CN105096293B - 用于处理尿液沉渣图像的待处理区块的方法和装置 - Google Patents

用于处理尿液沉渣图像的待处理区块的方法和装置 Download PDF

Info

Publication number
CN105096293B
CN105096293B CN201410183548.4A CN201410183548A CN105096293B CN 105096293 B CN105096293 B CN 105096293B CN 201410183548 A CN201410183548 A CN 201410183548A CN 105096293 B CN105096293 B CN 105096293B
Authority
CN
China
Prior art keywords
color
block
processed
pixel
approximation
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
CN201410183548.4A
Other languages
English (en)
Other versions
CN105096293A (zh
Inventor
张晓凡
申田
许娟
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.)
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
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 Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Priority to CN201410183548.4A priority Critical patent/CN105096293B/zh
Priority to PCT/US2015/028438 priority patent/WO2015168365A1/en
Priority to US15/306,883 priority patent/US9715729B2/en
Priority to EP15786324.2A priority patent/EP3137896A4/en
Publication of CN105096293A publication Critical patent/CN105096293A/zh
Application granted granted Critical
Publication of CN105096293B publication Critical patent/CN105096293B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/493—Physical analysis of biological material of liquid biological material urine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/10—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
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于处理尿液沉渣图像的待处理区块的方法和装置。该方法包括：将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，kc为正整数；获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图；以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量；对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化；以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理。本发明实施例提高了对待处理区块的处理精度。

Description

用于处理尿液沉渣图像的待处理区块的方法和装置
技术领域
本发明涉及生物检测，尤其涉及一种用于处理尿液沉渣图像的待处理区块的方法和装置。
背景技术
在通常的尿液沉渣分析中，首先利用显微成像***拍摄尿液样本图像。然后，利用例如边缘检测等技术分割尿液样本图像中的候选者区块。通过从这些候选者区块中去除明显的背景区块，检测出待处理区块。接着，对待处理区块进行处理。
目前对待处理区块的处理主要有两个方向。第一个方向是分类，即将这些待处理区块直接分类为各种有形成分(如管形、上皮、红细胞)区块和与有形成分容易混淆的背景区块。另一个方向是区块检索，它不直接将待处理区块分类，而是在数据库中检索出以前存储的与待处理区块类似的区块。与分类的结果是唯一的不同，区块检索可能检索出多个类似的区块，提供给用户，因此能提供给用户更多的信息。用户有可能会在多个类似的区块中进行进一步的选择或判断。
目前，机器自动实现的分类和区块检索，一般都采用机器学习的方式。规定若干用于分类或区块检索的特征，组成特征集。先用大量训练样本区块组成训练样本集，用于训练处理模型(分类模型或区块检索模型)。对于训练样本集中的每个训练样本区块，计算特征集中的特征，让处理模型学习。这样，当训练好的处理模型接收到一个新的待处理区块时，计算该新的待处理区块的特征集中的特征，参考以前训练的结果，就能将新的待处理区块进行分类或为其检索出以前存储的类似的图像。
发明内容
本发明的一个实施例旨在提高对待处理区块的处理精度。
根据本发明的一个实施例，提供了一种用于处理尿液沉渣图像的待处理区块的方法，包括：将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数；获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图；以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量；对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化；以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理。
在一种具体实现中，所述处理尿液沉渣图像的待处理区块包括以下两者中的任一个：对所述待处理区块进行分类；对所述待处理区块进行区块检索。
在一种具体实现中，从尿液样本区块的集合中产生码书的步骤包括：将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间；将转换到Lab颜色空间的所述尿液样本区块分割为多个区域；在分割出的多个区域的每一个区域中选取h个像素，h为正整数；将选取出的h个像素的颜色聚类到kc种颜色之一。
在一种具体实现中，将转换到Lab颜色空间的所述尿液样本区块分割为多个区域的步骤包括：利用mean-shift算法将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，其中转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的；h＝ceil(RegionArea/SampleRatio)，其中RegionArea是分割出的多个区域中特定区域的面积，h是该特定区域中选取的像素的数目，SampleRatio等于Amin的指定倍数,ceil()是向上取整函数。
在一种具体实现中，将待处理区块中像素的颜色近似为码书中kc种颜色之一的步骤包括：将待处理区块从RGB颜色空间转换到Lab颜色空间；分别计算待处理区块中所述像素的颜色与所述kc种颜色的欧式距离；将待处理区块中所述像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。
在一种具体实现中，所述出现频率修正因子从训练样本区块的集合中获得，其中假设训练样本区块的集合中的训练样本区块的个数为D，其中有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)；以出现频率修正因子修正所述分布直方图中的颜色近似结果落在各颜色上的像素数量的步骤包括：将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)。
在一种具体实现中，对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量进行标准化的步骤包括：对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。
根据本发明的一个实施例，提供了一种用于处理尿液沉渣图像的待处理区块的装置，包括：近似单元，被配置为将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数；获得单元，被配置为获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图；修正单元，被配置为以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量；标准化单元，被配置为对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化；处理单元，被配置为以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理。
在一种具体实现中，所述装置用于以下两者中的任一个：对所述待处理区块进行分类；对所述待处理区块进行区块检索。
在一种具体实现中，产生单元进一步被配置为：将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间；将转换到Lab颜色空间的所述尿液样本区块分割为多个区域；在分割出的多个区域的每一个区域中选取h个像素，h为正整数；将选取出的h个像素的颜色聚类到kc种颜色之一。
在一种具体实现中，将转换到Lab颜色空间的所述尿液样本区块分割为多个区域是通过mean-shift算法实现的，转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的。h＝ceil(RegionArea/SampleRatio)，其中RegionArea是分割出的多个区域中特定区域的面积，h是该特定区域中选取的像素的数目，SampleRatio是等于Amin的指定倍数，ceil()是向上取整函数。
在一种具体实现中，近似单元进一步被配置为：将待处理区块从RGB颜色空间转换到Lab颜色空间；分别计算待处理区块中所述像素的颜色与所述kc种颜色的欧式距离；将待处理区块中所述像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。
在一种具体实现中，所述出现频率修正因子从训练样本区块的集合中获得，其中假设训练样本区块的集合中的训练样本区块的个数为D，其中有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)。修正单元进一步被配置为：将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)。
在一种具体实现中，标准化单元进一步被配置为：对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。
现有技术中的特征集中的特征比较关注形状和空间信息。然而，一些类型的有形成分(例如白细胞)经常有许多变形，因此类内差异很大，而一些不同类型的有形成分之间又表现出较大的跨类相似性。另外，有形成分并不总是位于区块的中心，对空间信息比较依赖的特征会恶化处理结果。因此，现有技术对待处理区块的处理精度不高。由于本发明实施例采用的特征是基于待处理区块中像素的颜色计算出的，因此不受有形成分形状或空间信息变化的影响，从而在一些有形成分发生变形或位置变化的情况下，仍然能够获得比较高的处理精度。
另外，相比于形状特征和纹理特征，基于颜色的特征更容易计算，因而提高了处理的速度。
由于本发明实施例的码书是从尿液样本区块的集合中训练产生的，而不是事先规定的，这样，码书中的颜色确实代表了尿液沉渣图像的区块中经常出现的颜色，使得处理结果更加反映客观实际，因而提高了处理精度。
由于本发明实施例还用出现频率修正因子修正分布直方图中的颜色近似结果落在各颜色上的像素数量并进行标准化，它减轻了最后处理结果中经常出现的颜色对不经常出现的颜色的主导，这种主导可能会恶化处理性能。
由于本发明实施例在从尿液样本区块的集合中产生码书时将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间，并通过均值漂移算法将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，其中均值漂移算法不是将尿液样本区块分割为多个大小相等的区域，而是对于含有用信息较少的背景部分指定比较大的区域，从而选取像素比较稀疏，而对于信息量比较大的尿液样本区块的有用细节指定比较小的区域，从而选取像素比较密集，这样，本发明实施例提高了采集有用信息的效率。
附图说明
本发明的这些和其它的特征和优点通过以下结合附图的详细描述将变得更加显而易见。
图1示出了根据本发明一个实施例的用于处理尿液沉渣图像的待处理区块的方法的流程图。
图2示出了根据本发明一个实施例的用于处理尿液沉渣图像的待处理区块的装置的框图。
图3示出了根据本发明一个实施例的用于处理尿液沉渣图像的待处理区块的设备的框图。
具体实施方式
下面，将结合附图详细描述本发明的各个实施例。
图1示出了根据本发明一个实施例的用于处理尿液沉渣图像的待处理区块的方法1的流程图。
在步骤S1中，将待处理区块中像素的颜色近似为码书中的kc种颜色之一。码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数。
要从包含一定数量的尿液样本区块的集合中产生码书。这些尿液样本区块的选取例如是随机的，其数量要足够，使得能够基本覆盖到一般尿液样本区块中常出现的颜色。产生码书的详细过程如下。
首先，将所述集合中的尿液样本区块从三原色光(RGB)颜色空间转换到Lab颜色空间。Lab颜色空间是颜色-对立空间，其中维度L表示亮度，维度a和b表示颜色对立维度。三原色光(RGB)颜色空间向Lab颜色空间的转换意味着从R、G、B三个维度转换成L、a、b三个维度。这可以通过将尿液样本区块中每个像素的像素值的R、G、B三个维度的值转换成L、a、b三个维度的值来实现。实验证明，这种RGB颜色空间到Lab颜色空间的转换有利于提高处理精度。
然后，利用均值漂移(mean-shift)算法将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，其中转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的。mean-shift算法是一种已知算法，在该算法中，要事先由用户指定转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin的值作为输入。该算法可能分割出多个大小不等的区域，这些区域的大小与它们所含的信息多少有关。例如，大面积的背景部分都是类似的，所含信息较少，可以对背景部分指定比较大的区域。由于均值漂移算法不是将尿液样本区块分割为多个大小相等的区域，而是对于含有用信息较少的背景部分指定比较大的区域，从而选取像素比较稀疏，而对于信息量比较大的尿液样本区块的有用细节指定比较小的区域，从而选取像素比较密集，提高了采集有用信息的效率。
然后，在分割出的多个区域的每一个区域中选取h个像素，h为正整数。h＝ceil(RegionArea/SampleRatio)。RegionArea是分割出的多个区域中特定区域的面积。h是该特定区域中选取的像素的数目。SampleRatio设置为Amin的3到4倍。ceil()是向上取整函数。由于Amin是指定好的，而各区域的RegionArea是不固定的，因此，对于各区域计算出的h也是不固定的。
在每个分割出的区域中选取一些像素之后，将所述集合中的各尿液样本区块中的各分割出的区域中所选取的像素的颜色汇总。对汇总后的颜色进行聚类。已知有很多聚类的方法。聚类的结果是，将选取出的像素的颜色聚类到kc种颜色之一，从而形成了包含kc种颜色的码书。由于码书中的kc种颜色都是从实际的尿液样本区块中训练产生的，就使得处理结果更加反映客观实际。
将待处理区块中像素的颜色近似为码书中的kc种颜色之一的过程如下。
首先，将待处理区块从RGB颜色空间转换到Lab颜色空间。即，将待处理区块的每个像素值由RGB颜色空间中的值转换为Lab颜色空间中的值。
然后，分别计算待处理区块中某一像素的颜色与所述kc种颜色的欧式距离，并将该像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。也就是说，kc种颜色中哪种颜色与该像素的颜色的欧式距离最小，就把该像素的颜色近似为这种颜色。这样，将待处理区块中每一像素的颜色都近似到kc种颜色中的一种。欧式距离的计算方法是已知的。
在将待处理区块中每一像素的颜色都近似到kc种颜色中的一种之后，就能够统计出待处理区块中有多少个像素的颜色近似到了第1种颜色上，有多少个像素的颜色近似到了第2种颜色上……有多少个像素的颜色近似到了第kc种颜色上，从而在步骤S2中获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图。
在步骤S3中，以出现频率修正因子修正所述分布直方图中的颜色近似结果落在各颜色上的像素数量。下面介绍出现频率修正因子的产生过程。
如背景技术所述，对于处理模型实现的分类或区块检索，先用大量训练样本区块组成训练样本集，用于训练处理模型。对于训练样本集中的每个训练样本区块，计算特征集中的特征，让处理模型学习。这样，当训练好的处理模型接收到一个新的待处理区块时，就能将其进行分类或为其检索出以前存储的类似的图像。这个训练样本集可能不同于用以产生码书的尿液样本区块的集合，也不同于实际的待处理区块。
假设训练样本集中的训练样本区块的个数为D。对于每个训练样本区块的每个像素，按照步骤S1中的方法，将其近似为kc种颜色之一。这样，就能够知道在训练样本集中有多少个训练样本区块具***书中特定颜色的像素。假设有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)。因此，对于码书中的每种颜色，通过上述训练过程得到其出现频率修正因子。
这样，在步骤S3中，将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以事先通过上述训练过程得到的第i种颜色的出现频率修正因子idf(i)，以修正所述分布直方图中的颜色近似结果落在各颜色上的像素数量。它减轻了最后处理结果中经常出现的颜色对不经常出现的颜色的主导。
在步骤S4中，对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。标准化通常有L1型标准化和L2型标准化两种方式。
L1型标准化可采用以下公式进行：
公式1
其中，H(i)是修正并取平方根后的所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量，是H(i)标准化后的结果。
L2型标准化可采用以下公式进行：
公式2
其中，H(i)是修正并取平方根后的所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量，是H(i)标准化后的结果。
实验证明，相对于L2型标准化，以L1型标准化获得的H(i)对待处理区块进行处理的处理性能更好。
在步骤S5中，以标准化后的分布直方图作为区块处理的特征集中的特征，对待处理区块进行处理。具体过程例如：先用上述由大量训练样本区块组成的训练样本集训练处理模型。对于训练样本集中的每个训练样本区块，通过上述步骤S2-S5，计算上述标准化后的分布直方图，作为特征集中的特征，让处理模型学习。当训练好的处理模型接收到一个新的待处理区块时，通过上述步骤S2-S5，计算该新的待处理区块的标准化后的分布直方图。由于处理模型已经学习了训练样本集中的每个训练样本区块的标准化后的分布直方图，处理模型就能够对待处理区块进行处理(例如分类或为其检索出类似的图像)。
其它变形
虽然上述实施例中以对待处理区块进行分类和为待处理区块进行区块检索为例描述了对待处理区块的处理，本领域技术人员应理解，上述实施例中的处理方法也适用于其它目前或将来可能出现的需要分析待处理区块的特征的处理。
虽然上述实施例中产生码书是通过特定的过程实现的，但其也可以通过本领域技术人员能够理解的其它过程实现，例如通过在尿液样本区块上均匀间隔地选取像素，将它们的颜色聚类到kc种颜色之一，也能产生涵盖通常会在尿液沉渣图像的区块中出现的颜色的码书。
虽然在上述实施例中，SampleRatio等于Amin的3到4倍，但实际上也可以是根据需要指定的其它倍数。
虽然在上述实施例中，利用mean-shift算法将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，也可以采用本领域技术人员已知的其它算法来进行分割。虽然采用公式h＝ceil(RegionArea/SampleRatio)为例，h也可以由用户指定或通过其它方式确定。
虽然在上述实施例中，将待处理区块中像素的颜色近似为所述kc种颜色之一是采用最小欧式距离的方式执行的，其也可以通过其它的方式(例如最大相关系数)的方式进行。另外，在将待处理区块中像素的颜色近似为所述kc种颜色之一的过程中，也可以不执行待处理区块从RGB颜色空间到Lab颜色空间的转换。
公式idf(i)＝log(D/di)反映出第i种颜色在尿液沉渣图像的区块中出现的经常程度。虽然在上述实施例中，第i种颜色的出现频率修正因子是通过公式idf(i)＝log(D/di)计算的，也可以设计其它的公式，只要它能够反映出第i种颜色在尿液沉渣图像的区块中出现的经常程度。
虽然在上述实施例中，以出现频率修正因子修正所述分布直方图中的颜色近似结果落在各颜色上的像素数量是通过将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)实现的，也可以有其它修正方式。例如，将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)的平方，以扩大出现频率修正因子的影响。
虽然在上述实施例中，对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化，也可以不取平方根而直接进行标准化。
虽然在上述实施例中的标准化中，提到了L1型标准化和L2型标准化，并且优选采用L1型标准化，但实际上，也可以采用其它的本领域已知的标准化方式。
如图2所示，根据本发明一个实施例的用于处理尿液沉渣图像的待处理区块的装置2包括近似单元201、获得单元202、修正单元203、标准化单元204、处理单元205。近似单元201被配置为将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数。获得单元202被配置为获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图。修正单元203被配置为以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量。标准化单元204被配置为对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化。处理单元205被配置为以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理。
另外，所述装置2可以用于以下两者中的任一个：对所述待处理区块进行分类；对所述待处理区块进行区块检索。
另外，所述码书可以是从尿液样本区块的集合中如下产生的：将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间；将转换到Lab颜色空间的所述尿液样本区块分割为多个区域；在分割出的多个区域的每一个区域中选取h个像素，h为正整数；将选取出的h个像素的颜色聚类到kc种颜色之一。
另外，将转换到Lab颜色空间的所述尿液样本区块分割为多个区域可以是通过均值漂移算法实现的，转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的。h＝ceil(RegionArea/SampleRatio)，其中RegionArea是分割出的多个区域中特定区域的面积，h是该特定区域中选取的像素的数目，SampleRatio等于Amin的指定倍数，ceil()是向上取整函数。
另外，近似单元可以进一步被配置为：将待处理区块从RGB颜色空间转换到Lab颜色空间；分别计算待处理区块中所述像素的颜色与所述kc种颜色的欧式距离；将待处理区块中所述像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。
另外，所述出现频率修正因子可以从与尿液样本区块的集合不同的训练样本区块的集合中获得，其中假设训练样本区块的集合中的训练样本区块的个数为D，其中有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)。修正单元可以进一步被配置为：将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)。
另外，标准化单元可以进一步被配置为：对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。
图3示出了根据本发明的一个实施例的用于处理尿液沉渣图像的待处理区块的设备3。设备3可包括存储器301和处理器302。存储器301用于存储可执行指令。处理器302用于根据所述存储器所存储的可执行指令，执行装置2中各个单元执行的操作。
此外，本发明的一个实施例还提供一种机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行处理器302所执行的操作。
本领域技术人员应当理解，上面的各个实施例可以在没有偏离发明实质的情况下做出各种变形和修改，因此，本发明的保护范围应当由所附的权利要求书来限定。

