[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113436120B - 一种图像模糊值识别方法及装置 - Google Patents

一种图像模糊值识别方法及装置 Download PDF

Info

Publication number
CN113436120B
CN113436120B CN202110816290.7A CN202110816290A CN113436120B CN 113436120 B CN113436120 B CN 113436120B CN 202110816290 A CN202110816290 A CN 202110816290A CN 113436120 B CN113436120 B CN 113436120B
Authority
CN
China
Prior art keywords
reaction unit
value
image
brightness
calculating
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
Application number
CN202110816290.7A
Other languages
English (en)
Other versions
CN113436120A (zh
Inventor
曹贵强
义清文
李继锁
王波
谢中文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Shengzhou Biotechnology Co ltd
Original Assignee
Hunan Shengzhou Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Shengzhou Biotechnology Co ltd filed Critical Hunan Shengzhou Biotechnology Co ltd
Priority to CN202110816290.7A priority Critical patent/CN113436120B/zh
Publication of CN113436120A publication Critical patent/CN113436120A/zh
Application granted granted Critical
Publication of CN113436120B publication Critical patent/CN113436120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种图像模糊值识别方法，包括图像采集；反应单元位置识别；反应单元模糊值计算；反应单元亮度值计算；图像模糊水平值计算，通过创建反应单元所在区域的亮度变化情况反应图像模糊情况，从而获取到模糊水平值，通过每个反应单元的模糊水平值与每个反应单元亮度之间的关系确定图像的模糊水平值，可以提高评价图像模糊程度的精度。

Description

一种图像模糊值识别方法及装置
技术领域
本发明涉及数字PCR中的图像识别技术，尤其是一种图像模糊值识别方法。
背景技术
数字PCR仪器中的图像拍摄主要采用显微镜，显微镜于精密设备，拍摄精度很高，一般在微米级别，对图像质量要求较高，为此，相当重视图像模糊情况。
特定图像是以数字PCR仪器的特定性获得图像(芯片)内部特征(如芯片的反应单元形状，大小，排布的物理结构，除反应单元外，其余为背景-背景情况具有一致性；不同图像中的反应单元相对位置和亮度存在差异)，通过对这种特定图像的处理获取图像模糊程度值。反映单元内具有亮度一致性(一个反映单元内为同一物质，亮度值一致)，通过反映单元内不同区域和背景亮度之间的关系确定模糊程度。目前，特定物体的图像模糊主要是由于数字PCR芯片放置不平，数字PCR仪器中的相机焦距微小变化造成的。
针对这些问题，目前最常用的算法有全参考评价，主要评价有均方误差和能量谱等算法。后续学者从结构相似性对图像像素值，图像前景结构特性等方面对图像进行评价。这些方法具有普遍适用性，但图像质量评价具有一定的局限性；并当针对特有的图像问题时,无法给出准确数据结果。例如特定结构前景在图像中出现，并且前景对象比较多、比较密集时，一般的图像质量评估结果会出现异常(如，清晰图像的模糊程度比模糊图像的模糊程度还大)，无法准确评估图像模糊程度。
发明内容
针对现有技术中存在的问题，本发明提出一种图像模糊值识别方法，包括：S001：图像采集；S002：反应单元位置识别；S003：反应单元模糊值计算；S004：反应单元亮度值计算；S005：通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值。
更进一步的，图像采集为自动对焦图像采集，自动对焦图像采集包括：
第一步：提取配置信息，包括相机焦距范围[Rs,Re],位移误差A，初始焦距补偿步长step，每次迭代步长变化率ln；
第二步：在焦距范围内拍摄，每次拍摄焦距增加步长的距离；
第三步：识别当前位置图像的模糊水平，获得当前位置模糊水平；
第四步：判断当前位置模糊水平是否达到比较低的水平，一是判断模糊情况是否有清晰转为更模糊的拐点，二是当前位置模糊水平距离最佳图像位置的距离小于step，如果达到这两种情况，则说明当前达到最佳位置pos；
第五步：设置焦距范围[pos-step,pos+step],调整步长step＝step*ln，如果step<＝A，则自动对焦结束，否则重复步骤第二步到步骤第五步。
更进一步的，反应单元位置识别包括：201：图像二值化；202：特征筛选；203：反应单元识别；204：反应单元区域确。
更进一步的，反应单元模糊值计算包括：301:反应单元区域内像素值提取；302:反应单元边缘区域构建；303:应单元中心区域构建；304:反应单元模糊值计算。
更进一步的，反应单元区域内像素值提取为：根据反应单元区域，将反应单元区域内所有像素值La提取出来，同时将反应单元区域外一定区域内的背景的像素值Ba提取出来，对背景的像素值Ba进行处理，计算背景亮度值B。
更进一步的，反应单元亮度值计算包括：401：反应单元区域内像素值提取；402：反应单元区域内滤波；403：反应单元内异常区域剔除；404：反应单元亮度值计算。
更进一步的，图像模糊水平值计算包括：501：判断是否对整个图像进行识别模糊，如果是进行步骤503，如果否则进行步骤502；503：所有区域反应单元模糊和亮度提取，然后进入步骤504；502：所有反应单元模糊和亮度提取，然后进入步骤504；504：已知反应单元亮度和模糊趋势模型构建，然后进入步骤505；505：反应单元亮度值和模糊值的关系曲线计算，然后进入步骤506；506：图像模糊水平值计算。
更进一步的，所有反应单元模糊和亮度提取为：提取图像所有反应单元模糊值F和亮度值L。
更进一步的，已知反应单元亮度和模糊趋势模型构建为：
获取已知模糊图像，每种模糊程度Di下，获取若干张图像，得到模糊程度集合为D；
计算每一张图像的反应单元亮度值L和反应单元模糊值F的关系曲线P，使用聚类算法，将每种模糊程度的曲线参数聚集为一个曲线的参数；
通过反应单元亮度值L和反应单元模糊值F的关系曲线P和模糊程度集合D一一对应关系确定，一个Pi对应一种模糊程度Di，i为自然数。
本申请还提供一种图像模糊值识别装置，包括：图像采集模块，用于数字PCR的图像采集；局部位置模块，用于数字PCR芯片中的反应单元位置识别；局部模糊值计算模块，用于通过每个反应单元覆盖区域的像素值分布情况，计算每个反应单元覆盖区域内的模糊值；局部亮度值计算模块，用于通过每个反应单元覆盖区域的像素值，计算每个反应单元亮度值，用亮度值代表每个反应单元的亮度水平，得到反应单元亮度值；图像模糊值计算模块，用于通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值；应用模块，用于评价数字PCR仪器性能。
与现有技术相比，本发明的有益效果为：可以提高评价图像模糊程度的精度，并可精确计算不同程度的模糊情况，并基于此，可以使用当前计算结果进行分析模糊对数字PCR结果的影响，从而调节评判结果或调整焦距进行重新拍摄，提高数字PCR适用性和结果可靠性。本发明还可以很好区分不同区域存在模糊的情况，当存在模糊区域时，可以很好为用户提供说明芯片未放置好(如有需要可以重新放置后，再次进行拍摄、分析，)，或者仪器需要校准(如平台倾斜，相机镜头不垂直，需要对数字PCR仪器中的设备进行微调)，同时可以对模糊区域结果进行调整；从而可以提高数字PCR适用性和结果可靠性，增加用户接受度。
附图说明
图1为本发明实施例的图像模糊值识别方法流程图。
图2为反应单元位置识别流程图。
图3为反应单元模糊值计算流程示意图。
图4为反应单元亮度值计算流程图。
图5为不同模糊程度下的参数a的散点图。
图6为不同模糊程度下的参数b的散点图。
图7为图像模糊水平值计算流程图。
图8为图像模糊值识别装置结构示意图。
具体实施方式
下面将结合附图，对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
数字PCR水平度校准，主要包括数字PCR平台、相机及芯片；平台内可以放置多张芯片；芯片可以选择一定方向放置，在某一方向上的芯片存在距离最远。当所有芯片拍摄后，图像模糊质量在某一方向上模糊水平值增大模式，那么说明平台在与相机不垂直。例如数字PCR平台为圆形，在过圆形重心的8个方向上的最远处，拍摄芯片。然后对比相对方向(如：南北，东西)上的两个芯片，根据两个芯片的模糊水平值得差异确定数字PCR的水平度情况和倾斜方向；同时也可以在某方向上放置若干芯片，识别出图像模糊水平变化呈现单调性，说明在这个方向上存在倾斜。
本发明一实施例中，在于提供一种图像模糊值识别方法，具体的，请参阅图1所示的本发明一实施例的图像模糊值识别方法流程图，本申请的图像模糊值识别方法，包括如下步骤：S001：图像采集；S002：反应单元位置识别；S003：反应单元位置模糊计算；S004：反应单元亮度计算；S005：图像模糊水平值计算。
具体的，本申请的图像模糊值识别方法包括：
S001：图像采集；
具体的，在一实施例中，图像采集为自动对焦图像采集，即在焦距范围内采集图像。其在采集时，需要选取数字PCR芯片中存在反应单元的区域进行拍摄。具体的，自动对焦图像采集包括：
第一步：提取配置信息，包括相机焦距范围[Rs,Re],位移误差A(可以是最小移动位置，也可以是移动的最大误差值等)，初始焦距补偿步长step(两次的焦距差异值)，每次迭代步长变化率ln(小于1的值)；
第二步：在焦距范围内拍摄，每次拍摄焦距增加步长的距离；
第三步：识别当前位置图像的模糊水平，获得当前位置模糊水平；
第四步：判断当前位置模糊水平是否达到比较低的水平；一是判断模糊情况是否有清晰转为更模糊的拐点，二是当前位置模糊水平距离最佳图像位置的距离小于step，如果达到这两种情况，则说明当前达到最佳位置pos；
第五步：设置焦距范围[pos-step,pos+step],调整步长step＝step*ln，如果step<＝A，则自动对焦结束，否则重复步骤第二步到步骤第五步。
具体的，在一实施例中，图像采集为图像模糊识别图像采集，主要为在数字PCR分析时拍摄的图像(图像相对较清晰)，仪器焦距、芯片放置等已固定的条件下，拍摄一次。具体的，其为拍摄整张芯片的各个区域部分的子图,将拍摄后的各个子图拼接成一张整张芯片的图像。
S002：反应单元位置识别；
由于图像中存在异常区域对反应单元的干扰,所以需要识别出有效的反应单元,避免异常情况对模糊的影响，这样可以更好的计算图像模糊情况。在一实施例中，通过反应单元内部与芯片一般位置的特征区别，确定反应单元的位置。
在一实施例中，请参阅图2所示的反应单元位置识别流程图，其包括如下步骤：201：图像二值化；202：特征筛选；203：反应单元识别；204：反应单元区域确。
具体的，图像二值化为：图像中前景像素值与背景像素值有明显的区别，前景主要是反应单元位置亮度，背景为图像中非前景部分，主要使用阈值分割等算法识别反应单元。识别出反应单元后，计算出反应单元的中心位置(X,Y)。
在一实施例中，特征筛选为：在数字PCR仪器中，数字芯片图像中反应单元的大小和形状都是已知的，在这种特定情境下，可以通过图像二值化步骤中获取到的特征进行筛选特定大小和形状的特征。筛选出符合条件的特征作为反应单元特征。
Feature＝Shape(S)
其中Shape为反应单元的形状模型,S为反应单元大小尺寸。例如，当反应单元为圆形时，Feature＝(xi-X)^2+(yi-Y)^2；Feature<S^2；其中xi，yi为像素在图像中的位置坐标；当满足公式的像素个数占识别出的前景像素个数的比例大于阈值thR时，认为此特征有效。当反应单元为圆形时，使用椭圆公式模拟前景边缘曲线；Feature＝(xi-X)^2/b+(yi-Y)^2/a；当a与b之间的差异小于阈值thS时，认为当前前景的形状是圆形，认为此特征有效。同时也可以使用内接最大圆或外接最小圆等方法计算有效反应单元,当区域形状、大小不符合时，为异常区域，进行剔除，降低异常区域对反应单元识别的影响。
在一实施例中，反应单元识别为：通过有效特征位置(X,Y)之间相对位置确定是否为反应单元。作为数字PCR的芯片作为拍摄对象，反应单元之间相对位置已知，通过芯片物理结构最终确定反应单元。反应单元与左邻域的反应单元的距离为x1，与右邻域的反应单元的距离为x2；与上邻域的反应单元为y1，与下邻域的反应单元为y2。设距离波动为range，当距离与实际距离之间的差值小于range时，此反应单元有效；无效区域为异常区域,主要为剔除异常区域,降低对反应单元识别的影响。
在一实施例中，反应单元区域确定为：在确定的反应单元中，需要确定反应单元的区域，主要通过反应单元的特征区域所覆盖区域去计算反应单元区域范围。通过Feature＝Shape(S)公式，剔除大小为S的形状之外的像素值，则剩余即为反应单元区域Region。也即，识别出图像中所有反应单元的位置和反应单元覆盖区域。
S003：反应单元模糊值计算；
在数字PCR仪器的拍摄图像中，在确定的反应单元位置，可以计算出反应单元区域的亮度模糊程度；主要使用在反应单元中心与边缘处的亮度差异计算反应单元区域的模糊程度。
具体的，请参阅图3所示的反应单元模糊值计算流程示意图，反应单元模糊值计算包括：301:反应单元区域内像素值提取；302:反应单元边缘区域构建；303:应单元中心区域构建；304:反应单元模糊值计算。
具体的，反应单元区域内像素值提取为：
根据反应单元区域，将反应单元区域内所有像素值La提取出来，同时将反应单元区域外一定区域(在S+s的形状区域去除Region)内的背景的像素值Ba提取出来；对Ba进行处理，通过计算Ba的中值或平均值等方法，计算背景亮度值B。背景区域举例：例如形状为圆形，则背景区域为S到S+s的圆环；也可以在反应单元的的一定范围内多边形(边长为S+s，中心为(X，Y))内所有背景的像素的平均值作为背景亮度值。
在一实施例中，反应单元边缘区域构建为：
根据反应单元区域范围像素值，通过区域模型，构建反应单元边缘区域，提取反应单元边缘区域的像素值，通过求边缘区域的像素值中值或平均值等方法计算出反应单元边缘区域亮度值Le。
在反应单元区域Region内去除S-e大小的形状内像素；在剩余像素值计算反应单元边缘区域的亮度值Le；反应单元边缘区域亮度值Le。计算举例:以圆形为例,区域为S-e到S的圆环。
在一实施例中，反应单元中心区域构建为：
据反应单元区域范围像素值，通过区域模型构建反应单元中心区域，提取反应单元中心区域像素值，通过这些像素值求中值或平均值等方法计算出反应单元中心区域亮度值Lc。其中中心范围的确定为：
Ac＝Shape(S)
其中Ac为中心区域，S为反应单元中心到反应单元中心区域边缘的距离比例。由于形状已知(也可以使用其他形状如方形，圆形等)，可以求出中心区域的像素值Lc。
在一实施例中，反应单元模糊值计算为：通过反应单元模糊评价模型，计算反应单元模糊属性；一般可以通过反应单元边缘区域与中心区域的趋势计算反应单元模糊属性，如通过F＝f(Le,Lc,B)＝(Le-B)/(Lc+B)方式计算反应单元模糊水平值F。
如上所述，通过每个反应单元覆盖区域的像素值分布情况，计算每个反应单元覆盖区域内的模糊值。
S004：反应单元亮度值计算；
在数字PCR仪器的拍摄图像中，反应单元位置区域内所有像素值被提取出来，然后通过一定算法评价反应单元亮度。
具体的，请参阅图4的反应单元亮度值计算流程图，其包括：401：反应单元区域内像素值提取；402：反应单元区域内滤波；403：反应单元内异常区域剔除；404：反应单元亮度值计算。
具体的，在一实施例中，反应单元区域内像素值提取方法与反应单元模糊值计算中的像素值提取方式一致，在此不再赘述。
具体的，在一实施例中，反应单元区域内滤波为：
基于空间滤波器，对反应单元区域内亮度进行滤波，主要消除噪声对像素值的影响。如：均值平滑或中值滤波等。
具体的，在一实施例中，反应单元内异常区域剔除为：
将反应单元内区域分成n份，相邻区域之间的亮度值，在一定范围内，具有连续性。将出现异常区域的像素值剔除；剩余的像素值为La。
具体的，在一实施例中，反应单元亮度值计算为：
求像素值La的中值、平均值等方法计算出反应单元中心区域亮度值L。
如此，通过每个反应单元覆盖区域的像素值，计算每个反应单元亮度值，用亮度值代表每个反应单元的亮度水平，得到反应单元亮度值。
S005：通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值。
由于不同亮度在不同模糊程度下，模糊变化情况有差异，通过构建亮度值与模糊值之间的关系，计算图像模糊水平值。主要确定的是图像整体模糊值(相机焦距等造成的结果)和图像局部模糊值(数字PCR放置不平等造成的结果)。
图像模糊曲线拟合，主要是通过拟合反应单元亮度值L与反应单元模糊值F之间的关系曲线，P＝f(L,F)；
曲线拟合计算说明：假设曲线为直线，f(L,F)＝a*L+b；对任意模糊水平的图像有结果P(a,b)，拟合直线的结果为斜率和截距,结果如图5所示的不同模糊程度下的参数a的散点图，a越大，图像越清晰，以及图6所示的不同模糊程度下的参数b的散点图；b越小，图像越清晰。假设为二次曲线时，f(L,F)＝a*L^2+c*L+b；对任意模糊水平的图像有结果P(a,b,c)；当然也可以有其他方式的曲线拟合。
具体的，请参阅图7所示的图像模糊水平值计算流程图，其包括：501：判断是否对整个图像进行识别模糊，如果是进行步骤503，如果否则进行步骤502；503：所有区域反应单元模糊和亮度提取，然后进入步骤504；502：所有反应单元模糊和亮度提取，然后进入步骤504；504：已知反应单元亮度和模糊趋势模型构建，然后进入步骤505；505：反应单元亮度值和模糊值的关系曲线计算，然后进入步骤506；506：图像模糊水平值计算。
具体的，在一实施例中，所有区域反应单元模糊和亮度提取为：将所有反应单元按位置区域分成C个区域，每个反应单元隶属于一个区域，将每个区域作为整体进行图像模糊水平值计算。提取某一个区域的数据进入到步骤504，直到所有区域都完成图像模糊水平值计算。当所有区域计算完成后，执行步骤如下：在获取每个区域单独计算反应单元模糊值F与亮度值L，执行步骤505；获取每个区域的F和L的曲线参数gi；计算gi与P各个单元之间的相似程度，执行步骤506计算每个区域的模糊值di；当C个区域对应的模糊条件差异高于设定的已知条件规则(如所有区域模糊属性具有不一致性(计算方式如t检验等))时，认为数字PCR芯片相对镜头不垂直(如芯片存在倾斜等)。
具体的，在一实施例中，所有反应单元模糊和亮度提取(步骤503)为：提取图像所有反应单元模糊值F和亮度值L。
具体的，在一实施例中，已知反应单元亮度和模糊趋势模型构建为：
在评价图像模糊程度前，需要进行图像模糊趋势模型构建：1.获取已知模糊图像(如使用不同焦距下的图像)，每种模糊程度Di下，获取若干张图像，得到模糊程度集合为D；2.计算每一张图像的L和F的关系曲线P；使用聚类算法，将每种模糊程度的曲线参数聚集为一个曲线的参数(如聚类中心)；3.通过P和D一一对应关系确定，有Pi对应一种模糊程度Di，i为自然数。
具体的，在一实施例中，反应单元亮度值和模糊值的关系曲线计算为：根据获取到的F、L值和已知趋势模型，计算F、L的关系曲线Pt。
具体的，在一实施例中，图像模糊水平值计算为：芯片距离镜头的位置离最佳位置越远，图像越模糊；而相同亮度和模糊程度的图像，反应单元的模糊值具有相似性。1.在L和Pt的基础上计算出Ft’，通过L和模糊P计算出F’；2.计算Ft’与F’之间的距离和Sum；3.计算出最小距离和所对应模糊曲线Pi；4.输出Pi对应的模糊程度Di，当前Di为待识别图像的模糊水平值。
在其它实施例中，也可以通过比较曲线参数，通过曲线参数之间的变化趋势识别出图像的模糊水平值，如图5和图6所示。
通过如上步骤，本发明可以提高评价图像模糊程度的精度，并可精确计算不同程度的模糊情况，并基于此，可以使用当前评价结果进行分析模糊对数字PCR结果的影响，从而调节评判结果或调整焦距进行重新拍摄，提高数字PCR适用性和结果可靠性。本发明还可以很好区分不同区域存在模糊的情况，当存在模糊区域时，可以很好为用户提供说明芯片未放置好(如有需要可以重新放置后，再次进行拍摄、分析，)，或者仪器需要校准(如平台倾斜，相机镜头不垂直，需要对数字PCR仪器中的设备进行微调)，同时可以对模糊区域结果进行调整；从而可以提高数字PCR适用性和结果可靠性，增加用户接受度。
本发明一实施例中，还提供了一种图像模糊值识别装置，请参阅图8所述的图像模糊值识别装置结构示意图，其包括：图像采集模块601，用于数字PCR的图像采集；局部位置模块602，用于数字PCR芯片中的反应单元位置识别；局部模糊值计算模块603，用于通过每个反应单元覆盖区域的像素值分布情况，计算每个反应单元覆盖区域内的模糊值；局部亮度值计算模块604，用于通过每个反应单元覆盖区域的像素值，计算每个反应单元亮度值，用亮度值代表每个反应单元的亮度水平，得到反应单元亮度值；图像模糊值计算模块605，用于通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值；应用模块606，用于评价数字PCR仪器性能。
具体的，应用模块606主要识别数字PCR芯片和数字PCR一起平台水平校准，数字PCR仪器自动对焦，图像模糊程度识别。
本发明提供的一种图像模糊识别方法及图像模糊识别装置，主要为创建反应单元所在区域的亮度变化情况反应图像模糊情况，从而获取到模糊水平值，通过每个反应单元的模糊水平值与每个反应单元亮度评价之间的关系确定图像的模糊水平。当前此发明主要为数字PCR芯片的图像模糊水平值计算，应用于识别出数字PCR图像结果的模糊程度，如：为后续数字PCR结果分析提供图像质量依据；仪器性能评估：如数字PCR仪器的镜头焦距微小变化、数字PCR仪器的镜头与数字PCR芯片相对位置不垂直等；图像模糊识别系统应用到数字PCR仪器的自动对焦当中，数字PCR平台(放置数字PCR芯片)的水平度评估。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种图像模糊值识别方法，其特征在于，包括：
S001：图像采集；
S002：反应单元位置识别；
S003：反应单元模糊值计算，包括：301:反应单元区域内像素值提取；302:反应单元边缘区域构建；303:反应单元中心区域构建；304:反应单元模糊值计算；
S004：反应单元亮度值计算；
S005：通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值，计算图像模糊水平值包括：501：判断是否对整个图像进行识别模糊，如果是进行步骤503，如果否则进行步骤502；503：所有区域反应单元模糊和亮度提取，然后进入步骤504；502：所有反应单元模糊和亮度提取，然后进入步骤504；504：已知反应单元亮度和模糊趋势模型构建，然后进入步骤505；505：反应单元亮度值和模糊值的关系曲线计算，然后进入步骤506；506：图像模糊水平值计算。
2.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，图像采集为自动对焦图像采集，自动对焦图像采集包括：
第一步：提取配置信息，包括相机焦距范围[Rs,Re],位移误差A，初始焦距补偿步长step，每次迭代步长变化率ln；
第二步：在焦距范围内拍摄，每次拍摄焦距增加步长的距离；
第三步：识别当前位置图像的模糊水平，获得当前位置模糊水平；
第四步：判断当前位置模糊水平是否达到比较低的水平，一是判断模糊情况是否有清晰转为更模糊的拐点，二是当前位置模糊水平距离最佳图像位置的距离小于step，如果达到这两种情况，则说明当前达到最佳位置pos；
第五步：设置焦距范围[pos-step,pos+step],调整步长step＝step*ln，如果step<＝A，则自动对焦结束，否则重复步骤第二步到步骤第五步。
3.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，反应单元位置识别包括：201：图像二值化；202：特征筛选；203：反应单元识别；204：反应单元区域确定。
4.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，反应单元区域内像素值提取为：根据反应单元区域，将反应单元区域内所有像素值La提取出来，同时将反应单元区域外一定区域内的背景的像素值Ba提取出来，对背景的像素值Ba进行处理，计算背景亮度值B。
5.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，反应单元亮度值计算包括：401：反应单元区域内像素值提取；402：反应单元区域内滤波；403：反应单元内异常区域剔除；404：反应单元亮度值计算。
6.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，所有反应单元模糊和亮度提取为：提取图像所有反应单元模糊值F和亮度值L。
7.根据权利要求1所述的一种图像模糊值识别方法，其特征在于，已知反应单元亮度和模糊趋势模型构建为：
获取已知模糊图像，每种模糊程度Di下，获取若干张图像，得到模糊程度集合为D；
计算每一张图像的反应单元亮度值L和反应单元模糊值F的关系曲线P，使用聚类算法，将每种模糊程度的曲线参数聚集为一个曲线的参数；
通过反应单元亮度值L和反应单元模糊值F的关系曲线P和模糊程度集合D一一对应关系确定，一个Pi对应一种模糊程度Di，i为自然数。
8.一种图像模糊值识别装置，其特征在于，包括：
图像采集模块，用于数字PCR的图像采集；
局部位置模块，用于数字PCR芯片中的反应单元位置识别；
局部模糊值计算模块，用于通过每个反应单元覆盖区域的像素值分布情况，计算每个反应单元覆盖区域内的模糊值，包括：301:反应单元区域内像素值提取；302:反应单元边缘区域构建；303:反应单元中心区域构建；304:反应单元模糊值计算；
局部亮度值计算模块，用于通过每个反应单元覆盖区域的像素值，计算每个反应单元亮度值，用亮度值代表每个反应单元的亮度水平，得到反应单元亮度值；
图像模糊值计算模块，用于通过反应单元亮度值与反应单元模糊值的关系曲线，计算图像模糊水平值，计算图像模糊水平值包括：501：判断是否对整个图像进行识别模糊，如果是进行步骤503，如果否则进行步骤502；503：所有区域反应单元模糊和亮度提取，然后进入步骤504；502：所有反应单元模糊和亮度提取，然后进入步骤504；504：已知反应单元亮度和模糊趋势模型构建，然后进入步骤505；505：反应单元亮度值和模糊值的关系曲线计算，然后进入步骤506；506：图像模糊水平值计算；
应用模块，用于评价数字PCR仪器性能。
CN202110816290.7A 2021-07-20 2021-07-20 一种图像模糊值识别方法及装置 Active CN113436120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816290.7A CN113436120B (zh) 2021-07-20 2021-07-20 一种图像模糊值识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816290.7A CN113436120B (zh) 2021-07-20 2021-07-20 一种图像模糊值识别方法及装置

Publications (2)

Publication Number Publication Date
CN113436120A CN113436120A (zh) 2021-09-24
CN113436120B true CN113436120B (zh) 2023-06-20

Family

ID=77760940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816290.7A Active CN113436120B (zh) 2021-07-20 2021-07-20 一种图像模糊值识别方法及装置

Country Status (1)

Country Link
CN (1) CN113436120B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114262733B (zh) * 2022-01-10 2024-09-27 深圳麦科田生物医疗技术股份有限公司 一种微滴式数字pcr荧光信号处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010166247A (ja) * 2009-01-14 2010-07-29 Olympus Corp 画像処理装置、画像処理プログラムおよび画像処理方法
CN102970488A (zh) * 2011-08-31 2013-03-13 索尼公司 图像处理设备、图像处理方法以及程序
CN103793909A (zh) * 2014-01-21 2014-05-14 东北大学 基于衍射模糊的单视觉全局深度信息获取方法
CN104811593A (zh) * 2014-01-27 2015-07-29 日立产业控制解决方案有限公司 摄像装置、摄像方法以及对焦控制装置
JP2015170308A (ja) * 2014-03-10 2015-09-28 サクサ株式会社 画像処理装置
CN113109936A (zh) * 2021-04-08 2021-07-13 西南石油大学 一种基于图像清晰度评估的显微镜自动对焦方法与装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101868483B1 (ko) * 2016-10-13 2018-07-23 경북대학교 산학협력단 영상 대조에 따른 두개의 에지 블러 파라미터 예측 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010166247A (ja) * 2009-01-14 2010-07-29 Olympus Corp 画像処理装置、画像処理プログラムおよび画像処理方法
CN102970488A (zh) * 2011-08-31 2013-03-13 索尼公司 图像处理设备、图像处理方法以及程序
CN103793909A (zh) * 2014-01-21 2014-05-14 东北大学 基于衍射模糊的单视觉全局深度信息获取方法
CN104811593A (zh) * 2014-01-27 2015-07-29 日立产业控制解决方案有限公司 摄像装置、摄像方法以及对焦控制装置
JP2015170308A (ja) * 2014-03-10 2015-09-28 サクサ株式会社 画像処理装置
CN113109936A (zh) * 2021-04-08 2021-07-13 西南石油大学 一种基于图像清晰度评估的显微镜自动对焦方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The use of RNAIII inhibitory peptide in the treatment of elderly patients with staphylococcus aureus infection and construction of fuzzy mathematical model for curative effect evaluation;Hong Ye 等;《Results in Physics》;摘要 *
面向遥感相机自动对焦系统的方法研究;李丹;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;第C028-83页正文第4.3节 *

Also Published As

Publication number Publication date
CN113436120A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN104143185B (zh) 一种污点区域检测方法
CN111083365B (zh) 一种最佳焦平面位置快速检测方法及装置
JP6099479B2 (ja) ひび割れ検出方法
CN106778659B (zh) 一种车牌识别方法及装置
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN114324078B (zh) 一种颗粒粒径识别方法、装置、设备和介质
JP5852919B2 (ja) ひび割れ検出方法
CN111626933A (zh) 一种精准、快速的显微图像拼接方法及系统
CN111612846A (zh) 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法
CN111553878A (zh) 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法
CN113436120B (zh) 一种图像模糊值识别方法及装置
CN114005108A (zh) 一种基于坐标变换的指针式仪表度数识别方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN115714858A (zh) 一种工业相机的增益值和曝光值自动调节方法
CN113375555A (zh) 一种基于手机影像的电力线夹测量方法及系统
CN118241529A (zh) 一种智能道路平整度测试方法
CN116934734A (zh) 基于图像的零件缺陷多路并行检测方法、装置及相关介质
CN115456855B (zh) 一种无人机辅助倾斜摄影图像采集系统
CN117649415B (zh) 基于光流图检测的细胞均衡度分析方法
CN118691609B (zh) 一种高速公路裂缝检测方法及装置
CN114088000B (zh) 钢水液面距离确定方法、系统、设备及介质
CN118469881B (zh) 一种异形玻璃基板涂胶过程中视觉纠偏方法
CN117853429B (zh) 一种标定图像质量评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant