【技术实现步骤摘要】
一种基于显微光场模型的目标快速提取方法
[0001]本专利技术涉及一种光学显微镜的目标快速提取方法，尤其是涉及一种基于显微光场模型的目标快速提取方法。
技术介绍
[0002]生物数字切片是一种结合采图设备与数字图像处理技术的阅片方法，为医生准确地研判病情提供一种辅助诊疗手段。常规的生物数字切片存在于两类硬件设备，一种是大通量的数字切片扫描仪，另一种是基于光学显微镜的数字阅片设备。本方法基于光学显微镜展开研究，涉及采图、目标分割和目标分类三部分内容，提取出需要精细采图的目标区域，提升采图画质和采图效率。
[0003]在采图方面，为了提升效率，通常先用宏观镜采集生物切片的整体形态，再选用高倍物镜精细采集目标区域。这种方法的优势在于采图便捷高效，但因为宏观镜分辨率欠佳，且切片样本质量不一，难以准确地提取出样本目标。而直接采用单一倍率的物镜采集图像，虽然提升了画质，但效率又存在明显不足。
[0004]在目标分割方面，已有方法提出背景差分技术实现目标分割
[1]，但并未详细论述针对不同样本或光照条件，如何动态地获取准确的背景做目标分割，选取背景的可操作性存在不足。
[0005]在获得目标分割对象后，需要对目标图像做分类，即保留有效目标，去除无效对象。在不具备显卡的硬件资源条件下，机器学习是首选的分类方法。王震等提出一种基于支持向量机的显微样本分类方法
[2]，提供了一种分类技术思路，但其介绍的特征提取方法不适用于生物数字切片。而人为根据图像特征，设定分类条件的方法，在复杂多变的生物切片和...
【技术保护点】
【技术特征摘要】
1.一种基于显微光场模型的目标快速提取方法，其特征在于包含以下步骤：步骤(1)：在低倍物镜下，设定采图区域，获得采图序列，记为图像序列IMG，每张图像记为图Img
k
，k∈[1，K]，其中，K为图像序列的总数，表示为公式K＝ROW
×
COL，式中，ROW代表图像序列的行数，COL代表图像序列的列数，即图像序列由ROW行、COL列的图像矩阵组成；步骤(2)：根据图像序列IMG，分析图像纹理复杂度，得到低纹理复杂度的灰度图，即适合当前成像条件的显微光场模型图，记为图img
GrayModel
；步骤(3)：基于显微光场模型图对图像序列IMG做图像分割，进一步提取图像中的感兴趣区域；步骤(4)：先基于步骤(3)提取的感兴趣区域，从有效像素百分比、灰度、纹理复杂度、颜色差异度、空心率、矩形度、轮廓度、边长比提取符合人眼视觉习惯的图像特征，再对各采图点位做图像分类：先分解图像序列IMG，将每张低倍镜图Img
k
分解成row
×
col张子图，子图记为图img
k_t
，图Img
k
包含T张子图img
k_t
，其中k∈[1,K]，t∈[1,T]，k代表低倍镜的采图序列号，t表示第k张低倍镜采图所分解的采图序列号，T＝row
×
col表示子图数量，再基于训练好的支持向量机模型，根据提取的符合人眼视觉习惯的图像特征，调用开源计算机视觉库的支持向量机predict函数预测图img
k_t
的分类结果，更新分类矩阵，记为mat
Class
，最后，根据分类矩阵mat
Class
绘制初步的目标区域图，记为图A；步骤(5)：去除图A中孤立的单目标点位，其结果记为图B，所述的孤立的单目标点位指图A中像素值为255且其上、下、左、右四个相邻的像素值为0的目标点，遍历图A，将图A所有的非孤立点位保存到图B中；步骤(6)：去除图B中小于人工定义的点位数量阈值的无效目标区域，即得到正确的生物切片目标区域，其结果记为图C。2.如权利要求1所述的一种基于显微光场模型的目标快速提取方法，其特征在于步骤(2)的具体步骤如下：步骤(2
‑
1)：统计图像序列IMG的图像总数，记为K张；步骤(2
‑
2)：初始化参数，设置计数变量，记为k，并令k＝0；设置纹理复杂度阈值，记为th
Texture
，th
Texture
＝0.2；设置灰度阈值，记为th
Gray
，th
Gray
＝30；设置全局最小纹理复杂度变量，记为min
Texture
，并令min
Texture
＝+∞；设置全局最低纹理复杂度的图像，记为图img
MinTexture
；步骤(2
‑
3)：遍历图像序列IMG，找出纹理复杂度最低的图像，更新到图img
MinTexture
；具体如下：步骤(2
‑3‑
1)：计数变量k累计加1，如果k≤K，执行步骤(2
‑3‑
2)；否则，执行步骤(2
‑
4)；步骤(2
‑3‑
2)：调用OpenCV的imread函数以灰度图的方式按序读取第k张低倍镜图像，记为图img
Gray
_
k
；步骤(2
‑3‑
3)：调用OpenCV的mean函数获取图img
Gray
_
k
的灰度均值，记为gray
k
，如果value
gray_k
大于th
Gray
，执行步骤(2
‑3‑
4)；否则，执行步骤(2
‑3‑
1)；步骤(2
‑3‑
4)：调用OpenCV的Laplacian函数获取图img
Gray
_
k
的拉普拉斯矩阵，记为矩阵mat
Laplacian_k
；步骤(2
‑3‑
5)：遍历mat
Laplacian_k
，根据如下公式计算图img
Gray
_
k
的纹理复杂度，记为value
Texture_k
，
上式中，value
Texture_k
代表图img
Gray_k
对应的纹理复杂度数值，h、w分别代表矩阵mat
Laplacian_k
的高度和宽度，i代表第i行的矩阵数值，j代表第j行的矩阵数值；步骤(2
‑3‑
6)：如果value
Texture_k
<min
Texture
，先更新全局最小纹理复杂度变量，令min
Texture
＝value
Texture_k
，再将图img
Gray_k
拷贝到图img
MinTexture
，最后执行步骤(2
‑3‑
7)；否则，执行步骤(2
‑3‑
1)；步骤(2
‑3‑
7)：如果min
Texture
>th
Texture
，执行步骤(2
‑3‑
1)；否则，执行步骤(2
‑
4)；步骤(2
‑
4)：调用OpenCV的blur函数对图img
MinTexture
做均值滤波，获得显微光场模型图，记为图img
GrayModel
。3.如权利要求2所述的一种基于显微光场模型的目标快速提取方法，其特征在于在步骤(2
‑
2)中令全局最小纹理复杂度变量min
Texture
＝1000或DBL_MAX。4.如权利要求1所述的一种基于显微光场模型的目标快速提取方法，其特征在于步骤(3)的具体步骤如下：步骤(3
‑
1)：初始化计数变量，记为k，并令k＝0；步骤(3
‑
2)：计数变量k累计加1，如果k≤K，执行步骤(3
‑
3)；否则，执行步骤(3
‑
6)；步骤(3
‑
3)：调用OpenCV的imread函数以灰度图的方式按序读取第k张低倍镜图像，记为图img
Gray_k
；步骤(3
‑
4)：创建一张与img
Gray_k
同样大小的空白图像，记为图img
Mask_k
；步骤(3
‑
5)：遍历图img
GrayModel
和图img
Gray_k
的所有像素点，计算差异度，公式如下：delta
Gray_k
＝|img
GrayModel(i,j)
‑
img
Gray_k(i,j)
|,i∈[1,h],w∈[1,w]，其中，delta
Gray_k
代表像素差异度，如果像素差异度大于5，那么将图img
Mask_k
所对应的像素点置为255；反之，将图img
Mask_k
所对应的像素点置为0，计算完成后返回步骤(3
‑
2)；步骤(3
‑
6)：图img
Mask_k
即为第k张低倍镜图对应的分割图像，并将分割出来的图像区域作为感兴趣区域。5.如权利要求1所述的一种基于显微光场模型的目标快速提取方法，其特征在于步骤(4)的具体步骤如下：步骤(4
‑
1)：初始化相关参数，设置计数变量，记为k，并令k＝0；设置单张低倍镜图像的分解行数和列数，分别记为row行和col列；设置像素点的面积占比阈值，记为th
Percent1
，th
Percent1
＝6％；创建点位分类矩阵，记为矩阵mat
Class
，大小为(ROW
×
row)
×
(COL
×
col)，其中，(ROW
×
row)和(COL
×
col)分别表示分类矩阵mat
Class
的行点位数和列点位数，将单个分类点位记为mat
Class_k_t
，其中k∈[1,K]，t∈[1,T]，且有效点位记为1，无效点位记为0；步骤(4
‑
2)：遍历图像序列IMG，计算图像序列IMG的图像特征，判断点位的分类，更新分类矩阵mat
Class
，具体如下：步骤(4
‑2‑
1)：计数变量k累计加1，如果k≤K，执行步骤(4
‑2‑
2)；否则，执行步骤(4
‑2‑
5)；步骤(4
‑2‑
2)：先调用OpenCV的imread函数以彩色图的方式按序读取第k张低倍镜图像，记为图img
Color_k
；再调用OpenCV的imread函数以灰度图的方式按序读取第k张低倍镜图
像，记为图img
Gray_k
；步骤(4
‑2‑
3)：调用OpenCV的Laplacian函数获取图img
Gray_k
的拉普拉斯矩阵，记为矩阵mat
Laplacian_k
；步骤(4
‑2‑
4)：先将图img
Color_k
和图img
Mask_k
分解成row
×
col个子图，分别记为图img
Color_k_t
和图img
Mask_k_t
，其中t∈[1,T]，T表示子图数量，且T＝row
×
col，这里，k、t分别代表第k张低倍镜数据的第t个子对象，进而计算其特征矩阵，判断点位的分类，更新分类矩阵mat
Class
，具体步骤如下：步骤(4
‑2‑4‑
1)：初始化计数变量，记为t，并令t＝0；步骤(4
‑2‑4‑
2)：计数变量t累计加1，如果t≤T，执行步骤(4
‑2‑4‑
3)；否则，结束步骤(4
‑2‑
4)，执行步骤(4
‑2‑
5)；步骤(4
‑2‑4‑
3)：获取图img
Color_k_t
、图img
Gray_k_t
、图img
Mask_k_t
和矩阵mat
Laplacian_k_t
；步骤(4
‑2‑4‑
4)：统计掩膜图img
Mask_k_t
的非零像素点占比，记为value
percent_k_t
，如果value
percent_k_t
>th
Percent1
，则执行步骤(4
‑2‑4‑
5)；否则，将第k张低倍镜图像所对应的第t个子区域点位归类成无效点(背景点)，即令mat
Class_k_t
＝0，继续执行步骤(4
‑2‑4‑
2)；步骤(4
‑2‑4‑
5)：根据图img
Color_k_t
、图img
Gray_k_t
、图img
Mask_k_t
和矩阵mat
Laplacian_k_t
，计算并得到17个图像特征，分别为：图img
Mask_k_t
的有效像素百分比，图img
Gray_k_t
在图img
Mask_k_t
掩膜作用下的灰度均值，矩阵mat
Laplacian_k_t
在图img
Mask_k_t
掩膜作用下的纹理复杂度均值，图img
Color_k_t
在图img
Mask_k_t
掩膜作用下的颜色丰富度均值，图img
Gray_k_t
在图img
MaskStrict_k_t
掩膜作用下的灰度均值，矩阵mat
Laplacian_k_t
在图img
MaskStrict_k_t
掩膜作用下的纹理复杂度均值，图img
Color_k_t
在图img
MaskStrict_k_t
掩膜作用下的颜色丰富度均值，图img
Color_k_t
中最大有效目标的灰度均值，图img
Gray_k_t
在图img
MaskMax_k_t
掩膜作用下的灰度均值，矩阵mat
Laplacian_k_t
在图img
MaskMax_k_t
掩膜作用下的纹理复杂度均值，图img
Color_k_t
在图img
MaskMax_k_t
掩膜作用下的颜色丰富度均值，空心率，矩形度，轮廓度，短边比和长边比；步骤(4
‑2‑4‑
6)：根据17个特征，调用OpenCV的支持向量机predict预测函数识别图img
Color_k_t
的类别，如果预测结果为有效，则令分类点位结果mat
Class_k_t
＝255；否则，令mat
Class_k_t
＝0，继续执行步骤(4
‑2‑4‑
2)；步骤(4
‑2‑
5)：得到更新后的分类矩阵mat
Class<...
【专利技术属性】
技术研发人员：王益平，郑驰，张琦，邱元芳，王方，任添恩，
申请(专利权)人：宁波永新光学股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。