CN102044069B - 一种白细胞图像分割方法 - Google Patents
一种白细胞图像分割方法 Download PDFInfo
- Publication number
- CN102044069B CN102044069B CN2010105688058A CN201010568805A CN102044069B CN 102044069 B CN102044069 B CN 102044069B CN 2010105688058 A CN2010105688058 A CN 2010105688058A CN 201010568805 A CN201010568805 A CN 201010568805A CN 102044069 B CN102044069 B CN 102044069B
- Authority
- CN
- China
- Prior art keywords
- area
- cell
- zone
- interest
- window
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种白细胞图像分割方法,根据人眼视觉显著性注意机制,首先对彩色细胞图像的绿色分量图二值化得到初始感兴趣区域,再通过标记初始感兴趣区域对区域的删除和合并操作得到每个细胞的自适应显著窗口,最后用扩展边界的方法实现每个自适应显著窗口内的精细细胞核和细胞浆分割。本发明有效实现了快速白细胞分割,尤其是非标准染色、包含粘连细胞的大容量图片的精确分割获得了较好的效果。
Description
技术领域
本发明涉及正常人外周血白细胞图像细胞识别技术,尤其是涉及含细胞和背景杂质较多的非标准染色的正常人外周血粘连白细胞图像自动分离的一种方法。
背景技术
血细胞图像分割与分类识别是近年来医学成像分析技术与应用研究的热门课题之一。该项技术研究的目的是利用计算机模拟人类血检专家视觉分析的过程,自动提取和计算细胞的各种形态参数,并进而对细胞进行分类分析,提高医学成像分析应用的精确性、鲁棒性、智能性和实时性,以满足血常规检查的高效率智能化和自动化应用的需要。只有快速而精确的分割才能实现后续分类识别,保证整个血细胞分类仪的实时性和精确性。然而由于血常规检查实际应用过程中血液涂片厚度、密度的不均匀性以及成像条件与噪声水平的差异变化,引起了血细胞图像经常会出现粘贴、重叠和模糊不清等现象,因而严重地影响了细胞的提取与分类识别。目前,典型的粘连细胞自动分离算法主要包括分水岭算法、区域增长算法、基于边界凹点的算法和基于类圆分割的算法等。其特点描述如下:
1)形态学分水岭算法(流域算法)
形态学分水岭算法是针对二值图像的分割算法。主要利用形态学特征分割图像。其基本思想是基于局部极小值和积水盆。水平面从局部极小值处上涨,在水平面从低到高浸没地形的过程中,每个积水盆被筑起的“坝”所包围,这些坝用来隔断不同的积水盆。当地形完全浸没到水中后,这些坝就构成了分水岭。
缺点:由于种子点的选取是通过连续腐蚀或者通过先做距离变换再通过某个域值选取,对微弱边缘很敏感。因此,该算法一方面对微弱边缘响应良好,一方面极易受噪声影响。该算法需要先根据距离最大值或者连续腐蚀得到种子点,但当大的白细胞与红细胞相连时或白细胞形状不规则时,细胞内部可能出现两个标识为区域最大值的点,此时需根据其区域最大值和两个点之间的距离判断是否进行区域合并,以确保一个白细胞只标识出一个区域最大值。难于提取种子点,会出现过分割和误分割的情况,另外在建造水坝的过程中,需要迭代膨胀,计算量较大。
2)区域增长方法
区域增长方法也称区域扩张法,是针对灰度或者彩色图像的分割算法。主要利用了灰度或者 彩色的相似性分割图像。其基本思想是,把图像分割成若干小区域,比较相邻小区域特征的相似性,将具有相似性质的区域(或者单个像素)合并起来构成新的区域。以此方式不断合并,直到不能合并为止,最后形成特征不同的各个区域。该方法需要先选取一个种子点,然后依次将种了像素周围的相似像素合井到种子像素所在的区域中。
缺点:区域合并的规则难以确定,可能导致过分割。由于仅利用了灰度信息,没有利用形状信息,对于灰度相近的两个物体,比如两个粘连的细胞,难以分割。
3)基于边界凹点的算法
基本思想是首先进行细胞的多边形近似,顺序找出边缘点来跟踪边界,查找到细胞轮廓的凹点,然后对凹点进行配对连接,实现细胞分离。算法基于“当两个细胞粘连时,图像的近似多边形中应当会出现一对凹陷点”的假设,并优先考虑具有较大的凹陷度的点。单个凹陷度很大的凹陷点也构成分解的依据。
缺点:由于凹陷点的选择基于轮廓,改算法对轮廓上的毛刺和噪声极为敏感。另外由于最后需要对凹陷点配对,而配对算法往往难以保证是最优的分割,因而很容易导致分割错误,有可能分解一个完整的细胞。实际处理中对象粘连各异,凹点的配对复杂,因而存在凹点不能精确求取,凹点配对困难,分离点集或分离曲线难于查找等问题。对于某些图像,由于细胞大小不一,聚堆形态各异,很多聚堆细胞在连接处并没有明显的凹陷特性,难以分割。
4)基于类圆分割的算法
L.V.Guimaraes提出的算法基于“所有的血细胞都是圆形”这一假设。在血细胞图像的分当图像明显违反圆形假设时就是需要分解的图像。取图像轮廓上距离最远的两点a,b其连线为近似圆形的直径,其长度的一半为外接圆半径,中点为外接圆圆心,分别在a,b两侧上找到距离圆心最近的点,其连线即细胞分割线。如果该分割线满足接受准则,则用该线分割图像,并继续递归分解,否则认为该图像已经是圆形的了,停止分割。
缺点:实际情况的细胞往往不是圆形,红细胞都是空心,单核细胞常有空泡,都会导致分割错误;另外,白细胞和杂质粘连的情况也不满足类圆分割。
若白细胞图片杂质增多、光照不均匀,以上算法就不能很好地在保证白细胞形态完整的前提下实现白细胞和杂质之间的分割;若白细胞图片容量增大、一幅图片包含几十个白细胞,以上算法速度会急剧变慢;若粘连的细胞大小差异较大,以上算法同样不能完全实现细胞问的形态分割,因此都不能很好的满足白细胞识别实时性和准确性的需要。
发明内容
本发明提出一种白细胞图像分割方法,结合人眼识别白细胞过程,根据人眼视觉显著性注意 机制,提出基于序贯特征显著性的血细胞分割方法,将目标识别过程分成感兴趣区域定位和感兴趣精细分割两个子过程。本发明用于实现快速白细胞分割,尤其是非标准染色、包含粘连细胞的大容量图片的精确分割。
本发明提出的技术方案如下:
一种白细胞图像分割方法,结合人眼识别白细胞过程,根据人眼视觉显著性注意机制,包括以下几个步骤:
步骤一、初始感兴趣区域提取:
1.将染色白细胞彩色图像的绿色分量图作为输入图像,对其进行降分辨率处理,再统计处理后的图像的直方图。
2.根据所述直方图获取阈值,用该阈值对输入图像二值化得到初始感兴趣区域。
步骤二、细胞自适应显著窗口获取:
1.标记感兴趣区域:首先,剔除初始感兴趣区域中的过大过小区域,再对余下区域(即感兴趣区域)进行标号,不同的连通区域的标号按照位置依次递增;
2.对标记后的感兴趣区域进行分类,分为候选感兴趣区域,可能感兴趣区域和非感兴趣区域;
3.再对分类后的每个区域进行膨胀,检测每个候选感兴趣膨胀区域或可能感兴趣区域(称之为检测区域)和与之相邻的被检测区域(被检测区域为可能感兴趣区域和/或非感兴趣区域)之间是否重叠,如果有重叠,被检测区域的原始区域的标号改为与其重叠的候选感兴趣膨胀区域的原始区域的标号,使两区域合并;合并后区域归属为同一细胞。
4.对经上述步骤处理后的同一标号区域,以与之相切的最小矩形的中心点为中心,以预定值为边长的正方形,作为每个细胞的自适应显著窗口。
步骤三、自适应显著窗口内细胞精细分割:
1.获取每个细胞的自适应显著窗口中的精确细胞核区域和初始细胞浆区域;
2.通过倒角距离变换和区域生长获取自适应显著窗口内的种子区域;
3.对种子区域扩展边界获取自适应显著窗口中的精确细胞浆区域。
本发明模拟人眼视觉显著性注意机制,按照特征的显著性顺序依次提取图像的感兴趣部分。由于细胞的特性非常复杂而丰富,单一的根据某种特征分割的方法不能可靠而准确地分割细胞,因此,在细胞检测与识别应用中必须利用细胞的多种特性。本发明采用基于目标显著性特征分析的序贯目标检测与分割方法,它是以显著性度量来分层次地组织和表达目标特征,不仅符合人类视觉注意机制的原理,还可以大幅度地降低细胞检测与分割计算的复杂性,即使是非标准染色的大容量图片也能满足一定的实时性,同时,保证了细胞分割的精确性,准确将细胞和杂质分开并实现粘连细胞之间的分割,对光照不均匀和背景杂质较多的图片同样适用。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
一种白细胞图像分割方法,包括如下步骤:
(一)初始感兴趣区域(ROI)提取:
①将染色白细胞彩色图像的绿色分量图作为输入图像。
②输入图像降分辨率。
分辨率的降低倍数dRate的大小取决于图像中最小细胞的长宽的中值cellSize,本例中,dRate=Round(cellSize/10),Round()为取整函数。
