CN109948544B - 一种目标菌落自动定位与识别方法 - Google Patents
一种目标菌落自动定位与识别方法 Download PDFInfo
- Publication number
- CN109948544B CN109948544B CN201910211847.7A CN201910211847A CN109948544B CN 109948544 B CN109948544 B CN 109948544B CN 201910211847 A CN201910211847 A CN 201910211847A CN 109948544 B CN109948544 B CN 109948544B
- Authority
- CN
- China
- Prior art keywords
- colony
- image
- culture dish
- colonies
- bacterial colony
- 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
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种目标菌落自动定位和识别方法,包括:采集并保存含菌落的培养皿的彩色图像,对彩色图像进行形态特征获取预处理,获得菌落与培养皿的轮廓二值图像;根据轮廓二值图像,获取菌落的形态特征;按照预设筛选条件,从菌落中筛选出独立菌落;计算获取独立菌落的数量、位置信息和面积特征,按照预设识别条件,根据独立菌落的数量和面积特征,从独立菌落中识别目标菌落;显示并保存目标菌落的位置信息和图像。采用前述方法,能够区分独立与粘连菌落,并对目标菌落自动定位与识别提供解决方法,具有处理速度快且识别精确度高的优点。
Description
技术领域
本发明涉及生物及医学图像处理的技术领域,尤其涉及一种目标菌落自动定位与识别方法。
背景技术
菌落识别是食品、生物、医疗机构及科研机构进行所需菌落培养的一项基本而重要的工作。在食品领域,例如在酵母粉发酵前对活性强酵母菌的挑选,以及酒精的发酵;在生物领域,例如新型菌落的移植培养,以及对独立或大个体菌落的挑选更是必不可少的一项基础工作。国内外通常通过肉眼观察,寻找独立的目标菌落并手动提取后放入培养液中,该方法通过人工提取,费工费时,效率低,而且不能保存各个观察阶段的底片。近些年,随着计算机视觉技术的发展。一些科研工作者提出基于图像处理与视觉分析的各种颗粒图像自动分析***,从而在医疗、工业等领域广泛使用。
目前菌落识别及定位方法大多数针对菌落计数或者对粘连菌落的分割,对于将独立与粘连菌落进行判别并未涉及。
发明内容
本发明提供了一种目标菌落自动定位与识别方法,以解决现有的菌落识别方法大多数仅针对菌落计数,未对目标菌落进行自动定位与识别,且对于独立菌落与粘连菌落未进行区分判别的问题。
本发明提供一种目标菌落自动定位与识别方法,包括:
步骤1:采集并保存含菌落的培养皿的彩色图像,对所述含菌落的培养皿的彩色图像进行形态特征获取预处理,获得菌落与培养皿的轮廓二值图像;
步骤2:根据所述菌落与培养皿的轮廓二值图像,获取菌落的形态特征;
步骤3:按照预设筛选条件,根据所述菌落的形态特征,从所述菌落中筛选出独立菌落;
步骤4,计算获取所述独立菌落的数量、位置信息和面积特征,按照预设识别条件,根据所述独立菌落的数量和面积特征,从所述独立菌落中识别目标菌落;
步骤5,显示并保存所述目标菌落的位置信息和图像。
进一步地,所述步骤1包括:
步骤1.1:对所述含菌落的培养皿的彩色图像进行灰度变换,得到并保存含菌落的培养皿的灰度图像;
步骤1.2:采用自适应阈值分割方法处理步骤1.1得到的灰度图像,得到并保存含菌落的培养皿的二值图像;
步骤1.3:对所述含菌落的培养皿的二值图像,根据连通域面积剔除所述含菌落的培养皿的二值图像中的噪声干扰,进行菌落与培养皿的区分判别,得到并保存含菌落的培养皿的去噪后图像;
步骤1.4:采用轮廓跟踪方法处理所述步骤1.3得到的去噪后图像,得到并保存菌落与培养皿的轮廓二值图像。
进一步地,所述步骤1.1包括:
根据以下公式,对所述含菌落的培养皿的彩色图像进灰度变换处理,得到所述含菌落的培养皿的灰度图像:
gray_c(i,j)=cR×R(i,j)+cG×G(i,j)+cB×B(i,j)
