CN111583175B - 一种红细胞图像检测方法及设备、介质 - Google Patents
一种红细胞图像检测方法及设备、介质 Download PDFInfo
- Publication number
- CN111583175B CN111583175B CN202010236853.0A CN202010236853A CN111583175B CN 111583175 B CN111583175 B CN 111583175B CN 202010236853 A CN202010236853 A CN 202010236853A CN 111583175 B CN111583175 B CN 111583175B
- Authority
- CN
- China
- Prior art keywords
- red blood
- image
- blood cell
- erythrocyte
- blood cells
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000003743 erythrocyte Anatomy 0.000 title claims abstract description 388
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000011282 treatment Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 235000002566 Capsicum Nutrition 0.000 claims description 9
- 239000006002 Pepper Substances 0.000 claims description 9
- 235000016761 Piper aduncum Nutrition 0.000 claims description 9
- 235000017804 Piper guineense Nutrition 0.000 claims description 9
- 235000008184 Piper nigrum Nutrition 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 241000722363 Piper Species 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002506 abnormal erythrocyte Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 206010015287 Erythropenia Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请实施例提供了一种红细胞图像检测方法及设备、介质，获取相应的红细胞图像，并根据红细胞图像，得到相应的红细胞灰度化图像；将红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；基于膨胀运算，对红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；将红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；确定红细胞分割图像中的多个连通域；根据红细胞分割图像中的多个连通域，统计红细胞图像中的红细胞数量。通过上述方案，可以很大程度上提高红细胞检测效率、提高红细胞数量统计的准确率、减少受检测环境的影响。
Description
技术领域
本申请涉及生物检测技术领域，尤其涉及一种红细胞图像检测方法及设备、介质。
背景技术
红细胞是人体氧气分子的运输载体，红细胞的含量及形态特征是人体健康的主要参数，红细胞检测是临床病变检验的重要内容。
目前，红细胞检测的主要方式是基于电阻抗的红细胞定量检测方法，用于统计红细胞的数量，但是这种方法受环境影响较大且准确率不高，红细胞数量的统计精度低，无法有效地获取红细胞形态结构。
基于此，如何提高红细胞检测的准确率、提高红细胞数量统计的精度成为重要的技术问题。
发明内容
本说明书实施例提供一种红细胞图像检测方法及设备、介质，用于解决现有技术中的如下技术问题：红细胞检测准确率低、受环境影响较大，红细胞数量统计的精度较低。
本说明书实施例采用下述技术方案：
一种红细胞图像检测方法，所述方法包括：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量。
在一种可能实现的方式中，所述根据红细胞图像，得到相应的红细胞灰度化图像，具体包括：
将所述红细胞图像分解为绿色单通道图像；
对所述绿色单通道图像进行灰度化处理，得到相应的红细胞灰度化图像。
在一种可能实现的方式中，在得到相应的红细胞边缘信息图像之前，所述方法还包括：
对所述红细胞灰度化图像进行滤波处理，以消除所述红细胞灰度化图像的椒盐噪声。
在一种可能实现的方式中，在得到相应的红细胞膨胀融合图像之前，所述方法还包括：
根据预设阈值，对所述红细胞灰度化图像进行阈值分割，获取保留红细胞胞体的红细胞灰度化图像；或者
根据预设阈值，对所述红细胞边缘信息图像进行阈值分割，获取保留红细胞胞体的红细胞边缘信息图像。
在一种可能实现的方式中，在获得红细胞分割图像之前，所述方法还包括：
根据所述红细胞膨胀融合图像进行相应的计算，确定所述红细胞膨胀融合图像中的多个连通域；
确定各连通域的区域面积是否小于相应的预设阈值；
在所述连通域的区域面积小于相应的预设阈值的情况下，对所述连通域进行填充。
在一种可能实现的方式中，所述红细胞包括正常状态红细胞、异常状态红细胞；
所述根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量，具体包括：
计算所述红细胞分割图像中各连通域的圆形度；
在所述连通域的圆形度小于预设阈值的情况下，确定所述连通域为异常状态红细胞，并累计所述异常状态红细胞的数量；
在所述连通域的圆形度大于或等于预设阈值的情况下，确定所述连通域为正常状态红细胞，并累计所述正常状态红细胞的数量。
在一种可能实现的方式中，所述异常状态红细胞至少包括以下一种：碎裂红细胞、变异红细胞。
在一种可能实现的方式中，将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像，具体包括：
基于预设的方向可控滤波器，对所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像。
一种红细胞图像检测设备，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量。
一种红细胞图像检测的非易失性计算机存储介质，存储有计算机可执行的指令，所述计算机可执行指令设置为：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过对红细胞图像依次进行灰度化、边缘检测、膨胀运算、闭运算等处理获得红细胞分割图像，并确定红细胞分割图像中的多个连通域，根据连通域，统计红细胞图像中的红细胞数量。通过该方法，一方面，相较于现有的红细胞图像检测方法，并不限于特定的检测环境，对于检测环境的适应性强，不容易受环境的影响；另一方面，本申请实施例所提供的技术方案，红细胞数量的统计精度高、准确率高，并且相较于现有的红细胞检测技术，更加简单便捷，从而提高红细胞检测效率，增强用户使用体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种红细胞图像检测方法的流程图；
图2为本申请实施例提供的结构元素示意图；
图3为本说明书实施例提供的一种红细胞图像检测设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
红细胞检测是临床病变检验中的重要内容，对于红细胞数量的检测也是重要的内容。红细胞数目超过正常水平，可以视为红细胞含量增多，当然，对于不同年龄、不同性别的人群来说，正常水平所对应的的数值或数值范围是不同的。红细胞数目低于正常水平的情况下，可以视为红细胞减少，红细胞减少可能存在白血病、合成障碍等症状。
图1为本申请实施例提供的一种红细胞图像检测方法的流程图。如图1所示，该方法包括以下步骤：
S101，获取相应的红细胞图像。
这里所提到的红细胞图像可以是包含红细胞的显微镜图像。
由本领域技术人员可知，血液的组成包括血浆和血细胞，血细胞包括红细胞、白细胞和血小板。一般对红细胞进行检测时，需要先采集相应的血液，然后制作血液涂片，通过显微镜对该涂片进行观察，并进行图像采集以获得上述红细胞图像。红细胞图像可以是RGB色彩模式下的图像，也可以是HSV色彩模式下的图像，在本申请实施例中不加以限定红细胞图像的色彩模式。
S102，根据上述红细胞图像，得到相应的红细胞灰度化图像。
上述提到红细胞图像可以是RGB色彩模式下的彩色图像，RGB色彩模式是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及他们相互之间的叠加来得到各式各样的颜色的。也就是说上述红细胞图像可以是根据红色、绿色、蓝色三个颜色通道组成的。
因此，在本申请的一些实施例中，可以通过以下方式得到上述红细胞图像：可以先将红细胞图像分解为绿色单通道图像，再将该绿色单通道图像进行灰度化处理，得到相应的单通道灰度图像，即为上述红细胞灰度化图像。
由于红细胞在红细胞图像中的颜色为红色，绿色通道相对于红色通道、蓝色通道来说，与红色的对比度最大。因此，先将红细胞图像分解成绿色单通道图像，再进行灰度化处理，可以更加突出图像中的红细胞，灰度化后的图像误差较小，从而使得后期对红细胞检测时减少红细胞数量统计的误差，提高准确率。
需要说明的是，在本申请实施例中也可以将红细胞图像分解成红色单通道图像或者蓝色单通道图像，但是相较于分解为绿色单通道图像来说，对比度较小，误差较大。再者，若红细胞图像为HSV色彩模式下的红细胞图像或者其他色彩模式时，可以通过相应的算法，将其他色彩模式下的红细胞图像转换为RGB色彩模式下的红细胞图像，再进行上述步骤S102。
S103，对上述红细胞灰度化图像进行滤波处理，以消除红细胞灰度化图像的椒盐噪声。
椒盐噪声是图像中经常见到的一种图像噪声，是一种随机出现的白点和黑点，可能是亮的区域有黑色像素或者是在暗的区域有白色像素，或者两者皆有。因此，为了避免红细胞灰度化图像中椒盐噪声的干扰，可以对红细胞灰度化图像进行滤波处理，以对该红细胞灰度化图像进行去噪。通过步骤S103，可以减少椒盐噪声对红细胞检测的影响，进一步地提高红细胞检测的准确率。
上述对红细胞灰度化图像进行滤波处理，可以采用例如5*5均值滤波器对红细胞灰度化图像进行滤波处理。由本领域技术人员可知，还可以使用其他方法消除椒盐噪声。在本申请实施例中，并不限定对红细胞灰度化图像进行滤波处理所采用的技术手段，只要能够达到消除椒盐噪声的功能即可。
S104，将红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像。
需要说明的是，步骤S104中的红细胞灰度化图像可以是上述步骤S103中去除椒盐噪声的红细胞图像，也可以是步骤S102中的红细胞灰度化图像。
具体地，可以基于预设的方向可控滤波器，对该红细胞图像进行边缘检测，得到相应的红细胞边缘图像。方向可控滤波器由若干基滤波器组成，基滤波器可以组成方向可控滤波器的任意方向，采用方向可控滤波器对灰度图进行滤波增强，可以有效的分割出红细胞边缘信息，从而获得红细胞边缘信息图像。
在本申请说明书中，也可以采用其他边缘检测算法，例如基于Canny算子的边缘检测算法、基于Log算子的边缘检测算法。在本申请说明书中并不限定对红细胞灰度化图像进行边缘检测的具体方式。
通过步骤S104，可以检测出图像中红细胞的边界，也就是说得到红细胞的轮廓。
S105，根据预设阈值，对上述红细胞边缘信息图像进行阈值分割，获取保留红细胞胞体的红细胞边缘信息图像。
通过相应的预设阈值红细胞边缘信息图像进行阈值分割，以去除红细胞边缘信息图像中的除红细胞胞体之外的其他噪声，以获取保留红细胞胞体的红细胞边缘信息图像。
红细胞边缘信息图像中可能存在除了红细胞边界外其他的边界，对红细胞检测造成干扰。一般情况下，其他边界的像素值，与红细胞边界的像素值存在明显的差别，因此，可以通过设置相应的阈值对红细胞边缘信息图像进行分割。通过上述步骤S105可以消除干扰，进一步提高红细胞检测的准确率。
在本申请实施例中，可以采用全局阈值法对红细胞边缘信息图像进行阈值分割，也就是说对于红细胞边缘信息图像只选取一个固定阈值T对其进行阈值分割，典型的有Ostu法、最大熵发和灰度期望值法等进行阈值分割。
在本申请一些实施例中，除了可以在步骤S104之后执行步骤S105，对红细胞边缘信息图像进行阈值分割；也可以是在步骤S104之前，对步骤S103中滤波后的红细胞灰度化图像进行阈值分割。
S106，基于膨胀算法，对上述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像。
具体地，采用结构元素(如图2所示)对红细胞边缘信息图像进行膨胀运算，膨胀运算时，若结构元素的像素点与红细胞边缘信息图像有重叠，则保留结构元素，循环遍历从而获得红细胞膨胀融合图像。
通过步骤S106，可以填补红细胞边缘信息图像中的红细胞中的某些空洞以及消除小颗粒噪声，从而使得红细胞边缘信息图像中的红细胞的形态更加真实，进一步减少与真实的红细胞的之间的差异，提高用户的使用体验。
需要说明的是，这里所提到的红细胞边缘信息图像可以是执行过步骤S105后得到的，也可以是执行步骤S104后得到的，并不限定于经过阈值分割处理的红细胞边缘图像。
S107，将红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像。
由于红细胞膨胀融合图像中存在毛刺噪声，根据实际红细胞的形态特征，需要将毛刺噪声去除，因此对红细胞膨胀融合图像进行闭运算，获得去除毛刺噪声的红细胞分割图。
由本领域技术人员可知，红细胞的形态为两面凸中间凹的圆饼状，也就是说红细胞中心是凹陷的。因此，在步骤S106之后所获得的红细胞膨胀融合图像中可能出现其中的部分红细胞为环形，不能有效的展示真实的红细胞形态特征。
因此，在本申请的一些实施例中，可以根据上述红细胞膨胀融合图像进行相应的计算，确定该红细胞膨胀融合图像中的多个连通域。确定各连通域的区域编辑是否小于相应的预设阈值，在连通域的区域面积小于相应的预设阈值的情况下，对该连通域进行填充。
通过上述方案，可以将红细胞膨胀融合图像中的以使得在图中为环形的部分红细胞，能够有效的展示真实的红细胞形态特征。
S108，对上述红细胞分割图像进行处理，确定该红细胞分割图像中的多个连通域。
计算红细胞分割图像中的连通域，并统计连通域的个数。
S109，根据红细胞分割图像中的多个连通域，统计红细胞图像中的红细胞数量。
在本申请说明书中，可以认为一个连通域对应一个红细胞，统计红细胞分割图像中的连通域的数量，即可统计红细胞图像中的红细胞数量
更进一步地，红细胞中除了正常状态红细胞外，还可能存在异常状态红细胞，例如碎裂红细胞、变异红细胞等。这里所提到的异常状态红细胞至少包括以下一种：碎裂红细胞、变异红细胞。碎裂红细胞数量、变异红细胞数量等异常状态红细胞也是临床病变检验的重要内容。
因此，在本申请的一些实施例中，可以通过以下方式，进一步检测正常状态红细胞、异常状态红细胞的数量：
计算上述红细胞分割图像中各连通域的圆形度；
在连通域的圆形度小于预设阈值的情况下，确定该连通域为异常状态红细胞，并累计异常状态红细胞的数量；
在连通域的圆形度大于或等于预设阈值的情况下，确定该连通域为正常状态红细胞，并累计长长状态红细胞的数量。
由于碎裂红细胞一般是指红细胞碎片或者不完整的红细胞，大小不一，外形不规则，有各种形态如棘形、盔形、三角形等。变异红细胞可以是指形状变异的红细胞。也就是说，正常状态红细胞与异常状态红细胞在形状上有很大的不同，因此，可以计算每个连通域的圆形度，根据相应的预设阈值与各连通域的圆形度进行比较，从而确定连通域为异常状态红细胞还是正常状态红细胞。
本申请实施例提供了一种红细胞图像检测方法，通过对红细胞图像依次进行灰度化、边缘检测、膨胀运算、闭运算等处理获得红细胞分割图像，并确定红细胞分割图像中的多个连通域，根据连通域，统计红细胞图像中的红细胞数量。通过该方法，一方面，相较于现有的红细胞图像检测方法，并不限于特定的检测环境，对于检测环境的适应性强，不容易受环境的影响；另一方面，本申请实施例提供的红细胞图像检测方法，红细胞数量的统计精度高、准确率高，并且相较于现有技术所采用的方法更加简单便捷，从而提高红细胞检测效率，增强用户使用体验。
图3为本申请实施例提供的一种红细胞图像检测设备的结构示意图，如图3所示，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量。
本申请实施例还提供了一种红细胞图像检测的非易失性计算机存储介质，存储有计算机可执行的指令，所述计算机可执行指令设置为：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种红细胞图像检测方法，其特征在于，所述方法包括：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量；
所述红细胞包括正常状态红细胞、异常状态红细胞；
所述根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量，具体包括：
计算所述红细胞分割图像中各连通域的圆形度；
在所述连通域的圆形度小于预设阈值的情况下，确定所述连通域为异常状态红细胞，并累计所述异常状态红细胞的数量；
在所述连通域的圆形度大于或等于预设阈值的情况下，确定所述连通域为正常状态红细胞，并累计所述正常状态红细胞的数量。
2.根据权利要求1所述的方法，其特征在于，所述根据红细胞图像，得到相应的红细胞灰度化图像，具体包括：
将所述红细胞图像分解为绿色单通道图像；
对所述绿色单通道图像进行灰度化处理，得到相应的红细胞灰度化图像。
3.根据权利要求1所述的方法，其特征在于，在得到相应的红细胞边缘信息图像之前，所述方法还包括：
对所述红细胞灰度化图像进行滤波处理，以消除所述红细胞灰度化图像的椒盐噪声。
4.根据权利要求1所述的方法，其特征在于，在得到相应的红细胞膨胀融合图像之前，所述方法还包括：
根据预设阈值，对所述红细胞灰度化图像进行阈值分割，获取保留红细胞胞体的红细胞灰度化图像；或者
根据预设阈值，对所述红细胞边缘信息图像进行阈值分割，获取保留红细胞胞体的红细胞边缘信息图像。
5.根据权利要求1所述的方法，其特征在于，在获得红细胞分割图像之前，所述方法还包括：
根据所述红细胞膨胀融合图像进行相应的计算，确定所述红细胞膨胀融合图像中的多个连通域；
确定各连通域的区域面积是否小于相应的预设阈值；
在所述连通域的区域面积小于相应的预设阈值的情况下，对所述连通域进行填充。
6.根据权利要求1所述的方法，其特征在于，所述异常状态红细胞至少包括以下一种：碎裂红细胞、变异红细胞。
7.根据权利要求1所述的方法，其特征在于，将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像，具体包括：
基于预设的方向可控滤波器，对所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像。
8.一种红细胞图像检测设备，其特征在于，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量；
所述红细胞包括正常状态红细胞、异常状态红细胞；
所述根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量，具体包括：
计算所述红细胞分割图像中各连通域的圆形度；
在所述连通域的圆形度小于预设阈值的情况下，确定所述连通域为异常状态红细胞，并累计所述异常状态红细胞的数量；
在所述连通域的圆形度大于或等于预设阈值的情况下，确定所述连通域为正常状态红细胞，并累计所述正常状态红细胞的数量。
9.一种红细胞图像检测的非易失性计算机存储介质，存储有计算机可执行的指令，其特征在于，所述计算机可执行指令设置为：
获取相应的红细胞图像，并根据所述红细胞图像，得到相应的红细胞灰度化图像；
将所述红细胞灰度化图像进行边缘检测，得到相应的红细胞边缘信息图像；
基于膨胀运算，对所述红细胞边缘信息图像进行处理，得到相应的红细胞膨胀融合图像；
将所述红细胞膨胀融合图像进行闭运算处理，获得红细胞分割图像；
确定所述红细胞分割图像中的多个连通域；
根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量；
所述红细胞包括正常状态红细胞、异常状态红细胞；
所述根据所述红细胞分割图像中的多个连通域，统计所述红细胞图像中的红细胞数量，具体包括：
计算所述红细胞分割图像中各连通域的圆形度；
在所述连通域的圆形度小于预设阈值的情况下，确定所述连通域为异常状态红细胞，并累计所述异常状态红细胞的数量；
在所述连通域的圆形度大于或等于预设阈值的情况下，确定所述连通域为正常状态红细胞，并累计所述正常状态红细胞的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236853.0A CN111583175B (zh) | 2020-03-30 | 2020-03-30 | 一种红细胞图像检测方法及设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236853.0A CN111583175B (zh) | 2020-03-30 | 2020-03-30 | 一种红细胞图像检测方法及设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583175A CN111583175A (zh) | 2020-08-25 |
| CN111583175B true CN111583175B (zh) | 2024-03-22 |
Family
ID=72112596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236853.0A Active CN111583175B (zh) | 2020-03-30 | 2020-03-30 | 一种红细胞图像检测方法及设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583175B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669304B (zh) * | 2021-01-05 | 2023-02-28 | 天津大学 | 一种基于数字图像处理技术的花粉检测方法 |
| CN119151977B (zh) * | 2024-11-18 | 2025-01-24 | 南京市浦口人民医院(江苏省人民医院浦口分院) | 基于显微图像的血细胞形态轮廓获取方法及系统 |
| CN119354856A (zh) * | 2024-12-23 | 2025-01-24 | 迈德(山东)科技股份有限公司 | 一种微板ai图像识别采集装置及图像识别算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826207A (zh) * | 2010-04-09 | 2010-09-08 | 杭州电子科技大学 | 一种细胞显微图像感兴趣区域自动查找方法 |
| WO2012016242A2 (en) * | 2010-07-30 | 2012-02-02 | Aureon Biosciences, Inc. | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
| CN105631456A (zh) * | 2015-12-15 | 2016-06-01 | 安徽工业大学 | 一种基于粒子群优化itti模型的白细胞区域提取方法 |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
-
2020
- 2020-03-30 CN CN202010236853.0A patent/CN111583175B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826207A (zh) * | 2010-04-09 | 2010-09-08 | 杭州电子科技大学 | 一种细胞显微图像感兴趣区域自动查找方法 |
| WO2012016242A2 (en) * | 2010-07-30 | 2012-02-02 | Aureon Biosciences, Inc. | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
| CN105631456A (zh) * | 2015-12-15 | 2016-06-01 | 安徽工业大学 | 一种基于粒子群优化itti模型的白细胞区域提取方法 |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
Non-Patent Citations (4)
| Title |
|---|
| 刘伯强 ; 尹聪 ; 刘忠国 ; 徐凯 ; 张振旺 ; .融合灰度和梯度信息的彩色细胞图像自动分割.计算机工程与应用.2007,(35),全文. * |
| 刘肖肖 ; 孔德友 ; 刘广宇 ; 刘伯强 ; .基于融合算法的尿沉渣显微图像有形成分外边缘检测方法研究.中国医学装备.2018,(11),全文. * |
| 范卫华 ; 冯念伦 ; 苏本华 ; 尹聪 ; .尿沉渣中红细胞影像分析研究.中国医学装备.2009,(04),全文. * |
| 蒋先刚 ; 何晓岭 ; 范自柱 ; .粪便镜检图像中红白细胞的分割与识别方法.计算机工程与应用.2017,(15),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583175A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583175B (zh) | 一种红细胞图像检测方法及设备、介质 | |
| Alomari et al. | Automatic detection and quantification of WBCs and RBCs using iterative structured circle detection algorithm | |
| Toh et al. | Automated fish counting using image processing | |
| JP5941674B2 (ja) | 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム | |
| US7826652B2 (en) | Method for forming an optimally exposed image of cytological specimen | |
| US20130182936A1 (en) | Information processing device, information processing system, information processing method, program, and recording medium | |
| CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| WO2012119191A1 (en) | Method and software for analysing microbial growth | |
| Goceri et al. | Quantitative validation of anti‐PTBP1 antibody for diagnostic neuropathology use: Image analysis approach | |
| CN110930363A (zh) | 曲面模糊图像清晰度评价值确定方法、设备及存储介质 | |
| Son et al. | Morphological change tracking of dendritic spines based on structural features | |
| US20230041229A1 (en) | Systems and methods for designing accurate fluorescence in-situ hybridization probe detection on microscopic blood cell images using machine learning | |
| CN109636801B (zh) | 自动获取her2荧光原位杂交结果的电子设备及介质 | |
| CN115294126B (zh) | 一种病理图像的癌细胞智能识别方法 | |
| Kaur et al. | Thresholding methods for lesion segmentation of basal cell carcinoma in dermoscopy images | |
| Mishra et al. | Automatic lesion border selection in dermoscopy images using morphology and color features | |
| Zhao et al. | Deep Learning‐Based Denoising in High‐Speed Portable Reflectance Confocal Microscopy | |
| JP6819445B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN111161212B (zh) | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 | |
| CN109060830B (zh) | 显示屏的杂质的检测方法和装置 | |
| CN106127738B (zh) | 凝集试验判读方法 | |
| CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
| JP2006507486A (ja) | 細管の自動組織学的類別 | |
| Dzulkifli et al. | Colour thresholding-based automatic Ki67 counting procedure for immunohistochemical staining in meningioma | |
| Vera et al. | Automated annotation removal in agar plates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240227 Address after: 250000 Langchao Science Park, No. 1036, Langchao Road, high tech Zone, Jinan, Shandong Applicant after: Inspur Genersoft Co.,Ltd. Country or region after: China Address before: 250101 Inspur science and Technology Park, 1036 Inspur Road, hi tech Zone, Jinan City, Shandong Province Applicant before: SHANDONG INSPUR GENESOFT INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |