CN116189178A - 一种显微细胞图像的识别方法、设备及存储介质 - Google Patents
一种显微细胞图像的识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116189178A CN116189178A CN202211729291.9A CN202211729291A CN116189178A CN 116189178 A CN116189178 A CN 116189178A CN 202211729291 A CN202211729291 A CN 202211729291A CN 116189178 A CN116189178 A CN 116189178A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- contour
- signal
- microscopic
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光学显微成像中的图像处理领域,尤其涉及显微细胞图像的识别方法,包括以下步骤:提取细胞背景图像,用细胞原始图像和细胞背景图像进行运算,得到细胞信号图像;提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像;对密集的细胞区域进行分割,实现细胞分离;将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图。本发明提升了细胞轮廓对比度,使细胞信号与背景更容易区分,有效提升细胞识别准确性、完整性,同时提高了细胞定位、面积及计数准确性,以及检测识别结果的快速展示,给实际应用带来更佳的体验。
Description
技术领域
本发明涉及光学显微成像中的图像处理领域,尤其涉及一种显微细胞图像的识别方法、设备及存储介质。
背景技术
常见的显微成像的细胞图像类型包括明场图像、荧光图像两大类。明场细胞多数表现为细胞空心、边缘不完整、不规则,对于识别分析带来巨大挑战,现有方法如阈值分割、轮廓检测、边缘检测等,很难相对完整定位细胞位置并计算细胞面积。荧光细胞多数表现为图像亮度不均、细胞亮度不均、细胞密集重叠等,现有经典方法如分水岭对于其中的密集重叠的细胞识别,虽然有一定优势但仍然存在较多错误不合理的情况。因此,现有显微成像中无论是对明场图像还是荧光图像的识别,都存在图像锐度较差、细胞识别准确性和完整性较差的缺陷。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种显微细胞图像的识别方法、设备及存储介质,有效提升细胞识别的准确性、完整性。
为实现上述目的,本发明可以通过以下技术方案予以实现:
一种显微细胞图像的识别方法,包括以下步骤:
提取细胞背景图像,用细胞原始图像和细胞背景图像进行运算,得到细胞信号图像;
提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像;
对密集的细胞区域进行分割,实现细胞分离;
将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图。
进一步地,在对密集的细胞区域进行分割,实现细胞分离这一步骤之后,
通过连通域分析识别每个细胞区域及轮廓,计算细胞中心点及计数,针对细胞面积大的情况,采用平均细胞面积进行整除,得到拆分相对合理的细胞面积及计数。
进一步地,所述提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像这一步骤之后,
通过canny边缘检测算子识别细胞轮廓或内部丝状纹理,用于实现细胞特征的提取;
通过形态学膨胀运算将细胞特征融合,实现细胞内部的有效填充。
进一步地,所述提取细胞轮廓信号的步骤为:通过高斯滤波去除高频信号,剩余低频信号的结果图像,再用细胞原始图像减去结果图像得到高频信号,即可得到细胞轮廓信号。
进一步地,所述提取细胞背景图像通过高斯滤波进行提取,用细胞原始图像和细胞背景图像进行除法运算得到细胞信号图像。
进一步地,所述提取细胞背景图像通过高斯滤波进行提取,用细胞原始图像和细胞背景图像进行减法运算得到细胞信号图像。
进一步地,通过分水岭算法对密集的细胞区域进行分割,实现细胞分离。
进一步地,所述将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加之前,先通过canny边缘检测算子识别出细胞轮廓再进行图像叠加。
一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一项所述的显微细胞图像的识别方法。
一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的显微细胞图像的识别方法。
与现有技术相比,本发明具有如下有益效果:
本发明通过增强细胞轮廓信号,有效实现密集细胞的分离,将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图。克服了普通显微镜处理所得的原始图像锐度较差的缺陷,提升了细胞轮廓对比度,使细胞信号与背景更容易区分,有效提升细胞识别准确性、完整性,同时提高了细胞定位、面积及计数准确性,以及检测识别结果的快速展示,给实际应用带来更佳的体验。
附图说明
图1是本发明的显微细胞图像的识别流程图;
图2是本发明实施例一最终显示的轮廓清晰的细胞融合图;
图3是本发明实施例二最终显示的轮廓清晰的细胞融合图。
具体实施方式
下面将结合附图以及具体实施方式对本发明作进一步的说明。本说明书中所引用的如“上”、“内”、“中”、“左”、“右”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
如图1所示,本发明所述的显微细胞图像的识别方法,主要包括以下步骤:
S1、提取细胞背景图像,用细胞原始图像和细胞背景图像进行运算,得到细胞信号图像;
S2、提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像;
S3、对密集的细胞区域进行分割,实现细胞分离;
S4、将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图。
本发明通过提取和运算得到细胞信号图像,进而提取和增强细胞轮廓信号,并对密集细胞进行有效和准备的分割,最终将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图,有效、准确而且快速显示显微细胞图像的检测和识别结果。
实施例一
针对明场细胞图像,通过以下步骤实现显微细胞图像的识别:
S11、获取细胞扫描的初始图像作为细胞原始图像。通过高斯滤波提取细胞背景图像,再用细胞原始图像和细胞背景图像进行除法运算,实现背景图像亮度的均匀化,滤波尺度参数可调,用于实现不同匀化效果。高斯滤波是一种空间滤波器,能有效去除图像中的“尖锐”部分(高频信号),实现图像模糊化效果,即仅保留低频信号。图像不均匀的背景往往对应低频信号,前景信号往往对应高频信号,因此采用较大的卷积核(50-200),能很好去除前景信号,保留低频的亮度变化场,即实现了细胞不均匀背景分布场的提取。因为明场细胞整体比较亮,通过细胞原始图像和细胞背景图像进行除法运算,可将细胞不均匀背景分布场消除,得到背景亮度均匀的结果图像,其中有效保留了尖锐的前景信号,即要分析的细胞信号。
S12、通过高斯滤波去除上述步骤S11所得的高频信号,剩余低频信号的结果图像,再用细胞原始图像减去结果图像得到高频信号,即可得到细胞轮廓信号,将细胞轮廓信号进行一定倍数放大后,再与细胞原始图像叠加,实现细胞边缘轮廓的增强锐化。放大倍数参数可调,用于实现不同程度的增强效果。高斯滤波采用较大的卷积核,有效提取低频信号,用细胞原始图像减去低频信号,可提取感兴趣的高频信号,即细胞轮廓。将细胞轮廓信号进行一定倍数放大,即可增强细胞轮廓强度。最后将增强后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的结果图像,表现为细胞轮廓的对比度大大提升。
S13、通过canny边缘检测算子识别细胞轮廓或内部丝状纹理,边缘强度阈值参数可调,用于实现尽可能丰富的细胞特征提取。canny算子能有效检测到尽可能多的、与实际细胞边缘接近的边缘信息,同时可尽量降低噪声对边缘检测的干扰。检测效果强烈依赖于边缘强度阈值,通过控制边缘强度阈值,可得到尽可能丰富的细胞轮廓等特征信息。明场细胞内部有丝状信号,这一步骤目的在于检出细胞内部的丝状信号有利于填充细胞内部。
S14、通过形态学膨胀运算将细胞特征融合,得到尽可能完整的覆盖细胞的区域,膨胀尺度参数可调,用于实现合适的细胞区域覆盖效果。形态学膨胀是一种求取局部空间最大值的操作,通过一个卷积核与图形卷积,计算一定邻域覆盖区域的像素点最大值,并把这个最大值赋值给参考点指定的像素,如此实现图像中的高亮区域逐渐扩大,即可实现细胞中的不规则缝隙、空洞等的有效填充。填实明场细胞内部,有利于排除细胞内部的丝状信号的干扰,避免把细胞内部的丝状信号当成是细胞轮廓信号。
S15、通过距离变换和基于种子点的分水岭算法对密集的细胞区域进行分割,实现细胞分离。距离变换,可针对二值化图像,将每个前景像素赋值为离它最近的背景像素点与其之间的距离值(一般为欧氏距离),循环处理得到距离矩阵,那么离边界越远的点将会越亮;然后遍历整张图像,找到所有亮度极大值点,作为分水岭算法的种子起点,如此相互重叠黏连的细胞往往会各自得到一个种子起点;然后通过分水岭算法,从每个种子点出发,逐步扩张,当2个种子点所属区域交汇时,该位置作为2个细胞的分界线,如此可将密集细胞进行分离。将密集细胞进行分离,有利于准确识别细胞轮廓,有效提升显微图像的细胞定位、面积及计数准确性。
S16、上述步骤S15细胞分离后,仍然可能存在多个细胞块状聚集的情况,通过连通域分析识别每个细胞区域及轮廓,计算细胞中心点及面积。针对面积太大的情况,采用平均细胞面积进行整除,得到拆分相对合理的细胞面积。基于分水岭结果,通过连通域分析,将相同灰度值的区域逐个分离,计算每个区域的面积,如果面积超过平均细胞面积的2倍以上,则将总面积和平均面积相除,得到其中包含的细胞数量的估计结果,同时得到每个细胞清晰的轮廓。
S17、将上述步骤S16连通域所处理得到的透明、有轮廓线条的细胞轮廓结果图像按细胞初始坐标位置叠加到细胞原始图像进行绘图显示,得到轮廓清晰的细胞融合图,如图2所示,实现细胞检测识别结果的快速展示,方便实际应用。这一步骤,也可以先通过canny边缘检测算子识别出细胞轮廓再进行图像叠加,这样细胞轮廓更清晰更准确。
实施例二
针对荧光细胞图像,通过以下步骤实现显微细胞图像的识别:
S21、获取细胞扫描的初始图像作为细胞原始图像。通过高斯滤波提取细胞背景图像,再用细胞原始图像和细胞背景图像进行除法运算,实现背景图像亮度的均匀化,滤波尺度参数可调,用于实现不同匀化效果。高斯滤波是一种空间滤波器,能有效去除图像中的“尖锐”部分(高频信号),实现图像模糊化效果,即仅保留低频信号。图像不均匀的背景往往对应低频信号,前景信号往往对应高频信号,因此采用较大的卷积核(50-200),能很好去除前景信号,保留低频的亮度变化场,即实现了细胞不均匀背景分布场的提取。因为荧光细胞背景比较暗,通过细胞原始图像和细胞背景图像进行减法运算,可将细胞不均匀背景分布场消除,得到背景亮度均匀的结果图像,其中有效保留了尖锐的前景信号,即要分析的细胞信号。
S22、通过高斯滤波去除上述步骤S21所得的高频信号,剩余低频信号的结果图像,再用细胞原始图像减去结果图像得到高频信号,即可得到细胞轮廓信号,将细胞轮廓信号进行一定倍数放大后,再与细胞原始图像叠加,实现细胞边缘轮廓的增强锐化。放大倍数参数可调,用于实现不同程度的增强效果。高斯滤波采用较大的卷积核,有效提取低频信号,用细胞原始图像减去低频信号,可提取感兴趣的高频信号,即细胞轮廓。将细胞轮廓信号进行一定倍数放大,即可增强细胞轮廓强度。最后将增强后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的结果图像,表现为细胞轮廓的对比度大大提升。
S23、通过分水岭算法对密集的细胞区域进行分割,实现细胞分离。距离变换,可针对二值化图像,将每个前景像素赋值为离它最近的背景像素点与其之间的距离值(一般为欧氏距离),循环处理得到距离矩阵,那么离边界越远的点将会越亮;然后遍历整张图像,找到所有亮度极大值点,作为分水岭算法的种子起点,如此相互重叠黏连的细胞往往会各自得到一个种子起点;然后通过分水岭算法,从每个种子点出发,逐步扩张,当2个种子点所属区域交汇时,该位置作为2个细胞的分界线,如此可将密集细胞进行分离。将密集细胞进行分离,有利于准确识别细胞轮廓,有效提升显微图像的细胞定位、面积及计数准确性。
S24、上述步骤S23细胞分离后,仍然可能存在多个细胞块状聚集的情况,通过连通域分析识别每个细胞区域及轮廓,计算细胞中心点及计数。针对面积太大的情况,采用平均细胞面积进行整除,得到拆分相对合理的细胞面积及计数。基于分水岭结果,通过连通域分析,将相同灰度值的区域逐个分离,计算每个区域的面积,如果面积超过平均细胞面积的2倍以上,则将总面积和平均面积相除,得到其中包含的细胞数量的估计结果,同时得到每个细胞清晰的轮廓。
S25、通过canny边缘检测算子识别步骤S24所得的细胞轮廓,并按细胞初始坐标位置叠加到细胞原始图像进行绘图显示,得到轮廓清晰的细胞融合图,如图3所示,实现细胞检测识别结果的快速展示。canny算子能有效检测到尽可能多的、与实际细胞边缘接近的边缘信息,同时可尽量降低噪声对边缘检测的干扰。检测效果强烈依赖于边缘强度阈值。通过控制边缘强度阈值,可得到尽可能准确的细胞轮廓信息。将细胞轮廓结果图像和原始图像按照颜色融合叠加,可快速得到检测结果和原图对应的融合图,方便实际应用。
一种计算机设备,计算机设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的显微细胞图像的识别方法。
一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的显微细胞图像的识别方法。
本发明的实施方式不限于此,按照本发明的上述内容,利用本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,本发明还可以做出其它多种形式的修改、替换或组合,均落在本发明权利保护范围之内。
Claims (10)
1.一种显微细胞图像的识别方法,其特征在于,包括以下步骤:
提取细胞背景图像,用细胞原始图像和细胞背景图像进行运算,得到细胞信号图像;
提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像;
对密集的细胞区域进行分割,实现细胞分离;
将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加,得到轮廓清晰的细胞融合图。
2.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,在对密集的细胞区域进行分割,实现细胞分离这一步骤之后,
通过连通域分析识别每个细胞区域及轮廓,计算细胞中心点及计数,针对细胞面积大的情况,采用平均细胞面积进行整除,得到拆分相对合理的细胞面积及计数。
3.根据权利要求2所述的显微细胞图像的识别方法,其特征在于,所述提取细胞轮廓信号,将细胞轮廓信号进行放大,将放大后的细胞轮廓信号与细胞原始图像相加,即可得到轮廓增强的细胞图像这一步骤之后,
