用于确定对象的时间行为的方法和设备与流程

本发明的实施例涉及一种用于确定对象的时间行为的方法和设备。特别地，本发明的一些实施例涉及基于随时间拍摄的图像序列中的特征来确定对象的时间行为。特别地，本发明的一些实施例涉及在时间推移序列的帧之间识别和跟踪对象。

背景技术：

在图像的时间推移序列中的一帧与另一帧之间识别对象是图像处理中的公认挑战。在某些实施例中，诸如在体外细胞培养物中跟踪细胞，这可以由对象的特性而变得更加困难。

本发明的实施例的目的是至少减轻现有技术的一个或多个问题。

附图说明

现在将参照附图仅借由示例描述本发明的实施例，其中：

图1是示出了根据本发明的实施例的设备的图；

图2是示出了根据本发明的实施例的设备的进一步图示的图；

图3是由图1和图2的设备生成的图像序列的图示；

图4是示出了根据本发明的实施例的方法的流程图；

图5是示出了根据本发明的实施例的方法的流程图；并且

图6示出了由图3表示的序列的图像的示例。

在附图中，相同的部件由相同的附图标记表示。

技术实现要素：

根据本发明的一个方面，提供了如所附权利要求中阐述的方法、设备和计算机软件。

本发明的实施例作为用于确定一系列图像之间的对象的时间行为或跟踪对象的无标记或无标签技术是有用的。然而，应当认识到，实施例也可以与标记技术、诸如基于荧光的技术一起使用。对象可以是一个或多个细胞，即细胞的群体。在一些实施例中，当细胞被划分为两个或更多个细胞时，执行细胞的跟踪。可以确定细胞的祖先，即细胞的起源。

根据本发明的一个方面，提供了一种确定对象的时间行为的计算机实现的方法，包括：确定多个图像中的每个中的至少一个特征中的每个的多个特性，基于第一图像中的特征的特性和多个图像中的第二图像中的特征的特性来确定置信度值，并且基于置信度值来识别多个图像中的至少一些图像中的对象。

根据本发明的一个方面，提供了一种用于确定对象的时间行为的设备，包括：图像检测装置，其用于检测从辐射源发出的辐射；计算装置，其包括处理器以及存储器，其中处理器被布置为执行根据本发明的一个方面的方法。

根据本发明的一个方面，提供了一种确定对象的时间行为的计算机实现的方法，包括：接收包括了表示多个图像的数据的图像数据，图像中的至少一些包括一个或多个细胞；确定多个图像中的一个或多个中的每个图像中的至少一个特征的多个特性；确定表示多个图像中的第一个中的细胞之一对应于多个图像中的第二个中的特征的置信度的置信度值，其中置信度值基于第二图像中的特征的特性和细胞的特性；并且基于置信度值来识别多个图像中的第二个中的细胞。

应当理解，在本发明的实施例中，术语“第一图像”和“第二图像”等不限于图像序列中的第一个图像和第二个图像。第一图像可以是图像序列中的中间图像。此外，在图像序列中第二图像可能不与第一图像相邻。

一旦在多个图像的第二个中识别出细胞，就可以迭代地执行该方法。在该方法的迭代执行中，该方法被执行以用于随后的迭代，其中第三图像中的特征被识别为第二图像中的细胞。可以执行该方法以识别多个图像、诸如三个或更多个图像中的细胞，其不一定是顺序图像，即，细胞可能不会在序列中的每个图像中被识别。

本发明的实施例可以包括：如果所述置信度超过预定置信度值，则确定第一图像和第二图像中的特征之间的关联。特性可以是特征的像素值和、面积、平均像素值、半径、圆度、横向位置和纹理特性中的一个或多个。纹理特性可以是方差、峰度和小波特性中的一个或多个。可选地，置信度值可以基于多个特性置信度值，其每个都基于第一图像和第二图像中的特征的相应特性而确定出。

可以通过基于多个特性置信度值的加权几何平均计算来确定置信度值。

加权几何平均计算可以是以下形式：

totalconfidence＝(π(characteristicconfidence^w))^/∑w

其中w是每个特性置信度的相应权重因子。

本发明的实施例可以包括基于特征的时间特性来确定置信度值，该特征的时间特性基于第一图像和第二图像之间的持续时间。置信度值可以与持续时间成反比。

置信度值可以根据以下来计算：

conf＝1-(st×(|frame1-frame2|-1))

其中conf是置信度值，frame1和frame2是第一图像和第二图像的帧号，并且st是灵敏度因子。如果计算出的置信度值为负，则conf可被确定为诸如0的值。

该方法可以包括基于特征的位置特性来确定置信度值，该特征的位置特性基于第一图像和第二图像中的特征的位置之间的距离。基于特征的位置特性的置信度值可以基于特征的尺寸。基于特征的位置特性的置信度值可以基于第一图像和第二图像中的特征之间的距离与特征的尺寸的比率。

置信度值可以根据以下来计算：

其中conf是置信度值，是特征的平均半径，d是第一图像和第二图像中特征的位置之间的距离，并且sp1是第一灵敏度因子，并且sp2是第二灵敏度因子。

本发明的实施例可以包括基于第一图像和第二图像中的特征的特性之差与特性之和的比率来确定置信度值。置信度值可以根据以下来计算：

其中conf是置信度值，s1和s2是灵敏度因子，并且characteristic1和characteristic2值是第一图像和第二图像中的特征的特性的值。该方法可以包括确定第一图像和第二图像中的特征之间的唯一关联。可以通过使特征之间的置信度最大化来确定唯一关联。可以基于组合优化算法来确定唯一关联；可选地，组合优化算法是hungarian算法；可选地，hungarian算法是munkres算法。

本发明的实施例可以包括基于多个特性来确定新对象是否存在于多个图像之一中。本发明的实施例可以包括确定对象是否已被划分成至少第一对象和第二对象。确定对象是否已被划分可以基于与第一图像中的对象以及第二图像中的第一特征和第二特征中的至少一个特征相关联的特性的子集。

确定对象是否已被划分可以包括基于第一图像中的对象的特性的子集和第二图像中的第一特征和第二特征中的至少一个特征的特性的子集来确定置信度值。

该方法可以包括：如果所述置信度超过预定的划分置信度值，则确定第一图像中的对象与第二图像中的第一特征和第二特征中的至少一个特征之间的关联。

可选地，该方法包括确定第一对象和第二对象是否已合并。确定第一对象和第二对象是否合并可以基于与第一图像中的第一对象和第二对象以及第二图像中的特征相关联的特性的子集。本发明的实施例可以包括：如果所述置信度超过预定的合并置信度值，则确定第一图像中的第一对象和第二对象中的至少一个与第二图像中的特征之间的关联。特性的子集可以指示与对象尺寸无关的特性。对象可以是表示物理对象的多个特征的群组。该特征可以包括每个图像中的多个像素。对象可以是细胞的表示。

根据本发明的一个方面，提供了一种用于确定对象的时间行为的设备，包括：图像检测装置，其检测从辐射源发出的辐射；计算装置，其包括处理器以及存储器，其中处理器被布置为执行根据本发明的一个方面的方法。

根据本发明的一个方面，提供了一种计算机软件，当由计算机执行时其被布置为执行根据本发明的一个方面的方法。计算机软件可以被存储在计算机可读介质上。计算机软件可以有形地存储在计算机可读介质上。

根据本发明的一个方面，提供了一种其上存储有指令的计算机可读数据存储介质，当由计算机执行时，该指令执行根据本发明的一个方面的方法。

根据本发明的一个方面，提供了一种确定对象的时间行为的计算机实现的方法，包括：接收对应于支持一个或多个对象的安装装置的图像数据，该图像数据包括多个图像，其中至少一些图像包括一个或多个对象，确定多个图像中的一个或多个中的每个中的至少一个特征的多个特性，确定表示多个图像中的第一个中的对象之一对应于多个图像中的第二个中的特征的置信度的置信度值，其中置信度值基于多个图像中的第二图像中的特征的特性和对象的特性，并且基于置信度值来识别多个图像中的第二个中的对象。

具体实施方式

本发明的实施例被布置成确定对象的时间行为。特别地，本发明的一些实施例被布置成跟踪对象。这在经由其他方式进行跟踪证明是困难和/或不可能的情况下、诸如在细胞监视的领域中可能是有用的。

图1是根据本发明的实施例的设备的图。该设备包括用于支撑使用中的一个或多个对象的安装装置110。安装装置110可以包括载片、阶段培养皿或微滴定板110，一个或多个对象在使用中被放置在其上。安装装置110适合于保持一个或多个对象，在某些情况下，包括诸如细胞的那些对象驻留的液体介质。

光源120或其他辐射源被用于照亮安装装置110，并且被定位成使得辐射/光透过安装装置110或从该安装装置110反射，并且由检测器130检测以检测入射辐射。检测器130可以以图像检测装置130的形式被设置。图像检测装置130可以是形成照相机的ccd。图像检测装置130被布置成在一个时间段内输出安装装置110的多个图像。图像检测装置130被连接到计算装置140。图像检测装置130被布置成输出与多个图像中的每个对应的图像数据。计算装置140包括cpu150和存储器160。由图像检测装置130捕获的图像被存储在计算装置140的存储器160中，并且随着时间进程，创建图像序列170。

现在将参考图2进一步描述计算装置140的组件的示例。应当理解，图2中的计算装置140的组件仅仅是示例性的，并且计算装置140可以包括其他组件。如前面提到的，计算装置140包括被配置为读取和执行指令的cpu150。该指令可以被存储在可能采取随机存取存储器形式的易失性存储器220中。易失性存储器220可以存储由cpu150执行的指令和由那些指令使用的数据。在本实施例中，被存储在易失性存储器220中的指令被布置成致使cpu150运行根据本发明实施例的用于确定对象的时间行为的方法。

计算装置140还包括如上面提到的存储器160。存储器160可以采取任何合适的形式，诸如固态驱动器(“ssd”)或硬盘驱动器(“hdd”)。然而，应当理解，其他形式的存储器可能是合适的。

计算装置140还可以包括i/o接口240，其与输入和输出装置连接以被用于与计算装置140连接。可以设置显示器250以示出该方法的视觉输出。被连接到i/o接口240的输入装置可以包括允许用户与计算装置140交互的物理键260。可替代地或另外地，显示器250可以设置允许用户与被显示在触摸屏上的用户界面交互的触摸屏。图像检测装置130被连接到i/o接口240，以允许图像数据被传送到计算装置140。特别地，图像检测装置130允许载片110的图像数据被计算装置140捕获以用于该方法中。可以设置网络接口280，其允许计算装置140被连接到合适的计算机网络，以便从其他计算装置接收数据并将数据发送到其他计算装置。以这种方式，计算装置140可以接收用于该方法中的更新或进一步的信息。cpu150、易失性存储器220、存储器160、i/o接口240和网络接口280经由总线290被连接在一起。

图3是图像序列170的表示，包括由图像检测装置130生成的多个图像。此处图像是对应于安装装置110的至少一部分的二维图片的图像数据的表示，以及在其上或其中某个时间点处存在的任何对象的表示。对应于相应时间点的多个图像表示一个时间段内的图像序列，其中该时间段在序列中的第一个和最后一个图像的时间点之间。通常，尽管不是排他地，图像对应于等间隔的时间点。帧与术语图像同义，特别是当图像序列被认为是由多个帧或多个图像组成的视频序列时。特征是存在于至少一个图像中的实体，其可以是或可以不是对象。对象是期望在一个时间段内监视的对象，尽管不是排他地，诸如生物细胞。该对象可以是细胞的群体，即两个或更多个细胞。可以唯一地识别对象，使得可以在一个时间段内以图像序列单独地监视多个细胞中的每个。

图像序列170包含保持至少一个对象320的安装装置110的图像。图像序列的每个图像示出了在特定的相应时间点处的载片110上的对象320。当图像序列170进行时，对象320可以以位置、尺寸、纹理和颜色中的一个或多个在图像之间变化。例如，如图3中示出的，对象320的位置在序列170的第一图像171和第二图像172中是不同的。应当注意，第一图像和第二图像不一定是序列170中的顺序或相邻图像。应当理解，安装装置110上的对象的许多其它特性可以在图像序列170的图像之间变化。

图4是示出了根据本发明的实施例的用于确定对象的时间行为的方法400的流程图。方法400可以包括识别图像序列170的任何图像171、172中存在的特征的初始或预处理步骤(未示出)。如上面提到的，特征是图像171、172中的实体，其可以是一个或多个对象。预处理可以包括例如基于图像171、172的特征和背景之间的差异、诸如基于颜色或像素值来识别特征。

步骤410包括确定由图像检测装置130捕获的图像序列170的图像171、172中的每个特征的多个特性。步骤410可以包括从多个图像选择第一图像。可以基于多个图像的时间顺序来选择第一图像，诸如图像171。例如，可以基于与图像171相关联的帧号来选择图像171。

特性可以包括特征的位置，诸如特征在图像内的位置。图像内的位置可以由诸如(x，y)或x、y或z位置的坐标来定义。特性还可以包括以下中的一个或多个：总面积；像素值和；平均像素值；半径；圆度；以及与纹理有关的信息。纹理特性可以包括纹理的任何变化、峰度(其是倾斜的统计度量)以及任何小波特性。应当理解，许多其它特性可以被用于识别对象。上述特性的列表仅仅是示例性的，并且应当理解，可以使用其他特性。

方法400进行到步骤420，其包括确定图像中的另外特征是否仍然要被分析并确定所述特征的一个或多个特性。如果是，则方法400循环回到步骤410并确定另外特征的特性。另外特征可以从在图像中剩余的多个特征当中选择。

一旦第一图像、诸如图像171中的一个或多个特征已经被分析并且确定了它们的一个或多个特性，则方法400进行到步骤430。

步骤430包括确定图像序列170中的另外图像、诸如图像172是否仍然要被分析。如果是，则方法400循环回到步骤410并进行确定图像序列的另一图像中的任何特征的特性，该图像序列的另一图像可以是在比第一图像171稍晚的时间拍摄的图像。应当认识到不需要分析图像序列中的每个图像。例如，可以分析序列170中的交替图像。从多个图像选择下一个图像可以基于与每个图像相关联的帧号。

一旦图像序列中的一个或多个另外图像已经被步骤410、420处理，则方法400进行到步骤440。

在步骤440中，确定不同图像中的至少一些特征之间的关联。基于一个或多个确定出的特性，一个图像中的特征可以与另一图像中的特征相关联。一个图像中的特征可以在步骤440中与另一图像中的两个或更多个特征相关联。也就是说，步骤440不一定导致一对一关联。在其中特征与另一图像中的两个或更多个特征具有至少一些相似性的一些情况下，确定出特征与两个或更多个特征之间的关联。

步骤440包括基于图像序列170的每个图像171、172中的其特性中的一个或多个来识别特征。在图像序列170上，比较每个特征的一个或多个特性，并且基于图像序列的图像中的特征的特性之间关系来计算至少一个置信度值。例如，在步骤440的一些实施例中确定基于第一图像171和第二图像172中的特征的位置的置信度值。

步骤440可以包括选择第一图像、诸如图3中示出的图像171中的第一特征。应当理解，术语第一图像不限于图像序列170中的第一图像。在表示第二图像的另一图像中选择第二特征。第二图像可以是图像172。第二图像可以是图像序列170中的后续图像，即，与稍后的时间点相对应的图像，因此具有比第一图像171更晚的帧号。第二图像是不一定是序列170中的下一个图像，即可以跳过或省略图像。在第一特征和第二特征之间确定至少一个置信度值。然后，选择又另外特征，即选择第三特征。第三特征可能与第二特征在同一图像172中，即在第二图像172中，或者在又一图像诸如在第二图像172随后的图像中。在第一特征和第三特征之间确定至少一个另外置信度值。重复确定置信度值的过程。可以重复该过程，直到在所选图像序列中的所有特征之间确定置信度值为止。置信度值表示特征之间的潜在关联。

更进一步地在步骤440中，将置信度值与预定阈值进行比较。如果置信度值等于或超过所述置信度阈值，则在特征之间确定关联。也就是说，将特征的配对之间的每个置信度值与阈值进行比较。如果置信度值超过阈值，则在所述特征的配对之间确定关联。如果置信度值至少不满足阈值，则丢弃特征的配对之间的潜在关联。如果置信度值至少满足阈值，则确定特征的配对之间的关联。

随着方法400进行，每个特征可被分配多个关联。也就是说，第一图像171中的特征可以与第二图像172中的多个特征相关联。类似地，如果时间推移序列的另一图像中的第二特征与先前图像中的第一特征的那些具有类似的特性群组，并且如果在与已经被分配了关联的第一特征进行比较时针对该第二特征的计算出的置信度超过预定的置信度，则可以为第二特征分配相同的关联。在某些实施例中，关联可以采取标识符的形式。

假设存在包括不同测量结果(诸如特征的面积及其位置)的多个特性，可以在每个特征的对应特性之间计算特性置信度。也就是说，基于每个特征的相同特性来计算特性置信度值。因此，特征可以具有一个或多个特性置信度值。基于第一图像171和第二图像172中的特征的相同特性来确定特性置信度。例如，在一些实施例中，可以将特征的时间特性确定为与存在特征的相应图像之间的持续时间成反比。持续时间可以基于与每个图像相关联的帧号。像这样，被用于确定对应特性置信度的算法可以是以下形式：

conf＝1-(st×(|frame1-frame2|-1))

其中’conf’是特性置信度值，并且‘frame1’和'frame2’表示图像序列中第一图像171和第二图像172的帧号。帧号可以指示图像之间的持续时间或者可替代地图像在图像序列中的位置。图像的时间相距越远，计算出的置信度越接近于0。如果特性置信度等于1，则这指示出图像是序列的连续或相邻图像。‘st’是0和1之间的预定灵敏度因子。‘st’可以由用户设置并被存储在设备的存储器中。如果‘st’被设置为1，如果图像不是图像序列中的连续图像，则在测量出的特性中将不存在特性置信度，而如果‘st’被设置为0，则第一图像171和第二图像172之间的任何数量的图像将不影响计算出的特性置信度。像这样，‘st’控制特性置信度值的降低的速度或特性置信度值对图像之间的时间的灵敏度。因此，在一些实施例中，图像的时间相距越远，计算出的特性置信度越接近于0。在一些实施例中，如果计算导致负置信度，则特性置信度被设置为0。

其他特性可以与第一图像171和第二图像172中的特征的位置有关。可以相对于特征的尺寸来计算基于位置特性的特性置信度。此外，特性置信度也可以基于第一图像171和第二图像172中的特征之间的距离与特征的尺寸的比率。在一些实施例中，位置特性的特性置信度可以通过以下形式的算法来计算：

其中‘conf’是特性置信度值，涉及在第一图像171和第二图像172中的每个中表示的特征的平均半径，并且‘d’涉及第一图像171和第二图像172中的特征的位置之间的距离。‘sp1’和‘sp2’涉及两个图像之间的转换的灵敏度有关，其中‘sp1’涉及第一灵敏度因子，其可以与置信度值减小有多快有关，并且‘sp2’涉及第二灵敏度，其可以与信度值低于0.5所处的点有关(即在该点处第一图像171中的特征不太可能与第二图像172中的特征相同的点)。

针对其他特性，可以基于第一图像171和第二图像172中的特征的特性之间的差与特性之和的比率来计算特性置信度。在一些实施例中，针对相同类型的特性，可以通过以下形式的算法来计算特性置信度：

其中‘conf’是特性置信度值，并且‘s1’和‘s2’定义了用于控制置信度下降的速率的敏感度。与其他置信度计算一样，如果所产生的置信度为负，则置信度可以被设置为0。

为了计算第一图像171和第二图像172中的特征的总计置信度或组合置信度，可以使用加权几何平均算法。该算法可以是以下形式：

totalconfidence＝(π(characteristicconfidence^w))^1/∑w

其中‘w’是针对每个特性的预定权重，并且大写π符号表示加权几何平均运算。针对每个特性，‘w’可以是相同的，或者可以在特性之间不同。当确定总计置信度时，改变‘w’允许一个特性被确定为比另一个特性更重要或更不重要。总计置信度值或组合置信度值将被理解为基于特征之间的多个特性置信度值。如上面讨论的，总计置信度值或组合置信度值可以是在步骤440中与阈值进行比较以确定特征之间的关联的那个。

应当理解，其他技术可以被用于基于特征的每个特性来确定特性置信度值。

一旦第一图像171和第二图像172中的特征被关联了，诸如基于其计算出的置信度分配一个或多个标识符，则方法400进行到步骤450。

步骤450包括基于计算出的每个特征的总计置信度来确定一对一关联，使得第一图像171中的每个特征与第二图像172中的单个特征相关联。基于组合优化算法的技术可以被用于确保第一图像171和第二图像172中的特征的一对一关联。一种这样的技术是hungarian算法，并且在某些实施例中，hungarian算法可以是munkres算法。如果图像的后续图像中的特征具有相同的关联，则确定出该特征可以表示相同的对象。如果特征似乎不表示已经存在的对象(即标识符似乎不表示图像序列的先前图像中的特征)，则可以确定出该特征是图像中的新对象。作为步骤450的结果，多个图像中的特征被关联并且被确定为对应于多个图像中的每个图像的不同时间点处的对象。

图7示出了形成图像序列170的多个图像171、172、173中的对象320。图像序列170包括三个图像171、172、173，但是应当认识到这仅是示例性的。可以是生物细胞的对象320在图像171、172、173之间进行位置移动。根据图像171、172、173中的每个中的对象320之间的方法400而确定关联。在第一图像171和第二图像172中的对象之间确定第一关联710，并且在第二图像172和第三图像173中的对象320之间确定第二关联720。第一关联和第二关联可以与标识符相关联。标识符可以指示出该关联与相同的对象320有关、即唯一地识别对象320。在一些实施例中，标识符可指示关联的时间顺序，即第二关联在时间上比第一关联晚。例如，标识符可以是以下形式：x-y，其中x识别对象，并且y识别诸如1、2等的关联的顺序。

在某些实施例中，可以期望确定出对象何时进入图像的视场和/或离开视场。类似地，可以期望确定出两个或更多个对象何时组合成单个对象和/或单个对象何时分割或划分成两个或更多个分离的对象。这在当划分和/或组合事件可能发生时对象是细胞的实施例中可能是有用的。

在这些实施例中，如上所述计算置信度并确定关联以识别图像序列中的对象。然而，在某个点处，对象将在图像序列中出现(即，对象的标识符将首次出现在图像序列的图像中)或者消失(即，对象的标识符不会出现在图像序列的后续图像中)。在这些实施例中，可以通过分析第一对象出现在的第一个图像和第二对象出现在的最后一个图像通过评估图像序列的图像来实现检测何时和在哪里对象出现和/或消失。换句话说，确定对象关联在图像序列中结束的位置以及对象关联在图像序列中开始的位置。

一旦选择了对象，就可以执行进一步的置信度计算。这些置信度计算可以如上面描述地进行。然而，只有特性的子集可以被用于计算置信度。预期在划分或组合事件期间改变的特性诸如体积、半径和面积中的一个或多个不被用于置信度计算，这是因为它们可能在这样的事件之后增加值或减少值。例如，期望的是，在对象划分成两个对象的情况下，那些对象将每个都具有比先前的单个对象更小的体积和/或半径。然后，潜在地使用加权几何平均算法，如上所述将每个特性的特性置信度组合起来。

应当理解，在划分或组合事件期间可能改变的特性不限于上面列出的那些。类似地，如上所述，可以使用其他技术来产生针对每个特性的特性置信度值以及针对每个对象的总计置信度或组合置信度。

