[go: up one dir, main page]

CN116597005A - 荧光簇的中心定位方法、装置、终端设备及存储介质 - Google Patents

荧光簇的中心定位方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN116597005A
CN116597005A CN202310559684.8A CN202310559684A CN116597005A CN 116597005 A CN116597005 A CN 116597005A CN 202310559684 A CN202310559684 A CN 202310559684A CN 116597005 A CN116597005 A CN 116597005A
Authority
CN
China
Prior art keywords
fluorescent
cluster
brightness
image
segmentation
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.)
Granted
Application number
CN202310559684.8A
Other languages
English (en)
Other versions
CN116597005B (zh
Inventor
唐苏明
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.)
Zhongyuan Huiji Biotechnology Co Ltd
Original Assignee
Zhongyuan Huiji 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 Zhongyuan Huiji Biotechnology Co Ltd filed Critical Zhongyuan Huiji Biotechnology Co Ltd
Priority to CN202310559684.8A priority Critical patent/CN116597005B/zh
Priority claimed from CN202310559684.8A external-priority patent/CN116597005B/zh
Publication of CN116597005A publication Critical patent/CN116597005A/zh
Application granted granted Critical
Publication of CN116597005B publication Critical patent/CN116597005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/04—Recognition of patterns in DNA microarrays

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种荧光簇的中心定位方法、装置、终端设备及计算机可读存储介质，通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。本发明解决了传统的荧光簇中心定位方式在荧光簇粘连的情况下容易失效，从而难以对荧光簇准确进行中心定位的技术问题。

Description

荧光簇的中心定位方法、装置、终端设备及存储介质
技术领域
本发明涉及基因组测序技术领域，尤其涉及一种荧光簇的中心定位方法、装置、终端设备及计算机可读存储介质。
背景技术
通过对生物样本进行全基因组测序，挖掘和分析基因组中的变异信息，可以对研究疾病的产生、治疗及预防有着重要的意义。而高通量基因组测序技术(Next GenerationSequencing，NGS，又称下一代基因组测序技术)，因其具有高度并行化、高通量、高速度、低成本、高准确性等优点，也被广泛应用于微生物样本、模式生物或人类样本的基因组碱基序列的标定。
另一方面，荧光簇中心定位与亮度提取是实现碱基正确识别的基础。传统的荧光簇中心定位主要是利用检测算子检测提取荧光簇的轮廓，通过圆拟合或重心法估算簇中心，再利用双线性插值算法计算簇中心的亮度，将荧光簇的轮廓内区域视为前景，轮廓外视为背景，利用簇中心的亮度减去其临近背景区域的平均亮度作为该荧光簇的亮度。
然而，在实际进行荧光簇中心定位与亮度提取时，常常存在荧光簇之间互相黏连甚至一个荧光簇包裹另一个荧光簇的情形，此时若将轮廓内的区域视为一个荧光簇是错误的，如此，传统的荧光簇中心定位方式则非常容易失效，从而难以对荧光簇准确进行中心定位。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种荧光簇的中心定位方法、装置、终端设备及计算机可读存储介质，旨在解决传统的荧光簇中心定位方式在荧光簇粘连的情况下容易失效，从而难以对荧光簇准确进行中心定位的技术问题。
本发明实施例提出一种荧光簇的中心定位方法，该荧光簇的中心定位方法包括：
通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
可选地，所述根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心的步骤，包括：
选择所述荧光簇模板中荧光簇内的亮度最大值点作为所述荧光簇的待定中心；
根据所述荧光簇的亮度分布计算所述待定中心各方向的坐标偏移量；
按照所述坐标偏移量进行加权计算以对所述待定中心进行精定位得到所述荧光簇的簇中心。
可选地，在所述通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值的步骤之前，所述方法还包括：
将荧光图像切分为多个子图像，并获取所述子图像的亮度值；