其中,gray_c(i,j)为含菌落的培养皿的灰度图像中第i行和第j列的像素点灰度值,cR、cG和cB分别为含菌落的培养皿的彩色图像中各像素点的红色、绿色及蓝色三色的权值,并且取值cR=0.299、cG=0.587和cB=0.144,R(i,j)、G(i,j)和B(i,j)分别为含菌落的培养皿的灰度图像中第i行和第j列像素点的红色、绿色及蓝色分量值。
进一步地,所述步骤1.2包括:
根据以下公式,计算阈值k=123时前景图像与背景图像之间的方差值G123:
Gk=q1×q2×(e1-e2)2
其中,k为阈值,0≤k≤255,Gk为阈值取k时的前景图像与背景图像之间的方差值,q1为前景图像占灰度变换图像的比例,N1为前景图像的像素点个数,N2为背景图像的像素点个数,q2为背景图像占灰度变换图像的比例,e1为前景图像的平均灰度,e2为背景图像的平均灰度;
从所述含菌落的培养皿的灰度图像中提取灰度直方图,按照从大到小的顺序,得到所述灰度直方图中最高峰值所对应的灰度值TH1,灰度直方图中次高峰值所对应的灰度值TH2;
在所述TH1与所述TH2之间取任意阈值k,并计算阈值取k时前景图像与背景图像之间的方差值Gk,当Gk取最大值Gkmax时,Gkmax对应的阈值kmax即为将所述含菌落的培养皿的灰度图像分割成菌落图像与背景图像的最佳阈值。
进一步地,所述步骤1.3包括:
通过计算所述含菌落的培养皿的二值图像中每个连通域内像素点个数,得到每个连通域的面积,再根据所述每个连通域的面积计算所述含菌落的培养皿的二值图像中连通域的平均面积A1;
当所述连通域的面积小于0.05A1,所述连通域为噪声区域,将所述噪声区域内每个像素点的像素值置为0;
当所述连通域的面积大小大于4A1,所述连通域为培养皿区域,将所述培养皿区域内每个像素点的像素值置为2;
在所述含菌落的培养皿的二值图像中,除去所述噪声区域与所述培养皿区域,剩下的连通域为菌落,所述菌落内每个像素点的像素值置为1。
进一步地,所述步骤1.4包括:
在所述连通域的边缘上从最左边的像素点坐标出发,沿着所述连通域的边缘,按照逆时针方向寻找下一个紧密相连的点,直到返回所述连通域的边缘上最左边的像素点,连成一条闭合曲线,所述闭合曲线即为所述连通域的轮廓,紧密相连的点指按逆时针方向,沿着连通域轮廓一个挨着一个相连接的点;
按照从上到下和从左到右的顺序,遍历所述含菌落的培养皿的去噪后图像中所有连通域,获得菌落与培养皿的轮廓二值图像,所述菌落与培养皿的轮廓二值图像中各个闭合曲线为菌落和培养皿的轮廓图像,所述各个闭合曲线围成的区域内部为闭合区域,并对所述各个闭合曲线做标记。具体的,所述对各个闭合曲线做标记,可以是将所述各个闭合曲线置为特定的颜色。
进一步地,所述步骤2,包括:
步骤2.1:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域所围成的闭合曲线为菌落的轮廓,根据以下公式获取每个菌落的轮廓的周长Z:
其中,Ze为每个闭合区域边界线上水平或竖直方向上相连的像素点个数,Zo为每个菌落边界线上倾斜相连的像素点个数;
步骤2.2:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域即为菌落,根据以下公式进行菌落内所有像素点的像素值求和运算,获取每个菌落的面积S:
其中,AS为需要识别的所有菌落所在区域,h(x,y)为菌落与培养皿的轮廓二值图像中每个菌落内第x行和第y列像素点的像素值;
步骤2.3:在所述菌落与培养皿的轮廓二值图像中,根据以下公式获取每个菌落的圆度特征值circle:
进一步地,所述步骤3包括:
根据所述菌落的圆度特征值circle,判断所述菌落是否为独立菌落:
如果所述菌落的圆度特征值circle大于-0.05且小于0.2,则所述菌落为独立菌落;
如果所述菌落的圆度特征值circle小于-0.05或大于0.2,则所述菌落非独立菌落。
进一步地,所述步骤4,包括:
根据以下公式获取所述独立菌落的位置信息:
其中,sumx为每个独立菌落内像素点横轴的坐标之和,sumy为每个独立菌落内像素点纵轴的坐标之和,area为每个独立菌落的面积,(xo,yo)为识别出的独立菌落的中心点坐标;
获取的每个独立菌落中心点坐标(xo,yo)即为独立菌落的位置信息,所述独立菌落的位置信息与每个独立菌落为一一对应关系,在所述每个独立菌落中心点坐标上标记符号。具体的,在所述每个独立菌落中心点坐标上标记符号,可以是标记为特定符号,如“*”、“#”等符号。
进一步地,所述步骤4包括:
如果所述独立菌落的数量小于或等于预设数值,所述独立菌落即为目标菌落;
如果所述独立菌落的数量大于所述预设数值,对所述独立菌落的面积进行从大到小排序,筛选出所述预设数值的独立菌落即为目标菌落。具体的,所述预设数值可以根据需要进行设定。
由以上技术方案可知,本发明实施例提供一种目标菌落自动定位与识别方法,包括:步骤1:在采集并保存含菌落的培养皿的彩色图像后,对所述含菌落的培养皿的彩色图像进行形态特征获取预处理,获得菌落与培养皿的轮廓二值图像;步骤2:根据所述菌落与培养皿的轮廓二值图像,获取菌落的形态特征,所述菌落的形态特征包括:所述菌落的周长、面积和圆度特征值;步骤3:按照预设筛选条件,根据所述菌落的形态特征,从所述菌落中筛选出独立菌落;步骤4,获取所述独立菌落的数量、位置信息和面积特征后,按照预设识别条件,根据所述独立菌落的数量和面积特征,从所述独立菌落中识别目标菌落;步骤5,显示并保存所述目标菌落的位置信息和图像。
本发明提供一种目标菌落自动定位与识别方法,在独立菌落与粘连菌落的判别中,检验并提取每个菌落的各种特征参数,基于形态特征对独立且大个体的目标菌落进行识别与定位,极大的减轻了工作量、提高分析精度。本发明在菌落处理过程中保留了培养皿图像,并对菌落与培养皿轮廓进行标记,可以更清晰、直观的对菌落与培养皿位置进行判别,可以更精确、快速的进行识别目标菌落;同时,在存留的底片中对菌落位置的直观判断更为清晰。对于准确快速提取目标菌落、提高菌落提取的效率、降低人工提取的劳动强度具有重大意义。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种目标菌落自动定位与识别方法的工作流程示意图;
图2是本发明实施例提供的一种数码相机所采集并保存的含菌落的培养皿的彩色图像;
图3是本发明实施例提供的一种采用自适应阈值分割所得含菌落的培养皿的二值图像;
图4是本发明实施例提供的一种采用连通域面积剔除噪声干扰后的含菌落的培养皿的去噪后图像;
图5是本发明实施例提供的一种对菌落与培养皿进行轮廓跟踪后菌落与培养皿的轮廓二值图像;
图6是本发明实施例提供的一种将独立菌落与粘连菌落判别后的独立菌落中心点定位并标记的培养皿图像;
图7是本发明实施例提供的一种根据菌落位置信息与面积结合识别出的含菌落的培养皿的目标菌落图像。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例公开一种目标菌落自动定位与识别方法,在本发明实施例中,由CCD工业相机采集含菌落的培养皿的彩色图像,通过上位机软件对含菌落的培养皿的彩色图像进行图像处理,利用液晶显示屏进行处理结果显示,所述上位机的主频为2.8Hz,内存为8G。本方法可应用于生物基因提取等领域。
参照图1,为本发明实施例提供的一种目标菌落自动定位与识别方法的工作流程示意图,包括以下步骤:
步骤1:采集并保存含菌落的培养皿的彩色图像,对所述含菌落的培养皿的彩色图像进行形态特征获取预处理,获得菌落与培养皿的轮廓二值图像。
步骤2:根据所述菌落与培养皿的轮廓二值图像,获取菌落的形态特征。具体的,所述菌落的形态特征包括:所述菌落的周长、面积和圆度特征值。
步骤3:按照预设筛选条件,根据所述菌落的形态特征,从所述菌落中筛选出独立菌落。
步骤4,计算获取所述独立菌落的数量、位置信息和面积特征后,按照预设识别条件,根据所述独立菌落的数量和面积特征,从所述独立菌落中识别目标菌落。
步骤5,显示并保存所述目标菌落的位置信息和图像。
下面结合附图和具体实施例对本发明作进一步说明。
在本发明实施例中,采集的含菌落的培养的彩色图像如图2所示,以图2中培养皿与菌落图像为例基于形态特征对目标菌落进行自动定位与识别。
所述步骤1包括:步骤1.1:对所述含菌落的培养皿的彩色图像进行灰度变换,得到并保存含菌落的培养皿的灰度图像。
步骤1.2:采用自适应阈值分割方法处理步骤1.1得到的灰度图像,得到并保存含菌落的培养皿的二值图像。如图3所示,为本发明实施例提供的一种采用自适应阈值分割所得含菌落的培养皿的二值图像。
步骤1.3:对所述含菌落的培养皿的二值图像,根据连通域【可参考徐诗惠,张霞,连通域在复杂背景肤色检测中的应用[J].计算机应用与软件,2016,33(05):181-184】面积剔除所述含菌落的培养皿的二值图像中的噪声干扰进行菌落与培养皿的区分判别,得到并保存含菌落的培养皿的去噪后图像。
步骤1.4:采用轮廓跟踪方法处理所述步骤1.3得到的去噪后图像,得到并保存菌落与培养皿的轮廓二值图像。
在本发明实施例中,所述步骤1.1包括:
根据以下公式,对所述含菌落的培养皿的彩色图像进灰度变换处理,得到所述含菌落的培养皿的灰度图像:
gray_c(i,j)=cR×R(i,j)+cG×G(i,j)+cB×B(i,j)
其中,gray_c(i,j)为含菌落的培养皿的灰度图像中第i行和第j列的像素点灰度值,cR、cG和cB分别为含菌落的培养皿的彩色图像中各像素点的红色、绿色及蓝色三色的权值,并且取值cR=0.299、cG=0.587和cB=0.144,R(i,j)、G(i,j)和B(i,j)分别为含菌落的培养皿的灰度图像中第i行和第j列像素点的红色、绿色及蓝色分量值。
在本发明实施例中,为更好的将菌落与背景分割,采用自适应阈值分割方法得到并保存含菌落的培养皿的二值图像,其中的自适应阈值分割方法为:从保存的灰度图像中提取灰度直方图【可参考刘益新,郭依正,灰度直方图特征提取的Matlab实现[J].电脑知识与技术学报,2009,5(32):9032-9034】,所述步骤1.2包括:
根据以下公式,计算阈值k=123时前景图像与背景图像之前的方差值G123:
Gk=q1×q2×(e1-e2)2
其中,k为阈值,0≤k≤255,Gk为阈值取k时的前景图像与背景图像之间的方差值,q1为前景图像占灰度变换图像的比例,N1为前景图像的像素点个数,N2为背景图像的像素点个数,q2为背景图像占灰度变换图像的比例,e1为前景图像的平均灰度,e2为背景图像的平均灰度;
从所述含菌落的培养皿的灰度图像中提取灰度直方图【可参考刘益新,郭依正,灰度直方图特征提取的Matlab实现[J].电脑知识与技术学报,2009,5(32):9032-9034】,按照从大到小的顺序,得到所述灰度直方图中最高峰值所对应的灰度值为TH1(即为灰度直方图中最高峰值所对应横坐标数值),灰度直方图中次高峰值所对应的灰度值为TH2(即为灰度直方图中次高峰值所对应横坐标数值),其中0≤TH1≤255,0≤TH2≤255;
在所述TH1与所述TH2之间取任意阈值k,并计算阈值取k时前景图像与背景图像之间的方差值Gk,当Gk取最大值Gkmax时,Gkmax对应的阈值kmax即为将所述含菌落的培养皿的灰度图像分割成菌落图像与背景图像的最佳阈值。
在本发明实施例中,在图像的采集与传输过程中会产生量化噪声与加性噪声,对菌落与培养皿图像处理过程会产生噪声干扰。因此,根据连通域面积剔除培养皿二值图像中的噪声干扰,为了得到纯粹的菌落图像,进一步将菌落与培养皿的区分判别,排除培养皿对独立菌落识别过程的干扰,并保存含菌落的培养皿的去噪后图像。
如图4所示,为本发明实施例提供的一种采用连通域面积剔除噪声干扰后的含菌落的培养皿的去噪后图像,所述步骤1.3包括:
通过计算所述含菌落的培养皿的二值图像中每个连通域内像素点个数,得到每个连通域的面积,再根据所述每个连通域的面积计算所述含菌落的培养皿的二值图像中连通域的平均面积A1;
由于二值图中连通域内每个像素点的像素值均为1,非连通域每个像素点的像素值均为0。当所述连通域的面积小于0.05A1,所述连通域为噪声区域,将所述噪声区域内每个像素点的像素值置为0;
当所述连通域的面积大小大于4A1,所述连通域为培养皿区域,将所述培养皿区域内每个像素点的像素值置为2;
在所述含菌落的培养皿的二值图像中,除去所述噪声区域与所述培养皿区域,剩下的连通域为菌落,所述菌落内每个像素点的像素值置为1。
如图5所示,是本发明实施例提供的一种对菌落与培养皿进行轮廓跟踪后菌落与培养皿的轮廓二值图像。在本发明实施例中,为了清晰、准确且直观的观察菌落与培养皿,采用轮廓跟踪得到菌落与培养皿的轮廓,所述步骤1.4包括:
在所述连通域的边缘上从最左边的像素点坐标出发,沿着所述连通域的边缘,按照逆时针方向寻找下一个紧密相连的点,直到返回所述连通域的边缘上最左边的像素点,连成一条闭合曲线,所述闭合曲线即为所述连通域的轮廓。具体的,所述紧密相连的点指按逆时针方向,沿着连通域轮廓一个挨着一个相连接的点。
按照从上到下和从左到右的顺序,遍历所述含菌落的培养皿的去噪后图像中所有连通域,获得菌落与培养皿的轮廓二值图像,所述菌落与培养皿的轮廓二值图像中各个闭合曲线为菌落和培养皿的轮廓图像,所述各个闭合曲线围成的区域内部为闭合区域,并将所述各个闭合曲线置为蓝色。(但是,由于专利申请文件中的说明书附图都为黑白图像,所以附图中无法显示出此处所做的标记)。
在本发明实施例中,所述步骤2,包括:
步骤2.1:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域所围成的闭合曲线为菌落的轮廓,根据以下公式获取每个菌落的轮廓的周长Z:
