显微图像拍摄对焦方法及装置与流程

1.本技术涉及图像处理领域，具体涉及一种显微图像拍摄对焦方法及装置。


背景技术：

2.在拍摄包括粒子的流动液体的显微图像时，采用的对焦方式通常是在对焦电机的步进过程中，不断对流动液体的对焦液层流平面拍照，然后计算每张图像的图像清晰度，再将对焦电机步进到清晰度最佳的对焦位置。现有技术中，计算图像清晰度通常是采用一阶、二阶梯度算子的方法，难以对同一图像计算获得一个稳定的清晰度值，拟合出的清晰度曲线也容易因为粒子数量、粒子形态的影响出现波动，并且拟合出的清晰度曲线通常是多峰的，难以根据清晰度曲线确定出清晰度最佳的对焦位置。


技术实现要素：

3.有鉴于此，本发明实施例所解决的技术问题之一在于提供一种显微图像拍摄对焦方法及装置，用以克服现有技术中难以确定出清晰度最佳的对焦位置的问题。
4.本技术实施例第一方面公开一种显微图像拍摄对焦方法，包括：在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，所述拍摄目标为包括粒子的流动液体；
5.从每个成像位置对应的所述原始图像中分割出特征图像，其中，所述特征图像中包括所述流动液体中粒子的成像区域；
6.对每张所述特征图像进行分类，获得每张所述特征图像对应的分类数据；
7.根据每个分类类别对应的预设权重值和每张所述特征图像对应的分类数据，获得每个所述成像位置对应的对焦清晰度值，并将所述对焦清晰度值最大的所述成像位置确定为目标对焦位置。
8.本技术实施例第二方面公开一种显微图像拍摄对焦装置，包括：获得模块，用于在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，所述拍摄目标为包括粒子的流动液体；
9.分割模块，用于从每个成像位置对应的所述原始图像中分割出特征图像，其中，所述特征图像中包括所述流动液体中粒子的成像区域；
10.分类模块，用于对每张所述特征图像进行分类，获得每张所述特征图像对应的分类数据；
11.确定模块，用于根据每个分类类别对应的预设权重值和每张所述特征图像对应的分类数据，获得每个所述成像位置对应的对焦清晰度值，并将所述对焦清晰度值最大的所述成像位置确定为目标对焦位置。
12.与现有技术相比，本技术实施例首先在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像；然后从每个成像位置对应的原始图像中分割出特征图像；接着对每张特征图像进行分类，获得每张特征图像对应的分类数据；再根据每个分类类
别对应的预设权重值和每张特征图像对应的分类数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。本技术实施例所采用的显微图像拍摄对焦方法简单灵活，可以快速准确地确定最佳对焦位置，并且避免拟合出多峰清晰度曲线而产生最佳对焦位置判断不准确的情况。
附图说明
13.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1是本技术实施例一公开的一种显微图像拍摄对焦方法的流程示意图；
15.图2是本技术实施例一公开的原始图像获取方法的示意图；
16.图3是本技术实施例二公开的一种显微图像拍摄对焦方法的流程示意图；
17.图4为本技术实施例二公开的构建预设分类模型的示意图；
18.图5为本技术实施例二公开的根据高斯曲线确定预设权重值的示意图；
19.图6为本技术实施例二公开的根据高斯曲线确定预设权重值示意图；
20.图7是本技术实施例三公开的一种显微图像拍摄对焦方法的流程示意图；
21.图8是本技术实施例四公开的一种显微图像拍摄对焦方法的流程示意图；
22.图9是本技术实施例四公开的拟合出的对焦清晰度曲线的示意图；
23.图10是本技术实施例五公开的一种显微图像拍摄对焦装置的结构示意图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本技术实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.实施例一
27.如图1所示，图1为本技术实施例一公开的一种显微图像拍摄对焦方法的示意性流程图，该方法包括：
28.步骤s101，在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，拍摄目标为包括粒子的流动液体。
29.本实施例中，通过调整拍摄设备和拍摄目标之间的相对距离，可确定出至少两个成像位置，其中在不同成像位置上，拍摄设备和拍摄目标之间的相对距离是不同的。在调整拍摄设备和拍摄目标之间的相对距离时，两者的移动方式不限。例如，可以是拍摄设备向拍
摄目标方向移动，拍摄目标不动；也可以是拍摄目标向拍摄设备移动，拍摄设备不动；或者是拍摄设备和拍摄目标同时移动。
30.本实施例中，粒子为被液体包裹并且可随着液体一起流动的有形成分，可以是细胞或者其他固体沉渣。例如，当拍摄尿液中粒子的显微图像时，粒子可以是尿液经过离心后形成的沉渣，流动液体可以是用于包裹沉渣的鞘液。
31.可选地，如图2所示，拍摄目标可位于采用鞘流技术的仪器流动池中，每个粒子的四周均被鞘液所围绕，并且粒子流可以单个粒子排列的方式通过拍摄设备的拍摄区域。
32.本实施例中，每个成像位置对应的原始图像的数量不限，可以为一张或多张，即拍摄设备可以在每个成像位置拍摄获得一张或者多张原始图像。
33.步骤s102，从每个成像位置对应的原始图像中分割出特征图像，其中，特征图像中包括流动液体中粒子的成像区域。
34.本实施例中，可以利用预设图像分割算法对每个成像位置对应的原始图像进行图像分割，并且尽可能沿着粒子的成像区域边缘进行分割，以得到每个成像位置对应的一张或者多张特征图像。
35.其中，所预设图像分割算法的类型和数量不限，可以是一种算法或者多种算法的组合。例如，可以是传统边缘提取算法和/或深度学习算法。
36.其中，如果流动液体中的粒子较为分散时，可优选将一个粒子的成像区域分割为一张特征图像，即尽可能沿着每个粒子的成像区域边缘进行分割。
37.步骤s103，对每张特征图像进行分类，获得每张特征图像对应的分类数据。
38.本实施例中，可根据每张特征图像的一种或者多种相关属性，对全部特征图像进行分类。例如，可以是用于表征图像尺寸大小的属性、用于表征图像清晰度的属性、用于表征图像形状的属性等，本实施例在此不做限定。
39.可选地，由于在对焦过程中通常需要将满足一定清晰度条件的位置确定为目标对焦位置，因此至少可根据每张特征图像的图像清晰度值，对每张特征图像进行分类，获得每张特征图像对应的分类数据。其中，图像清晰度值用于表征图像的清晰程度。
40.本实施例中，对特征图像进行分类所采用的分类方式不限，并且分类的类别数量不限，可根据实际应用需求进行设定。例如，可以是采用人工的方式进行分类，也可以是利用计算机算法模型的方式进行分类，或者是采用人工和计算机算法模型相结合的方式进行分类。
41.本实施例中，每张特征图像对应的分类数据至少用于标识每张特征图像的分类结果，具体标识方式不限。例如，可以用单个数字或者字母标识每张特征图像对应的具体分类类别，也可以是用向量数据标识每张特征图像被分类至每个分类类别的置信水平。
42.步骤s104，根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。
43.本实施例中，由于对特征图像分类是根据特征图像的至少一种类型的属性，因此可根据该种类型的属性对最佳对焦位置确定的影响程度，确定每个分类类别与预设权重值的对应关系。其中，预设权重值的具体设定方式和取值方式不限，可根据实际应用需求进行设定。
44.例如，如果仅根据每张特征图像的图像清晰度值对每张特征图像进行分类的话，则不同分类类别中的特征图像处于不同的图像清晰度阈值范围内，若要求在目标对焦位置拍摄获得的图像的图像清晰度值最高，那么可以根据每个分类类别对应的图像清晰度阈值范围，依次确定每个分类类别对应的预设权重值。即将图像清晰度值最高的特征图像所处的分类分别对应的预设权重值设为最高，将图像清晰度值最低的特征图像所处的分类分别对应的预设权重值设为最低。
45.本实施例中，由于获得了每张特征图像对应的分类数据以及每个分类类别对应的预设权重值，并且每张特征图像均有对应的成像位置，因此可根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，计算获得每个成像位置对应的对焦清晰度值，从而将对焦清晰度值最大的成像位置确定为目标对焦位置，后续可通过电机带动拍摄设备步进到目标对焦位置对拍摄目标进行显微图像拍摄。
46.可选地，由于不仅每个成像位置拍摄获得的原始图像数量可能会有所不同，而且从每张原始图像中分割出的特征图像数量也会有所不同，如果选取的对焦清晰度值计算方法不合适的话，有可能会导致不同的成像位置对应的对焦清晰度值的计算准确性不同。因此为了提高每个成像位置对应的对焦清晰度值的计算准确性，可根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，利用预设统计算法获得每个成像位置对应的对焦清晰度值。
47.例如，在对一个成像位置对应的对焦清晰度值进行计算时，可先根据该成像位置对应的每个特征图像的分类数据和每个分类类别对应的预设权重值，计算获得每张特征图像对应的一个清晰度中间值；然后根据该成像位置对应的全部特征图像的清晰度中间值，确定出具有统计意义的值，以作为该成像位置对应的对焦清晰度值。其中，具有统计意义的值，可以是该成像位置对应的全部特征图像的清晰度中间值的平均值、中值、分位数中的一种。
48.由以上本发明实施例可见，本实施例首先在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像；然后从每个成像位置对应的原始图像中分割出特征图像；接着对每张特征图像进行分类，获得每张特征图像对应的分类数据；再根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。本实施例所采用的显微图像拍摄对焦方法简单灵活，可以快速准确地确定最佳对焦位置，并且避免拟合出多峰清晰度曲线而产生最佳对焦位置判断不准确的情况。
49.实施例二
50.如图3所示，图3为本技术实施例二公开的一种显微图像拍摄对焦方法的示意性流程图，该方法包括：
51.步骤s201，在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，拍摄目标为包括粒子的流动液体。
52.本实施例中，步骤s201与实施例一中的步骤s101基本相同或相似，在此不再赘述。
53.步骤s202，从每个成像位置对应的原始图像中分割出特征图像，其中，特征图像中包括流动液体中粒子的成像区域。
54.本实施例中，当拍摄目标位于采用鞘流技术的仪器中时，可能会有部分粒子在流
动液体流动的过程中发生翻转，但是在实际应用时通常是需要对在流动液体流动过程中不会发生翻转的粒子进行对焦拍摄，因此为了减少后续分类处理步骤中的数据处理量，无论流动液体中是否包括异常粒子，可仅从每个成像位置对应的原始图像中分割出正常粒子的成像区域，以获得每张原始图像中的特征图像。其中，异常粒子为在流动液体流动过程中发生翻转的粒子；正常粒子为在流动液体流动过程中未发生翻转的粒子。
55.具体地，可优选步骤s202包括：从每个成像位置对应的原始图像中分割出正常粒子的成像区域，以获得每张原始图像中的特征图像。
56.步骤s203，根据每张特征图像的特征数据，对每张特征图像进行分类，获得每张特征图像对应的分类数据，其中，每张特征图像的特征数据至少用于表征每张特征图像的图像清晰度值和图像尺寸值。
57.本实施例中，根据图像拍摄原理，当粒子与拍摄设备之间的距离由小到大逐步变化时，拍摄获得的图像中，粒子的成像区域的图像清晰度值会出现由小到大，再由大到小的变化趋势。由于多个粒子在流动液体中的深度位置可能会有所差别，故拍摄设备对拍摄目标进行拍摄时，不同粒子与拍摄设备之间的相对距离会有所不同，使得在拍摄获得的原始图像中不同粒子的成像区域的图像清晰度值也会有所差别。
58.并且由于可能存在两个粒子与拍摄设备之间的距离不同，但是在同一张原始图像中这两个粒子的成像区域的图像清晰度值却相同的情况，即从原始图像分割出的两张特征图像的图像清晰度值相同，如果只根据每张特征图像的图像清晰度值将全部特征图像进行分类的话，可能会导致最终确定的目标对焦位置并非是清晰度最佳的对焦位置，因此为了提高清晰度最佳对焦位置判断准确性，可根据每张特征图像的图像清晰度值，以及对应的粒子与拍摄设备之间的距离远近，对每张特征图像进行分类，获得每张特征图像对应的分类数据。
59.由于根据图像拍摄原理，如果有多个相同尺寸和形状的粒子，并且这些粒子与拍摄设备之间的相对方向相同的话，那么在拍摄设备拍摄获得的图像中，距离拍摄设备越近的粒子的成像区域会越大。因此，可以根据每张特征图像的图像尺寸值，即每个粒子在原始图像中的成像区域的尺寸值，表征每个粒子与拍摄设备之间的距离。
60.可选地，为了提高对特征图像分类的数据处理速度和准确性，可以利用预设分类模型，对每张特征图像进行分类，获得每张特征图像对应的分类数据。对应的，在步骤s203之前还包括步骤s200：构建预设分类模型。
61.如图4所示，步骤s200具体可包括子步骤s200a-子步骤s200c：
62.子步骤s200a，从样本图像中分割出多张特征图像。
63.其中，样本图像为拍摄设备预先对样本目标进行拍摄获得的图像，可以是一张或者多张。但是为了提高分类的准确性，可以获得尽可能多的样本图像。样本目标为包括粒子的流动液体，可以与拍摄目标相同或者不同。
64.从样本图像中分割特征图像的方法与步骤s202中的从原始图像中分割出特征图像的方法基本相同或相似，在此不再赘述。
65.子步骤s200b，确定样本图像中的每张特征图像对应的分类类别和特征数据，获得样本数据集。
66.其中，样本图像中分割出的每张特征图像对应的分类类别和特征数据的确定方式
不限，例如可以采用人工确定的方式，也可以是利用计算机算法模型的方式进行分类，或者是采用人工和计算机算法模型相结合的方式。
67.在样本数据集中，对每个分类类别的标识方法不限，可以使用字母和/或数进行标识。例如，如果分类类别的数量为n类，则可用c1,c2，...,cn进行标识。
68.子步骤s200c，根据样本数据集，构建预设分类模型。
69.其中，预设分类模型为机器学习模型，可将样本数据集中全部或者部分特征图像对应的特征数据作为输入数据，以及该全部或者部分特征图像对应的分类类别作为输出数据，训练获得预设分类模型。
70.机器学习模型所采用的算法不限，例如，可以是决策树算法、支持向量机算法、多层感知机算法、卷积神经网络算法等算法中的至少一种。
71.可选地，为了提高利用预设分类模型对特征图像进行分类的准确性，可先从样本数据集中提取获得训练数据集和测试数据集，然后利用训练数据集训练获得预设分类模型，并利用测试数据集测试评估分类的准确性。
72.可选地，为了进一步提高利用预设分类模型对特征图像进行分类的准确性，可先从样本数据集中提取训练数据集、测试数据集和验证数据集，然后利用训练数据集训练获得预设分类模型，并利用测试数据集和验证数据集评估和验证分类的准确性。
73.步骤s204，根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。
74.本实施例中，如前所述根据图像拍摄原理，当粒子与拍摄设备之间的距离由小到大逐步变化时，拍摄获得的图像中，粒子的成像区域的图像清晰度值会出现由小到大，再由大到小的变化趋势，因此在综合考虑粒子与拍摄设备之间相对距离和粒子的成像区域的图像清晰度值的情况下，为了提高清晰度最佳对焦位置的确定准确性，在步骤s204之前可包括：
75.根据每个分类类别对应的清晰度阈值范围和尺寸阈值范围，利用预设轴对称线条确定每个分类类别对应的预设权重值。在二维坐标平面上，预设轴对称线条延一个坐标轴的取值递增或者递减方向，另一个坐标轴的取值满足由低到高再到低的变化趋势；清晰度阈值范围最高的分类类别对应的预设权重值最高。
76.其中，可首先根据每个分类类别对应的尺寸阈值范围的高低情况，将全部分类类别进行排序，并在二维坐标平面上延一个坐标轴的取值递增或者递减方向依次排列。相邻分类类别在该坐标轴上的取值间隔不限，例如可以是全部相同，也可以是根据尺寸阈值范围的宽窄进行间隔设置。
77.然后将清晰度阈值范围最高的分类类别设置在预设轴对称线条的顶点上，即设置在预设轴对称线条在二维坐标平面上另一个坐标轴的取值最高点处。之所以将清晰度阈值范围最高的分类类别对应的预设权重值设置为最高，是考虑到分类至该分类类别中的特征图像的图像清晰度值最高，拍摄效果最好。
78.可选地，考虑到当粒子与拍摄设备之间的距离由小到大逐步变化时，拍摄获得粒子的成像区域的图像清晰度值变化规律与高斯曲线的变化趋势较为类似，因此可优选预设轴对称线条为预设高斯曲线。
79.其中，可根据每个分类类别对应的尺寸阈值范围，确定每个分类类别在预设高斯曲线所处的二维坐标平面的x轴方向的坐标值；根据每个分类类别对应的清晰度阈值范围，将清晰度阈值范围最高的分类类别设置在预设高斯曲线的顶点上，并确定其他分类类别在预设高斯曲线上的位置，以进一步根据预设高斯曲线对应的y轴方向的坐标值确定出每个分类类别对应的预设权重值。
80.例如，如图5所示，首先可根据每个分类类别对应的尺寸阈值范围的高低将1-11个分类类别进行排序，并延着x轴的取值递增方向依次排列；然后将清晰度阈值范围最高的分类类别——第6类设定在预设高斯曲线的顶点上，对应的y轴方向的坐标值为1.0，即对应的预设权重值为1.0；其他分类类别可根据各自在x轴上的分布位置，确定出在预设高斯曲线上的位置，从而可根据对应的y轴方向的坐标值确定出各自对应的预设权重值。由此，可得到11个分类类别的对应的权重值依次为[0.4559,0.6049,0.7537,0.8819,0.9691,1.0000,0.9691,0.8819,0.7537,0.6049,0.4559]。
[0081]
此外，由于粒子的种类不同可能会导致按照相同的分类方法，清晰度阈值最高的分类类别会有所不同，因此在实际应用时可根据粒子的种类确定清晰度阈值最高的分类类别，以提高本方法的适用性。
[0082]
例如，如图6所示，如果清晰度阈值范围最高的分类类别为第10类的话，则可将第10类确定在预设高斯曲线的顶点上，从而得到11个分类类别对应的权重值依次为[0.0785,0.1339,0.2145,0.3227,0.4559,0.6049,0.7537,0.8819,0.9691,1.0000,0.9691]。
[0083]
其中，预设高斯曲线的标准差σ计算公式为：
[0084][0085]
可选地，为方便计算，在预设高斯曲线的标准差σ时，可取高斯分布均值μ＝0，将预设权重值的取值范围确定为[0,1]，则存在点f(0)＝1，根据上述公式可求解出标准差σ为：
[0086][0087]
可选地，由于预设轴对称线条的顶点唯一，在对焦拍摄过程中实际上仅只有一个清晰度最佳的对焦位置，因此可将分类类别的数量设定为奇数。其中，为了操作简单并且获得较好的对焦效果，可优选分类类别的数量为15。
[0088]
由以上本发明实施例可见，本发明实施例为了减少后续分类处理步骤中的数据处理量，可仅从每个成像位置对应的原始图像中分割出正常粒子的成像区域，以获得每张原始图像中的特征图像；为了提高清晰度最佳对焦位置的判断准确性，可根据每张特征图像的图像清晰度值，以及粒子与拍摄设备之间的距离远近，对每张特征图像进行分类，获得每张特征图像对应的分类数据；为了提高对特征图像分类的数据处理速度和准确性，可以利用机器学习的预设分类模型，对每张特征图像进行分类；为了提高高清晰度最佳对焦位置的确定准确性，并且广泛适用于多种不同类型的粒子，可根据每个分类类别对应的清晰度阈值范围和尺寸阈值范围，利用预设轴对称线条确定每个分类类别对应的预设权重值。
[0089]
实施例三
[0090]
如图7所示，图7为本技术实施例三公开的一种显微图像拍摄对焦方法的示意性流
程图，该方法包括：
[0091]
步骤s301，在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，拍摄目标为包括粒子的流动液体。
[0092]
本实施例中，步骤s301与实施例一中的步骤s101基本相同或相似，在此不再赘述。
[0093]
步骤s302，从每个成像位置对应的原始图像中分割出特征图像，其中，特征图像中包括流动液体中粒子的成像区域。
[0094]
本实施例中，步骤s302与实施例一中的步骤s102或者实施例二中的步骤s202基本相同或相似，在此不再赘述。
[0095]
步骤s303，根据每张特征图像的特征数据，对每张特征图像进行分类，获得每张特征图像对应的置信度向量数据，其中，每张特征图像的特征数据至少用于表征每张特征图像的图像清晰度值和图像尺寸值，每张特征图像对应的置信度向量数据用于表征每张特征图像被分类至每个分类类别的置信水平。
[0096]
本实施例中，在对特征图像进行分类时，如果将一张特征图像划分至一个分类类别的话，可能会出现将特征数据较为接近的两张特征图像划分至不同的分类类别的情况，在后续步骤中根据每个分类类别对应的预设权重值计算确定目标对焦位置时，会导致确定的目标对焦位置并非清晰度最佳的对焦位置。因此为了提高清晰度最佳对焦位置确定的准确性，在对每张特征图像进行分类时，可利用置信度向量数据表征每张特征图像被分类至每个分类类别的置信水平，后续利用置信度向量数据确定目标对焦位置。
[0097]
可选地，为了便于计算，每张特征图像对应的置信度向量数据均可以为归一化向量数据，即每张特征图像对应的置信度向量数据可以表示为[p1,p2,...,pn]，并且
[0098]
例如，如果一共有11个分类类别，一张特征图像被分类至每个分类类别的置信概率分别为1％、4％、5％、50％、20％、5％、3％、2％、2％、3％和5％，则该特征图像对应的置信度向量数据可以表示为[0.01,0.04,0.05,0.5,0.2,0.05,0.03,0.02,0.02,0.03,0.05]。
[0099]
步骤s304，根据每个分类类别对应的预设权重值和每张特征图像对应的置信度向量数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。
[0100]
本实施例中，每个分类类别对应的预设权重值的设置方法与实施例一中的步骤s104或者实施例二中的步骤s204中基本相同或相似，在此不再赘述。
[0101]
本实施例中，在对一个成像位置对应的对焦清晰度值进行计算时，首先可将每个分类类别对应的预设权重值用向量表示为[w1,w2,...,wn]，以及将每张特征图像对应的置信度向量数据表示为[p1,p2,...,pn]，从而可根据该成像位置对应的每个特征图像的置信度向量数据和每个分类类别对应的预设权重值，利用以下公式计算获得每张特征图像对应的清晰度中间值：
[0102][0103]
例如，如果11个分类类别对应的权重值向量表示为[0.0785,0.1339,0.2145,0.3227,0.4559,0.6049,0.7537,0.8819,0.9691,1.0000,0.9691]，一个成像位置的一张特
征图像对应的置信度向量数据为[0.01,0.04,0.05,0.5,0.2,0.05,0.03,0.02,0.02,0.03,0.05]，则可根据这两个向量数据可计算得到该特征图像对应的清晰度中间值为0.437727。
[0104]
进一步，可根据该成像位置对应的全部特征图像的清晰度中间值，确定出具有统计意义的值，以作为该成像位置对应的对焦清晰度值。其中，具有统计意义的值，可以是该成像位置对应的全部特征图像的清晰度中间值的平均值、中值、分位数中的一种。
[0105]
由以上本发明实施例可见，本发明实施例利用置信度向量数据表征每张特征图像被分类至每个分类类别的置信水平，以及将每个分类类别对应的预设权重值同样用向量表示，从而使得最终计算确定的目标对焦位置与实际对焦过程中的清晰度最佳对焦位置更为接近，以进一步提高显微图像拍摄效果。
[0106]
实施例四
[0107]
如图8所示，图8为本技术实施例四公开的一种显微图像拍摄对焦方法的示意性流程图，该方法包括：
[0108]
步骤s401，在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，拍摄目标为包括粒子的流动液体。
[0109]
本实施例中，步骤s401与实施例一中的步骤s101基本相同或相似，在此不再赘述。
[0110]
步骤s402，从每个成像位置对应的原始图像中分割出特征图像，其中，特征图像中包括流动液体中粒子的成像区域。
[0111]
本实施例中，步骤s402与实施例一中的步骤s102或者实施例二中的步骤s202基本相同或相似，在此不再赘述。
[0112]
步骤s403，根据每张特征图像的特征数据，对每张特征图像进行分类，获得每张特征图像对应的特征向量数据，其中，每张特征图像的特征数据至少用于表征每张特征图像的图像清晰度值、图像尺寸值和形状特征值，每张特征图像对应的特征向量数据用于表征每张特征图像被分类至每个异常粒子图像的类别和每个正常粒子图像的类别的置信水平。
[0113]
本实施例中，一方面考虑到当拍摄目标位于采用鞘流技术的仪器中时，如果仪器运行出现异常情况的话，可能会有部分粒子在流动液体的流动过程中发生翻转，导致仪器检测结果不准确；另一方面考虑到有可能因为个别粒子仅一部分区域被拍摄至原始图像中，即粒子的成像区域正好位于原始图像的边缘，或者图像亮度等原因导致无法分割出完整的粒子成像区域。如果将上述异常情况的粒子的成像区域分割出，并作为特征图像在后续步骤中用于确定目标对焦位置的话，很可能会导致清晰度最佳的对焦位置确定不准确。因此在步骤s403中，需要将正常粒子图像和异常粒子图像进行区分。
[0114]
具体地，特征图像包括异常粒子图像和正常粒子图像两种，其中正常粒子图像包括在流动液体流动过程中未发生翻转的粒子的完整成像区域，异常粒子图像包括在流动液体流动过程中发生翻转的粒子成像区域，以及在流动液体流动过程中未发生翻转的粒子的不完整成像区域。
[0115]
具体地，由于正常粒子图像的形状较为相似，而异常粒子图像的形状可能各式各样，为了区分出正常粒子图像和异常粒子图像，在对每张特征图像进行分类时，除了根据每张特征图像的图像清晰度值和图像尺寸值外，还需根据每张特征图像的形状特征值进行分类。其中，每张特征图像的形状特征值用于表征粒子的成像区域的形状。
[0116]
具体地，由于后续步骤中主要根据正常粒子图像对应的特征向量数据计算并确定
目标对焦位置，因此需要预先设置至少两个正常粒子图像的类别，以及至少一个异常粒子图像的类别，具体数量本实施例在此不做限定。
[0117]
本实施例中，可根据每张特征图像的图像清晰度值、图像尺寸值和形状特征值，对每张特征图像进行分类，确定每张特征图像被分类至每个异常粒子图像的类别和每个正常粒子图像的类别的置信水平，并利用特征向量数据进行表征。
[0118]
其中，如果一张特征图像被分类至一个分类类别的置信水平越高，则表明该特征图像属于该分类类别的可能性越高，因此根据每张特征图像对应的特征向量数据，可以确定出该特征图像属于正常粒子图像还是异常粒子图像，并且可进一步将该特征图像分类至其中一个分类类别中。
[0119]
例如，如果一共划分出11个分类类别，其中第11类为异常粒子图像的类别，一张特征图像对应的特征向量数据为
[0120]
[0.01,0.04,0.05,0.05,0.2,0.05,0.03,0.02,0.02,0.03,0.5]，第11类的取值0.5最大，则表明该特征图像被分类至异常粒子图像的类别的可能性最高，可确定该特征图像为异常粒子图像。
[0121]
又例如，如果一共划分出11个分类类别，其中第11类为异常粒子图像的类别，一张特征图像对应的特征向量数据为[0.01,0.04,0.5,0.05,0.2,0.05,0.03,0.02,0.02,0.03,0.05]，第3类的取值0.5最大，则表明该特征图像被分类至正常粒子图像的第3类的可能性最高，可确定该特征图像为正常粒子图像，并且可进一步将该特征图像分类至正常粒子图像的第3类。
[0122]
可选地，为了便于计算，每张特征图像对应的特征向量数据均可以为归一化向量数据。
[0123]
例如，如果一共划分出n+1个分类类别，第1至第n类为正常粒子图像的类别，第n+1类为异常粒子图像的类别，则每张特征图像对应的特征向量数据可以表示为[p1,p2,...,pn，p
n+1
],并且
[0124]
本实施例中，当拍摄目标位于采用鞘流技术的仪器中时，如果仪器运行状态出现异常的话，会导致一定量的粒子在流动液体流动过程中发生翻转，和/或部分粒子在液体中的深度位置较大部分粒子有一定差距，使得仪器检测结果不准确，因此可通过翻转粒子图像和跨梯度粒子图像的数量，判断仪器是否处于处于正常运行状态。如果仪器处于异常状态的话，则进行预警提示，以提醒进行仪器检修或者对流动液体的相关参数进行调整。其中，翻转粒子图像为在流动液体流动过程中发生翻转的粒子的成像区域；跨梯度粒子图像为正常粒子图像中，未被分类至包括正常粒子图像数量最多的类别中的图像。
[0125]
具体地，本实施例还可包括下述步骤中的至少其一：
[0126]
步骤a，当从至少一原始图像中分割出的特征图像中，翻转粒子图像数量的占比超过第一占比阈值时，进行预警提示；
[0127]
步骤b，当从至少一原始图像中分割出的特征图像中，跨梯度粒子图像数量的占比超过第二占比阈值时，进行预警提示。
[0128]
其中，如果翻转粒子图像数量的占比超过第一占比阈值时，表明可能流动池内腔厚度设置可能有问题，导致较多粒子在流动液体流动过程中发生翻转，需要对流动池内腔厚度进行调整。
[0129]
如果跨梯度粒子图像数量的占比超过第二占比阈值时，表明可能鞘液的状态有问题，导致部分粒子在流动液体中的深度位置较大部分粒子有一定差距，需要对鞘液的相关参数进行调整。
[0130]
其中，第一占比阈值和第二占比阈值可根据实际应用需求进行设置。
[0131]
可选地，考虑到在实际应用中，可能有部分粒子在流动液体中的深度位置虽然较大部分粒子有一定差距，但是距离并不大，该情况对实际应用的影响不大，无需进行预警提示。因此为了避免出现过于频繁的预警提示，步骤b可进一步包括：
[0132]
子步骤b1，根据每个正常粒子图像的类别对应的尺寸阈值范围，确定每个正常粒子图像的类别对应的级别值。
[0133]
如前所述，在拍摄设备拍摄获得的图像中，距离拍摄设备越近的粒子的成像区域会越大，即特征图像的图像尺寸值越大。对应地，如果正常粒子图像的类别对应的尺寸阈值越高，则表明该分类类别对应的正常粒子距离拍摄设备越近；如果正常粒子图像的类别对应的尺寸阈值越低，则表明该分类类别对应的正常粒子距离拍摄设备越远。因此可根据每个正常粒子图像的类别对应的尺寸阈值范围高低，对全部正常粒子图像的类别进行排序，并依次确定出每个正常粒子图像的类别对应的级别值。
[0134]
其中，每个正常粒子图像的类别对应的级别值的标识方式不限，可以是数字或者字母等。例如，可以用1至10这10个整数依次标记10个正常粒子图像的类别对应的级别值；也可以用c1至c
10
依次标记10个正常粒子图像的类别对应的级别值。
[0135]
子步骤b2，将每张原始图像中包括正常粒子图像数量最多的分类类别对应的级别值，确定为每张原始图像对应的基准级别值；以及将每张原始图像中包括至少一跨梯度粒子图像的分类类别对应的级别值，确定为每张原始图像对应的跨梯度级别值。
[0136]
子步骤b3，当至少一原始图像对应的基准级别值与每个跨梯度级别值差的绝对值之和，超过预设跨梯度阈值时，确定至少一原始图像对应的跨梯度粒子图像数量。
[0137]
其中，预设跨梯度阈值的设置方式不限，可根据实际应用需求进行灵活设置。
[0138]
例如，可用1至10这10个整数依次标记10个正常粒子图像的类别对应的级别值，设置预设跨梯度阈值为5。从一张原始图像中分割出的特征图像被划分至正常粒子图像第6类别中的最多，则可确定该原始图像对应的基准级别值为6。
[0139]
如果该原始图像中分割出的少量特征图像被分别分类至正常粒子图像第1类别和正常粒子图像第5类别中的话，根据上述子步骤b3中的计算方法，可计算出该原始图像对应的基准级别值与每个跨梯度级别值差的绝对值之和为：|6-1|+|6-5|＝6。该数值超过跨梯度阈值5，因此可将被分类至正常粒子图像第1类别和正常粒子图像第5类别中的特征图像数量之和，确定为该原始图像对应的跨梯度粒子图像数量。
[0140]
如果该原始图像中分割出的少量特征图像被分别分类至正常粒子图像第4类别和正常粒子图像第5类别中的话，根据上述子步骤b3中的计算方法，可计算出该原始图像对应的基准级别值与每个跨梯度级别值差的绝对值之和为：|6-4|+|6-5|＝3。该数值未超过跨梯度阈值5。因此无需确定该原始图像对应的跨梯度粒子图像数量，或者将该原始图像对应的跨梯度粒子图像数量确定为0，从而不会进行预警提示。
[0141]
步骤s404，根据每张正常粒子图像对应的特征向量数据，获得每张正常粒子图像对应的置信度向量数据，其中，每张正常粒子图像对应的置信度向量数据用于表征每张正
常粒子图像被分类至每个正常粒子图像的类别的置信水平。
[0142]
本实施例中，由于每张正常粒子图像对应的特征向量数据还用于表征被划分至每个异常粒子图像的类别的置信水平，但是后续确定目标对焦位置的步骤中，仅需要考量每张正常粒子图像被分类至每个正常粒子图像的类别的置信水平即可，因此需要对每张正常粒子图像对应的特征向量数据进行处理，以获得每张正常粒子图像对应的置信度向量数据。
[0143]
例如，如果一共划分出n+1个分类类别，第1至第n类为正常粒子图像的类别，第n+1类为异常粒子图像的类别，每张特征图像对应的特征向量数据表示为[p1,p2,...,pn，p
n+1
],则可以在该向量数据中去除p
n+1
，以用[p1,p2,...,pn]表示每张特征图像对应的置信度向量数据。
[0144]
可选地，为了便于计算，每张特征图像对应的置信度向量数据均可以进一步处理为归一化向量数据，即每张特征图像对应的置信度向量数据可以表示为[p1,p2,...,pn]，并且
[0145]
步骤s405，根据每个正常粒子图像的类别对应的预设权重值和每张正常粒子图像对应的置信度向量数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。
[0146]
本实施例中，每个正常粒子图像的类别对应的预设权重值的设置方法与实施例一中的步骤s104或者实施例二中的步骤s204中基本相同或相似，在此不再赘述。
[0147]
本实施例中，根据每个正常粒子图像的类别对应的预设权重值和每张正常粒子图像对应的置信度向量数据，获得每个成像位置对应的对焦清晰度值的方法，与实施例三中步骤s304中的基本相同或相似，在此不再赘述。
[0148]
本实施例中，如果根据全部成像位置对应的对焦清晰度值和成像距离标识值，在二维坐标系中拟合出对焦清晰度曲线的话，可能所拟合出的对焦清晰度曲线会出现一定的波动，因此可对对焦清晰度曲线进行滤波处理，并根据滤波处理后的对焦清晰度曲线，将对焦清晰度值最大的成像位置确定为目标对焦位置。
[0149]
例如，根据前述步骤计算得出的成像位置对应的对焦清晰度值和步进电机的步数，进行拟合及滤波处理后得到的对焦清晰度曲线如图9所示，在确定出该曲线上y轴坐标值最大的点对应的步进电机的步数值后，便可利用步进电机将拍摄设备移动到该步数对应的位置，作为目标对焦位置，以对拍摄目标进行拍摄。
[0150]
由以上本发明实施例可见，本发明实施例可根据每张特征图像的图像清晰度值、图像尺寸值和形状特征值，将异常粒子图像区分出，可提高清晰度最佳的对焦位置确定准确性；除了确定目标对焦位置外，还可通过确定出翻转粒子图像和跨梯度粒子图像的数量，判断仪器是否处于处于正常运行状态，如果仪器运行不正常，可进行预警提示。
[0151]
实施例五
[0152]
如图10所示，图10为本技术实施例五公开的一种显微图像拍摄对焦装置的结构示意图，该装置包括：
[0153]
获得模块501，用于在至少两个成像位置对拍摄目标进行拍摄，获得每个成像位置对应的原始图像，其中，拍摄目标为包括粒子的流动液体；
[0154]
分割模块502，用于从每个成像位置对应的原始图像中分割出特征图像，其中，特
征图像中包括流动液体中粒子的成像区域；
[0155]
分类模块503，用于对每张特征图像进行分类，获得每张特征图像对应的分类数据；
[0156]
确定模块504，用于根据每个分类类别对应的预设权重值和每张特征图像对应的分类数据，获得每个成像位置对应的对焦清晰度值，并将对焦清晰度值最大的成像位置确定为目标对焦位置。
[0157]
本实施例中，分类模块503包括：
[0158]
分类单元，用于根据每张特征图像的特征数据，对每张特征图像进行分类，获得每张特征图像对应的分类数据；
[0159]
其中，每张特征图像的特征数据至少用于表征每张特征图像的图像清晰度值和图像尺寸值。
[0160]
本实施例中，显微图像拍摄对焦装置还包括：
[0161]
预设权重值模块，用于根据每个分类类别对应的清晰度阈值范围和尺寸阈值范围，利用预设轴对称线条确定每个分类类别对应的预设权重值；
[0162]
其中，在二维坐标平面上，预设轴对称线条延一个坐标轴的取值递增或者递减方向，另一个坐标轴的取值满足由低到高再到低的变化趋势；清晰度阈值范围最高的分类类别对应的预设权重值最高。
[0163]
本实施例中，预设轴对称线条为高斯曲线。
[0164]
本实施例中，分类数据包括置信度向量数据，其中，每张特征图像对应的置信度向量数据用于表征每张特征图像被分类至每个分类类别的置信水平。
[0165]
本实施例中，确定模块504包括：
[0166]
确定单元，用于根据每个分类类别对应的预设权重值和每张特征图像对应的置信度向量数据，获得每个成像位置对应的对焦清晰度值。
[0167]
本实施例中，特征图像为异常粒子图像或正常粒子图像，其中，正常粒子图像中包括在流动液体流动过程中未发生翻转的粒子的完整成像区域；异常粒子图像中包括在流动液体流动过程中发生翻转的粒子的成像区域，以及在流动液体流动过程中未发生翻转的粒子的不完整成像区域；分类类别包括至少一个异常粒子图像的类别和至少两个正常粒子图像的类别；每张特征图像的特征数据还用于表征每张特征图像的形状特征值；
[0168]
对应的，分类数据包括特征向量数据，其中，每张特征图像对应的特征向量数据用于表征每张特征图像被分类至每个异常粒子图像的类别和每个正常粒子图像的类别的置信水平。
[0169]
本实施例中，确定模块504包括：
[0170]
获得置信度向量数据单元，用于根据每张正常粒子图像对应的特征向量数据，获得每张正常粒子图像对应的置信度向量数据，其中，每张正常粒子图像对应的置信度向量数据用于表征每张正常粒子图像被分类至每个正常粒子图像的类别的置信水平；
[0171]
获得对焦清晰度值单元，用于根据每个正常粒子图像的类别对应的预设权重值和每张正常粒子图像对应的置信度向量数据，获得每个成像位置对应的对焦清晰度值。
[0172]
本实施例中，置信度向量数据为归一化的向量数据。
[0173]
本实施例中，分类模块503包括：
[0174]
分类单元，用于利用预设分类模型，对每张特征图像进行分类，获得每张特征图像对应的分类数据；
[0175]
显微图像拍摄对焦装置还包括：
[0176]
分割单元，用于从样本图像中分割出多张特征图像；
[0177]
获得样本数据集单元，用于确定样本图像中的每张特征图像对应的分类类别和特征数据，获得样本数据集；
[0178]
构建单元，用于根据样本数据集，构建预设分类模型。
[0179]
本实施例中，显微图像拍摄对焦装置还包括：
[0180]
预警提示模块，用于当从至少一原始图像中分割出的特征图像中，翻转粒子图像数量的占比超过第一占比阈值时，进行预警提示；其中，翻转粒子图像为在流动液体流动过程中发生翻转的粒子的成像区域；
[0181]
预警提示模块，还用于当从至少一原始图像中分割出的特征图像中，跨梯度粒子图像数量的占比超过第二占比阈值时，进行预警提示；其中，跨梯度粒子图像为正常粒子图像中，未被分类至包括正常粒子图像数量最多的类别中的图像。
[0182]
本实施例中，预警提示模块包括：
[0183]
确定级别值单元，用于根据每个正常粒子图像的类别对应的尺寸阈值范围，确定每个正常粒子图像的类别对应的级别值；
[0184]
确定跨梯度级别值单元，用于将每张原始图像中包括正常粒子图像数量最多的分类类别对应的级别值，确定为每张原始图像对应的基准级别值；以及将每张原始图像中包括至少一跨梯度粒子图像的分类类别对应的级别值，确定为每张原始图像对应的跨梯度级别值；
[0185]
确定跨梯度粒子图像数量单元，用于当至少一原始图像对应的基准级别值与每个跨梯度级别值差的绝对值之和，超过预设跨梯度阈值时，确定至少一原始图像对应的跨梯度粒子图像数量。
[0186]
本实施例中，流动液体中包括异常粒子和/或正常粒子；分割模块502包括：
[0187]
分割原始图像单元，用于从每个成像位置对应的原始图像中分割出正常粒子的成像区域，以获得每张原始图像中的特征图像。
[0188]
通过本实施例的显微图像拍摄对焦装置，可以实现前述多个方法实施例中相应的显微图像拍摄对焦方法，并具有相应方法实施例的有益效果，在此不再赘述。
[0189]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0190]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。