CN117952974A - 用于类器官识别的图像处理方法 - Google Patents

用于类器官识别的图像处理方法 Download PDF

Info

Publication number
CN117952974A
CN117952974A CN202410348598.7A CN202410348598A CN117952974A CN 117952974 A CN117952974 A CN 117952974A CN 202410348598 A CN202410348598 A CN 202410348598A CN 117952974 A CN117952974 A CN 117952974A
Authority
CN
China
Prior art keywords
gray
organoid culture
organoid
moment
value
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
CN202410348598.7A
Other languages
English (en)
Other versions
CN117952974B (zh
Inventor
马晓芳
于红艳
白丹
刘扬
刘晓智
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.)
5th Central Hospital Of Tianjin
Original Assignee
5th Central Hospital Of Tianjin
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 5th Central Hospital Of Tianjin filed Critical 5th Central Hospital Of Tianjin
Priority to CN202410348598.7A priority Critical patent/CN117952974B/zh
Publication of CN117952974A publication Critical patent/CN117952974A/zh
Application granted granted Critical
Publication of CN117952974B publication Critical patent/CN117952974B/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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及用于类器官识别的图像处理方法，包括：采集不同时刻的类器官培养图像，根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量获取每一时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性，根据稳定性以及增长显著性获取每种灰度值的重要性，根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值，根据增强阈值对类器官培养图像的灰度直方图进行修正，得到修正灰度直方图，根据修正灰度直方图对类器官培养图像进行增强，得到增强后的类器官培养图像，用于类器官识别。本发明对类器官培养图像增强效果好，使得类器官识别准确。

Description

用于类器官识别的图像处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及用于类器官识别的图像处理方法。
背景技术
类器官是在体外培养成的器官或组织的三维结构。类器官的识别依赖于拍摄的类器官图像的清晰度，一些器官可能在类器官图像中的对比度较低，使其难以区分识别，因此需要对类器官图像进行增强。
目前通常通过直方图均衡化算法对类器官图像进行增强，在直方图均衡化的过程中，对于像素点数量较多的灰度值，其增强效果较好，对于像素点数量较少的灰度值，其可能被吞噬。由于类器官培养过程中的细节变化的灰度值往往对应较少的像素点，在直方图均衡化过程中可能被吞噬，导致类器官培养过程中的细节变化丢失，从而影响类器官识别的准确性。
发明内容
为解决上述问题，本发明提供用于类器官识别的图像处理方法，该方法包括以下步骤：
采集不同时刻的类器官培养图像；
根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性；根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻类器官培养图像中每种灰度值的增长显著性；根据每个时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性获取每种灰度值的重要性；
对于每一时刻的类器官培养图像，根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值；绘制类器官培养图像的灰度直方图，根据每种灰度值的增强阈值，对灰度直方图进行修正，得到修正灰度直方图，根据修正灰度直方图对类器官培养图像进行增强，得到增强后的类器官培养图像，用于类器官识别。
优选的，所述根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的稳定性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第/>个时刻的类器官培养图像中对应的像素点数量最多的灰度值所对应的像素点数量；表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量，/>取遍[1,/>]中的每个整数；/>表示每一时刻的类器官培养图像中包含的像素点数量；/>表示以自然常数为底的指数函数。
优选的，所述根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻类器官培养图像中每种灰度值的增长显著性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第/>个时刻之前的每个时刻的序号，/>取遍[1,/>]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示双曲正切函数；/>表示第个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性。
优选的，所述根据每个时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性获取每种灰度值的重要性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的重要性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性；/>表示第/>个时刻的类器官培养图像中灰度值/>的稳定性；/>为最大值函数；/>为超参数。
优选的，所述根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增强阈值，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的重要性；/>表示第/>个时刻的类器官培养图像中所有种灰度值对应的像素点数量的均值；/>表示以自然常数为底的指数函数。
优选的，所述根据每种灰度值的增强阈值，对灰度直方图进行修正，得到修正灰度直方图，包括的具体步骤如下：
对于灰度直方图中每种灰度值，当灰度直方图中灰度值对应的像素点数量小于灰度值的增强阈值时，将灰度值对应的像素点数量修正为增强阈值，得到修正灰度直方图。
优选的，所述根据修正灰度直方图对类器官培养图像进行增强，得到增强后的类器官培养图像，包括的具体步骤如下：
对修正灰度直方图进行直方图均衡化，得到增强后的类器官培养图像。
本发明的技术方案的有益效果是：本发明根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性，根据稳定性获取灰度值的重要性，从而设置增强阈值进行增强，使得类器官培养过程中重要的特征被增强的程度越大，确保了使得类器官培养过程中重要的特征的清晰度；
本发明根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻的类器官培养图像中每种灰度值的增长显著性，根据增长显著性获取每种灰度值的重要性，从而设置增强阈值进行增强，使得类器官培养过程中的细节变化得到重点增强，避免了细节变化对应的灰度值的像素点数量过少导致增强过程中细节变化对应的灰度值被吞噬，确保了类器官培养过程中的细节变化能够清晰的体现在增强后的类器官培养图像中，从而提高了类器官识别的准确性。
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，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的用于类器官识别的图像处理方法的步骤流程图。
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用于类器官识别的图像处理方法，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用于类器官识别的图像处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的用于类器官识别的图像处理方法的步骤流程图，该方法包括以下步骤：
S001．采集不同时刻的类器官培养图像。
设置拍摄频率，具体不做限制，实施人员可根据具体实施情况设置，例如/>次/分钟。通过扫描电子显微镜按照拍摄频率拍摄类器官培养过程中不同时刻的图像，得到每一时刻的类器官培养图像。需要说明的是，扫描电子显微镜获得的类器官培养图像为灰度图。
至此，实现了不同时刻类器官培养图像的采集。
S002．根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量获取每一时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性，根据稳定性以及增长显著性获取每种灰度值的重要性。
需要说明的是，在类器官培养过程中，细胞不断分裂使得类器官培养图像中灰度分布发生变化，若不同时刻的类器官培养图像中某些灰度值的占比不变，说明此些灰度值对应的特征在类器官培养过程中较为稳定，此些灰度值对应的特征在类器官培养过程中较为重要，因此本实施例引入稳定性指标，对类器官培养过程中灰度值对应特征的稳定性进行衡量。
具体的，根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的稳定性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第/>个时刻的类器官培养图像中对应的像素点数量最多的灰度值所对应的像素点数量；表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量，/>取遍[1,/>]中的每个整数；/>表示每一时刻的类器官培养图像中包含的像素点数量；/>表示以自然常数为底的指数函数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量的占比，当第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量越多时，灰度值/>在第/>个时刻的类器官培养图像中越显著，若同时灰度值/>在不同时刻的类器官培养图像中的占比越一致，说明灰度值/>在连续多个类器官培养图像中均非常显著，说明灰度值/>对应的图像特征在第个时刻以及之前的一段时间内均为类器官培养图像中最显著的特征，即灰度值/>对应的特征在类器官培养过程中越稳定，灰度值/>对应的图像特征越重要，此时第/>个时刻的类器官培养图像中灰度值/>的稳定性越大。
需要说明的是，在类器官培养过程中，灰度值对应的像素点数量增长，说明产生了新的特征，或某一特征不断扩张，因此灰度值对应的像素点数量变化反映了类器官培养过程中细节变化，本实施例引入增强显著性特征，对类器官培养过程中的细节变化进行衡量。
根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻类器官培养图像中每种灰度值的增长显著性：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第/>个时刻之前的每个时刻的序号，/>取遍[1,/>]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示双曲正切函数；/>表示不同时刻的类器官培养图像中同一灰度值对应像素点数量的函数，/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性，当/>时，第/>个时刻灰度值/>对应的像素点数量相较于第/>个时刻没有增长或下降，此时返回函数值0，即第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性为0；当/>时，第/>个时刻灰度值/>对应的像素点数量相较于第/>个时刻有增长，说明产生了新的特征或灰度值/>对应的特征不断扩张，当增长越多时，第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性越大，即灰度值/>对应的细节变化越多，反之，第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性越小，即灰度值/>对应的细节变化越少；
当越接近/>时，第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长变化对应的时间越短，若短时间内增长越多，则增长越显著，对应的类器官短时间内的变化越多，类器官的识别需要对短时间内的变化情况进行重点监测，因此将作为第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性/>的权重，当/>越大，即越靠近第/>个时刻时，越关注第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性/>，当/>越小，即越远离第/>个时刻时，越不关注第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性/>，通过对第/>个时刻类器官培养图像中灰度值/>对应的像素点数量相较于第/>个时刻之前的每一时刻的增强显著性进行加权求和，得到第/>个时刻类器官培养图像中灰度值/>的增长显著性，当第/>个时刻类器官培养图像中灰度值/>对应的像素点数量相较于之前时刻的类器官培养图像中灰度值/>对应的像素点数量增长越多时，第/>个时刻类器官培养图像中灰度值/>的增长显著性越大。
需要说明的是，当灰度值的稳定性越大且增长显著性越大时，灰度值越可能代表类器官增长过程中的重要特征，因此本实施例根据灰度值的稳定性以及增长显著性对灰度值的重要性进行衡量。
具体的，根据每个时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性获取每种灰度值的重要性：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的重要性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性；/>表示第/>个时刻的类器官培养图像中灰度值/>的稳定性；/>为最大值函数；/>为超参数，经验值为0.0001，实施人员可根据实际实施情况设置超参数，超参数的作用是防止/>为0时导致灰度值/>的重要性为0；当第/>个时刻的类器官培养图像中灰度值/>的增长显著性越大，灰度值/>为第/>个时刻的类器官培养图像相较于之前时刻的类器官培养图像中的变化细节，此时变化细节越能体现类器官培养过程中产生变化的器官特征，能够帮助进行类器官的识别，此时灰度值/>越重要；当第/>个时刻的类器官培养图像中灰度值/>的增长显著性越小时，灰度值/>在不同时刻对应的像素点数量未增长或降低，此时若第/>个时刻的类器官培养图像中灰度值/>的稳定性越大，说明灰度值/>对应的图像特征在不同时刻均为重要的特征，若第/>个时刻的类器官培养图像中灰度值/>的稳定性越小，说明灰度值/>对应的图像特征在不同时刻均为不重要的特征，因此本实施例采用伽马变换的方法将/>作为指数，结合增长显著性/>获取灰度值/>的重要性。
至此，获取了每一时刻的类器官培养图像中每种灰度值的重要性。
S003．根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值，对类器官培养图像进行增强，得到增强后的类器官培养图像。
需要说明的是，对于重要的灰度值，在增强过程中需要对其进行重点增强，对于不重要的灰度值，在增强过程中无需对其进行重点增强，因此本实施例根据每种灰度值的重要性，为每种灰度值设置增强阈值，以便后续根据增强阈值实现每种灰度值不同程度的增强。
具体的，根据不同时刻的类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增强阈值，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的重要性；/>表示第/>个时刻的类器官培养图像中所有种灰度值对应的像素点数量的均值；/>表示以自然常数为底的指数函数；当第/>个时刻的类器官培养图像中灰度值/>的重要性越大，对于灰度值/>越需要重点增强，此时需要设置较大的增强阈值，防止灰度值/>因对应的像素点数量过少而在直方图均衡化的过程中被吞噬，当第/>个时刻的类器官培养图像中灰度值/>的重要性越小，对于灰度值/>越不需要重点增强，此时可设置较小的增强阈值，因此本实施例将作为增强阈值，当灰度值/>的重要性越大且越接近1时，增强阈值越大且尽可能大于所有种灰度值对应的像素点数量的均值/>，防止后续直方图均衡化过程中灰度值/>因对应的像素点数量过少而被吞噬，反之，当灰度值/>的重要性越小时，增强阈值越小。
对于每一时刻的类器官培养图像，绘制类器官培养图像的灰度直方图，对于灰度直方图中每种灰度值，当灰度直方图中灰度值对应的像素点数量小于灰度值的增强阈值时，将灰度值对应的像素点数量修正为增强阈值，当灰度直方图中灰度值对应的像素点数量大于或等于增强阈值时，对灰度值对应的像素点数量不做修正，如此得到修正灰度直方图，对修正灰度直方图进行直方图均衡化，得到增强后的类器官培养图像。
至此，获取了每一时刻增强后的类器官培养图像。
S004．根据每一时刻增强后的类器官培养图像进行类器官识别。
利用神经网络识别类器官，具体的：
神经网络的结构为RNN循环神经网络，神经网络的输入为每一时刻增强后的类器官培养图像，输出为类器官的类别，神经网络的训练集为历史的类器官培养过程中每一时刻增强后的类器官培养图像构成的数据集，训练集的标签为各图像对应的类器官的类别，由相关领域专业人员进行人工标注，神经网络的损失函数为交叉熵损失。
将每一时刻增强后的类器官培养图像输入到训练好的神经网络中，输出类器官的类别，实现类器官的识别。
本发明根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性，根据稳定性获取灰度值的重要性，从而设置增强阈值进行增强，使得类器官培养过程中重要的特征被增强的程度越大，确保了使得类器官培养过程中重要的特征的清晰度；本发明根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻的类器官培养图像中每种灰度值的增长显著性，根据增长显著性获取每种灰度值的重要性，从而设置增强阈值进行增强，使得类器官培养过程中的细节变化得到重点增强，避免了细节变化对应的灰度值的像素点数量过少导致增强过程中细节变化对应的灰度值被吞噬，确保了类器官培养过程中的细节变化能够清晰的体现在增强后的类器官培养图像中，从而提高了类器官识别的准确性。
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.用于类器官识别的图像处理方法，其特征在于，该方法包括以下步骤：
采集不同时刻的类器官培养图像；
根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性；根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻类器官培养图像中每种灰度值的增长显著性；根据每个时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性获取每种灰度值的重要性；
对于每一时刻的类器官培养图像，根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值；绘制类器官培养图像的灰度直方图，根据每种灰度值的增强阈值，对灰度直方图进行修正，得到修正灰度直方图，根据修正灰度直方图对类器官培养图像进行增强，得到增强后的类器官培养图像，用于类器官识别。
2.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据每一时刻的类器官培养图像中每种灰度值对应的像素点数量的占比获取每一时刻的类器官培养图像中每种灰度值的稳定性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的稳定性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第个时刻的类器官培养图像中对应的像素点数量最多的灰度值所对应的像素点数量；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量，/>取遍[1,/>]中的每个整数；/>表示每一时刻的类器官培养图像中包含的像素点数量；/>表示以自然常数为底的指数函数。
3.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据不同时刻类器官培养图像中同一灰度值对应的像素点数量的变化获取每一时刻类器官培养图像中每种灰度值的增长显著性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示第/>个时刻之前的每个时刻的序号，/>取遍[1,/>]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量；/>表示双曲正切函数；/>表示第/>个时刻的类器官培养图像中灰度值/>对应的像素点数量相较于第/>时刻的增长显著性。
4.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据每个时刻的类器官培养图像中每种灰度值的稳定性以及增长显著性获取每种灰度值的重要性，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的重要性，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的增长显著性；/>表示第/>个时刻的类器官培养图像中灰度值/>的稳定性；/>为最大值函数；/>为超参数。
5.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据类器官培养图像中每种灰度值的重要性，为每种灰度值设置增强阈值，包括的具体步骤如下：
其中，表示第/>个时刻的类器官培养图像中灰度值/>的增强阈值，/>取遍[0,255]中的每个整数；/>表示第/>个时刻的类器官培养图像中灰度值/>的重要性；/>表示第/>个时刻的类器官培养图像中所有种灰度值对应的像素点数量的均值；/>表示以自然常数为底的指数函数。
6.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据每种灰度值的增强阈值，对灰度直方图进行修正，得到修正灰度直方图，包括的具体步骤如下：
对于灰度直方图中每种灰度值，当灰度直方图中灰度值对应的像素点数量小于灰度值的增强阈值时，将灰度值对应的像素点数量修正为增强阈值，得到修正灰度直方图。
7.根据权利要求1所述的用于类器官识别的图像处理方法，其特征在于，所述根据修正灰度直方图对类器官培养图像进行增强，得到增强后的类器官培养图像，包括的具体步骤如下：
对修正灰度直方图进行直方图均衡化，得到增强后的类器官培养图像。
CN202410348598.7A 2024-03-26 2024-03-26 用于类器官识别的图像处理方法 Active CN117952974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410348598.7A CN117952974B (zh) 2024-03-26 2024-03-26 用于类器官识别的图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410348598.7A CN117952974B (zh) 2024-03-26 2024-03-26 用于类器官识别的图像处理方法

Publications (2)

Publication Number Publication Date
CN117952974A true CN117952974A (zh) 2024-04-30
CN117952974B CN117952974B (zh) 2024-06-04

Family

ID=90801833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410348598.7A Active CN117952974B (zh) 2024-03-26 2024-03-26 用于类器官识别的图像处理方法

Country Status (1)

Country Link
CN (1) CN117952974B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496692A (zh) * 2022-11-17 2022-12-20 卡松科技股份有限公司 一种润滑油磨粒图像增强方法
CN116095347A (zh) * 2023-03-09 2023-05-09 中节能（临沂）环保能源有限公司 基于视频分析的建筑工程安全施工方法及系统
CN116137022A (zh) * 2023-04-20 2023-05-19 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116228804A (zh) * 2023-05-10 2023-06-06 山东省地质测绘院 一种基于图像分割的矿产资源识别方法
CN116433663A (zh) * 2023-06-13 2023-07-14 肥城恒丰塑业有限公司 一种土工格室质量智能检测方法
CN116485686A (zh) * 2023-06-19 2023-07-25 青岛国源中创电气自动化工程有限公司 一种活性污泥法的污水处理图像增强方法
CN116485785A (zh) * 2023-06-15 2023-07-25 无锡斯达新能源科技股份有限公司 一种太阳能电池片的表面缺陷检测方法
CN117058143A (zh) * 2023-10-12 2023-11-14 深圳市合成快捷电子科技有限公司 一种电路板引脚智能检测方法及系统
CN117437310A (zh) * 2023-12-21 2024-01-23 天津市第五中心医院 一种类器官培养图像压缩方法
CN117522870A (zh) * 2024-01-04 2024-02-06 陕西凯迈航空航天机电设备有限公司 基于机器视觉的航空发动机零部件的缺陷智能检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496692A (zh) * 2022-11-17 2022-12-20 卡松科技股份有限公司 一种润滑油磨粒图像增强方法
CN116095347A (zh) * 2023-03-09 2023-05-09 中节能（临沂）环保能源有限公司 基于视频分析的建筑工程安全施工方法及系统
CN116137022A (zh) * 2023-04-20 2023-05-19 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116228804A (zh) * 2023-05-10 2023-06-06 山东省地质测绘院 一种基于图像分割的矿产资源识别方法
CN116433663A (zh) * 2023-06-13 2023-07-14 肥城恒丰塑业有限公司 一种土工格室质量智能检测方法
CN116485785A (zh) * 2023-06-15 2023-07-25 无锡斯达新能源科技股份有限公司 一种太阳能电池片的表面缺陷检测方法
CN116485686A (zh) * 2023-06-19 2023-07-25 青岛国源中创电气自动化工程有限公司 一种活性污泥法的污水处理图像增强方法
CN117058143A (zh) * 2023-10-12 2023-11-14 深圳市合成快捷电子科技有限公司 一种电路板引脚智能检测方法及系统
CN117437310A (zh) * 2023-12-21 2024-01-23 天津市第五中心医院 一种类器官培养图像压缩方法
CN117522870A (zh) * 2024-01-04 2024-02-06 陕西凯迈航空航天机电设备有限公司 基于机器视觉的航空发动机零部件的缺陷智能检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
奚玲;平西建;张涛;: "基于相邻灰度值对互补嵌入的LSB匹配隐写改进算法", 计算机科学, no. 09, 15 September 2010 (2010-09-15) *
屈汉章;刘佩;吴成茂;: "基于颜色加权直方图的运动目标模糊提取方法", 西安邮电大学学报, no. 05, 10 September 2017 (2017-09-10) *
曹军峰;史加成;罗海波;常铮;惠斌;: "采用聚类分割和直方图均衡的图像增强算法", 红外与激光工程, no. 12, 25 December 2012 (2012-12-25) *
江丽;: "基于Matlab空间域算法的图像增强技术的研究与应用", 电子设计工程, no. 22, 20 November 2016 (2016-11-20) *
王兴鹏: "小型柑橘自动分级设备关键技术研究", 中国优秀硕士电子期刊网, no. 3, 15 March 2023 (2023-03-15) *
程欣: "冬天输电线路覆冰厚度图像识别检测", 中国优秀硕士电子期刊网, no. 12, 15 December 2018 (2018-12-15) *

Also Published As

Publication number Publication date
CN117952974B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN102509279B (zh) 根部欠照明舌图像的自适应暗部细节复现方法
US11010590B2 (en) Image processing device, cell-cluster recognition apparatus, cell-cluster recognition method, and cell-cluster recognition program for binarizing and segmenting smoothed cell image in which gap between cells in each cell cluster is filled in
CN113343771B (zh) 一种基于自适应元学习的人脸防伪方法
CN110189266B (zh) 一种自适应的快速图像增强方法
CN115359052A (zh) 基于聚类算法的医疗影像增强方法
CN114693935A (zh) 一种基于自动数据增广的医学图像分割方法
CN116030052B (zh) 电脑显示板层压工序蚀刻质量检测方法
CN113269191A (zh) 一种农作物叶片病害识别方法、装置和存储介质
CN115908371A (zh) 基于优化分割的植物叶片病虫害程度检测方法
CN117952974B (zh) 用于类器官识别的图像处理方法
CN114399442B (zh) 基于参数自适应的非线性图像增强方法及系统
CN111950436A (zh) 一种玉米果穗表型测量方法及系统
CN107730476A (zh) 一种基于压缩感知的图像增强方法及装置
CN117237245B (zh) 一种基于人工智能与物联网的工业物料质量监测方法
CN117392155B (zh) 基于图像处理的高通量基因测序数据处理方法
CN112562829B (zh) 一种自适应生成dicom影像默认窗宽窗位的方法
CN117576123A (zh) 一种心血管ct图像数据分割检测方法
CN117690127A (zh) 用于羊肚菌菌丝生长程度的识别分析方法及系统
CN112270404A (zh) 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法
CN117115468A (zh) 基于人工智能的图像识别方法及系统
CN115861827B (zh) 作物水肥胁迫的决策方法、装置及手机终端
CN117974528B (zh) 一种肾活检切片影像优化增强方法
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
US20240265517A1 (en) Green coffee bean identification method and green coffee bean identification system
CN118570113B (zh) 一种基于图像处理的黄姜皂素发酵过程监控方法及系统

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