其中,Ze为每个闭合区域边界线上水平或竖直方向上相连的像素点个数,Zo为每个菌落边界线上倾斜相连的像素点个数;
步骤2.2:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域即为菌落,根据以下公式进行菌落内所有像素点的像素值求和运算,获取每个菌落的面积S:
其中,AS为需要识别的所有菌落所在区域,h(x,y)为菌落与培养皿的轮廓二值图像中每个菌落内第x行和第y列像素点的像素值。
步骤2.3:在所述菌落与培养皿的轮廓二值图像中,根据以下公式获取每个菌落的圆度特征值circle:
具体的,在本发明实施例中,对所述菌落与培养皿的轮廓二值图像图像中每个菌落的周长、面积和圆度特征值同时进行计算。
在本发明实施例中,所述步骤3包括:
根据所述菌落的圆度特征值circle,判断所述菌落是否为独立菌落:
如果所述菌落的圆度特征值circle大于-0.05且小于0.2,则所述菌落为独立菌落。此外,所述独立菌落还是不粘连的且完整的。
如果所述菌落的圆度特征值circle小于-0.05或大于0.2,则所述菌落非独立菌落。具体的,所述非独立菌落为粘连菌落或不完整菌落。
在本发明实施例中,所述步骤4,包括:根据以下公式获取所述独立菌落的位置信息:
其中,sumx为每个独立菌落内像素点横轴的坐标之和,sumy为每个独立菌落内像素点纵轴的坐标之和,area为每个独立菌落的面积,(xo,yo)即为识别出的独立菌落的中心点坐标;
获取的每个独立菌落中心点坐标(xo,yo)即为独立菌落的位置信息,所述独立菌落的位置信息与每个独立菌落为一一对应关系,在所述每个独立菌落中心点坐标上标记符号。具体的,在本发明实施例中,此处标记的符号可以为“*”。
如图6所示,是本发明实施例提供的一种将独立菌落与粘连菌落判别后的独立菌落中心点定位并标记的培养皿图像,将相应菌落的circle值通过数字做出标记。具体的,此处所做的数字标记可以为黄色数字(但是,由于专利申请文件中的说明书附图都为黑白图像,所以附图中无法显示出此处所做标记的颜色)。
所述步骤4包括:进行独立菌落数目判断,如果所述独立菌落的数量小于或等于预设数值,所述独立菌落即为目标菌落。此处,所述预设数值可以为8,那么,如果独立菌落数目小于或等于8个,则识别出的独立菌落即为目标菌落,输出目标菌落中心点坐标,保存与显示目标菌落的中心点坐标,显示目标菌落的图像,如图7所示,为本发明实施例提供的一种根据菌落位置信息与面积结合识别出的含菌落的培养皿的目标菌落图像。
独立菌落面积与活性成正比,所含像素点个数越多,独立菌落的面积越大,因此,采用独立菌落内像素点的个数度量独立菌落的面积。如果独立菌落的数量大于8个,对独立菌落的面积进行从大到小排序,筛选出前8个面积大的独立菌落,即为目标菌落。
此外,在步骤5显示并保存所述目标菌落的位置信息和图像后,进入下一幅含菌落的培养皿的彩色图像的处理。
通过上述技术方案的实施,本发明的优点是:(1)提供了含菌落的培养皿的彩色图像的预处理过程,包括灰度变换、自适应阈值分割、菌落去噪、区分菌落与培养皿处理。通过灰度变换,能够抑制复杂背景对目标菌落识别的干扰;提供一种自适应阈值分割方法,可以在不同光照强度下,对于含菌落的培养皿的灰度图像得到最佳阈值,快速准确的将菌落与背景分割,得到更清晰含菌落的培养皿二值图像;菌落去噪剔除了培养皿图像在采集过程中产生的加性噪声与传输过程中产生的量化噪声,进一步提高菌落的识别的准确性,以及菌落与培养皿判别的准确性;(2)提供了菌落与培养皿轮廓采集跟踪方法,清晰的得到菌落与培养皿的轮廓,并在对菌落识别的图中存留了培养皿轮廓,以便于对保存图像中菌落空间位置进行更直观的判断;(3)提供了一种将独立菌落与粘连菌落区分判别的方法,通过提取菌落的形态特征筛选出独立菌落,提升了对独立菌落的识别率,且为进一步识别后续目标菌落做准备;(4)提供了将独立菌落的位置信息与面积相结合的方法,利用不同独立菌落面积与其中心点坐标的唯一性,精准快速的识别出目标菌落;(5)识别目标菌落的速率快,准确率高,抗背景干扰能力强。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的一种目标菌落自动定位与识别方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-onlymemory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种目标菌落自动定位与识别方法,其特征在于,包括以下步骤:
步骤1:采集并保存含菌落的培养皿的彩色图像,对所述含菌落的培养皿的彩色图像进行形态特征获取预处理,获得菌落与培养皿的轮廓二值图像;
步骤2:根据所述菌落与培养皿的轮廓二值图像,获取菌落的形态特征;
步骤3:按照预设筛选条件,根据所述菌落的形态特征,从所述菌落中筛选出独立菌落;
步骤4,计算获取所述独立菌落的数量、位置信息和面积特征,按照预设识别条件,根据所述独立菌落的数量和面积特征,从所述独立菌落中识别目标菌落;
步骤5,显示并保存所述目标菌落的位置信息和图像;
所述步骤1包括:
步骤1.1:对所述含菌落的培养皿的彩色图像进行灰度变换,得到并保存含菌落的培养皿的灰度图像;
步骤1.2:采用自适应阈值分割方法处理步骤1.1得到的灰度图像,得到并保存含菌落的培养皿的二值图像;
步骤1.3:对所述含菌落的培养皿的二值图像,根据连通域面积剔除所述含菌落的培养皿的二值图像中的噪声干扰,进行菌落与培养皿的区分判别,得到并保存含菌落的培养皿的去噪后图像;
步骤1.4:采用轮廓跟踪方法处理所述步骤1.3得到的去噪后图像,得到并保存菌落与培养皿的轮廓二值图像;
所述步骤1.2包括:
根据以下公式,计算阈值k=123时前景图像与背景图像之间的方差值G123:
Gk=q1×q2×(e1-e2)2
其中,k为阈值,0≤k≤255,Gk为阈值取k时前景图像与背景图像之间的方差值,q1为前景图像占灰度变换图像的比例,N1为前景图像的像素点个数,N2为背景图像的像素点个数,q2为背景图像占灰度变换图像的比例,e1为前景图像的平均灰度,e2为背景图像的平均灰度;
从所述含菌落的培养皿的灰度图像中提取灰度直方图,按照从大到小的顺序,得到所述灰度直方图中最高峰值所对应的灰度值TH1,灰度直方图中次高峰值所对应的灰度值TH2;
在所述TH1与所述TH2之间取任意阈值k,并计算阈值取k时前景图像与背景图像之间的方差值Gk,当Gk取最大值Gkmax时,Gkmax对应的阈值kmax即为将所述含菌落的培养皿的灰度图像分割成菌落图像与背景图像的最佳阈值;
所述步骤1.3包括:
通过计算所述含菌落的培养皿的二值图像中每个连通域内像素点个数,得到每个连通域的面积,再根据所述每个连通域的面积计算所述含菌落的培养皿的二值图像中连通域的平均面积A1;
当所述连通域的面积小于0.05A1,所述连通域为噪声区域,将所述噪声区域内每个像素点的像素值置为0;
当所述连通域的面积大小大于4A1,所述连通域为培养皿区域,将所述培养皿区域内每个像素点的像素值置为2;
在所述含菌落的培养皿的二值图像中,除去所述噪声区域与所述培养皿区域,剩下的连通域为菌落,所述菌落内每个像素点的像素值置为1。
2.根据权利要求1所述的方法,其特征在于,所述步骤1.1包括:
根据以下公式,对所述含菌落的培养皿的彩色图像进灰度变换处理,得到所述含菌落的培养皿的灰度图像:
gray_c(i,j)=cR×R(i,j)+cG×G(i,j)+cB×B(i,j)
其中,gray_c(i,j)为含菌落的培养皿的灰度图像中第i行和第j列的像素点灰度值,cR、cG和cB分别为含菌落的培养皿的彩色图像中各像素点的红色、绿色及蓝色三色的权值,并且取值cR=0.299、cG=0.587和cB=0.144,R(i,j)、G(i,j)和B(i,j)分别为含菌落的培养皿的灰度图像中第i行和第j列像素点的红色、绿色及蓝色分量值。
3.根据权利要求1所述的方法,其特征在于,所述步骤1.4包括:
在所述连通域的边缘上从最左边的像素点坐标出发,沿着所述连通域的边缘,按照逆时针方向寻找下一个紧密相连的点,直到返回所述连通域的边缘上最左边的像素点,连成一条闭合曲线,所述闭合曲线即为所述连通域的轮廓;
按照从上到下和从左到右的顺序,遍历所述含菌落的培养皿的去噪后图像中所有连通域,获得菌落与培养皿的轮廓二值图像,所述菌落与培养皿的轮廓二值图像中各个闭合曲线为菌落和培养皿的轮廓图像,所述各个闭合曲线围成的区域内部为闭合区域,并对所述各个闭合曲线做标记。
4.根据权利要求3所述的方法,其特征在于,所述步骤2,包括:
步骤2.1:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域所围成的闭合曲线为菌落的轮廓,根据以下公式获取每个菌落的轮廓的周长Z:
其中,Ze为每个闭合区域边界线上水平或竖直方向上相连的像素点个数,Zo为每个菌落边界线上倾斜相连的像素点个数;
步骤2.2:在所述菌落与培养皿的轮廓二值图像中,像素点的像素值均为1的闭合区域即为菌落,根据以下公式进行菌落内所有像素点的像素值求和运算,获取每个菌落的面积S:
