CN110838126A - 细胞图像分割方法、装置、计算机设备和存储介质 - Google Patents
细胞图像分割方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110838126A CN110838126A CN201911044681.0A CN201911044681A CN110838126A CN 110838126 A CN110838126 A CN 110838126A CN 201911044681 A CN201911044681 A CN 201911044681A CN 110838126 A CN110838126 A CN 110838126A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- segmentation
- chain code
- cells
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003709 image segmentation Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 230000000877 morphologic effect Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 230000001464 adherent effect Effects 0.000 claims description 38
- 230000009466 transformation Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 25
- 239000003550 marker Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000011426 transformation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 description 473
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000002609 medium Substances 0.000 description 11
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 210000004978 chinese hamster ovary cell Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000021164 cell adhesion Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000699802 Cricetulus griseus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004956 cell adhesive effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种细胞图像分割方法、装置、计算机设备和存储介质。所述方法包括:读取细胞灰度图像;对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。采用本方法能够提高细胞图像分割的准确度。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种细胞图像分割方法、装置、计算机设备和存储介质。
背景技术
稳定细胞株筛选在生物技术领域具有重要意义。传统的稳定细胞株筛选方法是检测细胞分泌至培养基中目标蛋白的总量,根据蛋白表达量筛选高产的细胞株,通过表达载体优化和细胞改造等方法,可以提高筛选效率,获得高单细胞产量的稳定生产细胞株,但是上述方法存在操作复杂和耗时较长等不足。随着人工智能技术的发展,人们开始借助高倍显微镜拍摄细胞株图像,采用深度学习等方法对细胞株图像进行筛选,以克服上述不足,这就需要一种能够从细胞图像中快速准确分割出单细胞的图像分割方法。
传统的细胞图像分割基于阈值方法来实现,然而,阈值方法受阈值设置的影响较大,容易导致图像分割的不准确,且无法处理细胞粘连情况。
因此,传统的细胞图像分割方法存在图像分割准确度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种准确度较高的细胞图像分割方法、一种细胞图像分割装置、一种计算机设备和一种计算机可读存储介质。
一种细胞图像分割方法,包括:
读取细胞灰度图像;
对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
在其中一个实施例中,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像,包括:
当所述二值化细胞图像中存在粘连细胞时,通过链码方法计算所述粘连细胞中的细胞个数;
根据所述粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;
根据所述最优极小值点,对所述二值化细胞图像进行距离变换,得到距离变换图像;
使用分水岭算法对所述距离变换图像进行分割,得到所述细胞分割图像。
在其中一个实施例中,所述当所述二值化细胞图像中存在粘连细胞时,通过链码方法计算所述粘连细胞中的细胞个数,包括:
对所述二值化细胞图像的链码起始位置进行标记,得到链码起始标记;
对所述二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;
对所述二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;
根据所述链码起始标记、所述链码变化标记和所述链码结尾标记,计算所述粘连细胞中的细胞个数。
在其中一个实施例中,所述根据所述粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点,包括:
获取H-minima变换阈值;
根据所述H-minima变换阈值,得到极小值点个数;
通过将所述极小值点个数与所述粘连细胞中的细胞个数进行比较,得到所述最优极小值点。
在其中一个实施例中,所述对所述细胞边缘图像进行二值化处理,得到二值化细胞图像,包括:
对所述细胞边缘图像进行阈值处理,得到阈值化图像;
通过开运算,去除所述阈值化图像背景中的非细胞区域,得到开运算图像;
通过闭运算,去除所述开运算图像中的细胞内部边缘,得到闭运算图像;
当所述闭运算图像中仍然存在细胞内部边缘时,对所述闭运算图像进行孔洞填充,得到所述二值化细胞图像。
在其中一个实施例中,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像,包括:
通过在所述二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;
根据所述细胞轮廓信息,获取包含所述细胞轮廓的最小矩形,得到所述细胞分割图像。
在其中一个实施例中,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像的步骤之后,包括:
从所述细胞分割图像中,采集细胞信息;所述细胞信息包括细胞尺寸和细胞内部结构;
根据所述细胞信息,得到训练样本数据;所述训练样本数据用于细胞特征识别和细胞筛选。
一种细胞图像分割装置,包括:
输入模块,用于读取细胞灰度图像;
均衡化模块,用于对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
形态学模块,用于对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
边缘检测模块,用于通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
二值化模块,用于对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
分割模块,用于根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
读取细胞灰度图像;
对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
读取细胞灰度图像;
对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
上述细胞图像分割方法、装置、计算机设备和计算机可读存储介质,对读取的细胞灰度图像进行直方图均衡化操作,能够增强图像对比度,清晰化细胞边缘,以便准确检测细胞边缘。对均衡化图像进行形态学操作,可以进一步清晰化细胞边缘,使检测到的细胞边缘更加准确。通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像,由于细胞边缘图像中不但包含细胞外轮廓,还包含细胞内部轮廓,还进一步对细胞边缘图像进行二值化处理,以去掉细胞内部轮廓。根据得到的二值化细胞图像进行细胞分割,由于没有细胞内部轮廓的干扰,可以得到准确度较高的细胞分割图像,从而实现单细胞图像的准确分割,在后续的深度学习过程中,能够提供海量高质量的训练样本,提高细胞特征识别和细胞筛选的准确度。
附图说明
图1是一个实施例的一种细胞图像分割方法的流程示意图;
图2是一个实施例的一种细胞图像分割方法的应用环境图;
图3A/B/C/D/E是一个实施例的一种细胞图像分割方法的各步骤图像处理结果图;
图4是一个实施例的一种细胞图像分割方法的图像分割结果图;
图5A/B是一个实施例的一种细胞图像分割方法的链码方法示意图;
图6是一个实施例的一种细胞图像分割方法的距离变换结果图;
图7是一个实施例的一种细胞图像分割方法的分水岭算法示意图;
图8是一个实施例的一种细胞图像分割装置的结构框图;
图9是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种细胞图像分割方法。本实施例提供的细胞图像分割方法,可以应用于如图2所示的应用环境中。在该应用环境中,包括有用户终端202和细胞图像分割服务器204。其中,用户终端202可以但不限于是各种能够获取高倍细胞影像的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,细胞图像分割服务器204可以但不限于是各种具有图像处理功能的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。上述的细胞图像分割方法,以应用于图2中的细胞图像分割服务器204为例进行说明,可以包括以下步骤:
步骤S102,读取细胞灰度图像。
其中,细胞灰度图像可以为通过显微镜对细胞拍摄到的仅具有灰度值的影像。例如,细胞灰度图像可以为不同时期的CHO(Chinese Hamster Ovary,中国地鼠卵巢)细胞影像的灰度图。
具体实现中,在观察周期内拍摄不同时期的CHO细胞影像,将细胞影像存储在细胞图像分割服务器204中,当需要进行图像分割处理时,从细胞图像分割服务器204中读取CHO细胞影像的灰度图。
例如,可以在细胞株培养过程中选取5个时间点,分别通过高倍显微镜拍摄CHO细胞影像,得到5幅细胞灰度图像,将这些图像存储在细胞图像分割服务器204中,当需要进行细胞图像分割时,从细胞图像分割服务器204中读取一幅细胞灰度图像。
步骤S104,对细胞灰度图像进行直方图均衡化操作,得到均衡化图像。
其中,直方图均衡化操作可以为通过直方图算法对图像中不同元素的对比度进行均衡化的操作。
具体实现中,可以对细胞灰度图像进行直方图均衡化操作,统计像素中每个灰度值的个数,计算每个灰度值出现的概率,根据概率对灰度值进行映射。通过直方图均衡化操作,可以起到增强图像对比度,清晰化细胞边缘的作用,以便准确检测细胞边缘。
实际应用中,可以通过下列公式实现上述的直方图均衡化操作:
其中,round()函数表示取整操作,对括号中自变量的小数位数进行四舍五入运算,M和N分别为细胞灰度图像中长和宽的像素个数,L表示灰度级数,v为细胞灰度图像中的像素值,cdfmin为累积分布函数的最小值,累积分布函数cdf通过下式计算
其中,px(j)表示灰度级为j的像素出现的概率,即像素值为j的图像的直方图,归一化到[0,1]。
例如,对于400×300像素的细胞灰度图像,M=400,N=300,采用8比特深度,L为2^8=256,v为每一个像素点的具体灰度值,可以取0~255之间的任意一个值。针对细胞灰度图像中的每一个像素点,根据公式进行改进直方图均衡化操作,得到均衡化图像。
步骤S106,对均衡化图像进行形态学操作,得到形态学图像。
其中,形态学操作为对相邻的元素进行连接或将相邻元素分离成独立元素的操作,形态学操作可以具体包括顶帽操作和梯度操作。
具体实现中,可以先采用形态学顶帽操作在细胞图像的大幅背景下突出细胞轮廓,然后,采用形态学梯度操作来寻找细胞边缘,通过联合使用形态学顶帽操作和梯度操作,可以确保在后续的边缘检测过程中能够准确提取细胞边缘。
实际应用中,可以令src表示均衡化图像,element表示结构元素,对均衡化图像进行顶帽操作的公式为
dst=tophat(src,element)=src-open(src,element)=src-dilate(erode(src,element));
其中,open(src,element)表示形态学开运算,对src进行先腐蚀再膨胀操作,dilate(src,element)表示膨胀操作。
然后,对图像dst进行梯度操作,公式为
dst′=morphgrad(dst,element)=dilate(dst,element)-erode(dst,element);
其中,erode(dst,element)表示对dst进行腐蚀操作,得到的图像dst’为形态学图像。
步骤S108,通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像。
其中,边缘检测算法为能够识别形态学图像中最优的细胞轮廓的一种算法,可以为Canny方法。
具体实现中,Canny方法首先通过高斯平滑滤波器对形态学图像进行降噪处理,然后计算图像中每个像素点的梯度强度和方向,通过非极大值抑制(Non-MaximumSuppression)方法消除杂散响应,排除非边缘像素,保留候选边缘,最后通过双阈值(Double-Threshold)确定细胞边缘。上述Canny方法不容易受到噪声干扰,通过使用双阈值能够分别检测到强边缘和弱边缘,当弱边缘和强边缘相连时,输出图像中包含有弱边缘,得到的边缘检测结果准确度较高。
实际应用中,Canny方法可以执行以下步骤:
(1)使用高斯滤波器对形态学图像做平滑处理,滤除噪声,大小为(2k+1)*(2k+1)的高斯滤波器核生成公式为
(2)计算形态学图像中每个像素点的梯度强度和方向;
(3)通过非极大值抑制方法,消除掉边缘检测所带来的杂散响应;
(4)通过双阈值检测确定形态学图像中真实和潜在的边缘;
(5)通过抑制孤立的弱边缘完成边缘检测,得到细胞边缘图像。
步骤S110,对细胞边缘图像进行二值化处理,得到二值化细胞图像。
其中,二值化处理可以为对细胞边缘图像进行二值化处理,使输出的图像中只包含黑和白两种颜色,可以包括阈值处理、开运算、闭运算和空洞填充。
具体实现中,由于CHO细胞内部较复杂,得到的细胞边缘图像不但包含细胞外轮廓,而且还包含细胞的内部轮廓。为了根据细胞外轮廓进行细胞分割,首先对细胞边缘图像进行阈值处理,得到阈值化图像,例如,设置阈值为100,对于细胞边缘图像中灰度值高于100的像素点,令其灰度值为255,对于灰度值低于或等于100的像素点,令其灰度值为0。对阈值化图像做开运算,去除背景中的非细胞区域,得到开运算图像,然后,对开运算图像做闭运算,去除开运算图像中的细胞内部边缘,得到闭运算图像。当闭运算图像中仍然存在细胞内部边缘时,可以对闭运算图像进行孔洞填充,公式为
Xk=(Xk-1⊕B)∩Ac k=1,2,3...;
其中,X0为全黑且在孔洞处有一个白像素的图像,B表示结构元,Ac表示闭运算图像的补集,⊕表示B结构元对Xk-1做膨胀操作。
步骤S112,根据二值化细胞图像进行细胞分割,得到细胞分割图像。
其中,细胞分割为根据二值化细胞图像中的细胞轮廓,将整个单细胞分割出来,得到的细胞分割图像可以为包含整个单细胞外轮廓的最小矩形。
具体实现中,可以调用opencv库中的findContours函数获取细胞轮廓,调用boundingRect函数获取轮廓最小外界矩形,判断细胞面积,以及存储细胞分割图像。
实际应用中,findContours函数采用遍历每个像素点的像素值的原理进行轮廓查找,其公式为
contours,hierarchy=cv2.findContours(image,
cv2.RETR_TREE,;
cv2.CHAIN_APPROX_SIMPLE)
其中,cv2为opencv的简写,image为输入的二值化细胞图像,cv2.RETR_TREE是一种检索轮廓的模式——建立一个等级树结构的轮廓,cv2.CHAIN_APPROX_SIMPLE表示一种轮廓的近似办法——压缩水平方向,垂直方向,对角线方向的元素,只保留该方向的终点坐标,例如一个矩形轮廓只需4个点来保存轮廓信息,contours存储的每个轮廓的点向量,contours[i]表示第i个轮廓,hierarchy表示轮廓的拓扑信息,contours[i]轮廓的对应的拓扑信息为hierarchy[i][0]~hierarchy[i][3],分别表示后一个轮廓,前一个轮廓,父轮廓,内嵌轮廓的索引,如果没有对应项,则相应的hierarchy[i]设置为负数。然后遍历轮廓contours[i]。
boundingRect函数的公式为
x,y,w,h=cv2.boundingRect(contours[i]);
其中x与y分别为轮廓最小外接矩形的左上定点像素坐标,w和h分别为矩形的宽和高,截取该部分,并遍历该区域中像素值为255的像素个数作为该轮廓的面积,然后根据细胞的面积筛选出合适的细胞的轮廓图片,并保存细胞最小外接矩形图。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述细胞图像分割方法,对读取的细胞灰度图像进行直方图均衡化操作,能够增强图像对比度,清晰化细胞边缘,以便准确检测细胞边缘。对均衡化图像进行形态学操作,可以进一步清晰化细胞边缘,使检测到的细胞边缘更加准确。通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像,由于细胞边缘图像中不但包含细胞外轮廓,还包含细胞内部轮廓,还进一步对细胞边缘图像进行二值化处理,以去掉细胞内部轮廓。根据得到的二值化细胞图像进行细胞分割,由于没有细胞内部轮廓的干扰,可以得到准确度较高的细胞分割图像。
图3是一个实施例的一种细胞图像分割方法的各步骤图像处理结果图,其中,图3A为在步骤S102所读取的细胞灰度图像;图3B为经过步骤S104的直方图均衡化处理,得到的均衡化图像;图3C为经过步骤S108的边缘检测,得到的细胞边缘图像;图3D和3E分别为步骤S110二值化处理过程中得到的闭运算图像和二值化细胞图像。
图4是一个实施例的一种细胞图像分割方法的图像分割结果图,对于图3A中的各个单细胞,分割得到包含单细胞轮廓的最小外界矩形,根据该结果可以计算细胞面积,分割结果保存在细胞图像分割服务器中,可以用于在深度学习中进行细胞特征识别和细胞筛选。
在另一个实施例中,上述步骤S112,可以具体包括:当二值化细胞图像中存在粘连细胞时,通过链码方法计算粘连细胞中的细胞个数;根据粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;根据最优极小值点,对二值化细胞图像进行距离变换,得到距离变换图像;使用分水岭算法对距离变换图像进行分割,得到细胞分割图像。
其中,粘连细胞为二值化细胞图像中两个或多个相互粘连的单细胞。
其中,链码方法为基于Freeman链码,对细胞粘连图像进行标记的方法,图5B给出了当两个单细胞粘连时的链码示意图。
其中,最优极小值点为H-minima变换方法中当极小值点个数等于粘连细胞个数时的极小值点。
具体实现中,当存在粘连细胞时,获取二值化细胞图像中细胞粘连部分的Freeman链码,根据图5A,当采用8连通链码时,像素点的8个方向从右正方向为0开始计数,逆时针依次增加,图5B中的Freeman链码依次为455677567011231233。
对Freeman链码进行改进,步骤如下:
(1)选取起始位置,加入标记‘B’,如图5B所示;
(2)逆时针方向遍历,当相邻的两个链码方向不同时,例如,前一个链码的方向为左上、正左、左下,后一个链码的方向在右上、正右、右下,或者前一个链码方向为左上、正上、右上,而下一个链码方向为左下、正下、右下,则在两个链码中***‘C’,如图5B中的灰色圆点所示;
(3)遍历到链码结尾处加入标记‘E’,如图5B所示。
基于改进的Freeman链码,图5B的链码输出为B4556C77C56C70112C3C12C33E,根据实验可以得出,在‘B’和‘E’之间,每增加一个粘连细胞,需要标记的‘C’增加4个,令NC为改进的Freeman链码中‘C’的个数,可以计算粘连细胞中的细胞个数为
根据所得到的粘连细胞个数,确定H-minima变换中的h阈值,可以随机选取h阈值,每个h阈值对应一个极小值点的图像,当图像中极小值点个数等于粘连细胞个数时,可以确定h阈值为当前选取的h阈值,根据确定的h阈值得到最优的极小值点,然后生成极小值像素点集合。
接下来,通过距离变换将二值化细胞图像转换为距离变换图像。采用欧氏距离变换计算二值化细胞图像中非零像素点到极小值点的最小距离,作为该点变换后的值,距离公式如下:
其中(x,y)是像素值非零点的坐标,(i,j)为极小值点坐标。经过距离变换得到的距离变换图像为灰度图,如图6所示,其中黑色部分为两个细胞,白色区域为“盆地”的边缘,可以将两个细胞分割开来。
最后,采用分水岭算法对距离变换图像进行分割,通过调用opencv中connectedComponents函数获取距离变换图像的masker标签,其中前景(细胞部分)标签为1,背景为0,从标签为1的地方开始漫水,让水漫起来找到最后的边界,将该边界存储为数据,根据该数据对粘连细胞进行分割,得到如图7所示的细胞分割图像。
上述细胞图像分割方法,针对二值化细胞图像中存在粘连细胞的情况,通过链码方法,准确获得粘连细胞中的细胞个数,根据细胞个数确定H-minima变换方法中的最优极小值点,根据最优极小值点,对二值化细胞图像进行距离变换得到距离变换图像,距离变换图像实现了对于粘连细胞的分离,使用分水岭算法对距离变换图像进行分割,可以从粘连细胞图像中准确分割出单细胞图像。
在另一个实施例中,上述步骤S112,可以还包括:对二值化细胞图像的链码起始位置进行标记,得到链码起始标记;对二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;对二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;根据链码起始标记、链码变化标记和链码结尾标记,计算粘连细胞中的细胞个数。
具体实现中,如图5所示,在传统的Freeman链码方法基础上,首先确定链码起始位置,在链码起始位置引入标记‘B’,然后进行逆时针方向遍历,当相邻的两个链码方向不同时,可以确定链码方向发生改变的位置,将其标记为‘C’,最后,当遍历到链码结尾处时,确定链码结尾位置,加入标记‘E’。统计‘B’和‘E’之间的‘C’的个数NC,由于每增加一个粘连细胞,标记‘C’增加4个,可以计算粘连细胞中的细胞个数为由于步骤S112的上述处理过程在前述实施例中已有详细说明,在此不再赘述。
上述方法对二值化细胞图像的链码起始位置、链码方向发生改变的位置和链码结尾位置分别进行标记,根据标记计算粘连细胞中的细胞个数,便于在后续步骤中使用距离变换方法对粘连细胞进行分离,以及使用分水岭算法从粘连细胞图像中准确分割出单细胞图像。
在另一个实施例中,上述步骤S112,可以还包括:获取H-minima变换阈值;根据H-minima变换阈值,得到极小值点个数;通过将极小值点个数与粘连细胞中的细胞个数进行比较,得到最优极小值点。
其中,H-minima变换阈值为H-minima变换方法中的h阈值。
具体实现中,可以随机选取h阈值,每个h阈值对应一个极小值点的图像,当图像中极小值点个数等于粘连细胞个数时,可以确定h阈值为当前选取的h阈值,根据确定的h阈值得到最优的极小值点,然后生成极小值像素点集合。由于步骤S112的上述处理过程在前述实施例中已有详细说明,在此不再赘述。
上述方法根据H-minima变换阈值得到最优极小值点,便于在后续步骤中使用距离变换方法对粘连细胞进行分离,以及使用分水岭算法从粘连细胞图像中准确分割出单细胞图像。
在另一个实施例中,上述步骤S110,可以具体包括:对细胞边缘图像进行阈值处理,得到阈值化图像;通过开运算,去除阈值化图像背景中的非细胞区域,得到开运算图像;通过闭运算,去除开运算图像中的细胞内部边缘,得到闭运算图像;当闭运算图像中仍然存在细胞内部边缘时,对闭运算图像进行孔洞填充,得到二值化细胞图像。
具体实现中,设置一个阈值对细胞边缘图像进行二值化处理,例如,设置阈值为100,对于细胞边缘图像中灰度值高于100的像素点,令其灰度值为255,对于灰度值低于或等于100的像素点,令其灰度值为0。然后进行开运算操作,去除背景中的非细胞区域,以及进行闭运算操作去除开运算图像中的细胞内部边缘,得到的图像如图3D所示的闭运算图像,当闭运算图像中仍然存在细胞内部边缘时,例如,图3D细胞内部的黑色点状区域,对闭运算图像进行孔洞填充,得到如3E所示的二值化细胞图像。由于步骤S110的上述处理过程在前述实施例中已有详细说明,在此不再赘述。
上述方法通过阈值处理将细胞边缘图像中的细胞与背景区分开来,便于后续分割细胞图像,开运算可以去除背景区域中的非细胞区域,避免对背景进行错误分割,闭运算可以去除细胞的内部边缘,当闭运算图像中仍然存在细胞内部边缘时,对闭运算图像进行孔洞填充,便于后续针对细胞外边缘得到准确的细胞分割图像。
在另一个实施例中,上述步骤S112,可以还包括:通过在二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;根据细胞轮廓信息,获取包含细胞轮廓的最小矩形,得到细胞分割图像。
具体实现中,对于如图3E所示的二值化细胞图像,可以调用opencv库中的findContours函数,通过遍历每个像素点的像素值进行轮廓查找,得到细胞轮廓信息,然后,使用boundingRect函数获取轮廓最小外界矩形,判断细胞面积,以及存储细胞分割图像。由于步骤S112的上述处理过程在前述实施例中已有详细说明,在此不再赘述。
上述方法在二值化细胞图像中查找细胞轮廓,得到的细胞轮廓信息较准确,根据此细胞轮廓信息获取包含细胞轮廓的最小矩形,得到的细胞分割图像准确度较高。
在另一个实施例中,上述步骤S112之后,还可以包括:从细胞分割图像中,采集细胞信息;细胞信息包括细胞尺寸和细胞内部结构;根据细胞信息,得到训练样本数据;训练样本数据用于细胞特征识别和细胞筛选。
其中,细胞信息为单个细胞的尺寸和内部结构等信息。
具体实现中,可以从图4所示的细胞分割图像中采集每个单细胞的尺寸,以及蛋白表达参数等信息,对采集到的信息进行分类整理,得到训练样本数据,当需要使用深度学习等方法进行细胞特征识别或细胞筛选时,基于训练样本数据进行训练,根据需要实现的功能不同,可以建立细胞特征识别模型或细胞筛选模型,基于建立的模型进行细胞特征识别或细胞筛选。
上述方法从细胞分割图像中采集细胞信息,由于细胞分割图像准确度较高,采集到的细胞信息也具有较高的准确度,将该信息作为训练样本,基于该训练样本使用深度学习进行细胞特征识别和细胞筛选,结果具有较高的准确性和较低的运算时间。
在一个实施例中,如图8所示,提供了一种细胞图像分割装置800,包括:输入模块802、均衡化模块804、形态学模块806、边缘检测模块808、二值化模块810和分割模块812,其中:
输入模块802,用于读取细胞灰度图像;
均衡化模块804,用于对细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
形态学模块806,用于对均衡化图像进行形态学操作,得到形态学图像;
边缘检测模块808,用于通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像;
二值化模块810,用于对细胞边缘图像进行二值化处理,得到二值化细胞图像;
分割模块812,用于根据二值化细胞图像进行细胞分割,得到细胞分割图像。
在一个实施例中,分割模块812,包括:当二值化细胞图像中存在粘连细胞时,通过链码方法计算粘连细胞中的细胞个数;根据粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;根据最优极小值点,对二值化细胞图像进行距离变换,得到距离变换图像;使用分水岭算法对距离变换图像进行分割,得到细胞分割图像。
在一个实施例中,分割模块812,还包括:对二值化细胞图像的链码起始位置进行标记,得到链码起始标记;对二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;对二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;根据链码起始标记、链码变化标记和链码结尾标记,计算粘连细胞中的细胞个数。
在一个实施例中,分割模块812,还包括:获取H-minima变换阈值;根据H-minima变换阈值,得到极小值点个数;通过将极小值点个数与粘连细胞中的细胞个数进行比较,得到最优极小值点。
在一个实施例中,二值化模块810,包括:对细胞边缘图像进行阈值处理,得到阈值化图像;通过开运算,去除阈值化图像背景中的非细胞区域,得到开运算图像;通过闭运算,去除开运算图像中的细胞内部边缘,得到闭运算图像;当闭运算图像中仍然存在细胞内部边缘时,对闭运算图像进行孔洞填充,得到二值化细胞图像。
在一个实施例中,分割模块812,还包括:通过在二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;根据细胞轮廓信息,获取包含细胞轮廓的最小矩形,得到细胞分割图像。
在一个实施例中,分割模块812,还包括:从细胞分割图像中,采集细胞信息;细胞信息包括细胞尺寸和细胞内部结构;根据细胞信息,得到训练样本数据;训练样本数据用于细胞特征识别和细胞筛选。
关于细胞图像分割装置的具体限定可以参见上文中对于细胞图像分割方法的限定,在此不再赘述。上述细胞图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述提供的细胞图像分割装置可用于执行上述任意实施例提供的细胞图像分割方法,具备相应的功能和有益效果。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空气传感器的室内定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
读取细胞灰度图像;
对细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对均衡化图像进行形态学操作,得到形态学图像;
通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像;
对细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据二值化细胞图像进行细胞分割,得到细胞分割图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当二值化细胞图像中存在粘连细胞时,通过链码方法计算粘连细胞中的细胞个数;根据粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;根据最优极小值点,对二值化细胞图像进行距离变换,得到距离变换图像;使用分水岭算法对距离变换图像进行分割,得到细胞分割图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对二值化细胞图像的链码起始位置进行标记,得到链码起始标记;对二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;对二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;根据链码起始标记、链码变化标记和链码结尾标记,计算粘连细胞中的细胞个数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取H-minima变换阈值;根据H-minima变换阈值,得到极小值点个数;通过将极小值点个数与粘连细胞中的细胞个数进行比较,得到最优极小值点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对细胞边缘图像进行阈值处理,得到阈值化图像;通过开运算,去除阈值化图像背景中的非细胞区域,得到开运算图像;通过闭运算,去除开运算图像中的细胞内部边缘,得到闭运算图像;当闭运算图像中仍然存在细胞内部边缘时,对闭运算图像进行孔洞填充,得到二值化细胞图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过在二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;根据细胞轮廓信息,获取包含细胞轮廓的最小矩形,得到细胞分割图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从细胞分割图像中,采集细胞信息;细胞信息包括细胞尺寸和细胞内部结构;根据细胞信息,得到训练样本数据;训练样本数据用于细胞特征识别和细胞筛选。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
读取细胞灰度图像;
对细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对均衡化图像进行形态学操作,得到形态学图像;
通过边缘检测算法检测形态学图像中的细胞边缘,得到细胞边缘图像;
对细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据二值化细胞图像进行细胞分割,得到细胞分割图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当二值化细胞图像中存在粘连细胞时,通过链码方法计算粘连细胞中的细胞个数;根据粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;根据最优极小值点,对二值化细胞图像进行距离变换,得到距离变换图像;使用分水岭算法对距离变换图像进行分割,得到细胞分割图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对二值化细胞图像的链码起始位置进行标记,得到链码起始标记;对二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;对二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;根据链码起始标记、链码变化标记和链码结尾标记,计算粘连细胞中的细胞个数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取H-minima变换阈值;根据H-minima变换阈值,得到极小值点个数;通过将极小值点个数与粘连细胞中的细胞个数进行比较,得到最优极小值点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对细胞边缘图像进行阈值处理,得到阈值化图像;通过开运算,去除阈值化图像背景中的非细胞区域,得到开运算图像;通过闭运算,去除开运算图像中的细胞内部边缘,得到闭运算图像;当闭运算图像中仍然存在细胞内部边缘时,对闭运算图像进行孔洞填充,得到二值化细胞图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过在二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;根据细胞轮廓信息,获取包含细胞轮廓的最小矩形,得到细胞分割图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从细胞分割图像中,采集细胞信息;细胞信息包括细胞尺寸和细胞内部结构;根据细胞信息,得到训练样本数据;训练样本数据用于细胞特征识别和细胞筛选。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种细胞图像分割方法,其特征在于,包括:
读取细胞灰度图像;
对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像,包括:
当所述二值化细胞图像中存在粘连细胞时,通过链码方法计算所述粘连细胞中的细胞个数;
根据所述粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点;
根据所述最优极小值点,对所述二值化细胞图像进行距离变换,得到距离变换图像;
使用分水岭算法对所述距离变换图像进行分割,得到所述细胞分割图像。
3.根据权利要求2所述的方法,其特征在于,所述当所述二值化细胞图像中存在粘连细胞时,通过链码方法计算所述粘连细胞中的细胞个数,包括:
对所述二值化细胞图像的链码起始位置进行标记,得到链码起始标记;
对所述二值化细胞图像中链码方向发生改变的位置进行标记,得到链码变化标记;
对所述二值化细胞图像的链码结尾位置进行标记,得到链码结尾标记;
根据所述链码起始标记、所述链码变化标记和所述链码结尾标记,计算所述粘连细胞中的细胞个数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述粘连细胞中的细胞个数,得到H-minima变换方法中的最优极小值点,包括:
获取H-minima变换阈值;
根据所述H-minima变换阈值,得到极小值点个数;
通过将所述极小值点个数与所述粘连细胞中的细胞个数进行比较,得到所述最优极小值点。
5.根据权利要求1所述的方法,其特征在于,所述对所述细胞边缘图像进行二值化处理,得到二值化细胞图像,包括:
对所述细胞边缘图像进行阈值处理,得到阈值化图像;
通过开运算,去除所述阈值化图像背景中的非细胞区域,得到开运算图像;
通过闭运算,去除所述开运算图像中的细胞内部边缘,得到闭运算图像;
当所述闭运算图像中仍然存在细胞内部边缘时,对所述闭运算图像进行孔洞填充,得到所述二值化细胞图像。
6.根据权利要求1所述的方法,其特征在于,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像,包括:
通过在所述二值化细胞图像中查找细胞轮廓,得到细胞轮廓信息;
根据所述细胞轮廓信息,获取包含所述细胞轮廓的最小矩形,得到所述细胞分割图像。
7.根据权利要求1所述的方法,其特征在于,所述根据所述二值化细胞图像进行细胞分割,得到细胞分割图像的步骤之后,包括:
从所述细胞分割图像中,采集细胞信息;所述细胞信息包括细胞尺寸和细胞内部结构;
根据所述细胞信息,得到训练样本数据;所述训练样本数据用于细胞特征识别和细胞筛选。
8.一种细胞图像分割装置,其特征在于,包括:
输入模块,用于读取细胞灰度图像;
均衡化模块,用于对所述细胞灰度图像进行直方图均衡化操作,得到均衡化图像;
形态学模块,用于对所述均衡化图像进行形态学操作,得到形态学图像;所述形态学操作包括顶帽操作和梯度操作;
边缘检测模块,用于通过边缘检测算法检测所述形态学图像中的细胞边缘,得到细胞边缘图像;
二值化模块,用于对所述细胞边缘图像进行二值化处理,得到二值化细胞图像;
分割模块,用于根据所述二值化细胞图像进行细胞分割,得到细胞分割图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现1至7中任一项所述的细胞图像分割方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的细胞图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044681.0A CN110838126B (zh) | 2019-10-30 | 2019-10-30 | 细胞图像分割方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044681.0A CN110838126B (zh) | 2019-10-30 | 2019-10-30 | 细胞图像分割方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838126A true CN110838126A (zh) | 2020-02-25 |
CN110838126B CN110838126B (zh) | 2020-11-17 |
Family
ID=69575943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044681.0A Active CN110838126B (zh) | 2019-10-30 | 2019-10-30 | 细胞图像分割方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838126B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598029A (zh) * | 2020-05-21 | 2020-08-28 | 东莞太力生物工程有限公司 | 目标细胞株的筛选方法、***、服务器及存储介质 |
CN111862071A (zh) * | 2020-07-29 | 2020-10-30 | 南通大学 | 一种基于ct图像测量腰1椎体ct值的方法 |
CN112017730A (zh) * | 2020-08-26 | 2020-12-01 | 东莞太力生物工程有限公司 | 基于表达量预测模型的细胞筛选方法和装置 |
CN112750118A (zh) * | 2021-01-18 | 2021-05-04 | 中南大学 | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及*** |
CN113286079A (zh) * | 2021-05-10 | 2021-08-20 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113537181A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 基于神经网络的cb微核显微图像的识别及分析方法与*** |
CN115082783A (zh) * | 2022-05-30 | 2022-09-20 | 华南农业大学 | 一种低对比度的雾滴图像识别方法 |
CN115546462A (zh) * | 2022-12-01 | 2022-12-30 | 南京维拓科技股份有限公司 | 一种基于图像识别提取产品形状特征并计数的方法 |
CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
CN117333929A (zh) * | 2023-12-01 | 2024-01-02 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
US20190095679A1 (en) * | 2017-09-25 | 2019-03-28 | Olympus Corporation | Image processing device, cell-cluster recognition apparatus, cell-cluster recognition method, and cell-cluster recognition program |
-
2019
- 2019-10-30 CN CN201911044681.0A patent/CN110838126B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106875404A (zh) * | 2017-01-18 | 2017-06-20 | 宁波摩视光电科技有限公司 | 一种白带显微图像中上皮细胞的智能识别方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
US20190095679A1 (en) * | 2017-09-25 | 2019-03-28 | Olympus Corporation | Image processing device, cell-cluster recognition apparatus, cell-cluster recognition method, and cell-cluster recognition program |
Non-Patent Citations (1)
Title |
---|
徐露: "医学显微细胞图像分割算法及荧光强度提取研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021232616A1 (zh) * | 2020-05-21 | 2021-11-25 | 深圳太力生物技术有限责任公司 | 目标细胞株的筛选方法、***、服务器及存储介质 |
CN111598029A (zh) * | 2020-05-21 | 2020-08-28 | 东莞太力生物工程有限公司 | 目标细胞株的筛选方法、***、服务器及存储介质 |
CN111862071A (zh) * | 2020-07-29 | 2020-10-30 | 南通大学 | 一种基于ct图像测量腰1椎体ct值的方法 |
CN111862071B (zh) * | 2020-07-29 | 2024-03-05 | 南通大学 | 一种基于ct图像测量腰1椎体ct值的方法 |
CN112017730A (zh) * | 2020-08-26 | 2020-12-01 | 东莞太力生物工程有限公司 | 基于表达量预测模型的细胞筛选方法和装置 |
CN112017730B (zh) * | 2020-08-26 | 2022-08-09 | 深圳太力生物技术有限责任公司 | 基于表达量预测模型的细胞筛选方法和装置 |
CN112750118A (zh) * | 2021-01-18 | 2021-05-04 | 中南大学 | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及*** |
CN113286079B (zh) * | 2021-05-10 | 2023-04-28 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113286079A (zh) * | 2021-05-10 | 2021-08-20 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113537181A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 基于神经网络的cb微核显微图像的识别及分析方法与*** |
CN115082783A (zh) * | 2022-05-30 | 2022-09-20 | 华南农业大学 | 一种低对比度的雾滴图像识别方法 |
CN115546462A (zh) * | 2022-12-01 | 2022-12-30 | 南京维拓科技股份有限公司 | 一种基于图像识别提取产品形状特征并计数的方法 |
CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
CN117333929A (zh) * | 2023-12-01 | 2024-01-02 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
CN117333929B (zh) * | 2023-12-01 | 2024-02-09 | 贵州省公路建设养护集团有限公司 | 基于深度学习实现道路施工下的异常人员识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110838126B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838126B (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108710866B (zh) | 汉字模型训练方法、汉字识别方法、装置、设备及介质 | |
WO2019232853A1 (zh) | 中文模型训练、中文图像识别方法、装置、设备及介质 | |
CN109117848B (zh) | 一种文本行字符识别方法、装置、介质和电子设备 | |
Tong et al. | Salient object detection via bootstrap learning | |
CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN109343920B (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN109033944B (zh) | 一种全天空极光图像分类与关键局部结构定位方法及*** | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
WO2019232852A1 (zh) | 手写字训练样本获取方法、装置、设备及介质 | |
WO2019232850A1 (zh) | 手写汉字图像识别方法、装置、计算机设备及存储介质 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及*** | |
Tian et al. | Scene text segmentation with multi-level maximally stable extremal regions | |
CN112270317A (zh) | 一种基于深度学习和帧差法的传统数字水表读数识别方法 | |
CN111523537A (zh) | 一种文字识别方法、存储介质及*** | |
CN105894037A (zh) | 一种基于sift训练样本提取的遥感图像全监督分类方法 | |
CN112818952A (zh) | 煤岩分界线的识别方法、装置及电子设备 | |
CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
König et al. | Weakly-supervised surface crack segmentation by generating pseudo-labels using localization with a classifier and thresholding | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211201 Address after: 518048 No. 323-m, third floor, comprehensive Xinxing phase I, No. 1, Haihong Road, Fubao community, Fubao street, Futian District, Shenzhen, Guangdong Province Patentee after: Shenzhen Taili Biotechnology Co.,Ltd. Address before: 523560 building 3 and 4, gaobao green technology city, Tutang village, Changping Town, Dongguan City, Guangdong Province Patentee before: DONGGUAN TAILI BIOLOGICAL ENGINEERING CO.,LTD. |
|
TR01 | Transfer of patent right |