基于所述子图像的亮度值确定亮度阈值，并将多个所述子图像的亮度值分别与所述亮度阈值进行比较；
若所述子图像的亮度值大于所述亮度阈值，则将所述子图像中高于所述亮度阈值的高亮度数据剔除，并将剔除高亮度数据后的子图像作为标准亮度子图像；
若所述子图像的亮度值小于或者等于所述亮度阈值，则将所述子图像作为标准亮度子图像。
可选地，所述通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值的步骤，包括：
通过预设的聚类算法对标准亮度值进行二分类，以得到第一聚类中心和第二聚类中心，其中，所述标准亮度值为荧光图像的标准亮度子图像的亮度值；
基于所述第一聚类中心和所述第二聚类中心确定亮度平均值，并将所述亮度平均值作为所述荧光图像的子图像的亮度分割阈值。
可选地，所述根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像的步骤，包括：
根据所述亮度分割阈值对所述子图像进行阈值分割得到二值分割图像；
将所述二值分割图像进行拼接，以得到与所述荧光图像对应的荧光簇分割图像。
可选地，所述根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板的步骤，包括：
检测所述荧光簇分割图像中各荧光簇的面积大小与预设的荧光簇面积阈值之间的大小关系；
若所述大小关系为所述荧光簇的面积大于所述荧光簇面积阈值，则确定所述荧光簇为粘连荧光簇；
获取所述粘连荧光簇在所述荧光簇分割图像中的位置；
获取对比荧光簇分割图像中所述位置的目标荧光簇，将所述目标荧光簇作为所述粘连荧光簇的荧光簇模板，其中，所述对比荧光簇分割图像为与所述荧光簇分割图像不同周期的荧光簇分割图像。
可选地，在对所述荧光簇进行中心定位得到簇中心的步骤之后，所述方法还包括：
确定所述簇中心为圆心，并计算所述圆心预设半径范围内的像素点亮度平均值；
将所述像素点亮度平均值减去所述荧光图像的背景亮度值以得到所述荧光簇的亮度。
此外，为实现上述目的，本发明还提供一种荧光簇的中心定位装置，所述荧光簇的中心定位装置包括：
阈值获取模块，用于通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
分割模块，用于根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
模板确定模块，用于根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
簇中心定位模块，用于根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
其中，本发明荧光簇的中心定位装置在运行上述的各个功能模块时，实现如上所述的本发明荧光簇的中心定位方法的步骤。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的荧光簇的中心定位程序，所述荧光簇的中心定位程序被所述处理器执行时实现如上所述的本发明荧光簇的中心定位方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有荧光簇的中心定位程序，所述荧光簇的中心定位程序被处理器执行时实现如上所述的本发明荧光簇的中心定位方法的步骤。
本发明实施例提出的一种荧光簇的中心定位方法、装置、终端设备及计算机可读存储介质，通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
本发明基于预设的聚类算法来获取荧光图像中子图像的亮度分割阈值，从而基于该亮度分割阈值对子图像进行阈值分割，以得到和荧光图像对应的荧光簇分割图像，然后，根据荧光簇分割图像中包含的各荧光簇的面积大小确定荧光簇模板，最后，通过该荧光簇模板中荧光簇的亮度分割和荧光簇内的亮度最大值点来精确定位该荧光簇的簇中心。
如此，相比于传统荧光簇中心定位的方式，本发明能够通过分割荧光图像有效地获取各荧光簇的模板，选择模板中的荧光簇亮度值最大值点对荧光簇进行粗定位之后，再结合荧光簇的亮度分布最终实现对该荧光簇的簇中心的精确定位。即，本发明解决了传统的荧光簇中心定位方式在荧光簇粘连的情况下容易失效，从而难以对荧光簇准确进行中心定位的技术问题。
附图说明
图1是本发明实施例方案涉及终端设备的硬件运行环境的结构示意图；
图2为本发明荧光簇的中心定位方法一实施例涉及的步骤流程示意图；
图3为本发明荧光簇的中心定位方法一实施例涉及的荧光图像；
图4为本发明荧光簇的中心定位方法另一实施例涉及的步骤流程示意图；
图5为本发明荧光簇的中心定位装置的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
由于通过对生物样本进行全基因组测序，挖掘和分析基因组中的变异信息，可以对研究疾病的产生、治疗及预防有着重要的意义。而高通量基因组测序技术(NextGeneration Sequencing，NGS，又称下一代基因组测序技术)，因其具有高度并行化、高通量、高速度、低成本、高准确性等优点，也被广泛应用于微生物样本、模式生物或人类样本的基因组碱基序列的标定。
而荧光簇中心定位与亮度提取是实现碱基正确识别的基础。传统的荧光簇中心定位则主要是利用检测算子检测提取荧光簇的轮廓，通过圆拟合或重心法估算簇中心，再利用双线性插值算法计算簇中心的亮度，将荧光簇的轮廓内区域视为前景，轮廓外视为背景，利用簇中心的亮度减去其临近背景区域的平均亮度作为该荧光簇的亮度。
然而，在实际进行荧光簇中心定位与亮度提取时，常常存在荧光簇之间互相黏连甚至一个荧光簇包裹另一个荧光簇的情形，此时若将轮廓内的区域视为一个荧光簇是错误的，如此，传统的荧光簇中心定位方式则非常容易失效，从而难以对荧光簇准确进行中心定位。
针对上述现象，本发明提供一种解决方案，首先将荧光图像切分为多个不相交的子图像，然后将子图像的亮度值进行分区以剔除高亮度值，利用预设的聚类算法对子图像剩余亮度值进行二分类获得两个聚类中心，设定两个聚类中心的均值为亮度分割阈值对子图像进行阈值分割，利用此方法对所有子图像进行阈值分割，并将分割后的子图像进行拼接，由此实现荧光图像分割。由于单个周期具有A、G、C、T四个通道的荧光图像，因此需要对四个通道的荧光图像进行分割，对于荧光簇出现黏连情形，单周期的四个通道图像不足以对将荧光簇进行分开，但荧光簇在多个周期的某个周期的荧光图像中极小概率出现粘连情形。因此，通过获取多个周期的荧光图像，并对其进行图像分割即可获取各荧光簇的模板。利用各荧光簇的模板检测各周期荧光图像的荧光簇区域，然后对荧光簇亮度梯度进行加权计算实现簇中心的精确定位。最后以荧光簇中心为圆心，计算半径为一定像素范围内像素点亮度的平均值，将此亮度值减去背景亮度值作为荧光簇的亮度。
如此，相比于传统荧光簇中心定位的方式，本发明能够通过分割荧光图像有效地获取各荧光簇的模板，选择模板中的荧光簇亮度值最大值点对荧光簇进行粗定位之后，再结合荧光簇的亮度分布最终实现对该荧光簇的簇中心的精确定位。基于此，本发明则还可以将精确定位得到的荧光簇中心为圆心，通过计算半径为一定像素范围内像素点亮度的平均值，并将此亮度值减去背景亮度值作为荧光簇的亮度，从而达成精确提取荧光簇的亮度的目的。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端设备可以是被配置用于控制进行荧光簇中心定位与亮度提取的各种终端设备，例如终端服务器，PC，甚至也可以是智能手机、平板电脑等可移动式终端设备、或不可移动的终端设备。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及荧光簇的中心定位程序。
在图1所示的终端设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的荧光簇的中心定位程序，并执行以下操作：
通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，并执行以下操作：
选择所述荧光簇模板中荧光簇内的亮度最大值点作为所述荧光簇的待定中心；
根据所述荧光簇的亮度分布计算所述待定中心各方向的坐标偏移量；
按照所述坐标偏移量进行加权计算以对所述待定中心进行精定位得到所述荧光簇的簇中心。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，在执行通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值的步骤之前，还执行以下操作：
将荧光图像切分为多个子图像，并获取所述子图像的亮度值；
基于所述子图像的亮度值确定亮度阈值，并将多个所述子图像的亮度值分别与所述亮度阈值进行比较；
若所述子图像的亮度值大于所述亮度阈值，则将所述子图像中高于所述亮度阈值的高亮度数据剔除，并将剔除高亮度数据后的子图像作为标准亮度子图像；
若所述子图像的亮度值小于或者等于所述亮度阈值，则将所述子图像作为标准亮度子图像。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，并执行以下操作：
通过预设的聚类算法对标准亮度值进行二分类，以得到第一聚类中心和第二聚类中心，其中，所述标准亮度值为荧光图像的标准亮度子图像的亮度值；
基于所述第一聚类中心和所述第二聚类中心确定亮度平均值，并将所述亮度平均值作为所述荧光图像的子图像的亮度分割阈值。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，并执行以下操作：
根据所述亮度分割阈值对所述子图像进行阈值分割得到二值分割图像；
将所述二值分割图像进行拼接，以得到与所述荧光图像对应的荧光簇分割图像。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，并执行以下操作：
检测所述荧光簇分割图像中各荧光簇的面积大小与预设的荧光簇面积阈值之间的大小关系；
若所述大小关系为所述荧光簇的面积大于所述荧光簇面积阈值，则确定所述荧光簇为粘连荧光簇；
获取所述粘连荧光簇在所述荧光簇分割图像中的位置；
获取对比荧光簇分割图像中所述位置的目标荧光簇，将所述目标荧光簇作为所述粘连荧光簇的荧光簇模板，其中，所述对比荧光簇分割图像为与所述荧光簇分割图像不同周期的荧光簇分割图像。
进一步地，处理器1001还可以用于调用存储器1005中存储的荧光簇的中心定位程序，在执行对所述荧光簇进行中心定位得到簇中心的步骤之后，并执行以下操作：
确定所述簇中心为圆心，并计算所述圆心预设半径范围内的像素点亮度平均值；
将所述像素点亮度平均值减去所述荧光图像的背景亮度值以得到所述荧光簇的亮度。
基于上述硬件结构，提出本发明荧光簇的中心定位方法的各实施例。
请参照图2，图2为本发明荧光簇的中心定位方法第一实施例涉及的步骤流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，本发明荧光簇的中心定位方法当然也可以以不同于此处的顺序执行所示出或描述的步骤。
在本发明荧光簇的中心定位方法的第一实施例中，本发明荧光簇的中心定位方法的执行主体可以为上述的终端设备。基于此，本发明荧光簇的中心定位方法包括：
步骤S10，通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
在本实施例中，终端设备在进行荧光簇中心定位与亮度提取的过程中，首先通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值，其中，荧光图像有多个，多个荧光图像为终端设备在多个周期下针对A、G、C、T四个通道进行图像采集得到的荧光图像。
需要说明的是，在本实施例中，预设的聚类算法优选为K-means聚类算法(一种迭代求解的聚类分析算法)，多个周期优选为五个周期，当然，也可以基于实际应用的不同设计需要设定不同的周期数量。
此外，由于生化反应效果不一的影响，导致荧光图像在不同区域的荧光簇亮度可能相差较大，而即使是同一区域内荧光簇的亮度也可能存在分布不均匀的情形。如此，采用传统的图像分割算法，如：单阈值法、mean-shift算法(均值迁移算法)、分水岭算法、水平集分割算法等，在荧光簇密集区域与亮度差异较大区域将难以实现有效分割。从而，本发明荧光簇的中心定位方法即针对每个通道不同周期的荧光图像进行图像分割，来进行荧光簇的检测。
可选地，在一种可行的实施例中，在上述的步骤S10之前，本发明荧光簇的中心定位方法，还可以包括：
步骤A10，将荧光图像切分为多个子图像，并获取所述子图像的亮度值；
步骤A20，基于各所述子图像的亮度值确定亮度阈值，并将多个所述子图像的亮度值分别与所述亮度阈值进行比较；
在本实施例中，终端设备在开始对荧光图像中的荧光簇进行中心定位和亮度提取之前，首先在将荧光图像切分为多个子图像，并获取每个子图像的亮度值，然后将各子图像的亮度值从小到大排列，基于各子图像的亮度值数据来建立亮度直方图，以亮度值较高且像素数量少为原则确定亮度阈值，然后将各子图像的亮度值与确定的亮度阈值进行比较，以剔除子图像中的高亮度数据。
步骤A30,若所述子图像的亮度值大于所述亮度阈值，则将所述子图像中高于所述亮度阈值的高亮度数据剔除，并将剔除高亮度数据后的子图像作为标准亮度子图像；
在本实施例中，终端设备将各子图像的亮度值和确定的亮度阈值进行比较，若子图像的亮度值大于亮度阈值，则将子图像中高于亮度阈值的高亮度数据剔除，并且将剔除高亮度数据后的子图像作为标准亮度图像参与后面的运算，以实现各荧光簇更精确的检测。
步骤A40，若所述子图像的亮度值小于所述亮度阈值，则将所述子图像作为标准亮度子图像。
在本实施例中，若子图像的亮度小于亮度阈值，则将该子图像直接作为标准亮度子图像参与后面的运算。
基于此，在一种可行的实施例中，上述的步骤S10，通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值，具体可以包括：
步骤S101，通过预设的聚类算法对标准亮度值进行二分类，以得到第一聚类中心和第二聚类中心，其中，所述标准亮度值为荧光图像的标准亮度子图像的亮度值；
步骤S102，基于所述第一聚类中心和所述第二聚类中心确定亮度平均值，并将所述亮度平均值作为所述荧光图像的子图像的亮度分割阈值。
在本实施例中，终端设备利用K-means聚类算法对剔除高亮度值的标准亮度值进行二分类，获得第一聚类中心和第二聚类中心，取两个聚类中心的平均值作为荧光图像的子图像的亮度分割阈值，以对子图像基于该亮度分割阈值进行分割。
步骤S20，根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
在本实施例中，终端设备在确定荧光图像的子图像的亮度分割阈值之后，即可根据该亮度分割阈值对子凸现进行阈值分割，以得到和荧光图像对应的荧光簇分割图像。
可选地，在一种可行的实施例中，上述的步骤S20，可以包括：
步骤S201，根据所述亮度分割阈值对所述子图像进行阈值分割得到二值分割图像；
步骤S202，将所述二值分割图像进行拼接，以得到与所述荧光图像对应的荧光簇分割图像。
在本实施例中，终端设备取两聚类中心的平均值作为亮度分割阈值，对子图像进行阈值分割，获得二值分割图像，最后将各分割后的多幅子图像进行拼接，得到完整的荧光簇分割图像。依照此方法对多个周期各通道图像进行图像分割，即可实现荧光簇的初步分割。
步骤S30，根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
在本实施例中，终端设备在基于K-means聚类算法对荧光图像进行分割，得到荧光簇分割图像之后，获取荧光簇分割图像中各荧光簇的面积大小，并根据各荧光簇的面积大小来确定各荧光簇的模板。
可选地，在一种可行的实施例中，上述的步骤S30，可以包括：
S301，检测所述荧光簇分割图像中各荧光簇的面积大小与预设的荧光簇面积阈值之间的大小关系；
在本实施例中，终端设备先初步估计分割后荧光图像中单个荧光簇的面积，将该面积作为预设的荧光簇面积阈值，然后检测各荧光簇分割图像中各荧光簇的面积大小与荧光簇面积阈值之间的大小关系。
此外，在本实施例中，预设的荧光簇面积阈值可基于实际应用的不同设计需要设定不同大小的取值。
S302，若所述大小关系为所述荧光簇的面积大于所述荧光簇面积阈值，则确定所述荧光簇为粘连荧光簇；
S303，获取所述粘连荧光簇在所述荧光簇分割图像中的位置；
在本实施例中，若终端设备确定检测的荧光簇的面积大于荧光簇面积阈值，则确定该荧光簇为粘连荧光簇，终端设备获取粘连荧光簇在荧光簇分割图像中的位置区域，该粘连荧光簇所在的位置区域为粘连区域。
S304，获取对比荧光簇分割图像中所述位置的目标荧光簇，将所述目标荧光簇作为所述粘连荧光簇的荧光簇模板，其中，所述对比荧光簇分割图像为与所述荧光簇分割图像不同周期的荧光簇分割图像。
在本实施例中，终端设备获取与当前检测的荧光簇分割图像不同周期的对比荧光簇分割图像中，在粘连荧光簇所在的位置的目标荧光簇，目标荧光簇为多个对比荧光簇分割图像中该粘连区域内存在的面积最小的荧光簇，将该目标荧光簇作为粘连荧光簇的荧光簇模板进行检测。即，终端设备确定粘连区域后，对比分割后的多个周期各通道的荧光图像中该区域的荧光簇分割面积，通过寻找面积最小的荧光簇区域，此区域即可视为各荧光簇的模板，由此即可获得黏连的各荧光簇的模板。
示例性地，在本实施例中，由于荧光图像中容易出现多个荧光簇黏连的情形(具体如图3中被框选的图像区域)，对于相互黏连的荧光簇，在不同周期某个通道的荧光图像中，荧光簇极可能单独存在，利用这一现象即可将黏连荧光簇进行分割。因此，先大致估计初步分割后荧光图像中单个荧光簇的面积S，将面积大于4S/3的区域视为存在荧光簇黏连情形。确定黏连区域后，对比分割后的多个周期各通道的荧光图像中该区域的荧光簇分割面积，通过寻找面积最小的荧光簇区域，此区域即可视为各荧光簇的模板，由此即可获得黏连的各荧光簇的模板。