Claims (12)

1.一种用于处理尿液沉渣图像的待处理区块的方法，包括：
将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数；
获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图；
以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量；
对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化；
以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理；
其中，所述码书是从尿液样本区块的集合中如下产生的：
将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间；
将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，包括：利用均值漂移算法将转换到Lab颜色空间的所述尿液样本区块分割为多个区域，其中转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的；
在分割出的多个区域的每一个区域中选取h个像素，h为正整数，其中h＝ceil(RegionArea/SampleRatio)，其中RegionArea是分割出的多个区域中特定区域的面积，h是该特定区域中选取的像素的数目，SampleRatio等于Amin的指定倍数，ceil()是向上取整函数；
将选取出的h个像素的颜色聚类到kc种颜色之一。
2.根据权利要求1的方法，其中所述处理尿液沉渣图像的待处理区块包括以下两者中的任一个：
对所述待处理区块进行分类；
对所述待处理区块进行区块检索。
3.根据权利要求1的方法，其中将待处理区块中像素的颜色近似为码书中kc种颜色之一的步骤包括：
将待处理区块从RGB颜色空间转换到Lab颜色空间；
分别计算待处理区块中所述像素的颜色与所述kc种颜色的欧式距离；
将待处理区块中所述像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。
4.根据权利要求1的方法，其中所述出现频率修正因子从训练样本区块的集合中获得，其中假设训练样本区块的集合中的训练样本区块的个数为D，其中有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)；
以出现频率修正因子修正所述分布直方图中的颜色近似结果落在各颜色上的像素数量的步骤包括：将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)。
5.根据权利要求1的方法，其中对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量进行标准化的步骤包括：对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。
6.一种用于处理尿液沉渣图像的待处理区块的装置，包括：
近似单元，被配置为将待处理区块中像素的颜色近似为码书中的kc种颜色之一，所述码书是从尿液样本区块的集合中产生的kc种颜色的集合，所述kc种颜色由所述集合中的尿液样本区块中提取出的颜色聚类而成，kc为正整数；
获得单元，被配置为获得所述待处理区块中颜色近似结果落在所述kc种颜色中的各颜色上的像素数量的分布直方图；
修正单元，被配置为以出现频率修正因子修正所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量；
标准化单元，被配置为对修正后的所述分布直方图中的颜色近似结果落在所述各颜色上的像素数量进行标准化；
处理单元，被配置为以标准化后的分布直方图作为区块处理的特征集中的特征，对所述待处理区块进行处理；
其中所述码书是从尿液样本区块的集合中如下产生的：
将所述集合中的尿液样本区块从RGB颜色空间转换到Lab颜色空间；
将转换到Lab颜色空间的所述尿液样本区块分割为多个区域是通过均值漂移算法实现的，转换到Lab颜色空间的所述尿液样本区块中最小区域的面积Amin是可调整的；
在分割出的多个区域的每一个区域中选取h个像素，h为正整数，其中h＝ceil(RegionArea/SampleRatio)，其中RegionArea是分割出的多个区域中特定区域的面积，h是该特定区域中选取的像素的数目，SampleRatio等于Amin的指定倍数，ceil()是向上取整函数；
将选取出的h个像素的颜色聚类到kc种颜色之一。
7.根据权利要求6的装置，其中所述装置用于以下两者中的任一个：
对所述待处理区块进行分类；
对所述待处理区块进行区块检索。
8.根据权利要求6的装置，其中近似单元进一步被配置为：
将待处理区块从RGB颜色空间转换到Lab颜色空间；
分别计算待处理区块中所述像素的颜色与所述kc种颜色的欧式距离；
将待处理区块中所述像素的颜色近似为所述kc种颜色中的与最小的欧式距离对应的颜色。
9.根据权利要求6的装置，其中
所述出现频率修正因子从训练样本区块的集合中获得，其中假设训练样本区块的集合中的训练样本区块的个数为D，其中有di个训练样本区块包含所述码书中第i种颜色的像素，则第i种颜色的出现频率修正因子idf(i)＝log(D/di)；
修正单元进一步被配置为：将所述分布直方图中的颜色近似结果落在第i种颜色上的像素数量乘以第i种颜色的出现频率修正因子idf(i)。
10.根据权利要求6的装置，其中标准化单元进一步被配置为：对修正后的所述分布直方图中的颜色近似结果落在各颜色上的像素数量取平方根后进行标准化。
11.一种用于处理尿液沉渣图像的待处理区块的设备，包括：
存储器，用于存储可执行指令；
处理器，用于根据所述存储器所存储的可执行指令，执行权利要求1-5中的任一个权利要求所执行的操作。
12.一种机器可读介质，其上存储有可执行指令，当所述可执行指令被执行时，使得机器执行权利要求1-5中的任一个权利要求所执行的操作。
CN201410183548.4A 2014-04-30 2014-04-30 用于处理尿液沉渣图像的待处理区块的方法和装置 Active CN105096293B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201410183548.4A CN105096293B (zh) 2014-04-30 2014-04-30 用于处理尿液沉渣图像的待处理区块的方法和装置
PCT/US2015/028438 WO2015168365A1 (en) 2014-04-30 2015-04-30 Method and apparatus for processing block to be processed of urine sediment image
US15/306,883 US9715729B2 (en) 2014-04-30 2015-04-30 Method and apparatus for processing block to be processed of urine sediment image
EP15786324.2A EP3137896A4 (en) 2014-04-30 2015-04-30 Method and apparatus for processing block to be processed of urine sediment image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410183548.4A CN105096293B (zh) 2014-04-30 2014-04-30 用于处理尿液沉渣图像的待处理区块的方法和装置

Publications (2)

Publication Number Publication Date
CN105096293A CN105096293A (zh) 2015-11-25
CN105096293B true CN105096293B (zh) 2018-12-07

Family

ID=54359320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410183548.4A Active CN105096293B (zh) 2014-04-30 2014-04-30 用于处理尿液沉渣图像的待处理区块的方法和装置

Country Status (4)

Country Link
US (1) US9715729B2 (zh)
EP (1) EP3137896A4 (zh)
CN (1) CN105096293B (zh)
WO (1) WO2015168365A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096293B (zh) * 2014-04-30 2018-12-07 西门子医疗保健诊断公司 用于处理尿液沉渣图像的待处理区块的方法和装置
CN109557093A (zh) * 2018-12-18 2019-04-02 无锡益诺华科技发展有限公司 一种尿液检测试纸颜色测量算法
CN110007068B (zh) * 2019-03-25 2022-07-08 桂林优利特医疗电子有限公司 一种尿液漏滴检测方法
KR102094780B1 (ko) * 2019-11-22 2020-03-30 주식회사 핏펫 색공간 변환을 이용한 생화학 정보 측정 방법 및 시스템
KR20220133918A (ko) 2020-01-30 2022-10-05 비타디엑스 인터내셔널 생물학적 샘플 내의 대상의 체계적인 특징화
CN111563891B (zh) * 2020-05-09 2023-09-26 吾征智能技术(北京)有限公司 基于颜色认知的疾病预测***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768412A (en) * 1994-09-19 1998-06-16 Hitachi, Ltd. Region segmentation method for particle images and apparatus thereof
US5911002A (en) * 1995-09-27 1999-06-08 Hitachi, Ltd. Pattern recognition system
CN101713776A (zh) * 2009-11-13 2010-05-26 长春迪瑞实业有限公司 一种基于神经网络的尿液中有形成分识别分类方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5463702A (en) * 1992-05-12 1995-10-31 Sony Electronics Inc. Perceptual based color-compression for raster image quantization
US20050251347A1 (en) * 2004-05-05 2005-11-10 Pietro Perona Automatic visual recognition of biological particles
US7630517B2 (en) * 2005-07-13 2009-12-08 Schlumberger Technology Corporation Computer-based generation and validation of training images for multipoint geostatistical analysis
JP4948647B2 (ja) * 2008-04-07 2012-06-06 株式会社日立ハイテクノロジーズ 尿中粒子画像の領域分割方法及び装置
US8379960B2 (en) * 2009-03-30 2013-02-19 Ge Healthcare Bio-Sciences Corp. System and method for distinguishing between biological materials
JP5586889B2 (ja) * 2009-07-29 2014-09-10 株式会社日立ハイテクノロジーズ 粒子画像解析装置
EP2348301B1 (en) * 2010-01-08 2013-08-21 Sysmex Corporation Sample analyzer
US9082165B2 (en) * 2010-05-31 2015-07-14 Dvp Technologies Ltd. Inspection of region of interest
US8792693B2 (en) * 2011-07-09 2014-07-29 Gauss Surgical System and method for estimating extracorporeal blood volume in a physical sample
CN105095901B (zh) * 2014-04-30 2019-04-12 西门子医疗保健诊断公司 用于处理尿液沉渣图像的待处理区块的方法和装置
CN105096293B (zh) * 2014-04-30 2018-12-07 西门子医疗保健诊断公司 用于处理尿液沉渣图像的待处理区块的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768412A (en) * 1994-09-19 1998-06-16 Hitachi, Ltd. Region segmentation method for particle images and apparatus thereof
US5911002A (en) * 1995-09-27 1999-06-08 Hitachi, Ltd. Pattern recognition system
CN101713776A (zh) * 2009-11-13 2010-05-26 长春迪瑞实业有限公司 一种基于神经网络的尿液中有形成分识别分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bag-of-colors for improved image search;Christian Wengert 等;《MM 2011 - 19th ACM International Conference on Multimedia》;20111201;1437-1440 *
Mean Shift: A Robust Approach Toward Feature Space Analysis;Dorin Comaniciu 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20020501;第24卷(第5期);603-619 *

Also Published As

Publication number Publication date
WO2015168365A1 (en) 2015-11-05
EP3137896A1 (en) 2017-03-08
US20170053400A1 (en) 2017-02-23
CN105096293A (zh) 2015-11-25
US9715729B2 (en) 2017-07-25
EP3137896A4 (en) 2017-05-17

Similar Documents

Publication Publication Date Title
CN105096293B (zh) 用于处理尿液沉渣图像的待处理区块的方法和装置
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN105809146B (zh) 一种图像场景识别方法和装置
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
EP2546781B1 (en) Method and system for identifying illumination fields in an image
CN108921166A (zh) 基于深度神经网络的医疗票据类文本检测识别方法及***
CN110414538A (zh) 缺陷分类方法、缺陷分类训练方法及其装置
CN105574475B (zh) 一种基于共同向量词典的稀疏表示分类方法
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
JP2015087903A (ja) 情報処理装置及び情報処理方法
JP5212007B2 (ja) 画像分類学習装置、画像分類学習方法、および画像分類学習システム
CN108734283A (zh) 神经网络***
CN103226616A (zh) 一种图像内容检索***及其图像内容稀疏学习方法
CN105320970B (zh) 一种马铃薯病害诊断装置、诊断***及诊断方法
CN111382766A (zh) 一种基于Faster R-CNN的设备故障检测方法
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN110390676A (zh) 显微镜下医学染色图像的细胞检测方法、智能显微镜***
US9858662B2 (en) Image processing device, computer storage medium, and method for detecting and displaying nucleated target cells
CN104899578B (zh) 一种人脸识别的方法及装置
JPWO2015146113A1 (ja) 識別辞書学習システム、識別辞書学習方法および識別辞書学習プログラム
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN105426926B (zh) 一种对amoled进行检测分类的方法及装置
CN104572930B (zh) 数据分类方法及装置
Dubey et al. A review of image segmentation using clustering methods

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant