噬菌体菌斑识别方法及系统

技术领域

本发明属于菌斑识别技术领域，涉及一种菌斑识别方法，尤其涉及一种噬菌体菌斑识别方法及系统。

背景技术

噬菌体(phage)是侵袭细菌的病毒，也是赋予宿主菌生物学性状的遗传物质。噬菌体必须在活菌内寄生，有严格的宿主特异性，其取决于噬菌体吸附器官和受体菌表面受体的分子结构和互补性。噬菌体是病毒中最为普遍和分布最广的群体。通常在一些充满细菌群落的地方，如：泥土、动物的肠道里，都可以找到噬菌体。

医生、科研人员需要定位噬菌体菌斑位置，并人工判断菌斑类型，然后手动填写到报告里，比较费时。医生、科研人员对菌斑大小、透亮程度的判断都是经验判断，存在一定的主观性，可能会存在判断的误差。

有鉴于此，如今迫切需要设计一种新的噬菌体菌斑识别方式，以便克服现有噬菌体菌斑识别方式存在的上述至少部分缺陷。

发明内容

本发明提供一种噬菌体菌斑识别方法及系统，可提高出噬菌体菌斑识别的智能性、识别效率及识别精确度。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种噬菌体菌斑识别方法，所述噬菌体菌斑识别方法包括：

步骤S2、识别并定位噬菌体菌盘的网格交点；

步骤S3、将噬菌体图片进行标注，经过深度学习模型训练，得到预测模型，然后对噬菌体菌斑掩膜进行预测和定位；

步骤S4、对粘连的菌斑掩膜进行判断以及分割；对分割好的掩膜进行拟合；

步骤S5、计算拟合好的菌斑的光密度，根据计算结果判断噬菌体菌斑的大小、类型及有无晕环。

作为本发明的一种实施方式，所述噬菌体菌斑识别方法进一步包括步骤S1、对噬菌体图片进行预处理；

所述步骤S1中，对图片进行预处理步骤包括对图片进行二值化处理、腐蚀处理、膨胀处理、灰度均衡处理；

对图片进行二值化处理步骤包括：根据噬菌盘图片的特征，找到一个适合噬菌体检测全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色/黑色，小于T的像素群的像素值设定为黑色/白色；只有噬菌体菌斑和噬菌体培养盘网格，噬菌体菌斑为前景，网格盘以及其他的为背景；

对图片进行膨胀处理步骤包括：将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，用来填补物体中的空洞；用n x n的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1；

对图片进行腐蚀处理步骤包括：消除边界点，使边界向内部收缩；用来消除小且无意义的物体；用n x n的结构元素，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0；

对图片进行灰度直方图均衡化处理步骤用来对图像进行增强处理，具体包括：统计灰度级中每个像素在整幅图像中的个数；计算每个灰度级占图像中的概率分布；计算累计分布概率；计算均衡化之后的灰度值；映射回原来像素的坐标的像素值。

作为本发明的一种实施方式，所述步骤S2包括：

步骤S21、识别图像中的横线和竖线，对识别出的线条进行横向或纵向的膨胀，以补全缺失部分；

步骤S22、识别横竖线的交点，计算出格子宽度的平均值；

步骤S23、对交点分别进行行或列的分组并对分组内的点进行排序，根据格宽选出最合理的一组点的子集，子集内点的个数大于等于要求数；分别进行行列筛选，若最终筛选出的格点数符合规定的格点数，则按顺序输出所有格点坐标，否则返回步骤S21；

步骤S22中，膨胀处理是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程；用来填补物体中的空洞；

根据图像中的网格线的特征，用m x m的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1；

步骤S22中，计算出格子宽度平均值步骤包括：

步骤S221、识别网格交点后，设定一个距离阈值T，将距离符合阈值内的点归为一组；

步骤S222、计算每一组的中心点(x,y)；

步骤S223、计算中心点两两间的欧氏距离d；

步骤S224、求每个点最小的两两之间的距离wi；

步骤S225、最后把所有wi求平均值w。

作为本发明的一种实施方式，步骤S3中，预测模型的损失函数公式为L

数据标注中标注的是菌斑的边缘而不是菌斑晕环的边缘；数据处理中数据增强扩充设定倍数；根据标注获得菌斑二值图；模型训练使用的损失函数为focal_loss；模型验证采用7折交叉验证。

作为本发明的一种实施方式，步骤S4中，根据凹点检测算法进行分割；

步骤S4的分割步骤包括：

步骤S41、通过计算在噬菌体菌斑掩膜上得到每组轮廓上点的信息；

步骤S42、根据给出的点形成外接框；

步骤S43、对每组轮廓进行凹点检测，若有新增的凹点，把检测出来的凹点和凸点添加到轮廓点集内并返回到步骤S42，否则转至步骤S44；

步骤S44、获取轮廓点集内所有点，并查询子轮廓字典，若有子轮廓，将子轮廓所有点加入到轮廓点集内；根据匹配规则匹配出两个点，对两点之间的连线及已存在的连线进行跨立实验判断是否相交；若通过实验，以连线分割掩膜，若不通过实验把两点放回到待匹配点集，并记录两点无法相连，继续进行凹点点匹配直至所有点记录在匹配点集或无法匹配点集中。

作为本发明的一种实施方式，步骤S5中，光密度OD的计算方式为：

其中，I0(x,y)为入射光强度，It(x,y))透射光强度，(x,y)为像素坐标；

菌斑中心点画三个同心椭圆，对三个区域计算光密度值；根据他们的差值和统计的经验值，判断菌斑是透亮还是浑浊，透亮的是否有晕环；以菌斑的直径和网格宽度比较判断出菌斑大小。

根据本发明的另一个方面，采用如下技术方案：一种噬菌体菌斑识别系统，所述噬菌体菌斑识别系统包括：

菌盘识别定位模块，用以识别并定位噬菌体菌盘的网格交点；

菌斑掩膜预测定位模块，用以将噬菌体图片进行标注，经过深度学习模型训练，得到预测模型，然后对噬菌体菌斑掩膜进行预测和定位；

菌斑掩膜分割模块，用以对粘连的菌斑掩膜进行判断以及分割；

菌斑掩膜拟合模块，用以对分割好的掩膜进行拟合；

光密度计算模块，用以计算拟合好的菌斑的光密度，根据计算结果判断噬菌体菌斑的大小、类型及有无晕环。

所述菌斑大小位置获取模块还用以输出噬菌体菌斑大小及位置，并在原图上标注出噬菌体菌斑。

作为本发明的一种实施方式，所述噬菌体菌斑识别系统还包括图片预处理模块，用以对噬菌体图片进行预处理；

所述图片预处理模块对图片进行二值化处理、腐蚀处理、膨胀处理、灰度均衡处理，所述图片预处理模块包括：

二值化处理单元，用以根据噬菌盘图片的特征，找到一个适合噬菌体检测全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色/黑色，小于T的像素群的像素值设定为黑色/白色；只有噬菌体菌斑和噬菌体培养盘网格，噬菌体菌斑为前景，网格盘以及其他的为背景；

膨胀处理单元，用以将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，用来填补物体中的空洞；用n x n的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1；

腐蚀处理单元，用以消除边界点，使边界向内部收缩；用来消除小且无意义的物体；用nx n的结构元素，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0；

灰度直方图均衡化处理单元，用以对图像进行增强处理，具体包括：统计灰度级中每个像素在整幅图像中的个数；计算每个灰度级占图像中的概率分布；计算累计分布概率；计算均衡化之后的灰度值；映射回原来像素的坐标的像素值。

作为本发明的一种实施方式，所述菌盘识别定位模块包括：

识别膨胀单元，用以识别图像中的横线和竖线，对识别出的线条进行横向或纵向的膨胀，以补全缺失部分；

格子宽度计算单元，用以识别横竖线的交点，计算出格子宽度的平均值；

坐标获取单元，用以对交点分别进行行或列的分组并对分组内的点进行排序，根据格宽选出最合理的一组点的子集，子集内点的个数大于等于要求数；分别进行行列筛选，若最终筛选出的格点数符合规定的格点数，则按顺序输出所有格点坐标。

作为本发明的一种实施方式，所述菌斑掩膜预测定位模块使用的预测模型的损失函数公式为L

作为本发明的一种实施方式，所述菌斑掩膜分割模块根据凹点检测算法进行分割，包括点信息计算单元，用以计算在噬菌体菌斑掩膜上得到每组轮廓上点的信息；

外接框形成单元，用以根据给出的点形成外接框；

凹点检测单元，用以对每组轮廓进行凹点检测；若有新增的凹点，把检测出来的凹点和凸点添加到轮廓点集内；

掩膜分割单元，用以获取轮廓点集内所有点，并查询子轮廓字典；若存在子轮廓，将子轮廓所有点加入到轮廓点集内；根据匹配规则匹配出两个点，对两点之间的连线及已存在的连线进行跨立实验判断是否相交；若通过实验，以连线分割掩膜，若不通过实验，把两点放回到待匹配点集，并记录两点无法相连；继续进行凹点匹配，直至所有点记录在匹配点集或无法匹配点集中。

作为本发明的一种实施方式，所述光密度计算模块计算光密度OD的方式为：

其中，I0(x,y)为入射光强度，It(x,y))透射光强度，(x,y)为像素坐标；

菌斑中心点画三个同心椭圆，对三个区域计算光密度值；根据他们的差值和统计的经验值，判断菌斑是透亮还是浑浊，透亮的是否有晕环；以菌斑的直径和网格宽度比较判断出菌斑大小。

本发明的有益效果在于：本发明提出的噬菌体菌斑识别方法及系统，可提高出噬菌体菌斑识别的智能性、识别效率及识别精确度。

在本发明的一种使用场景中，本发明用于噬菌体菌斑识别，先识别出扫描片的网格点，再通过深度学习模型预测出可能存在的菌斑区域，对这些区域进行掩膜的分割和拟合，再通过光密度的计算判断菌斑的类型和有无晕环，结合菌斑位置与网格点位置定位菌斑，最后输出识别结果。

附图说明

图1为本发明一实施例中噬菌体菌斑识别方法的流程图。

图2为本发明一实施例中步骤S2的流程图。

图3为本发明一实施例中步骤S4的流程图。

图4为本发明一实施例中步骤S43的流程图。

图5为本发明一实施例中噬菌体菌斑识别系统的组成示意图。

图6为本发明一实施例中图片预处理模块的组成示意图。

图7为本发明一实施例中菌盘识别定位模块的组成示意图。

图8为本发明一实施例中菌斑掩膜分割模块的组成示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。

说明书中各个实施例中的步骤的表述只是为了方便说明，本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接，也包含间接连接。

本发明揭示了一种噬菌体菌斑识别方法，图1为本发明一实施例中噬菌体菌斑识别方法的流程图；请参阅图1，所述噬菌体菌斑识别方法包括：

【步骤S1】对噬菌体图片进行预处理。在对图像进行预处理前，可以多一步获取噬菌体图片的步骤(可通过扫描或拍照的方式获取，也可以通过接收的方式获取)。

【步骤S2】识别并定位噬菌体菌盘的网格交点。

【步骤S3】将噬菌体图片进行标注，经过深度学习模型训练，得到预测模型，然后对噬菌体菌斑掩膜进行预测和定位。

【步骤S4】对粘连的菌斑掩膜进行判断以及分割，对分割好的掩膜进行拟合。

【步骤S5】计算拟合好的菌斑的光密度，根据计算结果判断噬菌体菌斑的大小、类型及有无晕环。

所述噬菌体菌斑识别方法还可以包括步骤S6，输出噬菌体菌斑大小及位置，并在原图上标注出噬菌体菌斑。

在本发明的一实施例中，所述步骤S1中，对图片进行预处理步骤包括对图片进行二值化处理、腐蚀处理、膨胀处理、灰度均衡处理。

对图片进行二值化处理步骤包括：根据噬菌盘图片的特征，找到一个适合噬菌体检测全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色/黑色，小于T的像素群的像素值设定为黑色/白色；只有噬菌体菌斑和噬菌体培养盘网格，噬菌体菌斑为前景，网格盘以及其他的为背景。

对图片进行膨胀处理步骤包括：将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，用来填补物体中的空洞；用n x n的结构元素(如可以是3x3结构元素)，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1。

对图片进行腐蚀处理步骤包括：消除边界点，使边界向内部收缩；用来消除小且无意义的物体；用3x3的结构元素，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0。

对图片进行灰度直方图均衡化处理步骤用来对图像进行增强处理，具体包括：统计灰度级中每个像素在整幅图像中的个数；计算每个灰度级占图像中的概率分布；计算累计分布概率；计算均衡化之后的灰度值；映射回原来像素的坐标的像素值。

图2为本发明一实施例中步骤S2的流程图；请参阅图2，在本发明的一实施例中，所述步骤S2包括：

步骤S21、识别图像中的横线和竖线，对识别出的线条进行横向或纵向的膨胀，以补全缺失部分；

步骤S22、识别横竖线的交点，计算出格子宽度的平均值；

步骤S23、对交点分别进行行或列的分组并对分组内的点进行排序，根据格宽选出最合理的一组点的子集，子集内点的个数大于等于要求数；分别进行行列筛选，若最终筛选出的格点数符合规定的格点数，则按顺序输出所有格点坐标，否则返回步骤S21。

步骤S21中，膨胀处理是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程；用来填补物体中的空洞；根据图像中的网格线的特征，用m x m的结构元素(如可以是5x5结构元素)，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1。

步骤S22中，计算出格子宽度平均值步骤包括：

步骤S221、识别网格交点后，设定一个距离阈值T，将距离符合阈值内的点归为一组；

步骤S222、计算每一组的中心点(x,y)；

步骤S223、计算中心点两两间的欧氏距离d；

步骤S224、求每个点最小的两两之间的距离wi；

步骤S225、最后把所有wi求平均值w。

在本发明的一实施例中，步骤S3中，预测模型的损失函数公式为L

数据标注中标注的是菌斑的边缘而不是菌斑晕环的边缘；可根据标注获得菌斑二值图。数据处理中，可将数据增强扩充设定倍数(如25倍)，还可以根据需要进行旋转操作，改变hsv的值。

模型训练可使用的损失函数为focal_loss；当然，也可以根据需要采用其他模型训练使用的损失函数，可以根据需要选择。模型验证可采用7折交叉验证；当然，也可以根据需要采用其他模型验证方式，可以根据需要选择。

图3为本发明一实施例中步骤S4的流程图；请参阅图3，在一实施例中，根据凹点检测算法进行分割；步骤S4的分割步骤包括：

[步骤S41]通过计算在噬菌体菌斑掩膜上得到每组轮廓上点的信息。在一实施例中，通过cv2.findcontours找到所有轮廓；若父级轮廓没有父级轮廓，将该轮廓的所有点都记录到key为父轮廓的字典内；若没有父级轮廓，将所有轮廓上的点获取。

[步骤S42]根据给出的点形成外接框。第一次为图像原本的凸包的点，递归后为所有凹点和凸点的点集；对每组轮廓进行凹点检测，若有新增的凹点，把检测出来的凹点和凸点添加到轮廓点集内。

[步骤S43]获取轮廓点集内所有点，并查询子轮廓字典，若有子轮廓，将子轮廓所有点加入到轮廓点集内；根据匹配规则匹配出两个点，对两点之间的连线及已存在的连线进行跨立实验判断是否相交；若通过实验，以连线分割掩膜，若不通过实验把两点放回到待匹配点集，并记录两点无法相连，继续进行凹点点匹配直至所有点记录在匹配点集或无法匹配点集中。

图4为本发明一实施例中步骤S43的流程图；请参阅图4，所述步骤S42中凹点检测步骤包括：

步骤S421、将所有点xi按纵坐标排序，选取纵坐标最小的点，可记为x0；

步骤S422、计算各个点相对于x0的幅角α，将α按照从小到大排序；选取αmax和αmin取出对应的点取出来，将其放在栈里面；

步骤S423、若取出的点和栈内的点不重复，取出栈顶的点作为起点，重复步骤S422；若取出的点和栈内的点重复，转至步骤S424；

步骤S424、得到凸包的点，即为栈内的点，计算凸包的中心点i；

步骤S425、计算每个点和凸包中心点i的距离L；

步骤S426、将距离的绝对值大于阈值的，加入到外接框点集中，并且若为凹陷记录下该凹点；凹陷指距离小于零；

步骤S427、返回至步骤S421，递归至无新的点产生；

步骤S428、得到凹点集合。

步骤S44中，匹配规则包括：寻找距离最近的点，若该匹配点距离最近的点也是该点，则判断两点之间连线与轮廓的距离差值，若在阈值内，记录无法匹配，并放回到待匹配点集里；如果该匹配点的最近点不是该点，则从匹配点重新开始匹配操作。

在一实施例中，所述光密度计算步骤计算掩膜内平均光密度；光密度OD的计算方式为：

本发明进一步揭示一种噬菌体菌斑识别系统，图5为本发明一实施例中噬菌体菌斑识别系统的组成示意图；请参阅图5，所述噬菌体菌斑识别系统包括：图片预处理模块1、菌盘识别定位模块2、菌斑掩膜预测定位模块3、菌斑掩膜分割模块4、菌斑掩膜拟合模块5及光密度计算模块6。

所述图片预处理模块1用以对噬菌体图片进行预处理；所述菌盘识别定位模块2用以识别并定位噬菌体菌盘的网格交点；

所述菌斑掩膜预测定位模块3用以将噬菌体图片进行标注，经过深度学习模型训练，得到预测模型，然后对噬菌体菌斑掩膜进行预测和定位；

所述菌斑掩膜分割模块4用以对粘连的菌斑掩膜进行判断以及分割；所述菌斑掩膜拟合模块5用以对分割好的掩膜进行拟合；

所述光密度计算模块6用以计算拟合好的菌斑的光密度，根据计算结果判断噬菌体菌斑的大小、类型及有无晕环。

在一实施例中，所述噬菌体菌斑识别系统还可以包括菌斑大小位置输出模块7，用以输出噬菌体菌斑大小及位置，并在原图上标注出噬菌体菌斑。

图6为本发明一实施例中图片预处理模块的组成示意图；请参阅图6，在本发明的一实施例中，所述图片预处理模块1对图片进行二值化处理、腐蚀处理、膨胀处理、灰度均衡处理，所述图片预处理模块包括：二值化处理单元11、膨胀处理单元12、腐蚀处理单元13及灰度直方图均衡化处理单元14。

所述二值化处理单元11用以根据噬菌盘图片的特征，找到一个适合噬菌体检测全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色/黑色，小于T的像素群的像素值设定为黑色/白色；只有噬菌体菌斑和噬菌体培养盘网格，噬菌体菌斑为前景，网格盘以及其他的为背景；

所述膨胀处理单元12用以将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，用来填补物体中的空洞；用n x n的结构元素(如可以是3x3结构元素)，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1。

所述腐蚀处理单元13用以消除边界点，使边界向内部收缩；用来消除小且无意义的物体；用3x3的结构元素，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为1，结果图像的该像素为1，否则为0。

灰度直方图均衡化处理单元14用以对图像进行增强处理，具体包括：统计灰度级中每个像素在整幅图像中的个数；计算每个灰度级占图像中的概率分布；计算累计分布概率；计算均衡化之后的灰度值；映射回原来像素的坐标的像素值。

图7为本发明一实施例中菌盘识别定位模块的组成示意图；请参阅图7，在本发明的一实施例中，所述菌盘识别定位模块2包括：扫描片预处理单元21、识别膨胀单元22、格子宽度计算单元23及坐标获取单元24。

所述扫描片预处理单元21用以对噬菌体扫描片进行预处理。所述识别膨胀单元22用以识别图像中的横线和竖线，对识别出的线条进行横向或纵向的膨胀，以补全缺失部分。在一实施例中，所述识别膨胀单元22用以将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程；用来填补物体中的空洞；根据图像中的网格线的特征，用m x m的结构元素(如可以是3x3结构元素)，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“或”操作，如果都为0，结果图像的该像素为0，否则为1；

所述格子宽度计算单元23用以识别横竖线的交点，计算出格子宽度的平均值。在一实施例中，所述格子宽度计算单元23用以在识别网格交点后，设定一个距离阈值T，将距离符合阈值内的点归为一组；计算每一组的中心点(x,y)；计算中心点两两间的欧氏距离d；求每个点最小的两两之间的距离wi；最后把所有wi求平均值w。

所述坐标获取单元24用以对交点分别进行行或列的分组并对分组内的点进行排序，根据格宽选出最合理的一组点的子集，子集内点的个数大于等于要求数；分别进行行列筛选，若最终筛选出的格点数符合规定的格点数，则按顺序输出所有格点坐标。

在本发明的一实施例中，所述菌斑掩膜预测定位模块3使用的预测模型的损失函数公式为L

数据标注中标注的是菌斑的边缘而不是菌斑晕环的边缘；根据标注获得菌斑二值图。数据处理过程中，数据增强扩充设定倍数(如可以是25倍)，还可以根据需要进行旋转操作，改变hsv的值。

模型训练使用的损失函数为focal_loss；当然，也可以根据需要采用其他模型训练使用的损失函数，可以根据需要选择。模型验证采用7折交叉验证；当然，也可以根据需要采用其他模型验证方式，可以根据需要选择。

图8为本发明一实施例中菌斑掩膜分割模块的组成示意图；请参阅图8，在本发明的一实施例中，所述菌斑掩膜分割模块4根据凹点检测算法进行分割，包括：点信息计算单元41、外接框形成单元42、凹点检测单元43及掩膜分割单元44。

点信息计算单元41用以计算在噬菌体菌斑掩膜上得到每组轮廓上点的信息；外接框形成单元42用以根据给出的点形成外接框；凹点检测单元43用以对每组轮廓进行凹点检测；若有新增的凹点，把检测出来的凹点和凸点添加到轮廓点集内。

掩膜分割单元44用以获取轮廓点集内所有点，并查询子轮廓字典；若存在子轮廓，将子轮廓所有点加入到轮廓点集内；根据匹配规则匹配出两个点，对两点之间的连线及已存在的连线进行跨立实验判断是否相交；若通过实验，以连线分割掩膜，若不通过实验，把两点放回到待匹配点集，并记录两点无法相连；继续进行凹点匹配，直至所有点记录在匹配点集或无法匹配点集中。

在一实施例中，所述光密度计算模块6计算掩膜内平均光密度；光密度OD的计算方式为：

综上所述，本发明提出的噬菌体菌斑识别方法及系统，可提高出噬菌体菌斑识别的智能性、识别效率及识别精确度。

在本发明的一种使用场景中，本发明用于噬菌体菌斑识别，先识别出扫描片的网格点，再通过深度学习模型预测出可能存在的菌斑区域，对这些区域进行掩膜的分割和拟合，再通过光密度的计算判断菌斑的类型和有无晕环，结合菌斑位置与网格点位置定位菌斑，最后输出识别结果。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施；例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中；例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现；例如，作为与处理器配合从而执行各个步骤或功能的电路。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。