[发明专利]基于图像匹配的微流控芯片反应孔图像识别方法及系统

说明书

本发明公开的基于图像匹配的微流控芯片反应孔图像识别方法及系统，涉及生化实验结果图像分析领域。本发明在对原始图像进行图像分割后，将反应孔模板图像与分割图像进行匹配确定各反应孔的位置；接着，基于各反应孔的位置获取反应孔的像素值，并根据反应孔的像素值和预设气泡像素值范围重新确定反应孔的位置；然后，以重新确定的反应孔的位置为原点，采用搜索算法扩充反应孔的像素点，确定扩充后的像素点的平均像素值，并将平均像素值作为反应孔新的像素值；最后，根据反应孔新的像素值确定微生物浓度，以提高反应孔图像的识别效率、准确性和稳定性，进而解决现有技术存在的结果不准确性、稳定性偏低、适应性差、难以满足实际检测需要等问题。

技术领域

本发明涉及生化实验结果图像分析领域，特别是涉及一种基于图像匹配的微流控芯片反应孔图像识别方法及系统。

背景技术

目前，微流控芯片在微生物检测领域应用广泛。将含有微生物核酸片段的样本溶液加入反应孔中与特定试剂反应，最终会形成不同的颜色，根据一段时间内其颜色变化情况和深浅程度判断出反应孔中对应的微生物的浓度。

在对图像的研究和处理中，往往图像中包含的信息不是都感兴趣，因此，人体大脑会根据需求自动来判断哪些是需要的图像信息，并且需要的图像信息往往包含想要信息的图像部分对应于图像中具有特殊性质（例如，边缘，形状，颜色等），在生物图像处理中常称为前景，相应的其他图像部分为背景。

目前生物图像处理领域中的图像识别方法主要分为以下几种：

1）人眼识别的方法。

2）利用数字图像处理、拓扑学、统计学、数学等方面来进行图像分割，以此再进行识别的方法。

3）使用深度学习得到样本特征进行图像识别的方法。

其中，人眼识别对实验人员要求太高，同时分析大量芯片结果时，由于工作大，易出错，使得最终检测结果的准确性和稳定性偏低。

传统基于图像分割的方法对拍摄环境的亮度，其图像的像素、色差要求高、适应性差，难以满足实际检测需要。

深度学习方法区别于传统图像识别方法，它基于算力的支持，对大量带有标签的数据集进行训练，让机器自主学习到图像的内在规律及特征。目前的基于深度学习的方法，需要依据大量的带有标签的数据集进行训练，而对于具体的小众领域，相关的图像训练集难以获取。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种基于图像匹配的微流控芯片反应孔图像识别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于图像匹配的微流控芯片反应孔图像识别方法，包括：

获取微流控芯片的原始图像；

对所述原始图像进行图像分割得到分割图像；

获取反应孔模板图像，并将所述反应孔模板图像与所述分割图像进行图像匹配确定各反应孔的位置；

基于各反应孔的位置获取每一反应孔的像素值，并根据反应孔的像素值和预设气泡像素值范围重新确定反应孔的位置；

以重新确定的反应孔的位置为原点，采用搜索算法扩充反应孔的像素点；

确定扩充后的像素点的平均像素值，并将所述平均像素值作为反应孔新的像素值；

根据反应孔新的像素值确定微生物浓度。

优选地，对所述原始图像进行图像分割得到分割图像，具体包括：

将所述原始图像转换为HSV图像；

对所述HSV图像进行二值化处理得到二值化图像；