一旦执行了一个或多个特性置信度计算，就可以确定第一对象和第二对象之间是否存在关系。该关系可以基于计算出的总计置信度是否超过预定的父子(parent-daughter)置信度阈值来确定。父子置信度阈值可由用户设置。如果总计置信度超过预定的父子置信度阈值，则在第一对象和第二对象之间创建关联，这是因为确定出第一对象和第二对象在划分或组合事件之前或之后表示相同的对象。应当理解，在发生划分或组合事件出现的情况下，可以存在从单个父对象创建两个以上的子对象或两个以上的子对象被组合以创建单个父对象。因此，在一些情况下，一个图像中的单个对象可以与以下第二个后续的图像中的两个或更多个对象相关联，其中单个对象与第二图像中的两个或更多个对象中的每个之间的总计置信度超过父子置信度阈值。这可以被称为对象后代。

图5是示出了根据本发明的第二实施例的用于确定对象的时间行为的方法500的流程图。在第二实施例中，考虑对象后代。也就是说，在一些实施例中，可以确定对象具有多于一个的后代。也就是说，一个图像中的对象可以被确定为与另一个图像中的两个或更多个对象有关。两个或更多个对象可以被认为表示可以通过将对象划分成两个或更多个对象而形成的子对象。因此，在根据第二实施例的方法500中设想对象的世系。

与第一实施例400一样，步骤510可以包括用于通过分割图像来确定图像序列170的多个图像(诸如图像171和172)中的每个中的特征的预处理。可以通过计算图像的背景和前景之间的差异来执行分割。因此，确定或识别图像中的任何特征。

一旦确定或识别了图像中的特征，则方法500进行到步骤520，其包括确定每个特征的一个或多个特性。特性可以包括特征的位置、像素值和、面积、平均像素值、半径和特征的纹理特性。应当理解，存在可以确定哪些不被列出的其它特性。

一旦已经确定了图像序列的图像中的特征的特性，则方法500进行到步骤530。步骤530包括通过计算一个或多个特性置信度值来将图像序列的第一图像、诸如图像171中的第一特征的一个或多个特性与图像序列的第二图像、诸如图像172中的第二特征的特性进行比较。可以通过上面描述的技术来计算特性置信度值。然后，通过例如加权几何平均算法来确定总计置信度。如果总计置信度超过预定置信度阈值，则在第一特征和第二特征之间创建关联。特征可以与图像序列的另外图像的多个其它特征相关联，如果总计置信度值也超过了该其他特征的预定置信度阈值的话。一旦图像中的特征具有一个或多个关联，则方法500进行到步骤540。

步骤540包括分析第一图像171和第二图像172中的特征的关联，以确定哪些关联最有可能基于计算出的置信度。基于组合优化算法的技术可以被用于特征之间的最佳或最小关联。最小关联可以是第一图像171和第二图像172中的特征的一对一关联。一种这样的技术是hungarian算法，并且在某些实施例中，hungarian算法可以是munkres算法。

一旦图像序列的图像中的特征被分配了单个标识符，则方法500移动到步骤550。步骤550包括确定图像序列的第一图像171中的特征是否与图像序列的第二图像172中的特征具有相同的关联。如果是，则两个特征被确定为表示相同的对象。如果特征似乎不表示已经存在的对象(即标识符似乎不表示图像序列的先前图像中的特征)，则可以确定出特征是图像中的新对象。因此，确定出对象首次出现在图像中。

然后，方法500进行到步骤560，其包括确定图像中的另外特征是否仍然被分配给对象或者确定是否需要将另外特征分配为新对象。如果是，则方法500循环回到步骤540，以重复方法500的步骤540和550以分析图像中的剩余特征并基于使置信度值最大化来分配唯一的关联。一旦特征被分配了标识符并且已经确定出它们是否属于现有的或新的对象，则方法500进行到步骤570。步骤570包括确定图像序列中的另外图像是否仍然要被分析。如果是，则方法500循环回到步骤530，在那里方法500重复方法500的步骤530至560，并分析图像序列中的另外图像。

一旦分析了图像序列中的图像，方法500就进行到步骤580。步骤580包括确定在图像序列的图像中的两个对象之间是否存在父子关系。上面描述了确定这种关系的方法，其中仅仅不期望在后代事件(对象组合或划分之一)中改变的特性置信度值被用于确定与父子阈值置信度值相比较的总计置信度值或组合置信度值。

图6是由本发明的实施例产生的图像序列、诸如图像序列170的图像的示例。该图像示出了一个示例，其中通过诸如先前描述的设备通过对从对象反射或透过该对象的辐射的分析来识别、编号和定位诸如细胞的许多小而半透明的对象。

在本发明的某些实施例中，图像数据可以通过多种方法而生成，一种这样的方法是重叠关联成像术迭代引擎(pie)。通过引用并入本文用于所有目的的wo2005/106531公开了一种提供用于构建目标对象的区域的图像的图像数据的方法和设备。从目标对象处的辐射源提供入射辐射。使用至少一个检测器来检测由目标对象散射的辐射强度。响应于检测到的辐射来提供图像数据。还公开了一种经由使用诸如透射功能或照明功能的可移动的轻微变化的探针功能的迭代过程来提供这样的图像数据的方法。wo2005/106531中公开的方法和技术被称为pie。

pie提供了从衍射图案测量结果的集合中恢复与目标对象的至少一个区域有关的图像数据。使用一个或多个检测器、诸如ccd等在测量平面处记录几个衍射图案。必须知道或估计可能是与后目标对象孔径相关联的透射功能或照明功能的探针功能。

通过引用并入本文用于所有目的的wo2010/064051公开了一种增强型pie(epie)方法，其中不需要知道或估计探针功能。取而代之，公开了以下一种过程，其中探针功能被逐步迭代地计算，其中探针功能的运行估计被用于确定与目标对象相关联的对象功能的运行估计。

基于散射辐射的测量结果来提供图像数据的其他方法也是已知的。

在其中对象是细胞的实施例中，由于细胞的属性，可能难以使用可见光作为生成图像数据的方法。使用诸如pie或epie的重叠关联成像术方法或另一种定量相位成像方法来评估除了光之外的辐射的散射和吸收可以帮助克服和减轻这些问题中的一些，并且像这样在应用该方法来识别细胞时可能是有用。

在某些实施例中，可以在指定的时间段内跟踪对象的移动和行为。关联的使用使能在诸如图像序列170的图像171和172的多个图像中的对象之间进行链接。这允许用户跟随对象的移动以及其特性随着时间推移的任何改变。

应当理解，本发明的实施例可以以硬件、软件或硬件和软件的组合的形式实现。任何这样的软件可以以易失性或非易失性存储器的形式被存储，诸如例如像rom这样的存储装置，无论是否是可擦除的还是可重写的；或以存储器的形式被存储，诸如例如ram、存储器芯片、装置或集成电路；或在光学或磁性可读介质上被存储，诸如例如cd、dvd、磁盘或磁带。应当理解，存储装置和存储介质是机器可读存储器的实施例，其适于存储在被执行时实现本发明的实施例的一个或多个程序。因此，实施例提供了包括用于实现如前述权利要求中任一项所述的系统或方法的代码的程序，以及存储这样的程序的机器可读存储器。更进一步地，本发明的实施例可以经由诸如通过有线或无线连接承载的通信信号的任何介质电子地传送，并且实施例适当地包含它们。

本说明书(包括任何所附权利要求、摘要和附图)中公开的所有特征、和/或如此公开的任何方法或过程的所有步骤可以以任何组合来组合，除了组合之外，其中至少一些这样的特征和/或步骤是相互排斥的。

除非另有明确说明，否则本说明书(包括任何所附权利要求、摘要和附图)中公开的每个特征可以由服务于相同、等效或类似目的的可替选的特征替代。因此，除非另有明确说明，否则所公开的每个特征仅仅是等效或类似特征的通用系列的一个示例。

本发明不限于任何前述实施例的细节。本发明延伸到本说明书(包括任何所附权利要求、摘要和附图)中公开的特征的任何新颖的一个或任何新颖的组合，或如此公开的任何方法或过程的步骤的任何新颖的一个或任何新颖的组合。权利要求不应被解释为仅仅涵盖前述实施例，还包括落在权利要求的范围内的任何实施例。