其中,AS为需要识别的所有菌落所在区域,h(x,y)为菌落与培养皿的轮廓二值图像中每个菌落内第x行和第y列像素点的像素值;
步骤2.3:在所述菌落与培养皿的轮廓二值图像中,根据以下公式获取每个菌落的圆度特征值circle:
5.根据权利要求4所述的方法,其特征在于,所述步骤3包括:
根据所述菌落的圆度特征值circle,判断所述菌落是否为独立菌落:
如果所述菌落的圆度特征值circle大于-0.05且小于0.2,则所述菌落为独立菌落;
如果所述菌落的圆度特征值circle小于-0.05或大于0.2,则所述菌落非独立菌落。
7.根据权利要求6所述的方法,其特征在于,所述步骤4包括:
如果所述独立菌落的数量小于或等于预设数值,所述独立菌落即为目标菌落;
如果所述独立菌落的数量大于所述预设数值,对所述独立菌落的面积进行从大到小排序,筛选出所述预设数值的独立菌落即为目标菌落。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211847.7A CN109948544B (zh) | 2019-03-20 | 2019-03-20 | 一种目标菌落自动定位与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211847.7A CN109948544B (zh) | 2019-03-20 | 2019-03-20 | 一种目标菌落自动定位与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948544A CN109948544A (zh) | 2019-06-28 |
CN109948544B true CN109948544B (zh) | 2021-04-30 |
Family
ID=67011186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211847.7A Active CN109948544B (zh) | 2019-03-20 | 2019-03-20 | 一种目标菌落自动定位与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948544B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322465B (zh) * | 2019-06-29 | 2020-12-25 | 东南大学苏州医疗器械研究院 | 肿瘤微球的轮廓检测方法及装置 |
CN110766687B (zh) * | 2019-10-31 | 2023-03-28 | 深圳市中科同辉科技有限公司 | 一种布鲁氏杆菌检测装置、计算机设备和存储介质 |
CN110830768B (zh) * | 2019-10-31 | 2021-07-16 | 北京君立康生物科技有限公司 | 一种菌落图像的采集处理方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015097915A1 (ja) * | 2013-12-27 | 2017-03-23 | 富士通株式会社 | 撮像プログラム、撮像方法及び撮像システム |
CN104091170B (zh) * | 2014-06-13 | 2018-01-12 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
CN105335982B (zh) * | 2015-11-02 | 2018-04-17 | 江苏大学 | 一种粘连菌落的分割方法 |
CN105420107A (zh) * | 2015-11-11 | 2016-03-23 | 上海大学 | 一种基于菌落形态特征的菌落自动筛选方法 |
CN105491279A (zh) * | 2015-11-19 | 2016-04-13 | 北京工业大学 | 一种菌落的图像采集和识别方法 |
CN106447020B (zh) * | 2016-09-13 | 2018-11-23 | 上海海事大学 | 一种智能菌落计数方法 |
CN107680129B (zh) * | 2017-09-11 | 2020-10-20 | 浙江大学 | 一种基于智能手机的便携式菌落自动计数方法 |
CN108846312B (zh) * | 2018-05-07 | 2021-03-12 | 深圳市恒扬数据股份有限公司 | 一种细菌有效活动区域的识别方法、装置及终端设备 |
-
2019
- 2019-03-20 CN CN201910211847.7A patent/CN109948544B/zh active Active
Non-Patent Citations (2)
Title |
---|
"MicroCount: Free Software For Automated Microorganism Colony Counting By Computer";Alisson Amorim Siqueira 等;《 IEEE Latin America Transactions 》;20171018;第15卷(第10期);2006-2017 * |
"灰度直方图特征提取的Matlab实现";刘益新 等;《电脑知识与技术》;20091130;第5卷(第32期);9032-9034 * |
Also Published As
Publication number | Publication date |
---|---|
CN109948544A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583227B (zh) | 一种荧光细胞自动计数方法、装置、设备和介质 | |
Kulwa et al. | A state-of-the-art survey for microorganism image segmentation methods and future potential | |
Quelhas et al. | Cell nuclei and cytoplasm joint segmentation using the sliding band filter | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
EP2927311B1 (en) | Cell observation device, cell observation method and program thereof | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109472761B (zh) | 一种基于荧光图像的细胞计数方法及*** | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN113537182B (zh) | 染色体中期***相显微图像的自动识别方法与*** | |
CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN110276759A (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测***和方法 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
CN115294044A (zh) | 一种食用菌菌丝表型获取方法 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN107239761A (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
Sukmana et al. | Blight segmentation on corn crop leaf using connected component extraction and CIELAB color space transformation | |
Liimatainen et al. | Supervised method for cell counting from bright field focus stacks | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN114723695A (zh) | 一种基于差分度量的浅色生物样本的检测方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN113192022A (zh) | 基于深度学习的病原孢子识别计数方法和装置 |
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 |