一種基于固定參數(shù)分割微柱小管的血型識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及血型檢測結(jié)果識(shí)別領(lǐng)域，具體涉及一種基于固定參數(shù)分割微柱小管的 血型識(shí)別方法。
【背景技術(shù)】
[0002] 血型試劑卡是20世紀(jì)90年代產(chǎn)生的一種血型檢測產(chǎn)品，其基本原理是利用分子篩 技術(shù)、離心技術(shù)和特異性免疫反應(yīng)技術(shù)原理，把血型血清學(xué)技術(shù)與凝膠分子篩技術(shù)有機(jī)結(jié) 合起來，可靈敏地檢測出可能存在的微弱血型抗原抗體反應(yīng)，其被認(rèn)為是血型血清學(xué)檢驗(yàn) 的里程碑。
[0003] 血型試劑卡上有6-8個(gè)微柱小管，每個(gè)微柱小管中灌裝有凝膠和抗體;檢測時(shí)將紅 細(xì)胞、血漿或試劑紅細(xì)胞加在微柱小管上部的反應(yīng)腔中，通過離心后分析紅細(xì)胞在微柱小 管中位置分布情況判斷結(jié)果。
[0004] 目前血型試劑卡的結(jié)果判讀主要還處于人工階段，即人肉眼觀察紅細(xì)胞的位置分 布，其自動(dòng)化程度低，且受到人為因素影響很大，不同的人對(duì)于同一結(jié)果可能會(huì)有不同判 斷，容易造成人為誤判。
[0005] 現(xiàn)有的血型分析算法中，一般都是先對(duì)圖像進(jìn)行灰度處理，再進(jìn)行微柱小管的分 害J，由于灰度處理時(shí)會(huì)使得圖像特征點(diǎn)存在一定的損失，造成對(duì)象邊緣的失真，而當(dāng)采用模 板匹配的方式進(jìn)行微柱小管的分割時(shí)，由于前一步的對(duì)象邊緣失真，導(dǎo)致了模板匹配的誤 差增加，不利于最終結(jié)果的判讀。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有血型檢測結(jié)果識(shí)別方法的不足，提供一種基于固定參 數(shù)分割微柱小管的血型識(shí)別方法。
[0007] 為實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：
[0008] -種基于固定參數(shù)分割微柱小管的血型識(shí)別方法，包括以下步驟：
[0009] (1)獲取微柱小管圖像
[0010] 采集血型試劑卡的原始圖片，將原始圖像讀取到位圖中，并在此位圖上截取各個(gè) 微柱小管下部的矩形區(qū)域，則得到各個(gè)微柱小管圖像；
[0011] (2)圖像預(yù)處理
[0012] 先將RGB圖像轉(zhuǎn)到Y(jié)CbCr分量，然后對(duì)圖像的Y分量進(jìn)行直方圖均衡化處理，最后合 成圖像，從而突出微柱小管圖像中紅細(xì)胞所在位置；
[0013] (3)灰度轉(zhuǎn)換
[0014] 采用加權(quán)平均值法將步驟(2)中合成的圖像轉(zhuǎn)換成灰度圖像，則C[i，j]像素點(diǎn)處 亮度值為Rij、Gij、Bij，灰度變換后該點(diǎn)的灰度值Gray ij為Grayij = Rij*0 · 3+Gij*0 · 59+Bij* 0.11；
[0015] (4)圖像二值化
[0016] 采用Otsu算法求取步驟(3)中灰度圖像的最佳閾值T，并將T和灰度值Grayij進(jìn)行比 較，當(dāng)Grayij大于T時(shí)，Grayij取255,反之Grayij取0,則經(jīng)閾值處理后的灰度值Vij為：
[0017]
[0018] 經(jīng)過上述閾值處理后就可把步驟(3)中灰度圖像轉(zhuǎn)換成黑白的二值化圖；
[0019] (5)對(duì)比檢測結(jié)果
[0020] 將二值化圖中灰度值在垂直方向及水平方向上分別進(jìn)行投影，并統(tǒng)計(jì)每一行、 每一列上的像素之和，根據(jù)像素的分布情況來判斷微柱小管下段紅細(xì)胞的分布情況;再結(jié) 合當(dāng)前血型試劑卡的種類，得到該血型試劑卡的血型檢測結(jié)果。
[0021] 進(jìn)一步方案，所述步驟(2)中將RGB圖像轉(zhuǎn)到Y(jié)CbCr分量是以微柱小管下部的矩形 區(qū)域的大小建立二維數(shù)組坐標(biāo)，則C[ i，j ]像素點(diǎn)的亮度值為Rij、Gij、Bi」，轉(zhuǎn)換為YCbCr分量 后該點(diǎn)的各分量為：
[0022] Y = Rij*〇 · 257+Gij*0 · 564+Bij*0 · 098+16
[0023] Cb = -Rij*0.148-Gij*0.291+Bij*0.439+128
[0024] Cr = Rij*0.439-Gij*0.368-Bij*0.071+128。
[0025] 進(jìn)一步方案，所述步驟(2)中對(duì)Y分量上的圖像進(jìn)行直方圖均衡化處理，包括以下 步驟：
[0026] (1)統(tǒng)計(jì)圖像直方圖中每個(gè)灰度級(jí)出現(xiàn)次數(shù)，設(shè)Y分量上灰度級(jí)為k的像素點(diǎn)在微 柱小管圖像中出現(xiàn)的概率為P(k)，則P(k) = nk/N，k = 0，1，2，......m_l，式中m為微柱小管圖 像中最灰度級(jí)，nk表示的是微柱小管圖像中灰度級(jí)為k的像素的個(gè)數(shù)，N表示微柱小管圖像 的寬度和高度的乘積；
[0027] (2)計(jì)算微柱小管圖像中灰度級(jí)為k的像素在微柱小管圖像中出現(xiàn)的概率P(k)的 累計(jì)總數(shù)C(k)，C(k)即為圖像的累計(jì)歸一化直方圖；
[0028]
[0029] 式中k、h均為微柱小管圖像中灰度級(jí)；
[0030] (3)將歸一化直方圖C(k)縮放至0-255范圍內(nèi)，設(shè)縮放后的Y分量灰度級(jí)為Y(k)，則 Y(k)=255*C(k)。
[0031] 進(jìn)一步方案，所述步驟(2)中合成圖像的R、G、B分量分別為：
[0032] R= (Y-16)*l · 164+(Cr_128)*l · 596
[0033] G=(Y-16)*1.164-(Cb-128)*0.392-(Cr-128)*0.813
[0034] B=(Y-16)*1.164+(Cb-128)*2.017。
[0035] 本發(fā)明中直方圖均衡化處理、圖像合成等處理方法均是已知技術(shù)，具體如下：
[0036] 直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法。
[0037] 圖像合成是將多譜段黑白圖像經(jīng)多光譜圖像彩色合成而變成彩色圖像的處理的 一種技術(shù)。
[0038] Otsu算法是利用閾值將原圖像分成前景，背景兩個(gè)圖象。當(dāng)取最佳閾值時(shí)，背景應(yīng) 該與前景差別最大，關(guān)鍵在于如何選擇衡量差別的標(biāo)準(zhǔn)，而在otsu算法中這個(gè)衡量差別的 標(biāo)準(zhǔn)就是最大類間方差。
[0039] 灰度值是指色彩的濃淡程度.灰度直方圖是指一幅數(shù)字圖像中，對(duì)應(yīng)每一個(gè)灰度 值統(tǒng)計(jì)出具有該灰度值的象素?cái)?shù)。
[0040] YCbCr是色彩空間的一種，通常會(huì)用于影片中的影像連續(xù)處理，或是數(shù)字?jǐn)z影系統(tǒng) 中。Y就是所謂的流明（luminance)，表示光的濃度且為非線性，使用伽馬修正（gamma correction)編碼處理。而CB和CR則為藍(lán)色和紅色的濃度偏移量成份。
[0041] 所以本發(fā)明的有益效果是：
[0042] 1、本發(fā)明采用標(biāo)準(zhǔn)格式截取獲得的圖像減少了微柱小管的分割難度并減小了分 割誤差，減少了檢測的操作步驟
[0043] 2、本發(fā)明采用固定參數(shù)及像素點(diǎn)位置進(jìn)行微柱小管截取，避免了圖像處理過程中 造成的失真所帶來的誤差，更進(jìn)一步減小了外界因素對(duì)結(jié)果判讀的影響，本發(fā)明具有準(zhǔn)確、 快速的優(yōu)點(diǎn)，適用于血型試劑卡實(shí)驗(yàn)的結(jié)果判讀
【具體實(shí)施方式】
[0044] 下面將結(jié)合實(shí)例，來詳細(xì)說明本發(fā)明。
[0045] -種基于固定參數(shù)分割微柱小管的血型識(shí)別方法，包括以下步驟：
[0046] (1)獲取微柱小管圖像
[0047]采集血型試劑卡的原始圖片，將原始圖像讀取到位圖中，并在此位圖上截取各個(gè) 微柱小管下部的矩形區(qū)域，則得到各個(gè)微柱小管圖像；
[0048]本例采用的原始圖像大小為1040*780像素，第1至第6個(gè)微柱小管的截取矩形區(qū)域 大小為46*186像素，其坐標(biāo)分別為：[52,159]、[227,159]、[402,159]、[581，159]、[759， 159]、[937，159]。
[0049] (2)圖像預(yù)處理