步骤S40，根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
在本实施例中，终端设备在确定不存在粘连情况的荧光簇模板之后，进一步先在该荧光簇模板存在的荧光簇中确定亮度最大值点作为该荧光簇初步拟定的簇中心，如此先实现对该荧光簇的中心进行粗定位，之后，终端设备进一步基于该荧光簇的亮度分布进行各个方向的坐标偏移量和加权计算，以对该荧光簇初步拟定的簇中心进行进一步的精确定位。
可选地，在一种可行的实施例中，上述的步骤S40，可以包括：
步骤S401，选择所述荧光簇模板中荧光簇内的亮度最大值点作为所述荧光簇的待定中心；
在本实施例中，终端设备在利用K-means聚类算法对子图像进行阈值分割，由此获得二值分割图像。然后，终端设备通过计算该二值分割图像的八连通区域并进行标号，并视该八连通区域为该子图像块内存在的荧光簇。再然后，终端设备通过对不同的八连通区域在整体荧光图像中对应的区域寻找最大亮度的像素点——亮度最大值点，并将其视为荧光簇初步拟定的簇中心。
步骤S402，根据所述荧光簇的亮度分布计算所述待定中心各方向的坐标偏移量；
步骤S403，按照所述坐标偏移量进行加权计算以对所述待定中心进行精定位得到所述荧光簇的簇中心。
在本实施例中，由于荧光簇区域内的亮度分布并不均匀，但簇中心坐标与区域内亮度值最大的像素点坐标存在不超过1像素的偏差，即，临近像素点的值大小比较接近。因此，终端设备在取荧光簇区域内亮度值最大的像素点为亮度最大值点作为荧光簇初步拟定的簇中心之后，假设该中心点亮度为I(u,v)，(u,v)表示该点坐标，则取该点八连通区域内的8个点：(u-1,v-1)、(u-1,v)、(u-1,v+1)、(u,v-1)、(u,v+1)、(u+1,v-1)、(u+1,v)、(u+1,v+1)，而各点对应的亮度为I(u-1,v-1)、I(u-1,v)、I(u-1,v+1)、I(u,v-1)、I(u,v+1)、I(u+1,v-1)、I(u+1,v)、I(u+1,v+1)。如此，终端设备即利用二次多项式根据亮度I(u-1,v)、I(u,v)、I(u+1,v)及其坐标拟合计算多项式系数，记该二次多项式最大值点的横坐标偏移值为α。相似地，可根据I(u,v-1)、I(u,v)、I(u,v+1)及其坐标计算纵坐标偏移值为β。
进一步地，终端设备利用二次多项式根据亮度I(u-1,v-1)、I(u,v)、I(u+1,v+1)及其坐标，与亮度I(u-1,v+1)、I(u,v)、I(u+1,v-1)及其坐标可分别拟合计算出二次多项式最大值点在斜对角方向“\”与“/”的坐标偏移量为ε与η。具体地，计算亮度梯度如下：
根据I01与I02计算横坐标的偏移量α为：
根据I10与I20计算纵坐标的偏移量β为：
根据I11与I22计算斜对角方向“\”的坐标偏移量ε为：
根据I21与I12计算斜对角方向“/”的坐标偏移量η为：
而由于横纵坐标轴方向与斜对角线方向对坐标影响程度不同，因此，终端设备通过设定不同的权重以更精确地实现荧光簇中心定位，如此，终端设备即可得到如下计算公式的荧光簇的中心坐标，从而实现了对荧光簇簇中心的精确定位。
在本实施例中，终端设备在进行荧光簇中心定位与亮度提取的过程中，首先将荧光图像切分为多个不相交的子图像，然后将子图像的亮度值进行分区以剔除高亮度值，利用预设的聚类算法对子图像剩余亮度值进行二分类获得两个聚类中心，设定两个聚类中心的均值为亮度分割阈值对子图像进行阈值分割，利用此方法对所有子图像进行阈值分割，并将分割后的子图像进行拼接，由此实现荧光图像分割。对于荧光簇出现黏连情形，单周期的荧光图像不足以对将荧光簇进行分开，但荧光簇在多个周期的某个周期的荧光图像中极小概率出现粘连情形。因此，通过获取多个周期的荧光图像，并对其进行图像分割即可获取各荧光簇的模板。利用各荧光簇的模板检测各周期荧光图像的荧光簇区域，进一步先在确定的荧光簇模板内存在的荧光簇中确定亮度最大值点作为该荧光簇初步拟定的簇中心，如此先实现对该荧光簇的中心进行粗定位，之后，终端设备进一步基于该荧光簇的亮度分布进行各个方向的坐标偏移量和加权计算，以对该荧光簇初步拟定的簇中心进行进一步的精确定位。
如此，相比于传统荧光簇中心定位的方式，本发明通过将荧光图像切分为多个子图像，利用直方图方法将子图像的亮度值进行分区以剔除高亮度值，利用K-means聚类算法根据图像亮度变化灵活地获得阈值对子图像进行阈值分割，通过分割多周期荧光图像能很好地获取各荧光簇的模板，从而实现各荧光簇区域的精确检测。
进一步地，基于上述本发明荧光簇的中心定位方法的第一实施例，提出本发明荧光簇的中心定位方法的第二实施例。如图4所示，图4为本发明荧光簇的中心定位方法第二实施例涉及的步骤流程示意图。
在本实施例中，在上述的步骤S40，根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心之后，本发明荧光簇的中心定位方法，还可以包括：
步骤S50，确定所述簇中心为圆心，并计算所述圆心预设半径范围内的像素点亮度平均值；
步骤S60，将所述像素点亮度平均值减去所述荧光图像的背景亮度值以得到所述荧光簇的亮度。
在本实施例中，终端设备在按照上述本发明荧光簇的中心定位方法的步骤S10、步骤S20、步骤S30和步骤S40，实现了针对荧光图像中荧光簇中心的精确定位之后，终端设备即可以精确定位到的该荧光簇的簇中心为圆心，计算半径为一定像素范围内的像素点亮度平均值，最后，通过将像素点亮度平均值减去整体荧光图像的背景亮度值之后，即可得到该荧光簇的亮度。
示例性地，终端设备在荧光图像中确定荧光簇的簇中心后，以该簇中心的坐标为圆心，以1像素为半径，统计圆区域内像素点的亮度均值
式中，I(u′,v′)，I(u′-1,v′)，I(u′+1,v′)，I(u′,v′-1)，I(u′,v′+1)， 可通过双线性插值求得。
然后，终端设备利用上述步骤S201中获得的二值分割图像获得背景区域图像，并利用该背景区域图像计算出背景区域的平均亮度最后，终端设备将圆区域内像素点的亮度均值/>减去背景区域的平均亮度值/>即可获得该荧光簇的亮度值。
在本实施例中，终端设备在实现了针对荧光图像中荧光簇中心的精确定位之后，即可进一步以精确定位到的该荧光簇的簇中心为圆心，计算半径为一定像素范围内的像素点亮度平均值，最后，通过将像素点亮度平均值减去整体荧光图像的背景亮度值之后，即可得到该荧光簇的亮度。如此，本发明荧光簇的中心定位方法也达成了精确提取荧光簇的亮度的目的。
本申请通过将荧光图像切分为多个子图像，利用直方图方法剔除子图像中的高亮度值，以便于终端设备利用K-means聚类算法根据图像亮度变化灵活地获得亮度分割阈值对子图像进行阈值分割，通过分割多周期荧光图像能很好地获取各荧光簇的模板，实现了各荧光簇区域的精确检测。然后，还通过初步选择荧光簇亮度值最大点为簇中心，通过计算荧光簇亮度梯度分布，对亮度梯度的加权计算实现了簇中心的精定位。最后以簇中心临近范围内像素点亮度的平均值，将此亮度值减去背景亮度值作为荧光簇的亮度，从而实现了荧光簇的亮度提取。
此外，请参照图5，本发明实施例还提出一种荧光簇的中心定位装置，本发明荧光簇的中心定位装置包括：
阈值获取模块10，用于通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
分割模块20，用于根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
模板确定模块30，用于根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
簇中心定位模块40，用于根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
优选地，所述簇中心定位模块40，包括：
粗定位单元，用于选择所述荧光簇模板中荧光簇内的亮度最大值点作为所述荧光簇的待定中心；
精定位单元，用于根据所述荧光簇的亮度分布计算所述待定中心各方向的坐标偏移量；和，按照所述坐标偏移量进行加权计算以对所述待定中心进行精定位得到所述荧光簇的簇中心。
优选地，本发明荧光簇的中心定位装置，还包括：
亮度阈值确定模块，用于将荧光图像切分为多个子图像，并获取所述子图像的亮度值；和，基于所述子图像的亮度值确定亮度阈值，并将多个所述子图像的亮度值分别与所述亮度阈值进行比较；
标准亮度子单元确定模块，用于若所述子图像的亮度值大于所述亮度阈值，则将所述子图像中高于所述亮度阈值的高亮度数据剔除，并将剔除高亮度数据后的子图像作为标准亮度子图像；和，若所述子图像的亮度值小于或者等于所述亮度阈值，则将所述子图像作为标准亮度子图像。
优选地，阈值获取模块10，包括：
分类单元，用于通过预设的聚类算法对标准亮度值进行二分类，以得到第一聚类中心和第二聚类中心，其中，所述标准亮度值为荧光图像的标准亮度子图像的亮度值；
阈值确定单元，用于基于所述第一聚类中心和所述第二聚类中心确定亮度平均值，并将所述亮度平均值作为所述荧光图像的子图像的亮度分割阈值。
优选地，分割模块20，包括：
分割单元，用于根据所述亮度分割阈值对所述子图像进行阈值分割得到二值分割图像；
拼接单元，用于将所述二值分割图像进行拼接，以得到与所述荧光图像对应的荧光簇分割图像。
优选地，模板确定模块30，包括：
检测单元，用于检测所述荧光簇分割图像中各荧光簇的面积大小与预设的荧光簇面积阈值之间的大小关系；
粘连荧光簇确定单元，用于若所述大小关系为所述荧光簇的面积大于所述荧光簇面积阈值，则确定所述荧光簇为粘连荧光簇；
位置获取单元，用于获取所述粘连荧光簇在所述荧光簇分割图像中的位置；
模板确定单元，用于获取对比荧光簇分割图像中所述位置的目标荧光簇，将所述目标荧光簇作为所述粘连荧光簇的荧光簇模板，其中，所述对比荧光簇分割图像为与所述荧光簇分割图像不同周期的荧光簇分割图像。
优选地，本发明荧光簇的中心定位装置，还包括：
亮度提取模块，用于确定所述簇中心为圆心，并计算所述圆心预设半径范围内的像素点亮度平均值；和，将所述像素点亮度平均值减去所述荧光图像的背景亮度值以得到所述荧光簇的亮度。
本实施例提出的荧光簇的中心定位装置的各个功能模块在运行时，实现如上所述的荧光簇的中心定位方法的步骤，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质上存储有荧光簇的中心定位程序，荧光簇的中心定位程序被处理器执行时实现如上所述的荧光簇的中心定位方法的步骤。
本发明计算机可读存储介质具体实施方式可以参照上述荧光簇的中心定位方法各实施例，在此不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种荧光簇的中心定位方法，其特征在于，所述荧光簇的中心定位方法包括：
通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
2.如权利要求1所述的荧光簇的中心定位方法，其特征在于，所述根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心的步骤，包括：
选择所述荧光簇模板中荧光簇内的亮度最大值点作为所述荧光簇的待定中心；
根据所述荧光簇的亮度分布计算所述待定中心各方向的坐标偏移量；
按照所述坐标偏移量进行加权计算以对所述待定中心进行精定位得到所述荧光簇的簇中心。
3.如权利要求1所述的荧光簇的中心定位方法，其特征在于，在所述通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值的步骤之前，所述方法还包括：
将荧光图像切分为多个子图像，并获取所述子图像的亮度值；
基于所述子图像的亮度值确定亮度阈值，并将多个所述子图像的亮度值分别与所述亮度阈值进行比较；
若所述子图像的亮度值大于所述亮度阈值，则将所述子图像中高于所述亮度阈值的高亮度数据剔除，并将剔除高亮度数据后的子图像作为标准亮度子图像；
若所述子图像的亮度值小于或者等于所述亮度阈值，则将所述子图像作为标准亮度子图像。
4.如权利要求3所述的荧光簇的中心定位方法，其特征在于，所述通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值的步骤，包括：
通过预设的聚类算法对标准亮度值进行二分类，以得到第一聚类中心和第二聚类中心，其中，所述标准亮度值为荧光图像的标准亮度子图像的亮度值；
基于所述第一聚类中心和所述第二聚类中心确定亮度平均值，并将所述亮度平均值作为所述荧光图像的子图像的亮度分割阈值。
5.如权利要求1所述的荧光簇的中心定位方法，其特征在于，所述根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像的步骤，包括：
根据所述亮度分割阈值对所述子图像进行阈值分割得到二值分割图像；
将所述二值分割图像进行拼接，以得到与所述荧光图像对应的荧光簇分割图像。
6.如权利要求1所述的荧光簇的中心定位方法，其特征在于，所述根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板的步骤，包括：
检测所述荧光簇分割图像中各荧光簇的面积大小与预设的荧光簇面积阈值之间的大小关系；
若所述大小关系为所述荧光簇的面积大于所述荧光簇面积阈值，则确定所述荧光簇为粘连荧光簇；
获取所述粘连荧光簇在所述荧光簇分割图像中的位置；
获取对比荧光簇分割图像中所述位置的目标荧光簇，将所述目标荧光簇作为所述粘连荧光簇的荧光簇模板，其中，所述对比荧光簇分割图像为与所述荧光簇分割图像不同周期的荧光簇分割图像。
7.如权利要求1至6任一项所述的荧光簇的中心定位方法，其特征在于，在对所述荧光簇进行中心定位得到簇中心的步骤之后，所述方法还包括：
确定所述簇中心为圆心，并计算所述圆心预设半径范围内的像素点亮度平均值；
将所述像素点亮度平均值减去所述荧光图像的背景亮度值以得到所述荧光簇的亮度。
8.一种荧光簇的中心定位装置，其特征在于，所述荧光簇的中心定位装置包括：
阈值获取模块，用于通过预设的聚类算法获取荧光图像的子图像的亮度分割阈值；
分割模块，用于根据所述亮度分割阈值对所述子图像进行阈值分割，以得到与所述荧光图像对应的荧光簇分割图像；
模板确定模块，用于根据所述荧光簇分割图像中各荧光簇的面积大小确定荧光簇模板；
簇中心定位模块，用于根据所述荧光簇模板中荧光簇的亮度分布和所述荧光簇内的亮度最大值点，对所述荧光簇进行中心定位得到簇中心。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的荧光簇的中心定位程序，所述荧光簇的中心定位程序被所述处理器执行时实现如权利要求1至7中任一项所述的荧光簇的中心定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有荧光簇的中心定位程序，所述荧光簇的中心定位程序被处理器执行时实现如权利要求1至7中任一项所述的荧光簇的中心定位方法的步骤。
CN202310559684.8A 2023-05-17 荧光簇的中心定位方法、装置、终端设备及存储介质 Active CN116597005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310559684.8A CN116597005B (zh) 2023-05-17 荧光簇的中心定位方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310559684.8A CN116597005B (zh) 2023-05-17 荧光簇的中心定位方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN116597005A true CN116597005A (zh) 2023-08-15
CN116597005B CN116597005B (zh) 2025-12-30

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2025200281A1 (zh) * 2024-03-25 2025-10-02 郑州思昆生物工程有限公司 荧光图像中荧光光斑的分割方法、计算机设备及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923712A (zh) * 2010-08-03 2010-12-22 苏州大学 基于粒子群优化的K-means聚类算法的基因芯片图像分割法
CN106770114A (zh) * 2016-12-23 2017-05-31 西安交通大学 一种高通量测序碱基荧光识别系统装置与方法
US20180045622A1 (en) * 2016-05-25 2018-02-15 The Board Of Trustees Of The Leland Stanford Junior University Method and System for Imaging and Analysis of a Biological Specimen
CN108192953A (zh) * 2017-11-22 2018-06-22 深圳市瀚海基因生物科技有限公司 检测核酸特异性和/或非特异性吸附的方法
CN112289377A (zh) * 2018-08-22 2021-01-29 深圳市真迈生物科技有限公司 检测图像上的亮斑的方法、装置和计算机程序产品
CN112288783A (zh) * 2018-08-22 2021-01-29 深圳市真迈生物科技有限公司 基于图像构建测序模板的方法、碱基识别方法和装置
CN116052163A (zh) * 2023-02-08 2023-05-02 中元汇吉生物技术股份有限公司 荧光簇的中心定位方法、装置、终端设备及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923712A (zh) * 2010-08-03 2010-12-22 苏州大学 基于粒子群优化的K-means聚类算法的基因芯片图像分割法
US20180045622A1 (en) * 2016-05-25 2018-02-15 The Board Of Trustees Of The Leland Stanford Junior University Method and System for Imaging and Analysis of a Biological Specimen
CN106770114A (zh) * 2016-12-23 2017-05-31 西安交通大学 一种高通量测序碱基荧光识别系统装置与方法
CN108192953A (zh) * 2017-11-22 2018-06-22 深圳市瀚海基因生物科技有限公司 检测核酸特异性和/或非特异性吸附的方法
CN112289377A (zh) * 2018-08-22 2021-01-29 深圳市真迈生物科技有限公司 检测图像上的亮斑的方法、装置和计算机程序产品
CN112288783A (zh) * 2018-08-22 2021-01-29 深圳市真迈生物科技有限公司 基于图像构建测序模板的方法、碱基识别方法和装置
CN116052163A (zh) * 2023-02-08 2023-05-02 中元汇吉生物技术股份有限公司 荧光簇的中心定位方法、装置、终端设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶丙刚: ""高通量基因测序图像处理与数据分析"", 《中国优秀博士学位论文全文数据库》, 16 October 2010 (2010-10-16) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2025200281A1 (zh) * 2024-03-25 2025-10-02 郑州思昆生物工程有限公司 荧光图像中荧光光斑的分割方法、计算机设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
WO2021189912A1 (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN112528831B (zh) 多目标姿态估计方法、多目标姿态估计装置及终端设备
US9165365B2 (en) Method and system for estimating attitude of camera
CN107633526B (zh) 一种图像跟踪点获取方法及设备、存储介质
JP2022537781A (ja) 画像認識方法、認識モデルの訓練方法及び関連装置、機器
EP2908287B1 (en) Image segmentation device, image segmentation method, and depth map generating method
WO2019129032A1 (zh) 遥感图像识别方法、装置、存储介质以及电子设备
WO2020062493A1 (zh) 图像处理方法和装置
CN108229288A (zh) 神经网络训练及衣服颜色检测方法、装置、存储介质、电子设备
CN108229494B (zh) 网络训练方法、处理方法、装置、存储介质和电子设备
CN108090486A (zh) 一种台球比赛中的图像处理方法及装置
CN113344994B (zh) 图像配准方法、装置、电子设备及存储介质
CN111819567A (zh) 使用语义特征来匹配图像的方法和装置
CN108564569B (zh) 一种基于多核分类学习的混凝土裂缝检测方法及装置
CN105049706A (zh) 一种图像处理方法及终端
US20200242410A1 (en) System for Training Descriptor with Active Sample Selection
WO2021179905A1 (en) Motion blur robust image feature descriptor
CN108335327A (zh) 摄像机姿态估计方法和摄像机姿态估计装置
CN113989762B (zh) 用于识别车道线的方法、装置、设备、介质和产品
US12067771B2 (en) Object location determination in frames of a video stream
CN116597005A (zh) 荧光簇的中心定位方法、装置、终端设备及存储介质
CN110675428B (zh) 面向人机交互的目标跟踪方法、装置、计算机设备
JP6365117B2 (ja) 情報処理装置、画像判定方法、及びプログラム
CN104680122B (zh) 一种基于肤色检测的跟踪方法及装置
CN116597005B (zh) 荧光簇的中心定位方法、装置、终端设备及存储介质

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
CB02 Change of applicant information

Country or region after: China

Address after: No. 45 Shilin Avenue, Tiaodeng Town, Dadukou District, Chongqing City, 400000

Applicant after: Zhongyuan Huiji Biotechnology Co.,Ltd.

Address before: 6 / F, no.1-400000, industrial park, Taikang District, Chongqing

Applicant before: Zhongyuan Huiji Biotechnology Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant