程度参数的差值绝对值进行累加求和，获得波动特征参数；将每个分割阈值的所述位置特征参数和对应的所述波动特征参数相乘后负相关映射并归一化，获得每个分割阈值的置信程度参数。
进一步地，所述位置特征参数的获取方法包括：
将每个分割阈值对应的灰度级与所述阈值区间中心位置灰度级的差值绝对值作为每个分割阈值的位置特征参数。
进一步地，所述最佳分割阈值集合的获取方法包括：
将大于等于预设经验置信程度阈值的所有分割阈值的所述置信程度参数构成的集合作为最佳分割阈值集合。
进一步地，所述最佳分割阈值的获取方法包括：
将所述最佳分割阈值集合内所有分割阈值的均值作为最佳分割阈值。
进一步地，所述预设经验置信程度阈值为0.95。
本发明具有如下有益效果：
本发明首先获取尿沉渣检测显微灰度子块图像，为后续寻找最佳分割阈值做准备；进一步根据目标子块图像的灰度直方图中不同灰度级下像素点数量的变化特征，获得最佳分割阈值所在的阈值区间，缩小最佳分割阈值的寻找范围；进一步遍历阈值区间内每个分割阈值，根据分割结果获取每个分割阈值的分割程度参数，方便通过分割程度参数对分割阈值进行评价；进一步根据孤立树数量变化时分割程度参数的波动以及分割阈值在阈值区间的位置特征，对每个分割阈值进行可信度评价，获得置信程度参数，能够克服孤立树随机性带来的分割阈值的不确定性，进而对所有分割阈值进行筛选，获得最佳分割阈值；最后根据最佳分割阈值获得尿沉渣有形部分分割结果，相较于常规的分割阈值获取方式，避免了样本随机性带来的分割阈值错误估计，又利用孤立森林算法分割的有效性质获得最佳分割阈值，实现尿沉渣检测显微图像上有形部分的精准识别分割。
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尿沉渣检测影像有形部分的识别分割方法的流程图。
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一种尿沉渣检测影像有形部分的识别分割方法，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。
下面结合附图具体的说明本发明所提供的一种尿沉渣检测影像有形部分的识别分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种尿沉渣检测影像有形部分的识别分割方法的流程图，具体包括：
步骤S1：获取尿沉渣检测显微灰度图像；将尿沉渣检测显微灰度图像按照预设分块方式进行分块，获得尿沉渣检测显微灰度子块图像。
为实现对尿沉渣检测影像有形部分进行识别分割并降低计算量，首先需要尿沉渣检测显微灰度图像，同时为了提高后续图像分割精度，将图像进行分块处理。
在本发明一个实施例中，考虑到数据转化以及场景中存在噪声，所以在获取尿沉渣检测显微灰度图像过程中加入去噪操作，以便去除数据转化以及场景中的噪声，减少对后续有形部分识别分割的影响。获取尿沉渣检测显微灰度图像的具体过程包括：通过显微镜将样本放大并进行光学成像，通过镜头和物镜将放大的图像投影到目标平面CMOS芯片上，由此根据电信号与数据信号的转化，经过计算机数字图像处理，获得尿沉渣检测显微图像；将尿沉渣检测显微图像利用非局部均值滤波算法进行去噪，然后对去噪图像进行灰度化处理，获得尿沉渣检测显微灰度图像。
需要说明的是，尿沉渣检测显微灰度图像的具体过程中使用的技术手段均是本领域技术人员所熟知的，在此不再进行赘述。
在本发明一个实施例中，由于尿沉渣检测显微灰度图像中的细胞是随机分布的，所以预设分块方式为均匀分块，将尿沉渣检测显微灰度图像均匀分为25块，以便后续对子块图像进行处理，提升图像识别分割的精度。
步骤S2：任选一个尿沉渣检测显微灰度子块图像作为目标子块图像；分析目标子块图像的灰度直方图中不同灰度级下像素点数量的分布特征，获取目标子块图像分割阈值的阈值区间；阈值区间中的每个分割阈值为对应灰度直方图下的灰度级；遍历阈值区间中的每个分割阈值，分析每个分割阈值对应的分割结果中不同类型像素点在目标子块图像中的分布特征，获取每个分割阈值的重叠面积参数；利用孤立森林算法获取每个分割结果中不同类型像素点的异常分数值；结合每个分割结果中不同类型像素点的异常分数值和重叠面积参数，获取每个分割阈值的分割程度参数。
由于所有尿沉渣检测显微灰度子块图像的处理过程均相同，所以本发明实施例中仅用一个目标子块图像为例，其他子块图像不再一一说明。为了对每个分割阈值进行评价，寻找最优分割阈值，所以根据分割结果获取每个分割阈值的分割程度参数。
为了缩小寻找最佳分割阈值的范围，更快速的获取最佳分割阈值，首先需要确定最佳分割阈值所在的阈值区间；因为在尿沉渣灰度图像中，有形部分的像素点数量较少，大多数像素点均是背景像素点，而还有一部分可能是噪声像素点，所以可以获取目标子块图像的灰度直方图，利用不同灰度级下像素点数量的分布特征，来确定最佳分割阈值所在的一个范围区间。
优选地，在本发明一个实施例中，根据先验经验可知，背景像素点数量最多，灰度直方图呈现出单峰，与图像的背景灰度值相近的细胞膜部分比背景灰度值较高，因此划分细胞与背景部分的阈值分布于单峰的右侧，所以以目标子块图像的灰度直方图中最高峰为起点，向右获取两个相邻灰度级的像素点数量的差值绝对值，并进行归一化，获得两个相邻灰度级的差异参数；当差异参数小于预设差异参数阈值时，选择此时对应的两个相邻灰度级之中较大的灰度级作为阈值区间中心点；根据预设阈值区间长度获取阈值区间，阈值区间内每个灰度级作为一个分割阈值。
预设差异参数阈值和预设阈值区间长度可根据具体实施场景设定，在本发明一个实施例中，预设差异参数阈值取0.56，预设阈值区间长度取11。
为寻找最优分割阈值，所以遍历阈值区间内所有分割阈值，获得所有分割结果；分割结果中，不同类型的分割结果对应到原图像中的像素点的位置分布越独立，表明此时对应的分割阈值分割效果越好，基于此获取重叠面积参数，为后续获得分割评价依据做准备。
优选地，在本发明一个实施例中，考虑到细胞结构的多样性，孤立树中包含的像素点在原图像中存在对应的像素点的位置信息，经过阈值划分的两部分样本会呈现出不同的聚集特征，两部分的数据点经过密度聚类组成多个局部区域，其区域重叠面积可以表征其阈值的分割程度在原图像中的像素点的位置分布特征，重叠部分越大表明其分割效果不好，因此获取重叠面积参数；重叠面积参数的获取方法包括：根据分割阈值对目标子块图像进行阈值分割，分割获得的不同类型的像素点分别构成第一像素点集合与第二像素点集合，分别对两个集合像素点进行密度聚类，获得聚类第一聚类簇和第二聚类簇，根据结合像素点在目标子块图像中的位置，分析第一聚类簇和第二聚类簇的重叠面积，获得重叠面积参数。
在本发明一个实施例中，选用DBSCAN密度聚类算法。需要说明的是是，DBSCAN密度聚类算法已是本领域技术人员所熟知的技术手段，在此不再进行赘述。
分割结果中，不同类型的像素点的差异性越大，通过孤立森林算法后获得的异常分数值的差异就越小，说明分割结果就越好；重叠面积参数同样可以反映出分割阈值的分割效果，为了综合两者的作用，从而更准确更可靠的对分割结果进行评判所以根据分割阈值的不同类型像素点的异常分数值的差异性结合获得的重叠面积参数获取分割程度参数。
优选地，在本发明一个实施例中，阈值两侧的样本差异性越大，经过孤立森林算法获得的异常分数值差异就越大；重叠面积越小，反映出阈值的分割效果越好；为了获得更加准确的评价标准，所以结合异常分数值的差异和重叠面积两个方面获取分割程度参数。基于此，在阈值区间对应的像素点集合中，随机抽取75%的像素点，根据其像素点灰度值进行孤立树的构建，获得每个像素点的异常分数值；获取第一像素点集合内所有像素点的异常分数值之和作为第一分数参数；获取第二像素点集合内所有像素点的异常分数值之和作为第二分数参数；将第一分数参数与第二分数参数的差值绝对值作为分子，重叠面积参数作为分母，获得分割程度参数。分割程度参数的计算公式包括：
；
其中，表示阈值区间内第/>个分割阈值的分割程度参数；/>表示第一像素点集合内像素点的数量；/>表示第一像素点集合内像素点的序号；/>表示第一像素点集合内第/>个像素点的异常分数值；/>表示第二像素点集合内像素点的数量；/>表示第二像素点集合内像素点的序号；/>表示第二像素点集合内第/>个像素点的异常分数值；/>表示重叠面积参数；/>表示第一分数参数；/>表示第二分数参数。
分割程度参数的计算公式中，第一分数参数与第二分数参数的差异越大，说明当前分割阈值的分割结果越好，分割程度参数就越大；重叠面积参数越小，说明两个像素点集合内第样本在目标子块图像中的重叠部分越少，当前分割阈值的分割结果越好，分割程度参数就越大。
步骤S3：根据分割阈值的分割程度参数随孤立树数量变化的变化特征，获取孤立树的数量上限参数；根据每个分割阈值在阈值区间的位置特征、孤立树的数量上限参数，分析不同数量孤立树下分割程度参数的波动变化，获取每个分割阈值的置信程度参数；根据分割阈值的置信程度参数，筛选出最佳分割阈值集合；根据最佳分割阈值集合获取最佳分割阈值。
为了克服孤立树随机性带来的分割阈值的不确定性，所以获取可以量化出分割阈值的可信程度的置信程度参数；进一步筛选出最佳分割阈值集合，然后获得最佳分割阈值，便于后续根据最佳分割阈值对图像进行处理。
由于孤立森林算法的固有特性，构建孤立树具有随机性，不同孤立树数量的孤立森林算法有所差别，所获得的异常分数值会发生变化，因此分割阈值的分割程度参数会随着孤立树的数量的增加而发生变化，但是当孤立树的数量达到一定程度时，孤立森林算法的孤立树覆盖范围已足够，能够准确地反映出像素点的异常情况，阈值的分割程度参数的变化会逐渐变缓，再增加孤立树的数量并不能显著提高算法的准确性，同时计算成本在不断增加，所以为了避免浪费计算资源，需要获取孤立树的数量上限。
优选地，在本发明一个实施例中，考虑到当孤立树的数量达到一定程度时，阈值的分割程度参数的变化会逐渐变缓，分割程度参数并不会产生较大波动，因此获取一个孤立树的数量上限参数；数量上限参数的获取方法包括：随着孤立树的数量增加，相邻的分割阈值的分割程度参数的变化幅度归一化后小于预设变化阈值时，停止增加孤立树，以当前孤立树的数量作为数量上限参数。
在本发明一个实施例中，预设变化阈值取0.08；相邻的分割阈值的分割程度参数的变化幅度归一化方法为最大最小值归一化法；最大最小值归一化方法已是本领域技术人员所所熟知的技术手段，再次不再进行赘述。
获得分割阈值的孤立树的数量上限后，就可以分析孤立树的数量增长时，分割程度参数的波动；虽然分割程度参数会随着孤立树的数量变动产生波动，但是分割结果越好，不同类型像素点的异常分数值的差异就越小，从而使得分割程度参数的波动越小，因此分割程度参数的波动可以表征出分割效果的优劣程度；又因为阈值范围是根据不同灰度级下像素点数量的分布特征所获得的，根据经验可知，在阈值区间内不同位置的分割阈值的可信度不同，越靠近阈值区间中心位置的分割阈值可信度越高；所以根据分割阈值在阈值区间的位置特征和分割程度参数的波动变化获取分割阈值的置信程度；
优选地，在本发明一个实施例中，考虑到分割阈值的置信程度与分割阈值在阈值区间中的位置有关系，所以获取位置特征参数，结合位置特征参数和分割阈值的分割程度参数的波动情况，综合后获得更加准确的置信程度参数。置信程度参数的获取方法包括：获取每个分割阈值的位置特征参数；将分割阈值的相邻孤立树数量对应的分割程度参数的差值绝对值进行累加求和，获得波动特征参数；将每个分割阈值的位置特征参数和对应的波动特征参数相乘后负相关映射并归一化，获得每个分割阈值的置信程度参数。
置信程度参数的计算公式包括：
；
其中，表示阈值区间内第/>个分割阈值的置信程度参数；/>表示第/>个分割阈值的位置特征参数；/>表示第/>个分割阈值对应的孤立树的数量上限参数；/>表示孤立树的数量；/>和/>分别表示第/>个分割阈值第/>个和第/>个孤立树时的分割程度参数。
置信程度参数的计算公式中，位置特征参数越大，说明当前分割阈值的位置越偏，是最佳分割阈值的可能性越低，置信程度参数就越小；越大，说明当前分割阈值的分割程度参数随着孤立树的数量变化所产生的波动越大，分割效果越差，置信程度参数就越小。
由阈值区间的获取过程可知，阈值区间中心点是两个相邻灰度级的差异参数小于经验阈值所获取的，最佳分割阈值与阈值区间中心点距离越近越好，所以获取每个分割阈值的位置特征参数对分割程度参数的波动进一步赋权，提升置信程度参数准确性。
优选地，在本发明一个实施例中，通过分割阈值与阈值区间中心位置的距离获取位置特征参数。位置特征参数的获取方法包括：将每个分割阈值对应的灰度级与阈值区间中心位置灰度级的差值绝对值作为每个分割阈值的位置特征参数。
位置特征参数的计算公式包括：
；
其中，第/>个分割阈值的位置特征参数；/>表示第/>个分割阈值对应的的灰度级；/>表示阈值区间中心点的灰度级。
位置特征参数的计算公式中，分割阈值与阈值区间中心点距离越远，说明当前分割阈值与理想中最佳分割阈值的偏离程度越大，位置特征参数越大，当前分割阈值的可信度就越低，通过置信程度参数的计算公式获得的置信程度参数就越小。
在获得所有分割阈值的所有置信程度参数后，可能存在多个阈值的阈值置信程度参数相类似的情况，但实际应用中考虑到计算成本，不能根据多个分割阈值对图像都进行处理，所以对分割阈值进行筛选，将符合预期标准的分割阈值筛选出来，构建最佳分割阈值集合，进一步缩小最佳阈值的获取范围，以便后续在最佳分割阈值集合中，寻找最佳分割阈值。
优选地，在本发明一个实施例中，分割阈值的置信程度参数较高的符合预期分割效果，所以把置信程度参数较高的筛选出来；最佳分割阈值集合的获取方法包括：将大于等于预设经验置信程度阈值的所有分割阈值的置信程度参数构成的集合作为最佳分割阈值集合。
在本发明一个实施例中，预设经验置信程度阈值取0.95；在本发明其他实施例中，实施者可根据实际情况自行设定。
优选地，在本发明一个实施例中，考虑到最佳分割阈值集合内每个分割阈值均能通过置信程度参数筛选，所以任意一个分割阈值都能满足需求，为方便寻找一个最佳分割阈值，将最佳分割阈值集合内所有分割阈值的均值作为最佳分割阈值；在本发明其他实施例中，实施者可从最佳分割阈值集合中选取位置特征参数最小的分割阈值作为最佳分割阈值，也可以根据分割结果的图像进行筛选，或者采用其他合适方式，从最佳分割阈值集合中获得最佳分割阈值。
步骤S4：改变目标子块图像，获取所有尿沉渣检测显微灰度子块图像的最佳分割阈值；根据最佳分割阈值对各自对应的子块图像进行分割，并将分割结果的有形部分进行合并，获得尿沉渣有形部分分割结果。
以相同的方式获得所有图像块的最佳分割阈值，并根据其最佳分割阈值实现子块图像分割，最后对图像块切分的有形部分进行连通域合并，最终获得尿沉渣有形部分分割结果。
最终获得尿沉渣有形部分分割结果后，在本发明一个实施例中，可以选择将最终分割结果可视化显示到相应的显示器上，以便用户更加直观的查看尿沉渣有形部分的位置与形状等的信息，在本发明其他实施例中，也可以直接传输到下一阶段的尿沉渣有形部分分割结果处理程序中，完成后续的尿沉渣有形部分分割结果结构类型提取、细节信息分析处理等操作。
综上所述，本发明针对现有的利用孤立森林算法对于图像阈值分割最佳阈值的获取不够准确，进而对尿沉渣检测影像有形部分的分割不够准确的技术问题，首先获取最佳分割阈值所在的阈值区间，接着利用阈值区间内所有分割阈值获得分割结果，根据分割结果获取各自的分割程度参数；进一步根据孤立树增长过程中分割程度参数的波动特征以及位置特征参数，获取置信程度参数；进一步获得最佳分割阈值并对图像进行分割，获得尿沉渣有形部分分割结果。相较于常规的分割阈值获取方式，避免了样本随机性带来的分割阈值错误估计，又利用孤立森林算法分割的有效性质获得最佳分割阈值，实现尿沉渣检测显微图像上有形部分的精准识别分割。
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 (8)
1.一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述方法包括：
获取尿沉渣检测显微灰度图像；将所述尿沉渣检测显微灰度图像按照预设分块方式进行分块，获得尿沉渣检测显微灰度子块图像；
任选一个所述尿沉渣检测显微灰度子块图像作为目标子块图像；分析所述目标子块图像的灰度直方图中不同灰度级下像素点数量的分布特征，获取目标子块图像分割阈值的阈值区间；所述阈值区间中的每个分割阈值为对应灰度直方图下的灰度级；遍历所述阈值区间中的每个分割阈值，分析每个分割阈值对应的分割结果中不同类型像素点在目标子块图像中的分布特征，获取每个分割阈值的重叠面积参数；利用孤立森林算法获取每个分割结果中不同类型像素点的异常分数值；结合每个分割结果中不同类型像素点的所述异常分数值和所述重叠面积参数，获取每个分割阈值的分割程度参数；
根据分割阈值的分割程度参数随孤立树数量变化的变化特征，获取孤立树的数量上限参数；根据每个分割阈值在所述阈值区间的位置特征、所述孤立树的数量上限参数，分析不同数量孤立树下所述分割程度参数的波动变化，获取每个分割阈值的置信程度参数；根据分割阈值的所述置信程度参数，筛选出最佳分割阈值集合；根据所述最佳分割阈值集合获取最佳分割阈值；
改变所述目标子块图像，获取所有所述尿沉渣检测显微灰度子块图像的最佳分割阈值；根据所述最佳分割阈值对各自对应的子块图像进行分割，并将分割结果的有形部分进行合并，获得尿沉渣有形部分分割结果；
所述重叠面积参数的获取方法包括：
根据分割阈值对目标子块图像进行阈值分割，分割获得的不同类型的像素点分别构成第一像素点集合与第二像素点集合，分别对两个集合像素点进行密度聚类，获得聚类第一聚类簇和第二聚类簇，根据结合像素点在所述目标子块图像中的位置，分析所述第一聚类簇和所述第二聚类簇的重叠面积，获得重叠面积参数；
所述分割程度参数的获取方法包括：
获取所述第一像素点集合内所有像素点的异常分数值之和作为第一分数参数；获取所述第二像素点集合内所有像素点的异常分数值之和作为第二分数参数；将所述第一分数参数与所述第二分数参数的差值绝对值作为分子，所述重叠面积参数作为分母，获得分割程度参数。
2.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述阈值区间的获取方法包括：
以目标子块图像的灰度直方图中最高峰为起点，向右获取两个相邻灰度级的像素点数量的差值绝对值，并进行归一化，获得两个相邻灰度级的差异参数；当所述差异参数小于预设差异参数阈值时，选择此时对应的两个相邻灰度级之中较大的灰度级作为阈值区间中心点；根据预设阈值区间长度获取阈值区间，阈值区间内每个灰度级作为一个分割阈值。
3.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述数量上限参数的获取方法包括：
随着孤立树的数量增加，相邻的分割阈值的分割程度参数的变化幅度归一化后小于预设变化阈值时，停止增加孤立树，以当前孤立树的数量作为数量上限参数。
4.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述置信程度参数的获取方法包括：
获取每个分割阈值的位置特征参数；将所述分割阈值的相邻孤立树数量对应的分割程度参数的差值绝对值进行累加求和，获得波动特征参数；将每个分割阈值的所述位置特征参数和对应的所述波动特征参数相乘后负相关映射并归一化，获得每个分割阈值的置信程度参数。
5.根据权利要求4中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述位置特征参数的获取方法包括：
将每个分割阈值对应的灰度级与所述阈值区间中心位置灰度级的差值绝对值作为每个分割阈值的位置特征参数。
6.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述最佳分割阈值集合的获取方法包括：
将大于等于预设经验置信程度阈值的所有分割阈值的所述置信程度参数构成的集合作为最佳分割阈值集合。
7.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述最佳分割阈值的获取方法包括：
将所述最佳分割阈值集合内所有分割阈值的均值作为最佳分割阈值。
8.根据权利要求1中所述的一种尿沉渣检测影像有形部分的识别分割方法，其特征在于，所述预设经验置信程度阈值为0.95。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764165.1A CN117437634B (zh) | 2023-12-21 | 2023-12-21 | 一种尿沉渣检测影像有形部分的识别分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764165.1A CN117437634B (zh) | 2023-12-21 | 2023-12-21 | 一种尿沉渣检测影像有形部分的识别分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437634A CN117437634A (zh) | 2024-01-23 |
| CN117437634B true CN117437634B (zh) | 2024-03-08 |
Family
ID=89555711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311764165.1A Active CN117437634B (zh) | 2023-12-21 | 2023-12-21 | 一种尿沉渣检测影像有形部分的识别分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437634B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN113420636A (zh) * | 2021-06-18 | 2021-09-21 | 徐州医科大学 | 一种基于深度学习与阈值分割的线虫识别方法 |
| CN114638292A (zh) * | 2022-03-10 | 2022-06-17 | 中国医学科学院北京协和医院 | 一种基于多尺度分析的人工智能病理辅助诊断系统 |
-
2023
- 2023-12-21 CN CN202311764165.1A patent/CN117437634B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN113420636A (zh) * | 2021-06-18 | 2021-09-21 | 徐州医科大学 | 一种基于深度学习与阈值分割的线虫识别方法 |
| CN114638292A (zh) * | 2022-03-10 | 2022-06-17 | 中国医学科学院北京协和医院 | 一种基于多尺度分析的人工智能病理辅助诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437634A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
| CN108961208B (zh) | 一种聚集白细胞分割计数系统及方法 | |
| CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
| CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
| CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
| CN117456428B (zh) | 基于视频图像特征分析的垃圾投放行为检测方法 | |
| CN109145848A (zh) | 一种麦穗计数方法 | |
| WO2024051429A1 (zh) | 细胞扫描图像的获取方法和装置 | |
| Riana et al. | Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images | |
| CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
| Ferdosi et al. | White blood cell detection and segmentation from fluorescent images with an improved algorithm using k-means clustering and morphological operators | |
| CN111047577B (zh) | 一种畸形尿红细胞分类统计方法与系统 | |
| CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
| CN117437634B (zh) | 一种尿沉渣检测影像有形部分的识别分割方法 | |
| CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
| CN116385446B (zh) | 一种用于勃姆石生产的晶体杂质检测方法 | |
| Jabar et al. | Image segmentation using an adaptive clustering technique for the detection of acute leukemia blood cells images | |
| Abdul-Nasir et al. | Clustering approach for unsupervised segmentation of malarial Plasmodium vivax parasite | |
| Khong et al. | A novel approach for efficient implementation of nucleus detection and segmentation using correlated dual color space | |
| CN111932499B (zh) | 一种细胞直径的计算方法、装置及系统 |
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 |