DE202016008010U1 - Image Analysis System - Google Patents
Image Analysis System Download PDFInfo
- Publication number
- DE202016008010U1 DE202016008010U1 DE202016008010.6U DE202016008010U DE202016008010U1 DE 202016008010 U1 DE202016008010 U1 DE 202016008010U1 DE 202016008010 U DE202016008010 U DE 202016008010U DE 202016008010 U1 DE202016008010 U1 DE 202016008010U1
- Authority
- DE
- Germany
- Prior art keywords
- image
- grayscale
- analysis system
- binary
- components
- 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
- 238000010191 image analysis Methods 0.000 title claims abstract description 46
- 239000007788 liquid Substances 0.000 claims abstract description 76
- 238000000149 argon plasma sintering Methods 0.000 claims abstract description 61
- 230000003287 optical effect Effects 0.000 claims abstract description 59
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims abstract description 27
- 239000002131 composite material Substances 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 230000003760 hair shine Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 7
- 241000023320 Luma <angiosperm> Species 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 229920001817 Agar Polymers 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 241001136792 Alle Species 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 208000002352 blister Diseases 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N21/03—Cuvette constructions
- G01N2021/0346—Capillary cells; Microcells
- G01N2021/035—Supports for sample drops
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Bildanalysesystem, umfassend: a. eine Videokamera, die YUV-Farbbilder einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe aufnimmt, wobei die Farbbilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint; und b. einen Prozessor, der so eingerichtet ist, um i) ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten aus den YUV-Farbbildern zu erlangen und ii) wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten zu erlangen.An image analysis system comprising: a. a video camera that captures YUV color images of a liquid sample located between an upper pedestal and a lower pedestal, the color images being captured while a light source is shining light through an optical path between the upper and lower pedestals; and b. a processor adapted to i) obtain an image with grayscale components and an image with light diffusing components from the YUV color images, and ii) obtain at least one binary image of the image with grayscale components and at least one binary image of the image with light scattering components.
Description
GEBIET DER ERFINDUNGFIELD OF THE INVENTION
Die Erfindung betrifft allgemein die Analyse eines Bilds einer Säule einer Flüssigkeitsprobe.The invention relates generally to the analysis of an image of a column of a liquid sample.
HINTERGRUNDBACKGROUND
Flüssigkeiten, Gemische, Lösungen und Reaktionsgemische werden häufig durch optische Verfahren wie beispielsweise die Spektrophotometrie untersucht. Um Proben dieser Flüssigkeiten zu untersuchen, ist die Flüssigkeit in der Regel in einem als Zelle oder Küvette bezeichneten Gefäß enthalten, deren zwei oder mehrere Seiten von optischer Qualität sind und die zur Untersuchung der darin enthaltenen Flüssigkeit notwendigen Wellenlängen durchlassen. Beim Umgang mit sehr kleinen Probenvolumina, zum Beispiel von 1 bis 2 Mikrolitern, ist es schwierig, Zellen oder Küvetten zu erzeugen, die klein genug sind, um befüllt zu werden und die Verwendung des als Industrienorm geltenden optischen Wegs von 1 cm zu gestatten. Es ist außerdem schwierig und/oder zeitaufwändig, diese Zellen oder Küvetten zur Verwendung mit einer weiteren Probe zu reinigen.Liquids, mixtures, solutions and reaction mixtures are frequently examined by optical methods such as spectrophotometry. In order to examine samples of these liquids, the liquid is typically contained in a vessel called a cell or cuvette, the two or more sides of which are of optical quality and pass the wavelengths necessary to study the liquid contained therein. When dealing with very small sample volumes, for example from 1 to 2 microliters, it is difficult to produce cells or cuvettes that are small enough to be filled and allow use of the industry standard 1 cm optical path. It is also difficult and / or time-consuming to cleanse these cells or cuvettes for use with another sample.
Wie in
Die Platzierung der Flüssigkeitsprobe wird erreicht, indem der Anwender manuell eine Probe (üblicherweise einen Mikroliter oder zwei) direkt auf die untere Probenschnittstelle pipettiert. Die Extinktion der Probe wird gemessen, indem der negative Logarithmus des Verhältnisses zwischen der Lichtmenge (I0), die in Abwesenheit der Probe durch das System übertragen wird, und der Lichtmenge (I), die bei Vorhandensein der Probe in der Probenschnittstelle durch das System übertragen wird, erfasst wird. Nach dem Lambert-Beerschen Gesetz ist unter normalen Bedingungen die Lichtmenge, die bei Vorhandensein der Probe in der Probenschnittstelle durch das System übertragen wird, direkt proportional zur Weglänge und Konzentration der Probe.Placement of the fluid sample is accomplished by manually pipetting a sample (typically one microliter or two) directly onto the lower sample interface. The absorbance of the sample is measured by transmitting the negative logarithm of the ratio between the amount of light (I0) transmitted through the system in the absence of the sample and the amount of light (I) passing through the system in the presence of the sample in the sample interface is, is detected. Under Lambert-Beer's law, under normal conditions, the amount of light transmitted through the system when the sample is present in the sample interface is directly proportional to the pathlength and concentration of the sample.
Gelegentlich jedoch liegt ein Zustand vor, bei dem die durch das System übertragene Lichtmenge von physikalischen Faktoren beeinflusst wird, unter anderem unterbrochene oder deformierte Probensäulen, Fehlplatzierung der Probe auf der Schnittstelle und Blasen in der Probe. In den meisten Fällen werden diese Faktoren durch Benutzerfehler beim Pipettieren verursacht. In diesen Fällen wird das Licht aus der lichtübertragenden Schnittstelle sowohl von der Probe absorbiert als auch entweder gestreut oder von seinem ursprünglichen Strahlengang abgelenkt, was dazu führt, dass eine Lichtmenge in die lichtempfangende Schnittstelle einfällt, die nicht mehr proportional zur Weglänge und Konzentration der Probe ist. Das Endresultat ist eine ungenaue photometrische Messung der interessierenden Flüssigkeitsprobe.Occasionally, however, there is a condition in which the amount of light transmitted through the system is affected by physical factors, including broken or deformed sample columns, misplacement of the sample on the interface, and bubbles in the sample. In most cases these factors are caused by user errors during pipetting. In these cases, the light from the light-transmitting interface is both absorbed by the sample and either scattered or deflected from its original beam path, resulting in an amount of light entering the light-receiving interface that is no longer proportional to the pathlength and concentration of the sample , The end result is an inaccurate photometric measurement of the liquid sample of interest.
Die Detektion dieser Zustände ist schwierig, teilweise aufgrund der sehr kurzen Weglänge. Daher besteht ein Bedarf an einem Bildanalysesystem zur Bildanalyse der Säule der Flüssigkeitsprobe.The detection of these conditions is difficult, in part because of the very short path length. Therefore, a need exists for an image analysis system for image analysis of the column of the liquid sample.
ZUSAMMENFASSUNGSUMMARY
In einer Ausführungsform beinhaltet ein Bildanalysesystem eine Videokamera, die YUV-Farbbilder einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe aufnimmt, wobei die Farbbilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint, und einen Prozessor, der so eingerichtet ist, um i) von den YUV-Farbbildern ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten zu erhalten und ii) wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten zu erhalten. Der Prozessor kann ferner so eingerichtet werden, um einen Bereich von Interesse zu detektieren, der eine Position des oberen und des unteren Sockels anhand eines Bilds mit Graustufenkomponenten beinhaltet. Das Bildanalysesystem kann einen homogenen reflektierenden Hintergrund beinhalten, wie beispielsweise einen hellgrauen homogenen reflektierenden Hintergrund, zum Beispiel einen hellgrauen homogenen reflektierenden Hintergrund mit 82% Helligkeit und 12% Glanz.In one embodiment, an image analysis system includes a video camera that captures YUV color images of a liquid sample located between an upper pedestal and a lower pedestal, wherein the color images are captured while a light source receives light through an optical path between the upper and lower pedestals, and a processor arranged to i) obtain from the YUV color images a gray scale component image and a light scattering component image, and ii) at least one binary image of the gray level component image and at least one Get binary image of the image with light-scattering components. The processor may be further configured to detect a region of interest that includes a position of the top and bottom pedestals based on an image having gray scale components. The image analysis system may include a homogeneous reflective background, such as a light gray homogeneous reflective background, for example a light gray homogeneous reflective background with 82% brightness and 12% gloss.
In einigen Ausführungsformen kann die Videokamera die YUV-Farbbilder aus einem Kamera-Videostream aufnehmen. In diesen spezifischen Ausführungsformen kann der Prozessor ferner so eingerichtet werden, um das Bild mit Graustufenkomponenten anhand eines Durchschnitts von Y-Komponenten der YUV-Farbbilder und das Bild mit lichtstreuenden Komponenten anhand einer Maximum-U-Komponente der YUV-Farbbilder zu erhalten.In some embodiments, the video camera may capture the YUV color images from a camera video stream. In these specific embodiments, the processor may be further configured to obtain the gray level component image based on an average of Y components of the YUV color images and the image with light scattering components based on a maximum U component of the YUV color images.
Bei bestimmten Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein erstes Binärbild des Bilds mit Graustufenkomponenten beinhalten, das durch Anwendung eines dynamischen Schwellenwerts erhalten wird, der durch eine Interpolation zwischen Schwankungs-Schwellenwerten des linken und rechten Hintergrunds im Bild mit Graustufenkomponenten erhalten wird. In diesen spezifischen Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zweites Binärbild eines isotropen Graustufen-Gradientenbilds beinhalten, wobei das isotrope Graustufen-Gradientenbild durch Verwendung des Bilds mit Graustufenkomponenten und einem statischen Schwellenwert erhalten wird, der auf Rauschstatistiken zum Hintergrund isotroper Gradientenbilder beruht. Bei einigen dieser spezifischen Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zusammengesetztes Binärbild beinhalten, das anhand einer Kombination des ersten und zweiten Binärbildes erhalten wird. Der Prozessor kann ferner so eingerichtet werden, um die Position einer Säule der Flüssigkeitsprobe und die Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds zu detektieren. Der Prozessor kann ferner auch so eingerichtet werden, um die Schiefe und/oder Unversehrtheit der Säule der Flüssigkeitsprobe anhand des zusammengesetzten Binärbilds zu detektieren.In certain embodiments, the at least one binary image of the grayscale component image may include a first binary image of the grayscale component image obtained by applying a dynamic threshold obtained by interpolating between left and right background fluctuation thresholds in the grayscale component image. In these specific embodiments, the at least one binary image of the grayscale component image may include a second binary image of an isotropic grayscale gradient image, wherein the grayscale isotropic gradient image is obtained by using the grayscale component image and a static threshold based on background isotropic gradient image noise statistics , In some of these specific embodiments, the at least one binary image of the gray level component image may include a composite binary image obtained from a combination of the first and second binary images. The processor may be further configured to detect the position of a column of the liquid sample and the position of the optical beam path based on the composite binary image. The processor may also be arranged to detect the skewness and / or integrity of the column of fluid sample from the composite binary image.
In einer anderen Ausführungsform beinhaltet ein Verfahren zur Bildanalyse die Aufnahme von YUV-Farbbildern einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe, wobei die Farbbilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint. Das Verfahren beinhaltet ferner die Erlangung eines Bilds mit Graustufenkomponenten und eines Bilds mit lichtstreuenden Komponenten aus den YUV-Farbbildern und die Erlangung wenigstens eines Binärbildes des Bilds mit Graustufenkomponenten und wenigstens eines Binärbildes des Bilds mit lichtstreuenden Komponenten. Das Verfahren beinhaltet dann die Detektion eines Bereichs von Interesse, der eine Position des oberen und des unteren Sockels anhand des Bilds mit Graustufenkomponenten beinhaltet sowie die Weitergabe einer zusammenfassenden Bildanalyse an ein Display. Das Aufnehmen von YUV-Farbbildern kann das Aufnehmen der YUV-Farbbilder aus einem Kamera-Videostream beinhalten. Das Erlangen des Bilds mit Graustufenkomponenten kann die Mittelung der Y-Komponenten der YUV-Farbbilder beinhalten. Das Erlangen des Bilds mit lichtstreuenden Komponenten kann das Auswählen einer Maximum-U-Komponente aus den YUV-Farbbildern beinhalten. Die Verarbeitung des Bilds mit Graustufenkomponenten, des Bilds mit lichtstreuenden Komponenten und der Binärbilder, die daraus erhalten werden, wird oben beschrieben.In another embodiment, an image analysis method includes capturing YUV color images of a liquid sample located between an upper pedestal and a lower pedestal, wherein the color images are captured while a light source shines light through an optical path between the upper and lower pedestals. The method further includes obtaining an image having gray scale components and an image having light scattering components from the YUV color images, and obtaining at least one binary image of the image having gray level components and at least one binary image of the image having light scattering components. The method then includes detecting an area of interest that includes a position of the top and bottom pedestals from the image with gray scale components, and passing a summary image analysis to a display. Capturing YUV color images may include capturing the YUV color images from a camera video stream. Obtaining the image with grayscale components may include averaging the Y components of the YUV color images. Obtaining the image with light scattering components may include selecting a maximum U component from the YUV color images. The processing of the image with grayscale components, the image with light scattering components, and the binary images obtained therefrom is described above.