③统计降分辨率后的输入图像的直方图。
④获取直方图第n个像素所在的灰度级Hmax;
n=pRate×(输入图像长/dRate)×(输入图像宽/dRate),pRate为细胞像素约占整个输入图像像素的比值,可由先验知识得到。
⑤在灰度值0和Hmax之间寻找直方图的波谷H;
⑥以波谷H为阈值对彩色图像的绿色分量图像二值化,得到初始ROI;
(二)获取细胞自适应显著窗口:
①标记ROI:剔除过大和过小的初始ROI,再对余下区域(即ROI)进行标号,不同的连通区域标号按位置递增排列,获得标号数。过大和过小区域指分别大于一第一尺寸和小于一第二尺寸的区域,可以由先验知识得到,本实施例中,第一尺寸设定为cellSize,第二尺寸设定为0.01×cellSize,即小于0.01×cellSize的连通区域为过小区域,大于cellSize的区域为过大区域。统计区域个数,计算平均区域大小。大于平均区域大小的标记为候选ROI(AROI),小于平均区域大小的十分之一的标记为非ROI(CROI),其余标记为可能ROI(BROI)。
②对所有ROI进行膨胀,检测每个AROI或BROI膨胀区域(即检测区域)和相邻的被检测区域(包括BROI膨胀区域和/或CROI膨胀区域)之间是否有重叠,如有重叠,则重叠的被检测区域的标号改为检测区域的标号,直至所有ROI被检测。对标号重新从1开始递增排序,最大标号即为自适应显著窗口数,得到细胞定位标记图,每个ROI即为标号区域。
③每个相同标号的区域(可能包含多个连通区域)寻找与该不规则区域相切的边长为水平或竖直方向的矩形区域(即能包含标号区域的最小矩形,其边长方向为水平和竖直),得到矩形的长和宽,以矩形的中心点为中心获取边长为cellSize×2+1的正方形区域。由此得到一组细胞自适应显著窗口。
(三)获取自适应显著窗口中的精确细胞区域
①获取自适应显著窗口中的精确细胞核区域和初始细胞浆区域:
对每个自适应显著窗口提取彩色信息并标记标号区域。对每个窗口的绿色分量标号图用0tsu双阈值法得到细胞核和细胞浆的阈值以及细胞浆和背景的阈值,同时将对应的像素点归为细胞核、细胞浆和背景三个类别。对细胞浆区域做孔洞填充,即如果细胞浆内部区域含有背景点,则将此类背景点转为细胞浆点。
②获取自适应窗口内种子区域:
a.对每个自适应显著窗口的细胞区域(上述步骤获得的精确细胞核区域和初始细胞浆区域)做距离变换,本例中,距离变换方法采用3×3模板的倒角距离变换。找到每个细胞区域的最大距离点(每个区域可能不止一个)并获取最大距离。
b.对每个最大距离点用半径为最大距离的四分之一的圆膨胀,得到该细胞区域内且形状近似于该细胞外形的种子区域。
③获取自适应显著窗口中的精确细胞浆区域:
a.提取种子区域的轮廓作为初始边界,并计算边界长度;
b.搜索当前边界上每个点的相邻点,如果相邻点在细胞区域内则标记为***边界点;
c.每个当前边界点的相邻点搜索完毕后,如果***边界不是临时边界,且长度不小于当前边界长度的三分之一或者***边界包含细胞核区域,则***边界标记为当前边界,返回执行步骤b;否则执行步骤d。
d.如果没有临时边界,当前***边界标记为临时边界并作为当前边界,返回步骤b。如果存在临时边界,且当前边界的长度大于临时边界,则删除临时边界和当前边界,执行步骤e;如果当前边界长度小于临时边界,则删除临时边界,返回步骤b。
e.停止扩展边界。此时所有边界区域和原始种子区域共同构成精确细胞区域。除去标记过的精确细胞核区域,其余为精确的细胞浆区域。
至此获取了彩色细胞图像中每个细胞的精确细胞核区域和浆区域,完成白细胞粘连图像分割的所有步骤。
Claims (5)
1.一种白细胞图像分割方法,用于对可能包含粘连细胞的白细胞图像进行分割,该方法包括以下几个步骤:
步骤一、初始感兴趣区域提取
(1.1)将染色白细胞彩色图像的绿色分量图作为输入图像,对其进行降分辨率处理,再统计处理后的图像的直方图;
(1.2)根据所述直方图获取阈值,用该阈值对输入图像二值化得到初始感兴趣区域;
步骤二、细胞自适应显著窗口获取:
(2.1)标记感兴趣区域:首先,剔除初始感兴趣区域中的过大过小区域,再对余下区域即感兴趣区域进行标号,不同的连通区域的标号按照位置依次递增;
(2.2)对标记后的感兴趣区域进行分类,分为候选感兴趣区域,可能感兴趣区域和非感兴趣区域;
(2.3)再对分类后的每个区域进行膨胀,检测每个检测区域和与之相邻的被检测区域之间是否重叠,如果有重叠,将被检测区域的原始区域的标号改为与其重叠的检测区域的原始区域的标号,使两区域合并,合并后区域归属为同一细胞;其中,所述检测区域指膨胀后的候选感兴趣区域或膨胀后的可能感兴趣区域,被检测区域指膨胀后的可能感兴趣区域和/或膨胀后的非感兴趣区域;
(2.4)对经上述步骤(2.3)处理后的同一标号区域,将以与之相切的最小矩形的中心点为中心,以预定值为边长的正方形,作为每个细胞的自适应显著窗口;
步骤三、自适应显著窗口内细胞精细分割:
(3.1)获取每个细胞的自适应显著窗口中的精确细胞核区域和初始细胞浆区域;
(3.2)通过倒角距离变换和区域生长获取自适应显著窗口内的种子区域;
(3.3)对种子区域扩展边界获取自适应显著窗口中的精确细胞浆区域;
通过上述步骤,即完成白细胞的分割。
2.根据权利要求1所述的方法,其特征在于,所述的步骤一中,所述阈值为灰度值0和直方图第n个像素所在的灰度级Hmax之间的直方图的波谷H,其中,n=pRate×(输入图像长/dRate)×(输入图像宽/dRate),pRate为预设常数,表示细胞像素约占整个输入图像像素的比值,dRate为输入图像分辨率的降低倍数。
3.根据权利要求1或2所述的方法,其特征在于,所述的步骤三中,获取所述精确细胞核区域和初始细胞浆区域过程如下:
首先,对每个自适应显著窗口提取彩色信息并标记标号区域,对每个窗口的绿色分量标号图获得细胞核和细胞浆的阈值以及细胞浆和背景的阈值,同时将对应的像素点归为细胞核、细胞浆和背景三个类别,然后对细胞浆区域做孔洞填充,即如果细胞浆内部区域含有背景点,则将此类背景点转为细胞浆点,即获得精确细胞核区域和初始细胞浆区域。
4.根据权利要求1或2所述的方法,其特征在于,所述的步骤三中,获取所述种子区域具体过程如下:
首先,对上述步骤(3.1)获得的每个自适应显著窗口的细胞区域,即精确细胞核区域和初始细胞浆区域,做距离变换,找到每个细胞区域的最大距离点并获取最大距离;再对每个最大距离点用半径为最大距离的四分之一的圆进行膨胀,即得到该细胞区域内且形状近似于该细胞外形的种子区域。
5.权利要求1或2所述的方法,其特征在于,所述的步骤三中,获取所述精确细胞浆区域的具体步骤如下:
(I)提取所述种子区域的轮廓作为初始边界,并计算边界长度;
(II)搜索当前边界上每个点的相邻点,如果相邻点在细胞区域内则标记为***边界点;
(III)每个当前边界点的相邻点搜索完毕后,如果***边界不是临时边界,且长度不小于当前边界长度的三分之一或者***边界包含细胞核区域,则***边界标记为当前边界,返回执行步骤(II);否则执行步骤(IV);
(IV)如果没有临时边界,当前***边界标记为临时边界并作为当前边界,返回步骤(II),如果存在临时边界,且当前边界的长度大于临时边界,则删除临时边界和当前边界,执行步骤(V),如果当前边界长度小于临时边界,则删除临时边界,返回步骤(II);
(V)停止扩展边界,此时所有边界区域和原始种子区域共同构成精确细胞区域,除去标记过的精确细胞核区域,其余为精确的细胞浆区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105688058A CN102044069B (zh) | 2010-12-01 | 2010-12-01 | 一种白细胞图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105688058A CN102044069B (zh) | 2010-12-01 | 2010-12-01 | 一种白细胞图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102044069A CN102044069A (zh) | 2011-05-04 |
CN102044069B true CN102044069B (zh) | 2012-05-09 |
Family
ID=43910183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105688058A Expired - Fee Related CN102044069B (zh) | 2010-12-01 | 2010-12-01 | 一种白细胞图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102044069B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156988B (zh) * | 2011-05-27 | 2012-10-10 | 天津大学 | 一种细胞***序列检测方法 |
CN102542560B (zh) * | 2011-10-31 | 2013-10-30 | 华中科技大学 | 一种水稻移栽后密度自动检测的方法 |
CN102831607B (zh) * | 2012-08-08 | 2015-04-22 | 深圳市迈科龙生物技术有限公司 | 宫颈液基细胞图像分割方法 |
CN103093468A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 一种基于图像形态学的稠密物体分割方法 |
CN104732509B (zh) * | 2013-12-18 | 2020-02-21 | 北京三星通信技术研究有限公司 | 自适应图像分割方法、装置和设备 |
CN103984958B (zh) * | 2014-05-07 | 2017-11-07 | 深圳大学 | ***细胞分割方法及*** |
CN103985119B (zh) * | 2014-05-08 | 2017-01-18 | 山东大学 | 一种彩色血细胞图像中白细胞的细胞质和细胞核分割方法 |
CN104331912B (zh) * | 2014-10-27 | 2018-01-16 | 山东济宁如意毛纺织股份有限公司 | 一种基于边缘矩阵的服装面料快速填充方法 |
CN104392460B (zh) * | 2014-12-12 | 2015-11-04 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN104730050A (zh) * | 2015-03-04 | 2015-06-24 | 深圳市金准生物医学工程有限公司 | 一种基于图像自适应分割的免疫复合物荧光检测方法 |
GB2543029A (en) * | 2015-09-23 | 2017-04-12 | Pathxl Ltd | Method and apparatus for tissue recognition |
US10445876B2 (en) * | 2015-12-18 | 2019-10-15 | Abbott Laboratories | Methods and systems for assessing cell morphology |
CN107492088B (zh) * | 2016-06-11 | 2020-12-04 | 青岛华晶生物技术有限公司 | 一种妇科显微图像中白细胞自动识别与统计方法 |
CN109118492B (zh) * | 2016-12-22 | 2022-04-05 | 浙江工业大学 | 一种相差显微镜细胞图像的检测和分割方法 |
CN106875394B (zh) * | 2016-12-22 | 2020-01-10 | 浙江工业大学 | 相差显微镜细胞主要信息粘连情况的分离与分组方法 |
CN106780522B (zh) * | 2016-12-23 | 2019-08-30 | 杭州华卓信息科技有限公司 | 一种基于深度学习的骨髓液细胞分割方法 |
CN107527028B (zh) * | 2017-08-18 | 2020-03-24 | 深圳乐普智能医疗器械有限公司 | 目标细胞识别方法、装置及终端 |
CN109690562B (zh) * | 2018-05-18 | 2022-09-13 | 香港应用科技研究院有限公司 | 由全卷积神经网络加速细胞学图像分类的图像预处理 |
CN108961208B (zh) * | 2018-05-21 | 2021-04-27 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数***及方法 |
CN109117837B (zh) * | 2018-07-26 | 2021-12-07 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN111246128B (zh) * | 2018-11-29 | 2022-09-13 | 北京图森智途科技有限公司 | 一种像素合并方法、成像设备、图像传感器及汽车 |
CN112132166B (zh) * | 2019-06-24 | 2024-04-19 | 杭州迪英加科技有限公司 | 一种数字细胞病理图像智能分析方法、***及装置 |
CN110619640B (zh) * | 2019-08-26 | 2022-02-01 | 济南大学 | 一种基于骨髓细胞图像的粒细胞检测方法及*** |
CN110910367A (zh) * | 2019-11-19 | 2020-03-24 | 长春理工大学 | 生物反应器细胞培养质量评价方法 |
CN114862877B (zh) * | 2022-05-27 | 2024-03-22 | 四川大学华西医院 | 基于置信度评分的细胞粘连分割方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090081775A1 (en) * | 2005-05-25 | 2009-03-26 | Stiftesen Unversitetsforskning Bergen | Microscope system and screening method for drugs, physical therapies and biohazards |
CN101127117B (zh) * | 2007-09-11 | 2010-05-26 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
JP5554776B2 (ja) * | 2008-05-30 | 2014-07-23 | ジーイー・ヘルスケア・バイオサイエンス・コーポレイション | 1以上のデフォーカス画像又は低コントラスト対雑音比画像を検出し除去するシステム及び方法 |
CN101340582B (zh) * | 2008-08-13 | 2010-07-28 | 武汉大学 | 一种降分辨率视频转码中的运动矢量合成方法 |
CN101840513A (zh) * | 2010-05-21 | 2010-09-22 | 华中科技大学 | 一种图像形状特征提取方法 |
-
2010
- 2010-12-01 CN CN2010105688058A patent/CN102044069B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102044069A (zh) | 2011-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102044069B (zh) | 一种白细胞图像分割方法 | |
Cheng et al. | Pixel-level crack detection using U-Net | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
US8655070B1 (en) | Tree detection form aerial imagery | |
CN104021574B (zh) | 路面病害自动识别方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN103383733B (zh) | 一种基于半机器学习的车道视频检测方法 | |
CN104392240A (zh) | 一种基于多特征融合的寄生虫虫卵识别方法 | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN103886308A (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN107705301A (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别*** | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN109145808A (zh) | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 | |
CN103530600A (zh) | 复杂光照下的车牌识别方法及*** | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20151201 |
|
EXPY | Termination of patent right or utility model |