通过canny边缘检测算子识别细胞轮廓或内部丝状纹理,用于实现细胞特征的提取;
通过形态学膨胀运算将细胞特征融合,实现细胞内部的有效填充。
4.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,所述提取细胞轮廓信号的步骤为:通过高斯滤波去除高频信号,剩余低频信号的结果图像,再用细胞原始图像减去结果图像得到高频信号,即可得到细胞轮廓信号。
5.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,所述提取细胞背景图像通过高斯滤波进行提取,用细胞原始图像和细胞背景图像进行除法运算得到细胞信号图像。
6.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,所述提取细胞背景图像通过高斯滤波进行提取,用细胞原始图像和细胞背景图像进行减法运算得到细胞信号图像。
7.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,通过分水岭算法对密集的细胞区域进行分割,实现细胞分离。
8.根据权利要求1所述的显微细胞图像的识别方法,其特征在于,所述将细胞分离后的细胞轮廓结果图像和细胞原始图像进行叠加之前,先通过canny边缘检测算子识别出细胞轮廓再进行图像叠加。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一项所述的显微细胞图像的识别方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的显微细胞图像的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729291.9A CN116189178A (zh) | 2022-12-30 | 2022-12-30 | 一种显微细胞图像的识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729291.9A CN116189178A (zh) | 2022-12-30 | 2022-12-30 | 一种显微细胞图像的识别方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116189178A true CN116189178A (zh) | 2023-05-30 |
Family
ID=86448152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211729291.9A Pending CN116189178A (zh) | 2022-12-30 | 2022-12-30 | 一种显微细胞图像的识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189178A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101005568A (zh) * | 2006-01-16 | 2007-07-25 | 索尼株式会社 | 处理图像的装置、方法和程序及存储该程序的记录介质 |
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 |
CN110838126A (zh) * | 2019-10-30 | 2020-02-25 | 东莞太力生物工程有限公司 | 细胞图像分割方法、装置、计算机设备和存储介质 |
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 |
CN110956612A (zh) * | 2019-10-31 | 2020-04-03 | 华侨大学 | 一种细胞快速计数方法、计算机设备及可读存储介质 |
CN111583178A (zh) * | 2020-04-02 | 2020-08-25 | 电子科技大学 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
CN111583227A (zh) * | 2020-05-08 | 2020-08-25 | 华侨大学 | 一种荧光细胞自动计数方法、装置、设备和介质 |
CN112257729A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112991213A (zh) * | 2021-03-12 | 2021-06-18 | 宁波大学 | 细胞计数方法 |
CN112991306A (zh) * | 2021-03-25 | 2021-06-18 | 华南理工大学 | 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 |
CN113222969A (zh) * | 2021-05-28 | 2021-08-06 | 大连海事大学 | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 |
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和*** |
CN114004774A (zh) * | 2021-10-29 | 2022-02-01 | 中南大学 | 一种快速的彩色素描图像生成算法 |
CN115393375A (zh) * | 2022-08-17 | 2022-11-25 | 华侨大学 | 荧光显微成像中明场细胞图像分割方法和装置 |
-
2022
- 2022-12-30 CN CN202211729291.9A patent/CN116189178A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101005568A (zh) * | 2006-01-16 | 2007-07-25 | 索尼株式会社 | 处理图像的装置、方法和程序及存储该程序的记录介质 |
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 |
CN110838126A (zh) * | 2019-10-30 | 2020-02-25 | 东莞太力生物工程有限公司 | 细胞图像分割方法、装置、计算机设备和存储介质 |
CN110956612A (zh) * | 2019-10-31 | 2020-04-03 | 华侨大学 | 一种细胞快速计数方法、计算机设备及可读存储介质 |
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 |
CN111583178A (zh) * | 2020-04-02 | 2020-08-25 | 电子科技大学 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
CN111583227A (zh) * | 2020-05-08 | 2020-08-25 | 华侨大学 | 一种荧光细胞自动计数方法、装置、设备和介质 |
CN112257729A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112991213A (zh) * | 2021-03-12 | 2021-06-18 | 宁波大学 | 细胞计数方法 |
CN112991306A (zh) * | 2021-03-25 | 2021-06-18 | 华南理工大学 | 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 |
CN113222969A (zh) * | 2021-05-28 | 2021-08-06 | 大连海事大学 | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 |
CN114004774A (zh) * | 2021-10-29 | 2022-02-01 | 中南大学 | 一种快速的彩色素描图像生成算法 |
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和*** |
CN115393375A (zh) * | 2022-08-17 | 2022-11-25 | 华侨大学 | 荧光显微成像中明场细胞图像分割方法和装置 |
Non-Patent Citations (1)
Title |
---|
康世英 等: "基于MATLAB的牛乳体细胞快速计数方法", 《电脑知识与技术》, vol. 14, no. 26, pages 216 - 217 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN108682008A (zh) | 一种白细胞图像清晰度评价方法及装置 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
KR20200082746A (ko) | 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템 | |
CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN109063564B (zh) | 一种目标变化检测方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
JPH0961138A (ja) | ひび割れ抽出装置 | |
CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
CN116189178A (zh) | 一种显微细胞图像的识别方法、设备及存储介质 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及*** | |
CN112270683B (zh) | 一种ihc数字预览图识别和组织前景分割方法及*** | |
CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 |
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 |