In noch einer weiteren Ausführungsform beinhaltet ein Bildanalysesystem eine Videokamera, die Bilder einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe aufnimmt, wobei die Bilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint, und einen Prozessor, der so eingerichtet ist, jegliche Blase in einer Säule der Flüssigkeitsprobe unter Verwendung der Bilder zu detektieren. In jeder der hier beschriebenen Ausführungsformen ist ein Beispiel für die Lichtquelle, die Licht durch den optischen Strahlenweg zwischen oberem und unterem Sockel hindurch scheint, die Lichtquelle, die Licht quer durch den optischen Strahlenweg zwischen oberem und unterem Sockel hindurch scheint. Die Bilder können YUV-Farbbilder sein und der Prozessor kann ferner so eingerichtet sein, um i) ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten aus den YUV-Farbbildern zu erlangen ii) wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten zu erlangen. Das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten kann ein erstes Binärbild des Bilds mit Graustufenkomponenten beinhalten, das durch Anwendung eines dynamischen Schwellenwerts erhalten wird, der durch eine Interpolation zwischen Schwankungs-Schwellenwerten des linken und rechten Hintergrunds im Bild mit Graustufenkomponenten erhalten wird. Bei einigen Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zweites Binärbild eines isotropen Graustufen-Gradientenbilds beinhalten, wobei das isotrope Graustufen-Gradientenbild durch Verwendung des Bilds mit Graustufenkomponenten und einem statischen Schwellenwert erhalten wird, der auf Rauschstatistiken zum Hintergrund isotroper Gradientenbilder beruht. Das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten kann ein zusammengesetztes Binärbild beinhalten, das aus einer Kombination des ersten und zweiten Binärbildes erhalten wird. Der Prozessor kann ferner so eingerichtet werden, um die Position der Säule der Flüssigkeitsprobe und die Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds zu detektieren. In einigen Ausführungsformen kann der Prozessor ferner so eingerichtet werden, um jegliche Blase in der Säule der Flüssigkeitsprobe zu detektieren unter Anwendung sowohl des Bilds mit Graustufenkomponenten und des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten. Die Anwendung des Bilds mit Graustufenkomponenten kann die Anwendung eines Ringdetektionsfilters auf ein anhand eines Bilds mit Graustufenkomponenten erhaltenes isotropes Graustufen-Gradientenbild beinhalten. Die Anwendung des wenigstens einen binären Bilds mit lichtstreuenden Komponenten kann die Anwendung eines morphologischen Filters auf das wenigstens eine Binärbild des Bilds mit lichtstreuenden Komponenten beinhalten. Bei bestimmten Ausführungsformen kann der Prozessor ferner so eingerichtet werden, um eine Blase in dem optischen Strahlengang von einer Blase außerhalb des optischen Strahlengangs zu unterscheiden unter Verwendung des Bilds mit Graustufenkomponenten, des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten und der berechneten Position des optischen Strahlengangs.In yet another embodiment, an image analysis system includes a video camera that captures images of a fluid sample located between an upper pedestal and a lower pedestal, the images being taken while a light source is shining through an optical path between the upper and lower pedestals, and a video camera A processor configured to detect any bubble in a column of the liquid sample using the images. In each of the embodiments described herein, an example of the light source that shines light through the optical beam path between the upper and lower pedestals is the light source that shines light across the optical beam path between the upper and lower pedestals. The images may be YUV color images, and the processor may be further configured to obtain i) a grayscale component image and a light scattering component image from the YUV color images ii) at least one binary image of the grayscale component image and at least one binary image Obtain image with light-scattering components. The at least one binary image of the grayscale component image may include a first binary image of the grayscale component image obtained by applying a dynamic threshold obtained by interpolating between left and right threshold fluctuation thresholds Background in the image is obtained with grayscale components. In some embodiments, the at least one binary image of the grayscale component image may include a second binary image of an isotropic grayscale gradient image, wherein the grayscale isotropic gradient image is obtained by using the grayscale component image and a static threshold based on background isotropic gradient image noise statistics. The at least one binary image of the gray level component image may include a composite binary image obtained from a combination of the first and second binary images. The processor may be further configured to detect the position of the column of the fluid sample and the position of the optical beam path from the composite binary image. In some embodiments, the processor may be further configured to detect any bubble in the column of the liquid sample using both the image with gray scale components and the at least one binary image of the image with light scattering components. The application of the image with grayscale components may involve the application of a ring detection filter to an isotropic grayscale gradient image obtained from a grayscale component image. The application of the at least one binary image with light scattering components may include applying a morphological filter to the at least one binary image of the light scattering image image. In certain embodiments, the processor may be further configured to distinguish a bubble in the optical path from a bubble outside the optical path using the image with gray scale components, the at least one binary image of the image with light scattering components, and the calculated position of the optical path ,
In noch einer weiteren Ausführungsform beinhaltet ein Verfahren zur Analyse eines Bilds die Aufnahme von Bildern einer zwischen einem oberen und einem unteren Sockel befindlichen Flüssigkeitsprobe, wobei die Bilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint und die Position einer Säule der Flüssigkeitsprobe und die Position des optischen Strahlengangs anhand der Bilder detektiert und jegliche Blase in der Säule der Flüssigkeitsprobe unter Verwendung der Bilder detektiert und eine zusammenfassende Bildanalyse an ein Display weitergibt. Die Aufnahme von Bildern der Flüssigkeitsprobe kann die Aufnahme von YUV-Farbbildern beinhalten, wobei ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten aus den YUV-Farbbildern erhalten wird und wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten erhalten wird. Das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten kann ein erstes Binärbild des Bilds mit Graustufenkomponenten beinhalten, das durch Anwendung eines dynamischen Schwellenwerts erhalten wird, der durch eine Interpolation zwischen Schwankungs-Schwellenwerten des linken und rechten Hintergrunds im Bild mit Graustufenkomponenten erhalten wird. Bei einigen Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zweites Binärbild eines isotropen Graustufen-Gradientenbilds beinhalten, wobei das isotrope Graustufen-Gradientenbild durch Verwendung des Bilds mit Graustufenkomponenten und einem statischen Schwellenwert erhalten wird, der auf Rauschstatistiken zum Hintergrund isotroper Gradientenbilder beruht. Bei bestimmten Ausführungsformen kann das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zusammengesetztes Binärbild beinhalten, das aus einer Kombination des ersten und zweiten Binärbildes erhalten wird. In einigen Ausführungsformen kann das Verfahren ferner das Detektieren der Position einer Säule der Flüssigkeitsprobe und die Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds beinhalten. In bestimmten Ausführungsformen kann das Detektieren jeglicher Blase in der Säule der Flüssigkeitsprobe die Anwendung sowohl des Bilds mit Graustufenkomponenten als auch des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten beinhalten. Die Anwendung des Bilds mit Graustufenkomponenten kann die Anwendung eines Ringdetektionsfilters auf ein anhand eines Bilds mit Graustufenkomponenten erhaltenes isotropes Graustufen-Gradientenbild beinhalten. Die Anwendung des wenigstens einen binären Bilds mit lichtstreuenden Komponenten kann die Anwendung eines morphologischen Filters auf das wenigstens eine Binärbild des Bilds mit lichtstreuenden Komponenten beinhalten. Bei bestimmten Ausführungsformen kann das Verfahren ferner beinhalten, eine Blase in dem optischen Strahlengang von einer Blase außerhalb des optischen Strahlengangs zu unterscheiden unter Verwendung des Bilds mit Graustufenkomponenten, des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten und der berechneten Position des optischen Strahlengangs.In yet another embodiment, a method of analyzing an image includes capturing images of a liquid sample located between upper and lower pedestals, wherein the images are captured while a light source shines through an optical path between the upper and lower pedestals and the light source Detects the position of a column of liquid sample and the position of the optical beam path from the images and detects any bubble in the column of the liquid sample using the images and passes a summary image analysis to a display. The acquisition of images of the liquid sample may include taking YUV color images to obtain an image having grayscale components and an image having light scattering components from the YUV color images and at least one binary image of the image having grayscale components and at least one binary image of the image having light scattering components is obtained. The at least one binary image of the grayscale component image may include a first binary image of the grayscale component image obtained by applying a dynamic threshold obtained by interpolating between left and right background fluctuation thresholds in the grayscale component image. In some embodiments, the at least one binary image of the grayscale component image may include a second binary image of an isotropic grayscale gradient image, wherein the grayscale isotropic gradient image is obtained by using the grayscale component image and a static threshold based on background isotropic gradient image noise statistics. In certain embodiments, the at least one binary image of the gray level component image may include a composite binary image obtained from a combination of the first and second binary images. In some embodiments, the method may further include detecting the position of a column of the liquid sample and the position of the optical beam path based on the composite binary image. In certain embodiments, detecting any bubble in the column of the fluid sample may involve applying both the image with grayscale components and the at least one binary image of the image with light scattering components. The application of the image with grayscale components may involve the application of a ring detection filter to an isotropic grayscale gradient image obtained from a grayscale component image. The application of the at least one binary image with light scattering components may include applying a morphological filter to the at least one binary image of the light scattering image image. In certain embodiments, the method may further include distinguishing a bubble in the optical path from a bubble outside the optical path using the image with gray scale components, the at least one binary image of the image with light scattering components, and the calculated position of the optical path.
Diese Erfindung hat viele Vorteile, beispielsweise ermöglicht sie die Detektion von Zuständen, bei denen die durch das System übertragene Lichtmenge von physikalischen Faktoren beeinflusst wird, unter anderem unterbrochene oder deformierte Probensäulen, Fehlplatzierung der Probe auf der Schnittstelle und Blasen in der Probe.This invention has many advantages, for example, it enables the detection of conditions where the amount of light transmitted through the system is affected by physical factors, including broken or deformed sample columns, misplacement of the sample on the interface, and bubbles in the sample.
Ein Bildanalysesystem beinhaltet eine Videokamera, die YUV-Farbbilder einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe aufnimmt, wobei die Farbbilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint, und einen Prozessor, der so eingerichtet ist, um i) von den YUV-Farbbildern ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten zu erhalten und ii) wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten zu erhalten.An image analysis system includes a video camera that captures YUV color images of a liquid sample located between an upper pedestal and a lower pedestal, capturing the color images while a light source shines light through an optical beam path between upper and lower pedestals, and a processor arranged to i) obtain a grayscale image image and a light scattering image image from the YUV color images, and ii) to obtain at least one binary image of the image with gray scale components and at least one binary image of the image with light scattering components.
Offenbart wird auch ein Verfahren zur Analyse eines Bilds, umfassend:
- a. das Aufnehmen von YUV-Farbbildern einer zwischen einem oberen Sockel und einem unteren Sockel befindlichen Flüssigkeitsprobe, wobei die Farbbilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen oberem und unterem Sockel hindurch scheint;
- b. das Erhalten eines Bilds mit Graustufenkomponenten und eines Bilds mit lichtstreuenden Komponenten anhand der YUV-Farbbilder;
- c. das Erhalten wenigstens eines Binärbilds des Bilds mit Graustufenkomponenten und wenigstens eines Binärbilds des Bilds mit lichtstreuenden Komponenten; und
- d. das Melden einer zusammenfassenden Bildanalyse an ein Display. Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das Aufnehmen von YUV-Farbbildern das Aufnehmen der YUV-Farbbilder aus einem Kamera-Videostream beinhaltet. Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das Erlangen des Bilds mit Graustufenkomponenten die Mittelung von Y-Komponenten der YUV-Farbbilder beinhaltet.
- a. capturing YUV color images of a fluid sample located between an upper pedestal and a lower pedestal, wherein the color images are captured while a light source is shining light through an optical path between the upper and lower pedestals;
- b. obtaining an image with grayscale components and an image with light scattering components from the YUV color images;
- c. obtaining at least one binary image of the image with gray scale components and at least one binary image of the image with light scattering components; and
- d. reporting a summary image analysis to a display. A method of analyzing an image as disclosed above, wherein capturing YUV color images includes capturing the YUV color images from a camera video stream. A method of analyzing an image as disclosed above, wherein obtaining the image with grayscale components includes averaging Y components of the YUV color images.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das Erlangen des Bilds mit lichtstreuenden Komponenten die Auswahl einer Maximum-U-Komponente der YUV-Farbbilder beinhaltet. Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein erstes Binärbild des Bilds mit Graustufenkomponenten beinhaltet, das durch Anwendung eines dynamischen Schwellenwerts erhalten wird, der durch eine Interpolation zwischen Schwankungs-Schwellenwerten des linken und rechten Hintergrunds im Bild mit Graustufenkomponenten erhalten wird. Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zweites Binärbild eines isotropen Graustufen-Gradientenbilds beinhaltet, wobei das isotrope Graustufen-Gradientenbild durch Verwendung des Bilds mit Graustufenkomponenten und einem statischen Schwellenwert erhalten wird, der auf Rauschstatistiken zum Hintergrund isotroper Gradientenbilder beruht. Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zusammengesetztes Binärbild beinhaltet, das aus einer Kombination des ersten und zweiten Binärbildes erhalten wird. Verfahren zur Analyse eines Bilds wie oben offenbart, ferner beinhaltend das Detektieren der Position einer Säule der Flüssigkeitsprobe und der Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds. Verfahren zur Analyse eines Bilds wie oben offenbart, ferner beinhaltend das Detektieren der Schiefe der Säule der Flüssigkeitsprobe anhand des zusammengesetzten Binärbilds. Verfahren zur Analyse eines Bilds wie oben erwähnt, ferner beinhaltend das Bewerten der Unversehrtheit der Säule der Flüssigkeitsprobe anhand des zusammengesetzten Binärbilds.A method of analyzing an image as disclosed above, wherein obtaining the image with light scattering components includes selecting a maximum U component of the YUV color images. A method of analyzing an image as disclosed above, wherein the at least one binary image of the gray level component image includes a first binary image of the gray level component image obtained by applying a dynamic threshold value determined by interpolation between left and right background fluctuation thresholds in FIG Image is obtained with grayscale components. A method of analyzing an image as disclosed above, wherein the at least one binary image of the grayscale component image includes a second binary image of an isotropic grayscale gradient image, wherein the grayscale isotropic gradient image is obtained by using the grayscale component image and a static threshold based on noise statistics to the background isotropic gradient images. A method of analyzing an image as disclosed above, wherein the at least one binary image of the image having gray scale components includes a composite binary image obtained from a combination of the first and second binary images. A method of analyzing an image as disclosed above, further comprising detecting the position of a column of the liquid sample and the position of the optical beam path from the composite binary image. A method of analyzing an image as disclosed above, further comprising detecting the skewness of the column of the liquid sample from the composite binary image. A method of analyzing an image as mentioned above, further comprising evaluating the integrity of the column of liquid sample from the composite binary image.
Offenbart wird auch ein Verfahren zur Analyse eines Bilds, umfassend:
- a. das Aufnehmen von Bildern einer zwischen einem oberen Sockel und einem unteren Sockel eines Spektrometers befindlichen Flüssigkeitsprobe, wobei die Bilder aufgenommen werden, während eine Lichtquelle Licht durch einen optischen Strahlengang zwischen dem oberen und dem unteren Sockel zur photometrischen oder spektrometrischen Messung hindurch scheint;
- b. das Detektieren der Position einer Säule der Flüssigkeitsprobe und der Position des optischen Strahlengangs anhand der Bilder;
- c. das Detektieren jeglicher Blase in der Säule der Flüssigkeitsprobe unter Verwendung der Bilder;
- d. das Melden einer zusammenfassenden Bildanalyse an ein Display.
- a. taking pictures of a liquid sample located between an upper pedestal and a lower pedestal of a spectrometer, the images being taken while a light source is transmitting light through an optical path between the upper and lower pedestals for photometric or spectrometric measurement;
- b. detecting the position of a column of the liquid sample and the position of the optical beam path from the images;
- c. detecting any bubble in the column of the liquid sample using the images;
- d. reporting a summary image analysis to a display.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das Aufnehmen von Bildern der Flüssigkeitsprobe die Aufnahme von YUV-Farbbildern beinhaltet, wobei ein Bild mit Graustufenkomponenten und ein Bild mit lichtstreuenden Komponenten aus den YUV-Farbbildern erhalten wird und wenigstens ein Binärbild des Bilds mit Graustufenkomponenten und wenigstens ein Binärbild des Bilds mit lichtstreuenden Komponenten erhalten wird.A method of analyzing an image as disclosed above, wherein taking images of the liquid sample includes taking YUV color images to obtain an image having gray level components and an image having light scattering components from the YUV color images and at least one binary image of the image having gray level components and at least one binary image of the image with light scattering components is obtained.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein erstes Binärbild des Bilds mit Graustufenkomponenten beinhaltet, das durch Anwendung eines dynamischen Schwellenwerts erhalten wird, der durch eine Interpolation zwischen Schwankungs-Schwellenwerten des linken und rechten Hintergrunds im Bild mit Graustufenkomponenten erhalten wird. A method of analyzing an image as disclosed above, wherein the at least one binary image of the gray level component image includes a first binary image of the gray level component image obtained by applying a dynamic threshold value determined by interpolation between left and right background fluctuation thresholds in FIG Image is obtained with grayscale components.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zweites Binärbild eines isotropen Graustufen-Gradientenbilds beinhaltet, wobei das isotrope Graustufen-Gradientenbild durch Verwendung des Bilds mit Graustufenkomponenten und einem statischen Schwellenwert erhalten wird, der auf Rauschstatistiken zum Hintergrund isotroper Gradientenbilder beruht.A method of analyzing an image as disclosed above, wherein the at least one binary image of the grayscale component image includes a second binary image of an isotropic grayscale gradient image, wherein the grayscale isotropic gradient image is obtained by using the grayscale component image and a static threshold based on noise statistics to the background isotropic gradient images.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das wenigstens eine Binärbild des Bilds mit Graustufenkomponenten ein zusammengesetztes Binärbild beinhaltet, das aus einer Kombination des ersten und zweiten Binärbildes erhalten wird.A method of analyzing an image as disclosed above, wherein the at least one binary image of the image having gray scale components includes a composite binary image obtained from a combination of the first and second binary images.
Verfahren zur Analyse eines Bilds wie oben offenbart, ferner beinhaltend das Detektieren der Position einer Säule der Flüssigkeitsprobe und der Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds.A method of analyzing an image as disclosed above, further comprising detecting the position of a column of the liquid sample and the position of the optical beam path from the composite binary image.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei das Detektieren jeglicher Blase in der Säule der Flüssigkeitsprobe die Anwendung sowohl des Bilds mit Graustufenkomponenten als auch des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten beinhaltet.A method of analyzing an image as disclosed above, wherein detecting any bubble in the column of the liquid sample includes applying both the image with grayscale components and the at least one binary image of the image with light scattering components.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei die Anwendung des Bilds mit Graustufenkomponenten die Anwendung eines Ringdetektionsfilters auf ein anhand eines Bilds mit Graustufenkomponenten erhaltenes isotropes Graustufen-Gradientenbild beinhaltet.A method of analyzing an image as disclosed above, wherein the use of the image with gray scale components includes applying a ring detection filter to an isotropic grayscale gradient image obtained from a grayscale component image.
Verfahren zur Analyse eines Bilds wie oben offenbart, wobei die Anwendung des wenigstens einen binären Bilds mit lichtstreuenden Komponenten die Anwendung eines morphologischen Filters auf das wenigstens eine Binärbild des Bilds mit lichtstreuenden Komponenten beinhaltet.A method of analyzing an image as disclosed above, wherein the application of the at least one binary image having light scattering components includes applying a morphological filter to the at least one binary image of the light scattering image image.
Verfahren zur Analyse eines Bilds wie oben offenbart, ferner beinhaltend die Unterscheidung einer Blase in dem optischen Strahlengang von einer Blase außerhalb des optischen Strahlengangs unter Verwendung des Bilds mit Graustufenkomponenten, des wenigstens einen Binärbilds des Bilds mit lichtstreuenden Komponenten und der berechneten Position des optischen Strahlengangs.A method of analyzing an image as disclosed above, further comprising distinguishing a bubble in the optical path from a bubble outside the optical path using the image with gray scale components, the at least one binary image of the image with light scattering components, and the calculated position of the optical path.
KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
Das Patent bzw. die Datei der Patentanmeldung enthält wenigstens eine in Farbe ausgeführte Zeichnung. Kopien dieses Patents bzw. dieser Veröffentlichung der Patentanmeldung mit Farbzeichnung(en) werden vom Patentamt auf Anfrage und gegen Zahlung der erforderlichen Gebühr bereitgestellt.The patent or file of the patent application contains at least one color drawing. Copies of this patent or this publication of the patent application with color drawing (s) will be provided by the Patent Office upon request and payment of the required fee.
Gleiche Bezugszeichen bezeichnen entsprechende Teile in allen verschiedenen Ansichten der Zeichnungen.Like reference numerals designate corresponding parts throughout the several views of the drawings.
DETAILLIERTE BESCHREIBUNG VON AUSFÜHRUNGSFORMENDETAILED DESCRIPTION OF EMBODIMENTS
In der Beschreibung der vorliegenden Erfindung sollte verständlich sein, dass ein im Singular verwendetes Wort auch dessen Plural-Gegenstück umfasst und ein im Plural verwendetes Wort auch dessen Singular-Gegenstück umfasst, sofern das nicht anderweitig implizit oder explizit verständlich gemacht oder angegeben wird. Außerdem sollte verständlich sein, dass für jede gegebene hier beschriebene Komponente oder Ausführungsform im Allgemeinen jede der für diese Komponenten aufgelisteten möglichen Kandidaten oder Alternativen einzeln oder in Kombination miteinander verwendet werden kann, sofern das nicht anderweitig implizit oder explizit verständlich gemacht oder angegeben wird. Darüber hinaus sollte anerkannt werden, dass die hier gezeigten Figuren nicht notwendigerweise maßstabsgerecht sind, wobei einige der Elemente lediglich zur Erklärung der Erfindung gezeichnet sein können. Auch werden möglicherweise Bezugszeichen innerhalb der verschiedenen Figuren wiederholt, um entsprechende oder analoge Elemente darzustellen. Außerdem sollte verständlich sein, dass jede Liste solcher Kandidaten oder Alternativen lediglich der Veranschaulichung dient und keine Einschränkung darstellt, sofern das nicht anderweitig implizit oder explizit verständlich gemacht oder angegeben wird. Außerdem sollen, sofern nicht anderweitig angegeben, in der Beschreibung und den Ansprüchen verwendete Zahlen zur Angabe von Mengen von Bestandteilen, Inhaltsstoffen, Reaktionsbedingungen und so weiter so verstanden werden, dass sie durch den Begriff „ungefähr” modifiziert werden.In the description of the present invention, it should be understood that a word used in the singular also includes its plural counterpart and a plural used word also includes its singular counterpart unless otherwise implied or explicitly understood or indicated. In addition, it should be understood that for any given component or embodiment described herein, generally, any of the potential candidates or alternatives listed for those components may be used alone or in combination, unless otherwise explicitly or explicitly stated or stated. In addition, it should be appreciated that the figures shown herein are not necessarily to scale, and some of the elements may be drawn only to explain the invention. Also, reference numerals may be repeated within the various figures to represent corresponding or analogous elements. In addition, it should be understood that any list of such candidates or alternatives is illustrative only and not restrictive unless otherwise expressly or explicitly stated or stated. In addition, unless otherwise indicated, numbers used in the specification and claims to indicate amounts of ingredients, ingredients, reaction conditions and so on are to be understood to be modified by the term "about".
Dementsprechend handelt es sich, sofern nicht gegenteilig angegeben, bei den in der Beschreibung und den beigefügten Ansprüchen angegebenen numerischen Parameter um Näherungen, die abhängig von den gewünschten Eigenschaften, die durch den hier präsentierten Gegenstand der Erfindung erzielt werden sollen, abweichen können. Zumindest sollte, und das ist nicht als Versuch zu verstehen, die Anwendung der Äquivalenzdoktrin auf den Umfang der Ansprüche einzuschränken, jeder numerische Parameter mindestens vor dem Hintergrund der Anzahl der angegebenen signifikanten Ziffern und unter Anwendung gewöhnlicher Rundungstechniken ausgelegt werden. Ungeachtet der Tatsache, dass es sich bei den numerischen Bereichen und Parameter, welche den allgemeinen Umfang des hier präsentierten Gegenstands der Erfindung festlegen, um Näherungen handelt, werden die in den konkreten Beispielen genannten numerischen Werte so genau wie möglich angegeben. Alle Zahlenwerte enthalten jedoch inhärent bestimmte Fehler, die notwendigerweise aus der Standardabweichung resultieren, welche in ihren jeweiligen Testmessungen vorlagen.Accordingly, unless indicated to the contrary, the numerical parameters set forth in the specification and the appended claims are approximations that may vary depending on the desired characteristics to be achieved by the subject matter of the invention presented herein. At a minimum, and not to be construed as an attempt to limit the application of the equivalence doctrine to the scope of the claims, each numerical parameter should be construed at least against the background of the number of significant digits indicated and using ordinary rounding techniques. Notwithstanding the fact that the numerical ranges and parameters defining the general scope of the subject matter presented herein are approximations, the numerical values given in the specific examples are given as accurately as possible. However, all numerical values inherently contain certain errors that necessarily result from the standard deviation that existed in their respective test measurements.
In dem Maße, wie die Beliebtheit von UV/Vis-Spektrometern wie beispielsweise dem NanoDropTM (Thermo Electron Scientific Instruments, Madison WI) zunimmt, besteht der Bedarf, die Zuverlässigkeit ihrer Messtechnik zu verbessern, die sich, wie oben erörtert, auf die Oberflächenspannung einer Flüssigkeitsprobe (Tropfen) stützt. Ein Problem ist, dass sich die spektrale Messung des Flüssigkeitstropfens (Säule) durch Unebenheit der Form der Flüssigkeitssäule und ihre Position während der Messung verschlechtern kann. Die Flüssigkeitssäule kann deformiert (schief), seitlich versetzt (relativ zum Lichtweg des Instruments) sein, Blasen oder andere Einschlüsse enthalten oder die Flüssigkeitssäule kann gar unterbrochen sein. Derzeit verfügbare Instrumente sind nicht in der Lage, diese Probleme automatisch zu erkennen und zu melden, während die Sichtprüfung der Form des Flüssigkeitstropfens sehr begrenzt und unzuverlässig ist. Die hier beschriebene Ausführung beinhaltet eine hochauflösende Videokamera vor dem Probenkompartiment, mit Fokus auf der Flüssigkeitssäule, und nutzt Bilderkennungsalgorithmen zur automatischen Erkennung der Fehler der Flüssigkeitssäule und zu deren Meldung an den Anwender des Instruments. Das Bildanalysesystem beinhaltet auch die Messung und Meldung von Streulicht, das durch Blasen enthaltende Flüssigkeit entsteht, was die Messung verschlechtert. Die Videokamera und das Spektrometer sind miteinander synchronisiert und jede spektrale Messung geht mit einer Qualitätsmetrik des Säulenbilds einher.As the popularity of UV / Vis spectrometers such as the NanoDrop ™ (Thermo Electron Scientific Instruments, Madison WI) increases, there is a need to improve the reliability of their metrology, which, as discussed above, is sensitive to surface tension a liquid sample (drops). One problem is that the spectral measurement of the liquid drop (column) may deteriorate due to unevenness in the shape of the liquid column and its position during the measurement. The Liquid column may be deformed (skewed), laterally offset (relative to the light path of the instrument), contain bubbles or other inclusions, or the liquid column may even be broken. Currently available instruments are unable to automatically detect and report these issues, while visual inspection of the shape of the liquid drop is very limited and unreliable. The embodiment described herein includes a high resolution video camera in front of the sample compartment, with focus on the liquid column, and uses image recognition algorithms to automatically detect the fluid column errors and report them to the instrument user. The image analysis system also includes the measurement and reporting of stray light produced by bubbles containing liquid, which degrades the measurement. The video camera and the spectrometer are synchronized with each other and each spectral measurement is accompanied by a quality metric of the column image.
Die Qualität der Messung hängt von der Qualität der gemessenen Flüssigkeitssäule
Die möglichen Säulenfehler können in folgende Kategorien zusammengefasst werden:
Schiefe und seitlich versetzte Säule. Beispiele dieser Fehler sind in
Blasen enthaltende Säule oder Säule mit Einschlüssen. Siehe
Leaning and laterally offset column. Examples of these errors are in
Bubble-containing column or column with inclusions. Please refer
Unterbrochene Säule oder leeres Kompartiment (kein Flüssigkeitstropfen). Dies ist ein Abbruchfehler – es wird keine Messung der Säulenqualität vorgenommen. Siehe
Wieder zurück zu
Das Kameravideo kann von dem Anwender des Instruments kontrolliert werden; ein genauerer und bequemerer Weg ist jedoch die Verwendung maschineller Bilderkennungsalgorithmen. Ein Prozessor
Es wird Streulicht abgestrahlt, während ein Spektrum an einer Säule mit Einschlüssen wie beispielsweise Gas- oder Luftblasen erhalten wird. Der blaue Wellenlängenbereich ist die vorherrschende Komponente der Lichtstreuung wegen der starken (λ–4) Wellenlängenabhängigkeit der Rayleigh-Streuung (kürzere Wellenlängen (blau) sind stärker Rayleigh-gestreut als längere Wellenlängen (rot)). Die resultierende Qualität des Spektrums kann sich infolge des Verlusts der Strahlenenergie, die von den Blasen reflektiert wird, verschlechtern und streut. Mittels Verwendung maschineller Bilderkennungsalgorithmen ist es möglich, die Menge an Streulicht quantitativ zu messen.Stray light is emitted while a spectrum is obtained on a column with inclusions such as gas or air bubbles. The blue wavelength range is the predominant component of light scattering because of the strong (λ -4 ) wavelength dependence of Rayleigh scattering (shorter wavelengths (blue) are more Rayleigh-scattered than longer wavelengths (red)). The resulting quality of the spectrum may degrade and scatter due to the loss of the beam energy reflected from the bubbles. By using machine vision algorithms, it is possible to quantitatively measure the amount of scattered light.
Obwohl es möglich ist, das Original-Farbbild an einem modernen Rechner zu analysieren, hat dies unnötige Komplexität und Redundanz zur Folge. Zur Bildanalyse werden zwei rein intensitätsbezogene (Graustufen-)Bilder auf drei mögliche Arten erzeugt:
- 1. Hat man nur ein RGB-Farbbild (Schnappschuss), wird das Bild extrahiert und die zwei folgenden Komponentenbilder werden erzeugt:
- a. Ein Bild (L) mit Graustufenkomponenten (Luma) wird durch Mittelung der roten (R) und grünen (G) Komponenten des Original-RGB-Bilds erzeugt. Für jedes x, y-positionierte Bildpixel wird folgende Berechnung angewendet:
L(x, y) = (R(x, y) + G(x, y)/2; - b. Das blauchromatische Komponentenbild (S) (für die lichtstreuende Komponente) wird erzeugt durch Verwendung der blauen (B) Originalkomponente des RGB-Bilds und durch Berechnung des folgenden komplementären Bilds für jedes x, y-positionierte Pixel wie folgt:
S(x, y) = max(0, B(x, y) – L(x, y)); - 2. Bei dem YUV-Bildformat (das auf dem Android/Linux-System verfügbar ist) lautet die Berechnung der zwei Komponentenbilder wie folgt:
- a. Das Bild mit Graustufenkomponenten ist die Y-(Luma-)Komponente des Original-YUV-Bilds, das heißt: L(x, y) = Y(x, y);
- b. Das Bild mit lichtstreuender Komponente S wird erzeugt durch Verwendung der U-Chrominanz-Komponente aus dem YUV-Bild und durch Berechnung des folgenden komplementären Bilds für jedes x, y-positionierte Pixel: S(x, y) = max(0, U(x, y) – 128);
- 3. Falls eine Sequenz von YUV-Bildern von unterschiedlichem Blitzlicht aus dem Kamera-Videostream verfügbar ist, der gemäß dem in
8A (Schritt 800 in8B ) gezeigten Diagramm erhalten wird, zum Beispiel 3 Bilder, erfolgt die Berechnung der zwei Komponentenbilder wie folgt: - a. Ein Bild mit Graustufenkomponenten wird als ein Durchschnitt sämtlicher verfügbarer Yi-(Luma)Komponenten der Original-YUV-Bilder der Sequenz errechnet (
Schritt 801 in8B ), das heißt:L(x, y) = (Y1(x, y) + Y2(x, y) + Y3(x, y))/3 - b. Angenommen, Si(x, y) ist die Lichtstreuungs(blauchromatische)intensität für das i-Bild in Pixel (x, y), die anhand der Ui-Komponente und Verwendung der oben genannten Formel (siehe 2.b) berechnet wird. Dann wird das S(x, y)-Bild mit der lichtstreuenden Komponente berechnet durch Annahme des Maximums sämtlicher vorhandener Si(x, y) für jedes Pixel (x, y) wie folgt:
S(x, y) = max(S1(x, y) + S2(x, y) + S3(x, y));
- 1. If you have only one RGB color image (snapshot), the image is extracted and the following two component images are created:
- a. An image (L) with gray scale components (luma) is generated by averaging the red (R) and green (G) components of the original RGB image. For each x, y-positioned image pixel, the following calculation is applied:
L (x, y) = (R (x, y) + G (x, y) / 2; - b. The blue-chromatic component image (S) (for the light-scattering component) is generated by using the blue (B) original component of the RGB image and calculating the following complementary image for each x, y-positioned pixel as follows:
S (x, y) = max (0, B (x, y) - L (x, y)); - 2. For the YUV image format (available on the Android / Linux system), the calculation of the two component images is as follows:
- a. The grayscale component image is the Y (luma) component of the original YUV image, that is: L (x, y) = Y (x, y);
- b. The image with light scattering component S is generated by using the U chrominance component from the YUV image and calculating the following complementary image for each x, y positioned pixel: S (x, y) = max (0, U ( x, y) - 128);
- 3. If a sequence of YUV images of different flashes from the camera video stream is available, following the procedure in
8A (Step 800 in8B ), for example 3 images, the calculation of the two component images is as follows: - a. An image with gray scale components is calculated as an average of all available Y i (luma) components of the original YUV images of the sequence (
step 801 in8B ), this means:L (x, y) = (Y 1 (x, y) + Y 2 (x, y) + Y 3 (x, y)) / 3 - b. Suppose that S i (x, y) is the light scattering (blue-chromatic) intensity for the i-picture in pixels (x, y) calculated from the U i component and using the above formula (see 2.b) , Then, the S (x, y) image with the light scattering component is calculated by taking the maximum of all the existing S i (x, y) for each pixel (x, y) as follows:
S (x, y) = max (S 1 (x, y) + S 2 (x, y) + S3 (x, y));
Das Maximum von Si(x, y) wird dazu verwendet, um das maximale Streulicht zu erhalten, das dem Zeitpunkt der Blitzlichtaufnahme entspricht.The maximum of S i (x, y) is used to obtain the maximum scattered light that corresponds to the time of taking the flash.
Siehe
Die folgenden Schritte bilden den Analysealgorithmus für die Flüssigkeitssäule:
- 1. Angenommen, ein Graustufenbild L der Größe M×N besteht aus Pixeln gi,j,
∊[0, M – 1], j ∊[0, N – 1])0 ≤ gi,j ≤ 255. von 0 bis 255 variieren. - 2. Das extrahierte Graustufenbild L (
9 ) zur Berechnung eines Histogramms, wie in10 gezeigt, von allen Pixeln des Ursprungsbilds verwenden. Das Intensitätsspektrum des Bildhintergrunds (Tmin, Tmax) unter Verwendung des höchstens Intensitätspeaks des Bildhistogramms ermitteln (10 ). Der Hintergrund wird als homogen angenommen, mit einer Gauß'schen Intensitätsverteilung, und es wird angenommen, dass der Hintergrundbereich wenigstens 50% des extrahierten grauen Bilds einnimmt. Die Histogrammparameter kontrollieren: Peak-Position und ihre Breite, um die Hintergrundqualität zu verifizieren. Ist die Peak-Position geringer als 40 (zu dunkel) oder größer als 210 (zu hell) oder ist die Peak-Breite breiter als 80, dann ist der Hintergrund als schlecht zu melden und die restliche Bildanalyse zu überspringen. (Schritte 803 und804 in8B ). - 3. Ein horizontales kumulatives Profil erstellen durch Summierung der absoluten Pixel-Minus-Hintergrundwerte entlang jeder Bildsäule. Das heißt, durch Berechnung von Σjδi,j wobei
- 4. Siehe
12 zu einem Beispiel eines kumulativen Profils, das für das in11 gezeigte Bild berechnet wird. - 5. Die linke und rechte Kante des oberen Sockels des Instruments ermitteln (oberer Teil, siehe
11 ), indem die Kanten der Plateauintensität im Profil ermittelt werden (siehe12 ). Sie entsprechen der Position des oberen Sockels und dessen Durchmesser auf dem Graustufenbild und werden für die Extraktion des Bereichs von Interesse (ROI) verwendet. - 6. Ein neues ROI-Bild extrahieren, das die ermittelten Strukturen (der obere und untere Sockel) einfasst, mit zusätzlicher Verlängerung auf beiden Seiten wie in
13 gezeigt. - 7. Einen horizontalen Gradientenfilter (
Sobel-Operator, siehe Seite 578 in Digital Image Processing, Rafael C. Gonzalez und Richard E. Woods, 2nd Ed., Prentice Hall, 2002 1420 und die obere horizontale Kante des unteren Sockels1410 zu ermitteln und dabei einen Bereich von Interesse zu detektieren, der eine Position des unteren und des oberen Sockels anhand des Bilds mit Graustufenkomponenten beinhaltet, wie in14 gezeigt. - 8. Ein vertikales kumulatives Profil, wie in
15 gezeigt, des Gradientenbilds erzeugen, das in14 gezeigt wird, durch Summierung von Pixelwerten entlang jeder Bildreihe, das heißt Σjg'i,j, wobei g'i,j eine Pixelintensität des Gradientenbilds in der i, j Position ist. - 9. Zwei hauptsächliche Intensitätspeaks
1510 und 1520 im vertikalen kumulativen Profil ermitteln (15 ). Sein rechter (höchster)Peak 1520 entspricht der unteren Kante des oberen Sockels (Obergrenze oder obere horizontale Kante), während der linke(zweiter Intensitäts-)Peak 1510 der oberen Kante des unteren Sockels entspricht (Untergrenze oder untere horizontale Kante). - 10. Die im vorherigen Schritt ermittelten Grenzen verwenden, den vertikalen Teil des ROI-Einzelbilds zur weiteren Verarbeitung extrahieren (
16 ) - 11. Die rechte Kante des oberen Sockels oben auf dem ROI-Bild ermitteln (
16 ). Einen diagonalen 45-Grad-Gradientenfilter auf das Bild anwenden. Den oberen rechten Satz der Gradientenintensitäts-Pixel mit einer diagonalen Strecke versehen, indem die beste Methode der kleinsten Quadrate (Least Squares Fit) für die rechte diagonale Kante1710 gefunden wird (17 ). - 12. Weiter nach der linken Kante des oberen Sockels suchen. Einen diagonalen 135-Grad-Gradientenfilter anwenden. Den oberen linken Satz der Gradientenintensitäts-Pixel mit einer diagonalen 135-Grad-Strecke einsetzen, indem die beste Methode der kleinsten Quadrate (Least Squares Fit) gefunden wird.
18 zeigt sowohl die angepasste linke diagonale Kante1810 als auch die rechte diagonale Kante1820 des oberen Sockels. Unter Verwendung der linken und rechten Enden der gefundenen Segmente den Durchmesser des oberen Sockels inPixeln 1830 und XC die Position der Mitte des optischen Wegs1840 berechnen. Der berechnete Durchmesser des oberen Sockels1830 erlaubt ein exaktes Abstimmen der realen Einheiten der Instrumentenkoordinaten mit den Bild(Pixel)einheiten. Die Mitte XC des optischen Wegs wird zur Bewertung der Position der Säulenstruktur verwendet. - 13. Die zuvor ermittelten diagonalen Kanten des oberen Sockels und die Kenntnis der tatsächlichen Größen von oberem und unterem Sockel verwenden, um das endgültige Arbeits-ROI-Bild zu extrahieren, das sowohl gegenüber dem oberen als auch dem unteren Sockel des Instruments zentriert wird (
Schritt 805 in8B ). Zusätzlich Raum links und rechts des extrahierten ROI-Bilds hinzufügen, um mehr Hintergrundbereich einzuschließen, wie in19 gezeigt. - 14. Hintergrundparameter für den linken und rechten Teil des Bilds berechnen unter Verwendung der rechteckigen linken Hintergrundbereiche
2010 und 2020 sowie der rechteckigen rechten Hintergrundbereiche2030 und 2040 , wo der Hintergrund sein soll (siehe grüne Rechtecke in20 ). Die ausgewählten rechteckigen Hintergrundbereiche ermöglichen es, die Intensitätsspektren des Hintergrunds für die verschiedenen Teile des Graustufenbilds zu schätzen, während sie der Grund für die Belichtungsunterschiede zwischen den linken und rechten Bildteilen sind. - 15. Dann wird ein Schwellenwertverfahren angewendet, um geeignete Binärbilder zu erzeugen (ein Beispiel wird als rote Bildüberlagerung in
20 gezeigt), die für die Säulenpositionierung und Messung verwendet werden. Ein Binärbild ist ein digitales Bild, das nur zwei mögliche Werte für jedes Pixel hat. In der Regel werden diese zwei Werte Vordergrund (Wert = 1) und Hintergrund (Wert = 0) genannt. SieheGonzalez, Seite 595 - 16. Ein erstes Binärbild des Graustufen-ROI-Bilds durch Anwendung der dynamischen Schwellenwertbildung erzeugen, die eine Interpolation zwischen den linken und rechten Hintergrundschwellenwerten verwendet, um einen Schwellenwert für jedes Pixel unabhängig zu berechnen.
21 stellt das dynamische Schwellenwertverfahren für nur eine Reihe2110 des Graustufenbilds dar. Das Schwellenwertband wird durch Verwendung von Mittelwerten und der Gesamtstandardabweichung (σ) von Pixelintensitätswerten aus zwei Hintergrundregionen2120 und2130 (jeweils linke und rechte Rechtecke, die grün gekennzeichnet sind) und der Anwendung einer Interpolation zwischen den oberen und unteren Bandschwellenwerten erzeugt. Die Bandbreite beträgt 6σ. Pixel mit einer Intensität ober- (und unterhalb) des Bands werden einem binären Vordergrund zugeordnet. Zu beachten ist der Unterschied in der Bildhelligkeit zwischen dem linken und rechten Teil des Bilds in21 . Der linke untereSchwellenwert T min2150 wird berechnet durch Verwendung des Mittelwerts des linkenHintergrundbereichs M L2145 und dessen Standardabweichung (σ) als Tmin = ML – 3σ. Der linke obereSchwellenwert T max2140 wird berechnet unter Verwendung derselben Werte wie bei Tmax = ML + 3σ. Die unteren rechten2170 und oberen rechten2160 Schwellenwerte werden berechnet unter Verwendung äquivalenter Formeln und desMittelwerts M R2165 des rechten Hintergrundbereichs und seiner Standardabweichung σ. In dem in21 gezeigten Beispiel betragen die Werte ungefähr ML = 110, MR = 90 und σ = 3,3 für ML und für MR. Die unteren und oberen Bandschwellenwerte für alle Pixel inReihe 2110 zwischen den zweiBändern 2120 und 2130 werden durch Interpolation erhalten. Die Interpolation zwischenden oberen Bandschwellenwerten 2140 und 2160 sowie zwischenden unteren Bandschwellenwerten 2150 und 2170 können eine lineare Interpolation sein, wie in21 gezeigt oder eine andere Funktion, wie beispielsweise ein quadratische Interpolation, wenn eine solche Funktion ein höher auflösendes Binärbild ergibt. - 17. Der
hervorgehobene rote Bereich 2050 , der in20 gezeigt wird, ist der Vordergrund eines ersten Binärbilds des in21 gezeigten Bilds mit Graustufenkomponenten, der nach Anwendung des oben beschriebenen dynamischen Schwellenwertverfahrens auf alle Reihen des Bilds mit Graustufenkomponenten erhalten wird, das in21 gezeigt wird.Der Vordergrund 2050 desBinärbilds 2050 weist viele unzusammenhängende Segmente auf, die manchmal aus dem Bereich der tatsächlichen Säule streuen. In diesem Fall ist es schwierig, diese Segmente säulenförmig zu verbinden. Die . Verbindungen können durch Verwendung eines zweiten Binärbilds hergestellt werden. - 18. Ein zweites Binärbild durch Verwendung eines isotropen Gradienten desselben Bilds mit Graustufenkomponenten erzeugen und die statische Schwellenwertbildung auf Grundlage der Statistik zum Gradientenhintergrund anwenden. Für das isotrope Gradientenbild wird ein Mittelwert von Null angenommen, sodass die Standardabweichung unter Verwendung nur der ausgewählten linken und rechten Rechtecksätze berechnet wird. Eine statistische ± drei Sigma-(σ)Regel wird verwendet, um den Schwellenwert für die Binarisierung zu erzeugen. Das resultierende zweite Binärbild wird in
22 gezeigt, wo es oben auf dem isotropen Gradienten(Dunkel)bild überlagert wird. - 19. Die zwei Binärbilder kombinieren: das erste aus dem Bild mit Graustufenkomponenten und das zweite aus dem isotropen Gradientenbild (oben), um ein zusammengesetztes Binärbild zu ergeben. Die Kombination ermöglicht es, ein vollständigeres Vordergrund-Binärbild aus den unzusammenhängenden Vordergrundsegmenten zu erzeugen.
23 zeigt das auf das Gradientenbild überlagerte kombinierte Binärbild. - 20. Zur weiteren Detektion der Säulenform und zum Auffüllen der Vordergrundhohlräume werden zwei künstliche Vordergrundstreifen
2410 und 2420 hinzugefügt, einer oben2410 und ein anderer unten2420 (durch Setzen der Binärpixel auf den Wert 1).24 zeigt das resultierende, auf das Original-Graustufenbild überlagerte Binärbild. - 21. Zum Auffüllen von Vordergrundlöchern und Glätten unebener Kanten werden morphologische Operationen und eine Auffülloperation verwendet. Siehe
Gonzalez, Seite 528–536 25 zeigt das resultierende, auf das Original-Graustufenbild überlagerte Binärbild. - 22. Die zwei künstlichen Streifen werden entfernt, indem Binärpixel an die oberen und unteren horizontalen Kanten auf den Hintergrundwert (0, transparent) gesetzt werden. Danach wird ein Siebfilter angewendet, um kleine Strukturen zu entfernen, die Bildrauschen verursachen (
Schritt 806 in8B ). Das resultieren Binärbild ergibt eine gute Übereinstimmung zwischen der Vordergrundüberlagerung und der Säulenform (siehe26 ), wobei die Position einer Säule der Flüssigkeitsprobe und die Position des optischen Strahlengangs anhand des zusammengesetzten Binärbilds detektiert wird. - 23. Verbundene Vordergrundobjekt(e) werden extrahiert unter Verwendung eines Extraktionsalgorithmus für verbundene Komponenten (siehe
Gonzalez, Seite 536 32 als Beispiel). Werden keine Objekte gefunden, ist es ein Fall von einem leeren Kompartiment. In den beiden letzten Fällen kann keine weitere Analyse erfolgen und es wird ein Fehlercode gemeldet, um den Anwender zu informieren (Schritt 807 und808 in8B ). - 24. Den Bereich der Säulenform (in Pixeln) anhand des detektieren Binärobjekts
2610 berechnen, wie in26 gezeigt. Zusätzlich dielinke Randposition X L2620 und dierechte Randposition X R2630 des optischen Wegs berechnen, indem das maximale Bereichsrechteck gesucht wird, das indas Binärobjekt 2610 der detektierten Säule eingeschlossen ist. Der Unterschied XR – XL ist der Durchmesser des Lichtwegs (Schritt 809 in8B ). Dieberechnete Mitte X C1840 des optischen Wegs, ein theoretischer maximaler Radius RO des optischen Wegs (in einer Ausführungsform ist RO gleichetwa 1/20stel des berechneten Durchmesser1110 des oberen Sockels), dieSäule X L2620 und XR2630 (die vertikalen Randpositionen des eingeschlossenen Rechtecks) werden zur Berechnung des außermittigen Parameters verwendet. Der Zustand der Schiefe und des seitlichen Versatzes der Säule der Flüssigkeitsprobe werden von dem zusammengesetzten Binärbild detektiert, wenn der Abstand min(XC + RO, XR) – max(XC – RO, XL)geringer als 1,5 R0 ist. Der theoretische und bei XC zentrierte Lichtstrahlgang des Radius RO sollte in den berechneten Lichtweg der Säule (Rechteck) passen mit der Überlappung von wenigstens 1,5 Radiusbreite des Lichtstrahls.
- 1. Assuming that a gray scale image L of size M × N consists of pixels g i, j ,
Ε [0, M-1], j ε [0, N-1]) 0 ≦ g i, j ≦ 255. - 2. The extracted gray scale image L (
9 ) for calculating a histogram, as in10 shown from all pixels of the source image. Determine the intensity spectrum of the image background (T min , T max ) using the maximum intensity peak of the image histogram (10 ). The background is assumed to be homogeneous, with a Gaussian intensity distribution, and it is assumed that the background area occupies at least 50% of the extracted gray image. The histogram parameters control: peak position and its width to verify the background quality. If the peak position is less than 40 (too dark) or greater than 210 (too bright), or if the peak width is wider than 80, then the background is bad and the remaining image analysis is skipped. (Steps 803 and804 in8B ). - 3. Create a horizontal cumulative profile by summing the absolute pixel-minus background values along each image column. That is, by calculating Σ j δ i, j where
- 4. See
12 for an example of a cumulative profile used for the in11 calculated image is calculated. - 5. Determine the left and right edges of the upper base of the instrument (upper part, see
11 ) by determining the edges of the plateau intensity in the profile (see12 ). They correspond to the position of the top pedestal and its diameter on the grayscale image and are used for extraction of the area of interest (ROI). - 6. Extract a new ROI image that fits the identified structures (the top and bottom pedestals), with extra extension on both sides as in
13 shown. - 7. A horizontal gradient filter (
Sobel operator, see page 578 in Digital Image Processing, Rafael C. Gonzalez and Richard E. Woods, 2nd ed., Prentice Hall, 2002 upper pedestal 1420 and the upper horizontal edge of thelower base 1410 and thereby detect a region of interest that includes a position of the lower and upper pedestals from the image with gray scale components, as in14 shown. - 8. A vertical cumulative profile, as in
15 show the gradient image generated in14 by summing pixel values along each image row, that is, Σ j g ' i, j , where g' i, j is a pixel intensity of the gradient image in the i, j position. - 9. Two
major intensity peaks 1510 and1520 in the vertical cumulative profile (15 ). His right (highest)peak 1520 corresponds to the lower edge of the upper base (upper limit or upper horizontal edge), while the left (second intensity) peak1510 the upper edge of the lower base corresponds to (lower limit or lower horizontal edge). - 10. Using the bounds found in the previous step, extract the vertical part of the ROI frame for further processing (
16 ) - 11. Determine the right edge of the top socket at the top of the ROI image (
16 ). Apply a 45 degree diagonal gradient filter to the image. Provide the top right set of gradient intensity pixels with a diagonal stretch using the best least squares fit for the rightdiagonal edge 1710 Is found (17 ). - 12. Continue to search for the left edge of the upper socket. Use a diagonal 135 degree gradient filter. Use the upper left set of gradient intensity pixels with a 135 degree diagonal line by finding the best least squares fit.
18 shows both the adjusted leftdiagonal edge 1810 as well as the rightdiagonal edge 1820 of the upper base. Using the left and right ends of the segments found, the diameter of the top socket inpixels 1830 and X C is the position of the center of theoptical path 1840 to calculate. The calculated diameter of theupper base 1830 allows exact tuning of the real units of the instrument coordinates with the image (pixel) units. The center X C of the optical path is used to evaluate the position of the pillar structure. - 13. Use the previously determined diagonal edges of the top socket and knowledge of the actual top and bottom socket sizes to extract the final working ROI image centered against both the top and bottom pedestal of the instrument (
step 805 in8B ). Additionally, add space to the left and right of the extracted ROI image to include more background area, as in19 shown. - 14. Calculate background parameters for the left and right parts of the image using the rectangular
left background areas 2010 and2020 as well as the rectangularright background areas 2030 and2040 where the background should be (see green rectangles in20 ). The selected rectangular background areas make it possible to estimate the intensity spectra of the background for the different parts of the gray scale image, while they are the reason for the exposure differences between the left and right image parts. - 15. Then, a thresholding method is applied to generate suitable binary images (an example will be described as red image overlay in FIG
20 shown) used for column positioning and measurement. A binary image is a digital image that has only two possible values for each pixel. Typically these two values are called foreground (value = 1) and background (value = 0). Please referGonzalez, page 595 - 16. Generate a first binary image of the grayscale ROI image by applying dynamic thresholding, which uses interpolation between the left and right background thresholds to independently calculate a threshold for each pixel.
21 sets the dynamic threshold method for only onerow 2110 of the grayscale image. The threshold band is calculated by using averages and the total standard deviation (σ) of pixel intensity values from twobackground regions 2120 and2130 (each left and right rectangles, marked green) and the application of an interpolation between the upper and lower band thresholds. The bandwidth is 6σ. Pixels with an intensity above (and below) the band are assigned to a binary foreground. Note the difference in image brightness between the left and right parts of the image in21 , The lowerleft threshold T min2150 is calculated by using the average of the leftbackground area M L2145 and its standard deviation (σ) as T min = M L - 3σ. The upperleft threshold T max2140 is calculated using the same values as T max = M L + 3σ. The lower right2170 and upper right2160 Thresholds are calculated using equivalent formulas and themean M R2165 of the right background area and its standard deviation σ. In the in21 The values shown are approximately M L = 110, M R = 90 and σ = 3.3 for M L and for M R. The lower and upper band thresholds for all pixels inseries 2110 between the twobands 2120 and2130 are obtained by interpolation. The interpolation between theupper band thresholds 2140 and2160 and between thelower band thresholds 2150 and2170 can be a linear interpolation, as in21 or another function, such as quadratic interpolation, if such function yields a higher resolution binary image. - 17. The highlighted
red area 2050 who in20 is the foreground of a first binary image of the in21 with gray scale components obtained after applying the dynamic thresholding method described above to all rows of the gray level component image shown in FIG21 will be shown. Theforeground 2050 of thebinary image 2050 has many disjoint segments, sometimes scattering from the real pillar area. In this case, it is difficult to connect these segments in a columnar shape. The . Connections can be made by using a second binary image. - 18. Generate a second binary image by using an isotropic gradient of the same image with gray scale components and apply static thresholding based on gradient background statistics. For the isotropic gradient image, a mean of zero is assumed so that the standard deviation is calculated using only the selected left and right rectangular sets. A statistical ± three sigma (σ) rule is used to generate the binarization threshold. The resulting second binary image is written in
22 shown superimposed on top of the isotropic gradient (dark) image. - 19. The two binary images combine: the first from the image with grayscale components and the second from the isotropic gradient image (top) to give a composite binary image. The combination makes it possible to produce a more complete foreground binary image from the disjoint foreground segments.
23 shows the combined binary image superimposed on the gradient image. - 20. For further detection of the columnar shape and for filling the foreground cavities, two artificial foreground strips are formed
2410 and2420 added, one above2410 and another below2420 (by setting the binary pixels to the value 1).24 shows the resulting binary image superimposed on the original grayscale image. - 21. For filling foreground holes and smoothing uneven edges, morphological operations and a fill operation are used. Please refer
Gonzalez, pages 528-536 25 shows the resulting binary image superimposed on the original grayscale image. - 22. The two artificial stripes are removed by setting binary pixels at the upper and lower horizontal edges to the background value (0, transparent). Thereafter, a mesh filter is applied to remove small structures causing image noise (
step 806 in8B ). The resulting binary image gives a good match between the foreground overlay and the columnar shape (see26 ), wherein the position of a column of the liquid sample and the position of the optical beam path is detected from the composite binary image. - 23. Connected foreground object (s) are extracted using a connected component extraction algorithm (see
Gonzalez, page 536 32 as an an example). If no objects are found, it is a case of an empty compartment. In the last two cases, no further analysis can be done and an error code is reported to inform the user (step 807 and808 in8B ). - 24. The area of the column shape (in pixels) from the detected
binary object 2610 calculate how in26 shown. In addition, the left edge position X L2620 and the right edge position X R2630 of the optical path by searching the maximum area rectangle that is in thebinary object 2610 the detected column is included. The difference X R - X L is the diameter of the light path (step809 in8B ). Thecalculated center X C1840 of the optical path, a theoretical maximum radius R O of the optical path (in one embodiment, R o is equal to about 1 / 20th of thecalculated diameter 1110 of the upper base), the column X L2620 and X R2630 (the vertical edge positions of the enclosed rectangle) are used to calculate the off-center parameter. The state of skewness and lateral offset of the column of liquid sample are detected from the composite binary image when the distance min (X C + R O , X R ) -max (X C -R O , X L ) is less than 1.5 R is 0 . The theoretical and X C- centered light path of the radius R o should fit into the calculated light path of the column (rectangle) with the overlap of at least 1.5 radius radius of the light beam.
Alternative Bildanalyseverfahren zur Detektion der Form der Flüssigkeitssäule beinhalten die Detektion des interessierenden Objekts wie beispielsweise der Flüssigkeitssäule durch Verwendung von Operatoren zur Kantendetektion, um die Objektkontur zu extrahieren. Diese Operatoren basieren auf der Berechnung des Unterschieds der Pixelintensität zwischen hellen und dunklen Bereichen des Graustufenbilds. Es können mehrere grundlegende (Gradienten) Operatoren zur Kantendetektion angewendet werden: Sobel, Laplacian of Gaussian, Roberts, Prewitt oder ein zusammengesetzter Canny-Algorithmus. Letzterer besteht aus mehreren Schritten, darunter Rauschunterdrückung und dynamische Schwellenwertbildung/Binarisierung. Siehe
Alle diese Gradienten-Schwellenwertverfahren können bei verschwommenen und rauschenden Bildern zu kurz greifen, wie bei einem Beispiel für ein verschwommenes Bild einer Flüssigkeitssäule in
Das Verfahren zur aktiven Konturverfolgung (auch als „Snakes” bezeichnet) kann dazu verwendet werden, um das unzusammenhängende oder rauschende (vorspringende) Konturergebnis zu beheben. Siehe
Ein(v(s)) die interne Energie der aktiven Kontur infolge von Elastizität und Biegung darstellt und Eex(v(s)) die externen (Bild-)Energien darstellt, die auf die Kontur angewendet werden. Die interne Energie wird als die folgende Summe aus zwei Termen definiert:
Der Term erster Ordnung, der durch den α-Koeffizienten kontrolliert wird, passt die Elastizität der aktiven Kontur an. Der Term zweiter Ordnung, der durch den β-Koeffizienten kontrolliert wird, passt die Steifigkeit der aktiven Kontur an. Anders ausgedrückt, der erste Teil hält die aktive Kontur kurz (unterdrückt Dehnen), während der zweite Teil sie gerade hält (unterdrückt Beugen). The first order term, controlled by the α coefficient, adjusts the elasticity of the active contour. The second-order term, controlled by the β-coefficient, adjusts the stiffness of the active contour. In other words, the first part keeps the active contour short (suppresses stretching) while the second part holds it (suppresses bending).
Bei einem Graustufenbild L(x, y), das eine Intensitätsfunktion in jeder (x, y)-Position des Bilds darstellt, wird die (externe) Bildenergie ausgewählt, um eine aktive Kontur zu den Objektkanten zu führen und kann durch zwei Funktionale dargestellt werden (siehe Canny):
Im Fall des Binärbilds B(x, y) können die externen Energien wie folgt formuliert werden:
Der Parameter δ kontrolliert die Glätte entweder des Graustufen- oder des Binärbilds – je größer der δ-Parameter, umso verschwommener die Bilder und ihre Objektkanten. Der Zweck des Parameters δ besteht darin, den Suchbereich für die Optimierung der aktiven Kontur zu erweitern.The parameter δ controls the smoothness of either the grayscale or binary image - the larger the δ parameter, the blurry the images and their edges of the object. The purpose of the parameter δ is to extend the search range for the optimization of the active contour.
Das Minimum von E*v kann durch Verwendung der Euler-Lagrange-Gleichung ermittelt werden:
Angenommen, Fin = αv''(s) – βv''''(s) und Fex = ∇Eex(v(s)), dann kann letztere Gleichung umgeformt werden zu einer Energiebilanzgleichung:
Der Term Fin, stellt die interne Energie dar, die ein Dehnen und Beugen unterdrückt, während die externe Energie Fex die aktive Kontur zu den gewünschten Bildkanten zieht. Die Lösung der obigen Gleichung wird mittels Gradientenverfahren erreicht, das die Konvertierung der aktiven Kontur v in eine Zeitfunktion v(s, t) erfordert. Dann kann die partielle Ableitung von v(s, t) mit Bezug auf t auf beide Seiten der Euler-Lagrange-Gleichung angewendet werden. Nach mehreren Iterationen, wenn die aktive Kontur („Snake”) gegen ein Minimum konvergiert ist, wird ihre Ableitung in Bezug auf die Zeit zu Null und die Gleichung ist gelöst.
Eine numerische Lösung der obigen Gleichung kann gefunden werden, indem die Parameter s und t diskretisiert und die Gleichung numerisch gelöst wird.A numerical solution of the above equation can be found by discretizing the parameters s and t and solving the equation numerically.
Es gibt eine Modifizierung des aktiven Konturmodells, bei dem die Kurve v implizit als Funktion eines neuen Parameters r definiert wird, d. h. s = φ(r). Dann kann das Problem im Sinne einer geodätischen Kontur (GAC) umformuliert werden, die besagt, dass die Optimierung der aktiven Kontur als das Ermitteln einer Kurve von minimaler (geodätischer) Länge unter den definierten Einschränkungen ausgedrückt werden kann. Siehe
In einem anderen Aspekt befassen sich die unten beschriebenen Bildanalyseverfahren mit der Detektion von Einschlüssen (in Form von Blasen) und Streulicht, das die spektralen Messungen beeinträchtigen kann. Es können zwei Parameter gemessen werden, deren Kombination als sinnvoll erachtet werden: einen Wert für das Vorliegen von Blasen und Streulichtintensität.
Ein isotropes Gradientenbild des Bilds mit Graustufenkomponenten wird zur Detektion von Blaseneinschlüssen verwendet (siehe
Eine vereinfachte Erklärung des Ringdetektionsfilters wird in
Die folgenden Schritte bilden den Algorithmus für die Wertberechnung hinsichtlich des Vorliegen von Ringen/Blasen, um jegliche Blase in der Säule der Flüssigkeitsprobe zu detektieren unter Anwendung sowohl des Bilds mit Graustufenkomponenten als auch des Binärbilds des Bilds mit lichtstreuenden Komponenten.
- 1. sukzessive Ringdetektionsfilterung auf ein isotropes Graustufen-Gradientenbild anwenden, das anhand des Bilds mit Graustufenkomponenten erhalten wird (
28 ). - 2. das Ergebnis in den kumulativen Bildwert kumulieren.
- 3. das berechnete Rechteck des Lichtwegs verwenden (2610 erhalten in Schritt
24 oben, in26 gezeigt), um den Anwendungsbereich des Ringdetektionsfilters zu begrenzen. - 4. von einer minimalen Ringfiltergröße (3×3) ausgehen und diese um 2 erhöhen (die nächste ist 5×5) und so weiter, bis der vorgegebene maximale Filterdurchmesser (15×15, zum Beispiel) erreicht ist, um alle möglichen Blasengrößen abzudecken. Während der Berechnung die Werte überspringen, die unter einem bestimmten Schwellenwert liegen, um eine Kumulierung von Werten infolge von Rauschen zu vermeiden. Der Schwellenwert für Rauschen wird anhand von Statistiken zu den rechteckigen Hintergrundbereichen für das Gradientenbild errechnet (
Schritt 810 in8B ). - 5. denselben ROI-Abschnitt (wie der des Bilds mit Graustufenkomponenten, das in
19 gezeigt wird) aus dem Bild mit der lichtstreuenden Komponente extrahieren, um die Intensität der Lichtstreuung in dem Bereich der ermittelten Säulenform zu schätzen.31 zeigt einen Arbeitsablauf für die Messung der Intensität der lichtstreuenden Komponente. Zu beachten ist, dass das Rauschen entfernt wird und dass nur die Streuung von Blasen gemessen wird. - 6. wie in dem Arbeitsablauf in
31 gezeigt, wird das Bild mit lichtstreuenden Komponenten binarisiert, um ein Binärbild mit lichtstreuenden Komponenten unter Verwendung eines Schwellenwerts zu bilden, der unter Verwendung der errechneten Standardabweichung für die ausgewählten rechteckigen Hintergrundbereiche berechnet wird (es wird ein Mittelwert null angenommen, da im Normalfall nicht vom Vorliegen einer blauen Farbe ausgegangen wird). Erneut wird eine statistische ± drei Sigma-(σ)Regel verwendet, um den Schwellenwert für die Binarisierung zu erzeugen. Dann wird ein morphologisches Closing (morphologischer Filter) angewandt, worauf ein Siebfilter zur Entfernung kleiner Partikel folgt. Dann werden der binäre Vordergrund und das berechnete Rechteck des Lichtwegs verwendet, um den Bereich zu begrenzen, in dem die Bildpunkte der Intensität der blauen Komponente aufaddiert werden. Danach wird die resultierende Intensitätssumme normalisiert, um sie für den Wert eins und höher signifikant zu machen (Schritt 811 in8B ). - 7. den Wert für das Vorliegen von Blasen und den Intensitätswert für Streulicht kontrollieren. Wenn beide Werte größer als eins sind, dann den Fehler melden (
Schritt 812 und814 in8B ).
- 1. apply successive ring detection filtering to an isotropic grayscale gradient image obtained from the image with gray scale components (
28 ). - 2. Cumulate the result in the cumulative image value.
- 3. Use the calculated rectangle of the light path (2610 obtained in step
24 above, in26 shown) to limit the scope of the ring detection filter. - 4. Start from a minimum ring filter size (3x3) and increase it by 2 (the next is 5x5) and so on until the predetermined maximum filter diameter (15x15, for example) is reached to cover all possible bubble sizes , During the calculation, skip values below a certain threshold to avoid accumulating values due to noise. The noise threshold is calculated from statistics on the rectangular background areas for the gradient image (
step 810 in8B ). - 5. The same ROI section (as that of the image with grayscale components used in
19 is shown) from the image with the light scattering component to estimate the intensity of light scattering in the region of the detected column shape.31 shows a procedure for measuring the intensity of the light-scattering component. It should be noted that the noise is removed and that only the scattering of bubbles is measured. - 6. as in the workflow in
31 2, the image is binarized with light scattering components to form a binary image with light scattering components using a threshold calculated using the calculated standard deviation for the selected rectangular background areas (averaging zero is assumed, as is normally not the case a blue color is assumed). Again, a statistical ± three sigma (σ) rule is used to generate the binarization threshold. Then a morphological closing (morphological filter) is applied followed by a sieve filter to remove small particles. Then, the binary foreground and the calculated rectangle of the light path are used to delimit the area in which the pixels of the intensity of the blue component are added up. Thereafter, the resulting intensity sum is normalized to make it significant for the value one and higher (step 811 in8B ). - 7. Check the value for the presence of bubbles and the intensity value for scattered light. If both values are greater than one, then report the error (step
812 and814 in8B ).
Um eine Blase im optischen Strahlengang von einer Blase außerhalb des optischen Strahlengangs zu unterscheiden, werden die berechnete Mitte XC
Bilder einer Flüssigkeitssäule mit Blasen, wie in
Betrachten wir nur Kreisformen, obwohl die Hough-Transformation auch bei elliptischen Formen eingesetzt werden kann. Die Hough-Transformation ist anwendbar auf das binarisierte (mit Schwellenwerten gebildete) Bild des Gradientenbilds oder eines Binärbilds der detektierten Blasenkanten. Beispielsweise kann der Canny-Operator zur Kantendetektion verwendet werden und zur Schwellenwertbildung von dieser zu einem Binärbild.Consider only circular shapes, although the Hough transform can also be used for elliptic shapes. The Hough transform is applicable to the binarized (thresholded) image of the gradient image or a binary image of the detected bubble edges. For example, the Canny operator can be used for edge detection and thresholding it to a binary image.
Die Standard-Kreisgleichung hat folgende Form:
Die Hough-Transformation ist anwendbar auf die digitale Form der Kreisgleichung, wo alle Parameter diskret sind: x und y sind Indizes einer Säule und Reihe einer Matrix von binären (0 oder 1) Pixeln, die Parameter a und b sind ebenfalls Indizes (relative Positionen) von Kreismittelpunkten und r verteilt sich auf die möglichen Radien von Kreisen, die in das Bild passen und an interessierende physische Objekte gebunden sind (in diesem Fall Blasen). Die Radien beginnen in der Regel bei einem höheren Wert als eins, da eine Näherung eines Einheitskreises auf dem digitalen Bild zu uneben ist (es stellt ein Quadrat dar). Dann kann jedes binäre Kanten(Kontur)pixel (xi, yi) in eine Näherung eines kreisförmigen Kegels in dem dreidimensionalen (a, b, r) Parameterraum transformiert werden. Wenn alle Konturpunkte auf einem Kreis liegen, dann werden alle seine entsprechenden Kegel sich entsprechend den Parametern des Kreises an einem einzigen Punkt schneiden (ai, bi, ri).The Hough transform is applicable to the digital form of the circle equation, where all parameters are discrete: x and y are indices of a column and row of a matrix of binary (0 or 1) pixels, parameters a and b are also indices (relative positions ) of circle centers and r is distributed among the possible radii of circles which fit in the image and are bound to interesting physical objects (in this case bubbles). The radii usually begin at a value greater than one, since an approximation of a unit circle on the digital image is too uneven (it represents a square). Then, each binary edge (contour) pixel (x i , y i ) may be transformed into an approximation of a circular cone in the three-dimensional (a, b, r) parameter space. If all contour points lie on a circle, then all its corresponding cones will intersect at a single point according to the parameters of the circle (a i , b i , r i ).
Da der Raum digital ist, werden sich die Kegel, welche die digitale Form der Kreisgleichung erfüllen, nicht an einem Bildpunkt schneiden, sondern stattdessen einen kleinen Cluster von Bildpunkten mit einer Dichteverteilung in Form einer Gauß'schen Glocke darstellen, dessen Mitte (dichtester Wert) die resultierenden (ai, bi, ri) Bankoff-Kreise sind. Um den Verteilungsraum zu implementieren, wird ein zusätzlicher Variablenwert (Integer) v benötigt und das Ergebnis der Transformation ist eine dreidimensionale Matrix von Variablenwerten:
Der letzte und schwierigste Teil des Hough-Algorithmus ist die Erkennung der Punkte lokaler Maxima in der resultierenden Matrix V (parametrischer Raum). In der Regel erfordert dies die Anwendung eines zusätzlichen Filters für die endgültige Matrix V. Die resultierenden Punkte lokaler Maxima können erkannt werden durch Anwendung eines Schwellenwerts auf die gefilterte Matrix V und sie stellen alle möglichen kreisförmigen Objekte dar. Aufgrund des Variablenverfahrens funktioniert der Algorithmus selbst bei unvollständigen Bildern oder Bildern mit Rauschen gut.The last and most difficult part of the Hough algorithm is the recognition of the points of local maxima in the resulting matrix V (parametric space). Typically, this requires the application of an additional filter for the final matrix V. The resulting local maxima points can be detected by applying a threshold to the filtered matrix V and representing all possible circular objects. Because of the variable method, the algorithm itself operates at incomplete pictures or pictures with noise good.
Bei dem in Tabelle 1 gezeigten zusammenfassenden Bildanalysebericht werden dem Anwender des Instruments die folgenden Parameter angezeigt: Tabelle 1. Bildanalysebericht
Seitlicher Versatz: zeigt den seitlichen Versatz der Säulenform in Pixeln (siehe
Durchmesser des optischen Wegs: der berechnete Licht-/optische Weg der Säule (umfasster Zylinder) in Pixeln. Siehe Schritt
Wert der Lichtstreuung: gemessene normalisierte Lichtstreuungsintensität, in willkürlichen fraktionierten Einheiten; ein Wert von 1 und größer zeigt in der Regel Blasen-/Einschlussfehler an. Die Berechnung wird oben in Schritt
Wert für das Vorliegen von Blasen: in willkürlichen Einheiten zeigt ein Wert von über 1 das Vorhandensein von Blasen an. Der Wert für das Vorliegen von Blasen wird in Kombination mit dem Wert für Lichtstreuung verwendet, um (fehlerhafte) Säulen mit Blasen zu erkennen. Zu den Details der Parameterberechnung siehe Schritt
Strukturbereich der Säule: gemessener Bereich der berechneten Säulenform in Pixeln.Structure area of the column: measured area of the calculated column shape in pixels.
Länge des optischen Wegs der Säule: gemessene Höhe des berechneten Rechtecks des Lichtwegs in Pixeln, in Schritt
Durchschnittliche ROI-Pixelintensität: durchschnittliche Bildintensität (zwischen 0 und 255), die geeignet ist, um unter- oder überbelichtete Graustufenbilder zu erkennen und die Binarisierungs-Schwellenwerte anzupassen.Average ROI pixel intensity: average image intensity (between 0 and 255) suitable for detecting under- or overexposed grayscale images and adjusting the binarization thresholds.
Der Algorithmus zur Flüssigkeitssäulenanalyse ergibt die folgenden Software-Vervollständigungscodes:
Undefiniert: Ursprungswert, was heißt, dass während der ursprünglichen ROI-Extraktionsphase entweder die Analyse unterbrochen wurde oder fehlschlug (abnormaler Zustand);
OK: normale Säule, gute spektrale Ablesung zu erwarten (Schritt
Fehlerhafte Säule: den Versatzwert, den Wert für das Vorliegen von Blasen und den Lichtstreuungswert kontrollieren, um den Grund herauszufinden (Schritt
Leeres Kompartiment: es wurde keine Flüssigkeitssäule detektiert (Schritt
Unterbrochene Säule: keine Verbindung zwischen den Schnittstellenoberflächen (Schritt
Säule ist zu kurz: zu kurzer Abstand zwischen der Schnittstellenoberfläche (abnormaler Zustand);
Schlechter Hintergrund: die Qualität des Bildhintergrunds ist zu schlecht für die Analyse (abnormaler Zustand) (Schritt
Undefined: source value, meaning that either the analysis was interrupted or failed during the original ROI extraction phase (abnormal state);
OK: normal column, good spectral reading expected (step
Faulty column: Check the offset value, the bubble value, and the light scatter value to find the reason (
Empty compartment: no liquid column was detected (
Broken column: no connection between the interface surfaces (
Column is too short: too short distance between the interface surface (abnormal state);
Bad background: the quality of the image background is too bad for the analysis (abnormal state) (
Während die Erfindung unter Bezug auf beispielhafte Ausführungsformen beschrieben wurde, wird dem Fachmann auf dem Gebiet der Technik verständlich sein, dass verschiedene Änderungen vorgenommen und Elemente davon durch Äquivalente ersetzt werden können, ohne dass damit vom Umfang der vorliegenden Erfindung abgewichen wird. Außerdem werden für den Fachmann auf dem Gebiet der Technik viele Modifizierungen nachvollziehbar sein, um ein bestimmtes Instrument, eine bestimmte Situation oder ein bestimmtes Material an die Lehren der vorliegenden Erfindung anzupassen, ohne dass damit von ihrem wesentlichen Umfang abgewichen wird. Es ist daher beabsichtigt, dass die vorliegende Erfindung nicht auf die konkrete Ausführungsform beschränkt sein soll, die hier als die beste Art zur Ausführung dieser Erfindung in Betracht gezogen wird, sondern dass die vorliegende Erfindung alle Ausführungsformen umfassen soll, die vom Umfang der beigefügten Ansprüche eingeschlossen sind.While the invention has been described with reference to exemplary embodiments, it will be understood by those skilled in the art that various changes may be made and equivalents may be substituted for elements thereof without departing from the scope of the present invention. In addition, many modifications will be apparent to those skilled in the art to a particular instrument, situation or to adapt certain material to the teachings of the present invention without departing from its essential scope. It is therefore intended that the present invention not be limited to the particular embodiment contemplated herein as the best mode for carrying out this invention, but that the present invention cover all embodiments encompassed by the scope of the appended claims are.
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 6628382 B2 [0003] US 6628382 B2 [0003]
Zitierte Nicht-PatentliteraturCited non-patent literature
- Sobel-Operator, siehe Seite 578 in Digital Image Processing, Rafael C. Gonzalez und Richard E. Woods, 2nd Ed., Prentice Hall, 2002 [0080] Sobel operator, see page 578 in Digital Image Processing, Rafael C. Gonzalez and Richard E. Woods, 2nd ed., Prentice Hall, 2002 [0080]
- Gonzalez, Seite 595 [0080] Gonzalez, page 595 [0080]
- Gonzalez, Seite 528–536 [0080] Gonzalez, pages 528-536 [0080]
- Gonzalez, Seite 536 [0080] Gonzalez, page 536 [0080]
- Canny, J., ”A Computational Approach To Edge Detection”, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8(6): 679–698, 1986 [0081] Canny, J., "A Computational Approach To Edge Detection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8 (6): 679-698, 1986 [0081]
- Kass, M.; Witkin, A.; Terzopoulos, D. „Snakes: Active contour models” International Journal of Computer Vision, Vol. 1(4): 321, 1988 [0083] Kass, M .; Witkin, A .; Terzopoulos, D. "Snakes: Active Contour Models" International Journal of Computer Vision, Vol. 1 (4): 321, 1988 [0083]
- Caselles, V, Kimmel, R, und Sapiro, G, ”Geodesic Active Contours”, International Journal of Computer Vision, Vol. 22(1): 61–79, 1997 [0093] Caselles, V, Kimmel, R, and Sapiro, G, "Geodesic Active Contours," International Journal of Computer Vision, Vol. 22 (1): 61-79, 1997 [0093]
- Filiberto P, ”Recognition of Partial Circular Shapes from Segmented Contours”, Computer Vision And Image Understanding, Vol. 63(2), 334–342, 1996 [0099] Filiberto P, "Recognition of Partial Circular Shapes from Segmented Contours", Computer Vision And Image Understanding, Vol. 63 (2), 334-342, 1996 [0099]
Claims (24)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662306786P | 2016-03-11 | 2016-03-11 | |
US62/306,786 | 2016-03-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202016008010U1 true DE202016008010U1 (en) | 2017-04-12 |
Family
ID=58639643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202016008010.6U Active DE202016008010U1 (en) | 2016-03-11 | 2016-12-27 | Image Analysis System |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE202016008010U1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628382B2 (en) | 1999-08-20 | 2003-09-30 | Charles William Robertson | Liquid photometer using surface tension to contain sample |
-
2016
- 2016-12-27 DE DE202016008010.6U patent/DE202016008010U1/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628382B2 (en) | 1999-08-20 | 2003-09-30 | Charles William Robertson | Liquid photometer using surface tension to contain sample |
Non-Patent Citations (8)
Title |
---|
Canny, J., "A Computational Approach To Edge Detection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8(6): 679–698, 1986 |
Caselles, V, Kimmel, R, und Sapiro, G, "Geodesic Active Contours", International Journal of Computer Vision, Vol. 22(1): 61–79, 1997 |
Filiberto P, "Recognition of Partial Circular Shapes from Segmented Contours", Computer Vision And Image Understanding, Vol. 63(2), 334–342, 1996 |
Gonzalez, Seite 528–536 |
Gonzalez, Seite 536 |
Gonzalez, Seite 595 |
Kass, M.; Witkin, A.; Terzopoulos, D. „Snakes: Active contour models" International Journal of Computer Vision, Vol. 1(4): 321, 1988 |
Sobel-Operator, siehe Seite 578 in Digital Image Processing, Rafael C. Gonzalez und Richard E. Woods, 2nd Ed., Prentice Hall, 2002 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69329820T2 (en) | MEAT IMAGE ANALYSIS. | |
DE102010061505B4 (en) | Method for inspection and detection of defects on surfaces of disc-shaped objects | |
US11057599B2 (en) | Image analysis system and method | |
DE10157958B4 (en) | Image processing method and apparatus | |
DE69032834T2 (en) | Method and apparatus for color image signal evaluation | |
DE102011106052B4 (en) | Shadow removal in an image captured by a vehicle based camera using a nonlinear illumination invariant core | |
DE69322095T2 (en) | METHOD AND DEVICE FOR IDENTIFYING AN OBJECT BY MEANS OF AN ORDERED SEQUENCE OF LIMIT PIXEL PARAMETERS | |
DE102013212495A1 (en) | Method and device for inspecting a contoured surface, in particular the underbody of a motor vehicle | |
EP2400458B1 (en) | Method and device for segmenting biological cells in an image | |
DE202009013865U1 (en) | Concept for selecting an optimized evaluation feature subset for inspection of free-form surfaces and concept for inspecting a free-form surface | |
DE112015006378T5 (en) | Image processing apparatus, image processing method and image processing program | |
DE112019005143T5 (en) | SYSTEM FOR CO-REGISTRATION OF MEDICAL IMAGES USING A CLASSIFICATOR | |
DE102010032241A1 (en) | Method for detecting surface defects e.g. cracks at plastic surface of corrugated pipe, involves testing differential image between two partial region images to determine whether coherent regions are provided with grey values | |
DE202023101026U1 (en) | A combined image processing technique and a supervised learning-based system for the grain size distribution of sandy soils | |
DE19951146A1 (en) | Noise reduction in signal from imaging apparatus e.g. for semiconductor device manufacture by replacing gray scale values for pixels lying outside region of acceptable values | |
DE112009005102T5 (en) | Splitting of multipart objects | |
DE202016008010U1 (en) | Image Analysis System | |
DE112019004112T5 (en) | SYSTEM AND PROCEDURE FOR ANALYSIS OF MICROSCOPIC IMAGE DATA AND FOR GENERATING A NOTIFIED DATA SET FOR TRAINING THE CLASSIFICATORS | |
DE102016105102A1 (en) | Method for examining distributed objects | |
EP1154370B1 (en) | Automatic labelling of biological objects on the basis of dynamic colour analysis with subsequent size and shape analysis | |
DE60310120T2 (en) | Automated histological classification of tubules | |
DE112015006015B4 (en) | Cell analyzer and method | |
Liu et al. | Measurement method of the width of the strands of cut tobacco based on digital image processing | |
EP3999838A1 (en) | Method for examining substances, computer program product for use in said method, and mobile electronic device | |
DE20317095U1 (en) | Cast metal part surface error inspection unit has imaging of reflected light with processing algorithm grouping pixels above threshold for error examination and contour construction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R207 | Utility model specification | ||
R150 | Utility model maintained after payment of first maintenance fee after three years | ||
R151 | Utility model maintained after payment of second maintenance fee after six years |