Method and system for analysing and calculating aggregation of analytes in chemical compound

Abstract

The present disclosure relates to the field of chemical analysis technology, and specifically discloses methods and systems for analyzing and calculating aggregation of analytes in a chemical compound. The analysis method includes: acquiring a chemical image of analytes in a control sample and a chemical image of the analytes in at least one test sample, performing Gaussian blur on each of the chemical images, and performing brightness calibration on the obtained Gaussian blurred image; converting the brightness calibrated Gaussian blurred image into a binary image; converting the binary image into one-dimensional array; calculating a continuous length of predetermined pixels in a one-dimensional array and a frequency corresponding to each continuous length, and generating a histogram of frequency and continuous length; fitting the histogram with an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function; calculating an aggregation index of the test sample according to the exponential attenuation parameters corresponding to the test sample and the control sample. This technical solution can quantitatively determine the aggregation of analytes.

Description

METHOD AND SYSTEM FOR ANALYSING AND CALCULATING AGGREGATION OF ANALYTES IN CHEMICAL COMPOUND

[0001] CROSS-REFERENCE TO RELATED APPLICATIONS

[0002] This application is a continuation of Chinese Patent Application No. 2024117179597 filed on November 27, 2024, which claims priority of PCT International Patent Application No. PCT / CN2023 / 135316 filed on November 30, 2023, which are incorporated herein by references in their entireties.TECHNICAL FIELD

[0003] The present disclosure generally relates to, and more particularly, to a method and a system for analyzing and calculating aggregation of analytes in a chemical compound.BACKGROUND

[0004] In chemical analysis, evaluating aggregation of particulate matters is crucial for understanding the physical properties and chemical behavior of materials. For example, in the quality control of cosmetics, drugs, chemicals and other products, the aggregation of particles will affect the stability, appearance and performance of the products, especially in the cosmetics field, products are usually provided in the form of lotion or suspension. In lotion, especially cosmetics products, high concentrations of particulate matters are usually required to provide the shade required by products. In the manufacturing process of these cosmetics, high-energy dispersion technology is required to disperse the aggregated particulate matters and reduce their size, ensuring that most particles reach their original particle state to achieve uniformity in cosmetics.

[0005] Conventionally, the aggregation of particulate matters is usually analyzed by means of a fineness gauge or through observation under an optical microscope. The fineness gauge is mainly used for measuring fineness of paint and ink particles, however, given the personal nature of the user's operation and evaluation standards, it is typically limited to coarse measurements. Optical microscopes can be used to directly observe the aggregation of particulate matters, but due to the limited size of the viewing field at high magnification, along with the likelihood of the observed particles interfering with the optical path of the microscope, it is difficult to obtain accurate analysis results about the aggregation. As the chemical analysis technology has advanced, chemical imaging technology has been used in the development of cosmetic products and the evaluation of aggregation of pigment components. Nevertheless, aggregation of particulate matters can only be roughly evaluated by observing chemical images, with no capacity for quantitative analysis for aggregation of particulate matters at present.SUMMARY OF THE INVENTION

[0006] In order to solve the problems in related art, the present disclosure provides methods and systems for analyzing and calculating aggregation of analytes in a chemical compound.

[0007] According to one aspect of the present invention, the present disclosure provides a method for analyzing aggregation of analytes in a chemical compound, including:

[0008] acquiring a chemical image of analytes in a control sample and a chemical image of the analytes in at least one test sample, the control sample and the test sample being chemical compounds;

[0009] for each of the chemical images, performing Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;

[0010] performing brightness calibration on the Gaussian blurred image;

[0011] converting the brightness calibrated Gaussian blurred image into a binary image;

[0012] converting the binary image into a one-dimensional array;

[0013] calculating a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generating a histogram of frequency and continuous length;

[0014] fitting the histogram using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function;

[0015] calculating an aggregation index of the test sample according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameter corresponding to the control sample.

[0016] In a possible implementation, the preset Gaussian kernel has a kernel size greater than or equal to 3 × 3 and less than 61 × 61.

[0017] In a possible implementation, a calculation formula for the standard deviation σ of the preset Gaussian kernel includes: σ=0.3 × (kernel size / 2-1) +0.8;

[0018] or, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size, preferably, the standard deviation σ is greater than or equal to 10%of the kernel size and less than or equal to 40%of the kernel size, and further preferably, the standard deviation σ is greater than or equal to 20%of the kernel size and less than or equal to 30%of the kernel size.

[0019] In a possible implementation, performing brightness calibration on the Gaussian blurred image includes:

[0020] performing brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image of the control sample;

[0021] performing brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range.

[0022] In a possible implementation, the predetermined range includes less than 100%, preferably less than 10%, further preferably 5%, and yet further preferably 1%of the control brightness.

[0023] In a possible implementation, converting the binary image into a one-dimensional array includes:

[0024] traversing pixels of the binary image in a raster pattern, and converting the binary image into a one-dimensional array.

[0025] In a possible implementation, the predetermined pixels represent presence of the analytes.

[0026] In a possible implementation, calculating an aggregation index of the test sample according to the exponential attenuation parameter of the test sample and the exponential attenuation parameter of the control sample includes:

[0027] calculating an aggregation index A of the test sample according to the following formula:

[0028] where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample.

[0029] In a possible implementation, the chemical image includes an SEM-EDX image.

[0030] In a possible implementation, the chemical image is a grayscale chemical image.

[0031] In a possible implementation, the chemical image is a color image, and before performing brightness calibration on the Gaussian blurred image, the method further includes:

[0032] converting the Gaussian blurred image from a color image to a grayscale image.

[0033] According to another aspect of the present invention, the present disclosure provides a system for analyzing aggregation of analytes in a chemical compound, including:

[0034] an image acquisition module configured to acquire a chemical image of analytes in a control sample and a chemical image of the analytes in at least one test sample, the control sample and the test sample being chemical compounds;

[0035] a Gaussian blurring module configured to perform, for each of the chemical images, Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;

[0036] a brightness calibration module configured to perform brightness calibration on the Gaussian blurred image;

[0037] a binary conversion module configured to convert the brightness calibrated Gaussian blurred image into a binary image;

[0038] a fitting module configured to convert the binary image into a one-dimensional array; calculate a continuous length of predetermined pixels in the one-dimensional array and a frequency corresponding to each continuous length, and generate a histogram of frequency and continuous length; fit the histogram using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function;

[0039] a calculation module configured to calculate an aggregation index of the test sample according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameters corresponding to the control sample.

[0040] In a possible implementation, the preset Gaussian kernel has a kernel size greater than or equal to 3 × 3 and less than 61 × 61.

[0041] A calculation formula for the standard deviation σ of the preset Gaussian kernel includes: σ=0.3 × (kernel size / 2-1) +0.8;

[0042] The standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size.

[0043] In a possible implementation, the brightness calibration module is specifically configured as:

[0044] a first calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image of the control sample;

[0045] a second calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range.

[0046] In a possible implementation, the predetermined range includes less than 100%or 10%of the control brightness.

[0047] In a possible implementation, a part of the fitting module that converts the binary image into a one-dimensional array is configured to:

[0048] traverse the pixels of the binary image in a raster pattern, and convert the binary image into a one-dimensional array.

[0049] In a possible implementation, the predetermined pixels represent presence of the analytes.

[0050] In a possible implementation, the calculation module is specifically configured to:

[0051] calculate an aggregation index A of the test sample according to the following formula:

[0052] where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample.

[0053] In a possible implementation, the chemical image includes an SEM-EDX image.

[0054] In a possible implementation, the chemical image is a grayscale chemical image.

[0055] In a possible implementation, the chemical image is a color image, the analysis system further includes:

[0056] a color conversion module configured to convert the Gaussian blurred image from a color image to a grayscale image before the brightness calibration module performs brightness calibration on the Gaussian blurred image.

[0057] According to another aspect of the present invention, the present disclosure provides a method for calculating aggregation of analytes in a chemical compound, including:

[0058] acquiring a chemical image of analytes in a test sample, the test sample being a chemical compound;

[0059] performing Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;

[0060] performing brightness calibration on the Gaussian blurred image;

[0061] converting the brightness calibrated Gaussian blurred image into a binary image;

[0062] converting the binary image into a one-dimensional array;

[0063] calculating a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generating a histogram of frequency and continuous length;

[0064] fitting the histogram using an exponential Gaussian distribution function to determine an average value and a standard deviation in the test sample in terms of physical size.

[0065] In a possible implementation, the continuous length is a continuous pixel length, and fitting the histogram using an exponential Gaussian distribution function to determine an average value and a standard deviation in the test sample in terms of physical size includes:

[0066] fitting the histogram using an exponential Gaussian distribution function to obtain the average value and the standard deviation of the fitted exponential Gaussian distribution function;

[0067] according to a correspondence between a pixel and a physical size, converting the average value and the standard deviation of the fitted exponential Gaussian distribution function into the average value and the standard deviation corresponding to the physical size.

[0068] In a possible implementation, the continuous length is a continuous physical length, and calculating a continuous length of predetermined pixels occurring in the one-dimensional array includes:

[0069] calculating a continuous pixel length of predetermined pixels occurring in the one-dimensional array;

[0070] converting the continuous pixel length to a continuous physical length according to a correspondence between a pixel and a physical size.

[0071] According to another aspect of the present invention, the present disclosure provides a system for calculating aggregation of analytes in a chemical compound, including:

[0072] an acquisition module configured to acquire a chemical image of analytes in a test sample, the test sample being a chemical compound;

[0073] a blurring module configured to perform Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;

[0074] a calibration module configured to perform brightness calibration on the Gaussian blurred image;

[0075] a conversion module configured to convert the brightness calibrated Gaussian blurred image into a binary image;

[0076] a dimension conversion module configured to convert the binary image into a one-dimensional array;

[0077] a calculation module configured to calculate a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generate a histogram of frequency and continuous length;

[0078] a physical size module configured to fit the histogram using an exponential Gaussian distribution function to determine an average and a standard deviation in the test sample in terms of physical size.

[0079] In a possible implementation, the continuous length is a continuous pixel length, and the physical size module is configured to:

[0080] fit the histogram using an exponential Gaussian distribution function to obtain the average value and the standard deviation of the fitted exponential Gaussian distribution function;

[0081] according to a correspondence between a pixel and a physical size, convert the average value and the standard deviation of the fitted exponential Gaussian distribution function into the average value and the standard deviation corresponding to the physical size.

[0082] In a possible implementation, the continuous length is a continuous physical length, and the calculation module is configured to:

[0083] calculate a continuous pixel length of predetermined pixels occurring in the one-dimensional array;

[0084] convert the continuous pixel length to a continuous physical length according to a correspondence between a pixel and a physical size.

[0085] According to the technical solution provided by the present disclosure, Gaussian blur, brightness calibration, image binarization, one-dimensional array conversion, generation of histogram of frequency and continuous length of occurrence of predetermined pixels representing the analytes, and fitting of exponential Gaussian distribution function can be performed based on the chemical images of the control sample and the test sample containing the same analytes, to obtain the exponential attenuation parameter corresponding to the test sample and the corresponding exponential attenuation parameter corresponding to the control sample, and then calculate the aggregation index of analytes in the test sample relative to those in the control sample, so as to accurately and quantitatively determine the aggregation of the analytes in the test sample.

[0086] In addition, through Gaussian blur, brightness calibration, image binarization, one-dimensional array conversion, the generation of histogram of frequency and continuous length of occurrence of predetermined pixels representing the analytes, and the fitting of exponential Gaussian distribution function on the chemical image of the test sample, the average value and the standard deviation of the test sample in terms of physical size can be obtained, which can clearly indicate the aggregation of the analytes in the test sample.

[0087] It should be understood that the above general description and the following detailed description are only illustrative and explanatory, and do not limit the present disclosure.BRIEF DESCRIPTION OF DRAWINGS

[0088] Other features, objects and advantages of the present disclosure will become more apparent through the following detailed description of non-limiting embodiments with reference to accompanying drawings in which:

[0089] Fig. 1 illustrates a flowchart of a method for analyzing aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure.

[0090] Fig. 2 illustrates a block diagram of a system for analyzing aggregation of analytes in a chemical compound according to an embodiment of the present disclosure.

[0091] Fig. 3 illustrates a flowchart of a method for calculating aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure.

[0092] Fig. 4 illustrates a block diagram of a system for calculating aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure.

[0093] Fig. 5 shows an illustration of chemical images corresponding to three samples provided in example 1.

[0094] Fig. 6 shows an illustration of grayscale images of Gaussian blurred images corresponding to the three samples provided in example 1.

[0095] Fig. 7 shows an illustration of binary images corresponding to the three samples provided in example 1.

[0096] Fig. 8 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the three samples provided in example 1.

[0097] Fig. 9 shows an illustration of chemical images corresponding to two samples provided in example 2.0.

[0098] Fig. 10 shows an illustration of grayscale images of Gaussian blurred images corresponding to the two samples provided in example 2.0.

[0099] Fig. 11 shows an illustration of binary images corresponding to the two samples provided in example 2.0.

[0100] Fig. 12 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the two samples provided in example 2.0.

[0101] Fig. 13 shows an illustration of grayscale images of Gaussian blurred images corresponding to two samples provided in example 2.1.

[0102] Fig. 14 shows an illustration of binary images corresponding to the two samples provided in example 2.1.

[0103] Fig. 15 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the two samples provided in example 2.1.

[0104] Fig. 16 shows an illustration of grayscale images of Gaussian blurred images corresponding to two samples provided in example 2.2.

[0105] Fig. 17 shows an illustration of binary images corresponding to the two samples provided in example 2.2.

[0106] Fig. 18 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the two samples provided in example 2.2.

[0107] Fig. 19 shows an illustration of a binary image corresponding to a test sample provided in example 3.0.

[0108] Fig. 20 shows an illustration of a fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.0.

[0109] Fig. 21 shows an illustration of a binary image corresponding to the test sample provided in example 3.1.

[0110] Fig. 22 shows an illustration of a fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.1.

[0111] Fig. 23 shows an illustration of a binary image corresponding to a test sample provided in example 3.2.

[0112] Fig. 24 shows an illustration of a fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.2.

[0113] Fig. 25 shows an illustration of a binary image corresponding to a test sample provided in example 3.3.

[0114] Fig. 26 shows an illustration of a fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.3.

[0115] Fig. 27 shows an illustration of a chemical image of titanium dioxide particles provided in example 4.

[0116] Fig. 28 shows an illustration of grayscale images in three directions of the chemical image shown in Fig. 27.

[0117] Fig. 29 shows an illustration of binary images of the grayscale images in three directions shown in Fig. 28.

[0118] Fig. 30 illustrates fitting curves of exponential Gaussian distribution function corresponding to the three directions.

[0119] Fig. 31 shows an illustration of grayscale images corresponding to two samples provided by comparative example 1.

[0120] Fig. 32 shows an illustration of binary images corresponding to the two samples provided by comparative example 1.

[0121] Fig. 33 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the two samples provided by comparative example 1.

[0122] Fig. 34 shows an illustration of chemical image histograms of FFT processing provided by comparative example 2.

[0123] Fig. 35 shows an illustration of Gaussian blurred image histograms of FFT processing provided by comparative example 2.

[0124] Fig. 36 shows an illustration of grayscale image histograms of FFT processing provided by comparative example 2.

[0125] Fig. 37 shows an illustration of fitting curve of exponential Gaussian distribution function fitted from a histogram of continuous physical length and count of continuous physical lengths provided by example 5.

[0126] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS

[0127] Hereinafter, exemplary embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.

[0128] In the present disclosure, Gaussian blur is an image processing technology used to reduce noise and details in an image. It applies a Gaussian function to the image so that the value of each pixel in the image is replaced by a weighted average value of neighboring pixels thereof. The weights are determined by the Gaussian distribution. Generally, pixels in close proximity are given greater weights since they have a stronger influence, while pixels located farther away are assigned less weights due to their weaker influence.

[0129] In the present disclosure, exponential Gaussian distribution function refers to a probability distribution in statistics, which is a variant of the Gaussian distribution. Its shape is adjusted by an exponential factor introduced, which can be used to simulate those data with long tail characteristics. The exponential Gaussian distribution function contains the following three parameters:

[0130] μ (MU) : a location parameter, similar to a mean of Gaussian distribution, which determines a location of a distribution peak;

[0131] σ (sigma) : a scale parameter, similar to a standard deviation of Gaussian distribution, which determines a spread or width of the distribution;

[0132] τ (tau) : an exponential attenuation parameter, which indicates an attenuation rate of an exponential tail, where a larger tau value results in slower attenuation rate of the tail, and a smaller tau value results in faster attenuation rate.

[0133] In the present disclosure, a chemical image usually refers to an image obtained by a chemical imaging technology, and the chemical image obtained by the chemical imaging technology can provide spatial distribution information about the chemical compound of the sample. Unlike the conventional image which only displays the physical appearance of the sample, the chemical image provides the compound or concentration information of specific chemical components at different positions in the sample.

[0134] Fig. 1 illustrates a flowchart of a method for analyzing aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure. As shown in Fig. 1, the analysis method includes the following steps S101-S108.

[0135] In step S101, a chemical image of analytes in a control sample and a chemical image of analytes in at least one test sample are acquired, the control sample and the test sample being chemical compounds.

[0136] In step S102, for each of the chemical images, Gaussian blur is performed on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image.

[0137] In step S103, brightness calibration is performed on the Gaussian blurred image.

[0138] In step S104, the brightness calibrated Gaussian blurred image is converted into a binary image.

[0139] In step S105, the binary image is converted into a one-dimensional array.

[0140] In step S106, a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length are calculated, and a histogram of frequency and continuous length is generated.

[0141] In step S107, the histogram is fitted using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function.

[0142] In step S108, an aggregation index of the test sample is calculated according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameter corresponding to the control sample.

[0143] In a possible implementation, the analysis method provided in this embodiment is mainly used to analyze aggregation of analytes in a chemical compound. The chemical compound can be chemical compounds in a variety of fields such as personal care products, drugs, food, etc. The chemical compound can be a compound in various forms such as liquid, colloid, powder, semi-solid, etc. For example, it can be a compound of toothpaste, lotion, face cream, shampoo, loose powder, powder cake, concentrated solution and suspension of high molecular polymer, etc. The analyte refers to particles in the chemical compound.

[0144] In a possible implementation, both the control sample and the test sample are chemical compounds, and both the control sample and the test sample contain the same analytes. The distribution of the analytes in the control sample is relatively even, and the aggregation thereof can be already known. Based on the control sample, the aggregation of the analytes in one or more test samples can be analyzed.

[0145] In a possible implementation, a chemical imaging device can be used to photograph the analytes in the control sample and the analytes in the test sample respectively to obtain corresponding chemical images. The chemical imaging device refers to a device that can obtain chemical images by using chemical imaging technology. For example, a scanning electron microscope energy dispersive X-ray spectroscopy (SEM-EDX) device which combines a high-resolution imaging ability of a scanning electron microscope (SEM) with an element analysis ability of an energy dispersive X-ray spectroscopy (EDX) to obtain an SEM-EDX image; an X-ray fluorescence imaging device which can use X-rays to excite fluorescence in a sample to obtain a distribution image of elements in the sample; a secondary ion mass spectrometry device which can, by exposing the sample to a high-energy ion beam and then analyzing the secondary ions generated thereby, obtain a chemical image of the analytes in the sample; a Fourier transform infrared spectrum imaging device which can obtain a Fourier transform infrared spectrometer image of spatial distribution information of different chemical components in the sample by measuring absorption or emission of infrared light of the sample; and so on. Preferably, the chemical image in this embodiment can be an SEM-EDX image.

[0146] In a possible implementation, whether it is the chemical image of the control sample or the chemical image of any test sample, a preset Gaussian kernel is used to performing Gaussian blur on each of the chemical image to obtain a Gaussian blurred image. The Gaussian kernel can be preset according to a required blur degree. Preferably, the size of the Gaussian kernel is greater than or equal to 3 × 3 and less than 61 × 61.

[0147] In a possible implementation, the standard deviation σ of the Gaussian kernel can be determined depending on the size of the kernel, and the value of the standard deviation σ determines the distribution of weights within the kernel. When σ is low, the Gaussian distribution is narrow, which means that most of the weights are concentrated near the center of the kernel. Therefore, the pixels near the kernel center have a greater influence on the final blurred pixel value, while the pixels far away from the kernel center have a smaller influence. If the standard deviation σ value is too low for the kernel size, it may lead to inefficient use of pixels at the outer layer of the kernel, because their weights are very small. When σ value is high, the Gaussian distribution is wide, and the weights are more evenly distributed on the whole kernel. Pixels far away from the kernel center have a greater influence on the generated blurred pixels. This results in a more intense blurred effect, with more extensive smoothing processing on details and larger structures. If the standard deviation σ value is too high for the kernel size, the weights may become too even, making the behavior of the kernel similar to a simple mean filter (average filter) .

[0148] Therefore, it is preferred that the standard deviation σ value can be generated through the following formula: σ=0.3 × (kernel size / 2-1) +0.8. For example, when the kernel size is 18 × 18, the standard deviation of the preset Gaussian kernel σ=0.3 × (18 / 2-1) +0.8=3.2. The calculated standard deviation σ value can ensure that the Gaussian distribution is well represented in the kernel, so as to achieve a balanced and effective blurred effect.

[0149] In another possible implementation, the standard deviation σ of the preset Gaussian kernel can also be selected within a predetermined range. Preferably, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size. For example, when the kernel size is 30 × 30, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of 30 to 49%of 30. In this way, the standard deviation σ of the Gaussian kernel is limited to a certain range, which can effectively blur the image and ensure that the blurred image is suitable for subsequent analysis. Preferably, the standard deviation σ is greater than or equal to 10%of the nuclear size to less than or equal to 40%of the nuclear size, and more preferably, the standard deviation σ is greater than or equal to 20%of the nuclear size to less than or equal to 30%of the nuclear size.

[0150] In a possible implementation, the chemical image may be a grayscale chemical image, which is a special image that contains only grayscale (light and dark) information and no color information. Alternatively, the chemical image can be a color chemical image. In this case, after obtaining the Gaussian blurred image, it is necessary to convert the Gaussian blurred image from a color image to a grayscale image.

[0151] Preferably, the grayscale image in the present disclosure is an 8-bit grayscale image. "8-bit" here means that a pixel value in the grayscale image is represented by an 8-bit binary number, there is a number 28=256 of possibilities, and the pixel value of each pixel is an integer between 0 (black) and 255 (white) . However, the grayscale image in the present disclosure is not limited to 8-bit grayscale images. As long as it can be implemented, the grayscale image can also be a grayscale image of any bit, such as 1-bit grayscale image, 2-bit grayscale image, 4-bit grayscale image or 16-bit grayscale image, etc. Taking the 16-bit grayscale image as an example, the pixel value of the 16-bit grayscale image is represented by 16-bit binary numbers, and each pixel has 216 possibilities, so the range of grayscale value is 0-65535.

[0152] It should be noted that the gray value reflects the signal intensity of the spatial distribution of analytes. Usually, one end of the color scale refers to zero intensity, and the other end refers to the highest intensity. For example, for the above 8-bit grayscale image, the gray value 0 can represent the highest signal intensity in the grayscale image, which can be displayed as black in the grayscale image. The gray value 255 can represent the lowest signal intensity in the grayscale image, which can be displayed as white in the grayscale image. It is also possible to assign 0 to the lowest intensity and 255 to the highest intensity for the same grayscale image, which has no influence on subsequent analysis.

[0153] In a possible implementation, the brightness of the Gaussian blurred image can be calibrated so that the image brightness of the Gaussian blurred image of the control sample and the test sample are at the same level, so that the subsequent analysis of the aggregation of analytes in the test sample can be performed based on the control sample at the same brightness level.

[0154] In a possible implementation, a binarization technology can be used to convert the brightness calibrated Gaussian blurred image into a binary image, which refers to converting the grayscale image into an image containing only two colors (usually black and white) . For example, a threshold value can be set. Pixels with gray values above the threshold value are set to one color (usually white) , and all pixels below the threshold value are set to another color (usually black) . Taking the 8-bit grayscale image as an example, the gray value range of each pixel in the 8-bit grayscale image is 0～255. Binarization refers to a process of making the gray value of each pixel in the pixel matrix of the grayscale image become 0 (black) or 255 (white) , that is, the gray value in the binary image is only 0 or 255, and the whole binary image presents only black and white.

[0155] In a possible implementation, after obtaining the binary image, the pixels in the binary image can be traversed in a predetermined order, such as row by row or column by column, and the binary image can be converted into a one-dimensional array. Two values in the converted one-dimensional array represent the black and white pixels in the binary image. Effectively, during the conversion, the pixels representing presence of analytes in the binary image can be converted to the value 1 in the one-dimensional array, while the pixels representing no analyte can be converted to the value 0 in the one-dimensional array. However, the pixels representing presence of analytes in the binary image can also be converted to the value 0 in the one-dimensional array, while the pixels representing no analyte can be converted to the value 1 in the one-dimensional array. In this implementation, the former numerical representation can be selected to ensure better visibility of data.

[0156] In a possible implementation, the predetermined pixels are pixels representing presence of the analytes. For example, when converting the pixels representing presence of the analytes in the binary image to the value 1 in the one-dimensional array, while the pixels representing no analyte are converted to the value 0 in the one-dimensional array, the continuous length of values 1 continuously occurring in the one-dimensional array and the frequency corresponding to each continuous length can be calculated. The continuous length here can be either a continuous pixel length or a continuous physical length. The continuous pixel length is the length of pixels, and the continuous physical length is the length calculated in a unit of physical size such as micrometer. One bit of one-dimensional data corresponds to one pixel, and each pixel has a corresponding physical size (which can be obtained by measuring the length of the image) .

[0157] For example, assuming that the one-dimensional data is [1111001111000011101110111011101] , it can be calculated that the continuous pixel length and the frequency corresponding to each continuous pixel length are: the frequency corresponding to the continuous pixel length of 4 pixels is 3, the frequency corresponding to occurrence of the continuous pixel length of 3 pixels is 4, and the frequency corresponding to occurrence of the continuous pixel length of 1 pixel is 1. The continuous length can also be a continuous physical length. In this case, the continuous pixel length can be converted into a continuous physical length according to the corresponding physical size of each pixel. Assuming that each pixel has a corresponding physical size of a micron, the continuous physical length and the corresponding frequency of each continuous physical length are calculated according to the above one-dimensional data: the frequency of occurrence of continuous physical length 4a micron is 3, the frequency of occurrence of continuous physical length 5a micron is 4, and the frequency of continuous physical length 1a micron is 1. After obtaining the frequency corresponding to each continuous length, a histogram of frequency and continuous length can be generated.

[0158] In a possible implementation, after the histogram is generated, the histogram can be fitted using an exponential Gaussian distribution function to obtain a fitted exponential Gaussian distribution function. The fitted exponential Gaussian distribution function corresponds to three parameters μ, σ and τ. In this implementation, the exponential attenuation parameter of the test sample can be compared with the exponential attenuation parameter τ of the control sample to calculate an aggregation index of the test sample.

[0159] In a possible implementation, calculating the aggregation index of the test sample according to the exponential attenuation parameter of the test sample and the exponential attenuation parameter of the control sample, including:

[0160] calculating the aggregation index A of the test sample according to the following formula:

[0161] where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample.

[0162] In a possible implementation, the brightness calibration for the Gaussian blurred image includes:

[0163] performing brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image for the control sample;

[0164] performing brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range.

[0165] In this implementation, it is necessary to calibrate the image brightness of the Gaussian blurred images corresponding to the control sample and the test sample to ensure the consistency in brightness between the image corresponding to the control sample and the image corresponding to the test sample, so as to make the image data comparable.

[0166] In this implementation, the brightness of the Gaussian blurred image of the control sample can be calibrated to a predetermined brightness range according to a preset brightness range, and then the Gaussian blurred image of the test sample can be calibrated according to the control brightness of the calibrated Gaussian blurred image of the control sample, so that the difference between the calibrated brightness of the test sample and the control brightness is within a predetermined range. For example, the predetermined range is less than or equal to 20, or other values.

[0167] It should be noted here that the original chemical image takes black as the background color. When performing Gaussian blur, brightness calibration and binarization on the chemical image, in order to ensure better visibility, black-and-white inversion can be performed to change the background color to white. The black pixels in the binary image represent analytes. In this case, if the grayscale image is an 8-bit grayscale image (the brightness range of the 8-bit grayscale image is 0-255) , the preset brightness range can be between 10 and 254, preferably between 60 and 254. This range is selected to ensure that the brightness calibrated image contains sufficient features and filter out unnecessary background noise generated by the chemical image detector. If the grayscale image is a 64-bit grayscale image (the brightness range of the 8-bit grayscale image is 0-65535) , the preset brightness range can be correspondingly and proportionally changed to be between 2570 and 65278, preferably between 15420 and 65278. However, if it is a grayscale image of other number of bits, the brightness range can be other values, which will not be elaborated here. If the background color remains black without black-and-white inversion, and the white pixels in the binary image represent analytes, the preset brightness range will be lower.

[0168] In a possible implementation, the difference between the calibrated brightness of the test sample and the control brightness is less than or equal to 10%of the control brightness. For example, if the control brightness is 157, the brightness of the Gaussian blurred image of the calibrated test sample needs to be within [157-157 × 10%, 157+157 × 10%] , that is, within [141.3, 172.7] .

[0169] In a possible implementation, the method of converting the binary image into a one-dimensional array includes:

[0170] traversing pixels of the binary image in a raster pattern and converting the binary image into a one-dimensional array.

[0171] In this implementation, the dispersion of particles, especially in the field of cosmetics, usually involves high shear and high-energy dispersion processing. These processes can effectively disperse aggregates with high aspect ratio. Therefore, after the complete processing, the particles remaining in the formula will only contain aggregates with an aspect ratio of nearly 1. When the aspect ratio is close to 1, the sizes of particles are the same in any direction.

[0172] In addition, these analytes are randomly distributed in the sample, so they exist in a random direction. The analysis method provided by the present disclosure usually processes and quantizes thousands of analytes of particles when analyzing the entire chemical image. The randomness of analyte distribution and the large number of analyte particles eliminate the adverse effects caused by the geometry / direction / aspect ratio of analytes.

[0173] Therefore, the final exponential attenuation parameters remain consistent when rasterizing in horizontal, vertical, or even any direction.

[0174] In this implementation, the raster pattern refers to a scanning path in which the pixels in the image are scanned or sampled in image processing. The scanning path of the raster pattern is usually the scanning path from left to right and from top to bottom. Using the raster pattern, pixels of the binary image can be scanned according to the scanning path from left to right and from top to bottom, and the corresponding values of the scanned pixels (such as 0 or 1) can be recorded in a one-dimensional array. However, the raster pattern can also be scanning from top to bottom, from left to right, or from any other angle in sequence.

[0175] Fig. 2 illustrates a block diagram of a system for analyzing aggregation of analytes in a chemical compound according to an embodiment of the present disclosure. The device can be part or all of the electronic device through software, hardware or a combination of both. As shown in Fig. 2, the analysis system 200 includes an image acquisition module 201, a Gaussian blurring module 202, a brightness calibration module 203, a binary conversion module 204, a fitting module 205, and a calculation module 206.

[0176] The image acquisition module 201 is configured to acquire a chemical image of analytes in a control sample and a chemical image of analytes in at least one test sample, the control sample and the test sample being chemical compounds.

[0177] The Gaussian blurring module 202 is configured to perform, for each of the chemical images, Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image.

[0178] The brightness calibration module 203 is configured to perform brightness calibration on the Gaussian blurred image.

[0179] The binary conversion module 204 is configured to convert the brightness calibrated Gaussian blurred image into a binary image;

[0180] The fitting module 205 is configured to convert the binary image into a one-dimensional array; calculate a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, generate a histogram of frequency and continuous length; fit the histogram using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function.

[0181] The calculation module 206 is configured to calculate an aggregation index of the test sample according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameter corresponding to the control sample.

[0182] In a possible implementation, the analysis system provided in this embodiment is mainly used to analyze aggregation of analytes in a chemical compound. The chemical compound can be chemical compounds in various fields such as personal care products, drugs, food, etc., and the chemical compounds can be various non-solid compounds such as liquid, colloid, powder, semi-solid, etc.

[0183] In a possible implementation both the control sample and the test sample are chemical compounds, and both the control sample and the test sample contain the same analytes. The distribution of the analytes in the control sample is relatively even, so the aggregation of the analytes in one or more test samples can be analyzed based on the control sample.

[0184] In a possible implementation, the image acquisition module 201 may be a chemical imaging device, which can obtain corresponding chemical images by photographing the analytes in the control sample and the analytes in the test sample respectively. Alternatively, the image acquisition module 201 may acquire from a chemical imaging device a corresponding chemical image photographed thereby. The chemical imaging device refers to a device that can obtain chemical images by using chemical imaging technology. Preferably, the chemical image in this embodiment can be an SEM-EDX image.

[0185] In a possible implementation, whether it is the chemical image of the control sample or the chemical image of any test sample, the Gaussian blurring module 202 uses a preset Gaussian kernel to perform Gaussian blur on each chemical image to obtain a Gaussian blurred image. The Gaussian kernel can be preset according to the required blur degree. Preferably, the size of the Gaussian kernel is greater than or equal to 3 × 3 and less than 61 × 61.

[0186] In a possible implementation, the standard deviation σ of the Gaussian kernel can be determined by the size of the kernel, and the value of the standard deviation σ determines the distribution of weights within the kernel. When σ is low, the Gaussian distribution is narrow, which means that most of the weights are concentrated near the center of the kernel. Therefore, the pixels near the kernel center have a greater influence on the final blurred pixel value, while the pixels far away from the kernel center have a smaller influence. If the standard deviation σvalue is too low for the kernel size, it may lead to inefficient use of pixels at the outer layer of the kernel, because their weights are very small. When σ value is high, the Gaussian distribution is wide, and the weights are more evenly distributed on the whole kernel. Pixels far away from the kernel center have a greater influence on the generated blurred pixels. This results in a more intense blurred effect, with more extensive smoothing processing on details and larger structures. If the standard deviation σ value is too high for the kernel size, the weight may become too even, making the behavior of the kernel similar to a simple mean filter (average filter) .

[0187] Therefore, it is preferred that the standard deviation σ value can be generated through the following formula: σ=0.3 × (kernel size / 2-1) +0.8; For example, when the kernel size is 18 × 18, the standard deviation of the preset Gaussian kernel σ=0.3 × (18 / 2-1) +0.8=3.2. The calculated standard deviation σ value can ensure that the Gaussian distribution is well represented in the kernel, so as to achieve a balanced and effective blurred effect.

[0188] In another possible implementation, the standard deviation σ of the preset Gaussian kernel can also be selected within a predetermined range. Preferably, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size. For example, when the kernel size is 30 × 30, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of 30 to 49%of 30. In this way, the standard deviation σ of the Gaussian kernel is limited to a certain range, which can effectively blur the image and ensure that the blurred image is suitable for subsequent analysis.

[0189] In a possible implementation, the chemical image may be a grayscale chemical image, which is a special image that contains only grayscale (light and dark) information and no color information. Alternatively, the chemical image can be a color chemical image. In this case, after obtaining the Gaussian blurred image, it is necessary to convert the Gaussian blurred image from a color image to a grayscale image.

[0190] Preferably, the grayscale image in the present disclosure is an 8-bit grayscale image. "8-bit" here means that a pixel value in the grayscale image is represented by an 8-bit binary number, there is a number 28=256 of possibilities, and the pixel value of each pixel is an integer between 0 (black) and 255 (white) . However, the grayscale image in the present disclosure is not limited to 8-bit grayscale images. As long as it can be implemented, the grayscale image can also be a grayscale image of any bit, such as 1-bit grayscale image, 2-bit grayscale image, 4-bit grayscale image or 16-bit grayscale image, etc. Taking the 16-bit grayscale image as an example, the pixel value of the 16-bit grayscale image is represented by 16-bit binary numbers, and each pixel has 216 possibilities, so the range of grayscale value is 0-65535.

[0191] In a possible implementation, the brightness calibration module 203 can calibrate the brightness of the Gaussian blurred image so that the image brightness of the Gaussian blurred image of the control sample and the test sample are at the same level, so that the subsequent analysis of the aggregation of analytes in the test sample can be performed based on the control sample at the same brightness level.

[0192] In a possible implementation, the binary conversion module 204 can use a binarization technology to convert the brightness calibrated Gaussian blurred image into a binary image, which refers to converting the grayscale image into an image containing only two colors (usually black and white) . For example, a threshold value can be set. All pixels above the threshold value are set to one color (usually white) , and all pixels below the threshold value are set to another color (usually black) . Taking the 8-bit grayscale image as an example, the gray value range of each pixel in the 8-bit grayscale image is 0～255. Binarization refers to a process of making the gray value of each pixel in the pixel matrix in the grayscale image become 0 (black) or 255 (white) , that is, the gray value in the binary image is only 0 or 255, and the whole binary image presents only black and white.

[0193] In a possible implementation, after obtaining the binary image, the fitting module 205 can traverse the pixels in the binary image in a predetermined order, such as row by row or column by column, and convert the binary image into a one-dimensional array. Two values in the converted one-dimensional array represent the black and white pixels in the binary image. Effectively, during the conversion, the pixels representing presence of analytes in the binary image can be converted to the value 1 in the one-dimensional array, while the pixels representing no analyte can be converted to the value 0 in the one-dimensional array. However, the pixels representing presence of analytes in the binary image can also be converted to the value 0 in the one-dimensional array, while the pixels representing no analyte can be converted to the value 1 in the one-dimensional array. In this embodiment, the former numerical representation can be selected to ensure better visibility of data.

[0194] In a possible implementation, the predetermined pixels are pixels representing presence of the analytes. For example, when converting the pixels representing presence of the analytes in the binary image to the value 1 in the one-dimensional array, while the pixels representing no analyte are converted to the value 0 in the one-dimensional array, the fitting module 205 can calculate the continuous length of values 1 occurring in the one-dimensional array and the frequency corresponding to each continuous length.

[0195] The continuous length here can be either a continuous pixel length or a continuous physical length. The continuous pixel length is the length in pixels, and the continuous physical length is the length calculated in a unit of physical size such as micrometer. One bit of one-dimensional data corresponds to one pixel, and each pixel has a corresponding physical size (which can be obtained by measuring the length of the image) .

[0196] In a possible implementation, after the histogram is generated, the fitting module 205 can use an exponential Gaussian distribution function to fit the histogram to obtain a fitted exponential Gaussian distribution function. The fitted exponential Gaussian distribution function corresponds to three parameters μ, σ and τ. In this embodiment, only the exponential attenuation parameter τ is required. The calculation module 206 can compare the exponential attenuation parameter of the test sample with the exponential attenuation parameter of the control sample to calculate an aggregation index of the test sample.

[0197] In a possible implementation, the calculation module 206 is specifically configured to:

[0198] calculate the aggregation index A of the test sample according to the following formula:

[0199] where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample.

[0200] In a possible implementation, the brightness calibration module 203 is specifically configured as:

[0201] a first calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image for the control sample;

[0202] a second calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range.

[0203] In this implementation, it is necessary to calibrate the image brightness of the Gaussian blurred image corresponding to the control sample and the test sample to ensure the consistency in brightness between the image corresponding to the control sample and the image corresponding to the test sample, so as to make the image data comparable.

[0204] In this implementation, the first calibration submodule can calibrate the brightness of the Gaussian blurred image of the control sample to a predetermined brightness range according to a preset range, and then calibrate the Gaussian blurred image of the test sample according to the control brightness of the calibrated Gaussian blurred image of the control sample, so that the difference between the calibrated brightness of the test sample and the control brightness is within a predetermined range. For example, the predetermined range is less than or equal to 20, or other values.

[0205] It should be noted here that the original chemical image takes black as the background color. When performing Gaussian blur, brightness calibration and binarization on the chemical image, in order to ensure better visibility, black-and-white inversion can be performed, so that the black pixels in the binary image represent analytes. In this case, if the grayscale image is an 8-bit grayscale image (the brightness range of the 8-bit grayscale image is 0-255) , the preset brightness range can be between 10 and 254, preferably between 60 and 254. This range is selected to ensure that the brightness calibrated image contains sufficient features and filter out unnecessary background noise generated by the chemical image detector. If the grayscale image is a 64-bit grayscale image (the brightness range of the 8-bit grayscale image is 0-65535) , the preset brightness range can be correspondingly and proportionally changed to be between 2570 and 65278, preferably between 15420 and 65278. However, if it is a grayscale image of other number of bits, the brightness range can be other values, which will not be elaborated here. If the black-and-white inversion is not performed, and the white pixels in the binary image represent analytes, the preset brightness range will be lower.

[0206] In a possible implementation, the difference between the calibrated brightness of the test sample and the control brightness is less than or equal to 10%of the control brightness. For example, if the control brightness is 157, the brightness of the Gaussian blurred image of the calibrated test sample needs to be within [157-157 × 10%, 157+157 × 10%] , that is, within [141.3, 172.7] .

[0207] In a possible implementation, the part of the fitting module 205 that converts the binary image into a one-dimensional array is configured to:

[0208] traverse pixels of the binary image in a raster pattern and convert the binary image into a one-dimensional array.

[0209] In this implementation, the raster pattern refers to a scanning path in which the pixels in the image are scanned or sampled in image processing. The scanning path of the raster pattern is usually the scanning path from left to right and from top to bottom. Using the raster pattern, pixels of the binary image can be scanned according to the scanning path from left to right and from top to bottom, and the corresponding values of the scanned pixels (such as 0 or 1) can be recorded in a one-dimensional array. However, the raster pattern can also be scanning from top to bottom, from left to right, or from any other angle in sequence.

[0210] The present disclosure also provides a method for calculating aggregation of analytes in a chemical compound. Fig. 3 illustrates a flowchart of a method for calculating aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure. As shown in Fig. 3, the calculation method includes the following steps S301-S307.

[0211] In step S301, a chemical image of analytes in a test sample acquired, the test sample being a chemical compound.

[0212] In step S302, Gaussian blur is performed on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image.

[0213] In step S303, brightness calibration is performed on the Gaussian blurred image.

[0214] In step S304, the brightness calibrated Gaussian blurred image is converted into a binary image.

[0215] In step S305, the binary image is converted into a one-dimensional array.

[0216] In step S306, a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length are calculated, and a histogram of frequency and continuous length is generated.

[0217] In step S307, the histogram is fitted using an exponential Gaussian distribution function to determine an average value and a standard deviation in the test sample in terms of physical size.

[0218] In a possible implementation, the calculation method provided in this implementation is mainly used to quantitatively calculate aggregation of analytes in a chemical compound. The chemical compound can be a chemical compound in a variety of fields such as personal care products, drugs, food, etc. The chemical compound can be a compound in various forms such as liquid, colloid, powder, semi-solid, etc., and the analytes are particles in the chemical compound.

[0219] In a possible implementation, the process of processing the chemical image of the analytes in the test sample in this implementation is similar to the process in the analysis method for aggregation of analytes in the chemical compound described above. For the explanation and description of the technical terms and technical features involved in this implementation, reference can be made to the explanation of the above method implementation, which will not be repeated here.

[0220] In a possible implementation, after the one-dimensional array is obtained, there are two cases when calculating the continuous length of predetermined pixels occurring in the one-dimensional array and the frequency corresponding to each continuous length.

[0221] One case: the continuous length calculated is a continuous pixel length. For example, assuming that the one-dimensional data is [1111001111000011101110111011101] , it can be calculated that the continuous pixel length and the frequency corresponding to each continuous pixel length are: the frequency corresponding to the continuous pixel length of 4 pixels is 3, the frequency corresponding to occurrence of the continuous pixel length of 3 pixels is 4, and the frequency corresponding to occurrence of the continuous pixel length of 1 pixel is 1. In this case, the histogram of continuous pixel length and frequency is fitted using an exponential Gaussian distribution function, and the average value and the standard deviation of the fitted exponential Gaussian distribution function are an average value and a standard deviation corresponding to the continuous pixel lengths. In order to accurately characterize the physical sizes and distribution of the analytes, the average value and the standard deviation of the fitted exponential Gaussian distribution function can be converted into the average value and the standard deviation corresponding to the physical size according to a correspondence between the pixel and the physical size. For example, if the correspondence between the pixel and the physical size is that each pixel has a corresponding physical size of a micron, the average value (which is μ pixels) and the standard deviation (which is σ pixels) of the fitted exponential Gaussian distribution function are converted into the average value (which is μ*a pixels) corresponding to the physical size and the standard deviation (which is σ*a pixels) corresponding to the physical size.

[0222] Another case: the continuous length calculated is a continuous physical length. In this case, the continuous pixel length of predetermined pixels occurring in the one-dimensional array can be calculated; and the continuous pixel length is converted into a continuous physical length according to the correspondence between the pixel and the physical size. For example, assuming that the one-dimensional data is [1111001111000011101110111011101] , it can be calculated that the continuous pixel length and the frequency corresponding to each continuous pixel length are: the frequency corresponding to the continuous pixel length of 4 pixels is 3, the frequency corresponding to occurrence of the continuous pixel length of 3 pixels is 4, and the frequency corresponding to occurrence of the continuous pixel length of 1 pixel is 1. Then, according to the corresponding physical size of each pixel, the continuous pixel length can be converted into a continuous physical length. Assuming that each pixel has a corresponding physical size of a micron, the continuous physical length and the corresponding frequency of each continuous physical length are calculated according to the above one-dimensional data: the frequency of occurrence of continuous physical length 4a micron is 3, the frequency of occurrence of continuous physical length 5a micron is 4, and the frequency of continuous physical length 1a micron is 1. After obtaining the frequency corresponding to each continuous physical length, a histogram of frequency and continuous physical length can be generated. The histogram of the frequency and continuous physical length is fitted with an exponential Gaussian distribution function, and a standard deviation and an average value of the exponential Gaussian distribution function obtained are an average value and a standard deviation of the analytes in the test sample in terms of physical size.

[0223] The present disclosure also provides a system for calculating aggregation of analytes in a chemical compound. Fig. 4 illustrates a block diagram of a system for calculating aggregation of analytes in a chemical compound provided by an embodiment of the present disclosure. As shown in Fig. 4, the calculation system 400 includes:

[0224] an acquisition module 401 configured to acquire a chemical image of analytes in a test sample, the test sample being a chemical compound;

[0225] a blurring module 402 configured to perform Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;

[0226] a calibration module 403 configured to perform brightness calibration on the Gaussian blurred image;

[0227] a conversion module 404 configured to convert the brightness calibrated Gaussian blurred image into a binary image; and convert the binary image into a one-dimensional array;

[0228] a calculation module 405 configured to calculate a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generate a histogram of frequency and continuous length;

[0229] a physical size module 406 configured to fit the histogram using an exponential Gaussian distribution function to determine an average value and a standard deviation of the analytes in the test sample in terms of physical size.

[0230] In a possible implementation, the continuous length is a continuous pixel length, and the physical size module 406 is configured to:

[0231] fit the histogram using an exponential Gaussian distribution function to obtain an average value and a standard deviation of the fitted exponential Gaussian distribution function;

[0232] convert the average value and the standard deviation of the fitted exponential Gaussian distribution function into an average value and a standard deviation corresponding to the physical size according to a correspondence between the pixel and a physical size.

[0233] In a possible implementation, the continuous length is a continuous physical length, and the calculation module 405 is configured to:

[0234] calculate a continuous length of predetermined pixels occurring in the one-dimensional array;

[0235] convert the continuous pixel length into a continuous physical length according to the correspondence between the pixel and the physical size.

[0236] The technical terms and technical features mentioned in the system implementation are the same or similar to those mentioned in the above method implementation. For the explanation and description of the technical terms and technical features involved in the system, reference can be made to the explanation of the above method implementation, which will not be repeated here.

[0237] The analysis solution for aggregation of analytes in a chemical compound provided by the present disclosure can quantitatively analyze aggregation of analytes in a chemical compound, which cannot be achieved based on the existing solution. This will be demonstrated with a number of examples and comparative examples.

[0238] First, example 1 shows that the analysis solution of the present disclosure can quantitatively analyze aggregation of analytes in a chemical compound.

[0239] Example 1:

[0240] In order to demonstrate the analysis method provided by the present disclosure, the test samples exhibit noticeable differences in aggregation due to different processing technologies, and the quantitative aggregation indexes can be calculated for the test samples.

[0241] The analyte is iron. There is one control sample and two test samples. These three samples have exactly the same compound, but they are prepared according to different dispersion techniques.

[0242] Control sample: raw materials are directly dispersed in oil (without further dispersion treatment) ;

[0243] Test sample 1: after the raw materials are dispersed in oil, moderate shear energy is used for dispersion;

[0244] Test sample 2: after the raw materials are dispersed in oil, high-energy dispersion technology is used for dispersion (compared with moderate shear energy, raw materials can be better dispersed) .

[0245] Chemical images corresponding to the three samples are acquired. Fig. 5 shows an illustration of the chemical images corresponding to the three samples provided by example 1, in which the upper image in Fig. 5 is the chemical image corresponding to the control sample, the middle image in Fig. 5 is the chemical image corresponding to the test sample 1, and the lower image in Fig. 5 is the chemical image corresponding to the test sample 2. Based only on the chemical images shown in Fig. 5, it is easy to observe that the dispersion of iron in the control sample is poor, while the test sample 1 and the test sample 2 show better dispersion than the control sample. In addition, the test sample 2 has better dispersion than the test sample 1. However, in addition to these qualitative judgments, no more information can be obtained.

[0246] Based on the method provided in the present disclosure, first, Gaussian blur is performed on the chemical images using a Gaussian kernel with a kernel size of 3 × 3 and a standard deviation σ=0.3 × (kernel size / 2-1) +0.8=0.3 × (3 / 2-1) +0.8=0.95, and the Gaussian blurred images are converted from color images to grayscale images. Here, Fig. 6 shows an illustration of grayscale images of the Gaussian blurred images corresponding to the three samples provided by example 1, wherein the upper image in Fig. 6 is the grayscale image of the Gaussian blurred image corresponding to the control sample, the middle image in Fig. 6 is the grayscale image of the Gaussian blurred image corresponding to the test sample 1, and the lower image in Fig. 6 is the grayscale image of the Gaussian blurred image corresponding to the test sample 2.

[0247] Then, the grayscale images of the Gaussian blurred images of the three samples are calibrated to the same level of brightness. Because all the test samples have the same compound, the grayscale images can be calibrated to the same level of brightness. First, the brightness of the grayscale image of the Gaussian blurred image of the control sample can be calibrated to 147. With 147 as a reference, brightness of the Gaussian blurred images of the grayscale images of the test sample 2 and the test sample 1 can be calibrated to 150 and 154.

[0248] Then, the brightness calibrated Gaussian blurred images are converted into binary images. Fig. 7 shows an illustration of the binary images corresponding to the three samples provided by example 1, in which the upper image in Fig. 7 is the binary image corresponding to the control sample, the middle image in Fig. 7 is the binary image corresponding to the test sample 1, and the lower image in Fig. 7 is the binary image corresponding to the test sample 2.

[0249] Then, the above binary images are converted into one-dimensional arrays (1 in the array denotes a black pixel in the binary image, 0 denotes a white pixel in the binary image) . A continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 8 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the three samples provided by example 1, in which the upper image of Fig. 8 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the control sample, the middle image in Fig. 8 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample 1, and the lower image in Fig. 8 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample 2. The abscissa of each illustration in Fig. 8 denotes the continuous pixel length, calculated in a unit of pixel, and the ordinate denotes the normalized count, which is the count of occurrence of the continuous pixel length. The blue data point in the figure denotes the frequency of occurrence of each continuous pixel length corresponding to the sample as calculated, and the red line in the figure denotes the fitted curve of the exponential Gaussian distribution function.

[0250] All three parameters of the exponential Gaussian distribution function corresponding to the three samples are shown in Table 1 below:

[0251] Table 1

[0252] It should be noted that although all three parameters of the exponential Gaussian distribution function can be obtained, only the value of τ (tau) needs to be obtained in the present disclosure. The value of R2 is used to measure the variance proportion of dependent variables that can be predicted from independent variables; and the value range of R2 is from 0 to 1, where 1 means perfect fit, 0 means no variance in the data is explained, and the values of R2 listed in Table 1 show that the curve fitted in example 1 has a very high goodness.

[0253] According to the fitted exponential attenuation parameter τ (tau) , it is easy to quantify that:

[0254] Test sample 1: aggregation index= (9.0 / 13.1-1) *100%=-31%;

[0255] Test sample 2: aggregation index= (7.1 / 13.1-1) *100%=-46%.

[0256] From the calculated aggregation indexes, it can be seen that the aggregation index of the test sample 1 decreased by 31%compared with the control sample, which means more dispersed. Compared with the control sample, the aggregation index of the test sample 2 decreased by 46%, which means even more dispersed. The aggregation index of the test sample 2 decreased by 15%compared with the test sample 1, which means that the test sample 2 is more dispersed compared with the test sample 1. Thus, the aggregation of analytes in the test samples are correctly and quantitatively reflected by the aggregation indexes.

[0257] Second, examples 2.0, 2.1 and 2.2 show that different kernel sizes have little effect on the calculation results of aggregation index, and all can be used for calculating appropriate results.

[0258] Example 2.0:

[0259] The control sample is a cosmetic emulsion prepared in a laboratory scale, and the test sample is a cosmetic emulsion prepared in a commercial production scale. Whether these two production scales will lead to different aggregation of particles is of particular interest to process engineers.

[0260] The analyte is aluminum. Although aluminum is usually not directly used as an ingredient in cosmetic formulas, aluminum hydroxide usually exists on the surface of some types of pigments (including titanium dioxide and iron oxide) . Therefore, using aluminum as analytes can effectively evaluate the aggregation of all particles in cosmetic emulsions.

[0261] Chemical images corresponding to the two samples are acquired. Fig. 9 shows an illustration of the chemical images corresponding to the two samples provided by example 2.0, in which the left image in Fig. 9 is the chemical image corresponding to the control sample, and the right image in Fig. 9 is the chemical image corresponding to the test sample. Based only on the chemical images shown in Fig. 9, it is difficult to observe which of the control sample and the test sample has worse aggregation of aluminum.

[0262] Based on the method provided in the present disclosure, first, Gaussian blur is performed on the chemical images using a Gaussian kernel with a kernel size of 5 × 5 and a standard deviation σ=0.3 × (5 / 2-1) +0.8=0.3 × (5 / 2-1) +0.8=1.25, and the Gaussian blurred images are converted from color images to grayscale images. Here, Fig. 10 shows an illustration of grayscale images of the Gaussian blurred images corresponding to the two samples provided by example 2.0. The left image in Fig. 10 is the grayscale image of the Gaussian blurred image corresponding to the control sample, and the right image in Fig. 10 is the grayscale image of the Gaussian blurred image corresponding to the test sample.

[0263] Then, the grayscale images of the Gaussian blurred images of the two samples are calibrated to the same level of brightness. Because the compound of the two samples is the same, the grayscale image can be calibrated to the same level of brightness. First, the brightness of the grayscale image of the Gaussian blurred image of the control sample can be calibrated to 207. With 207 as a reference, the brightness of the grayscale image of the Gaussian blurred image of the test sample can be calibrated to 201. The difference between the two is 6, which is less than or equal to 10%of the control brightness 207 of the control sample, that is, 20.7.

[0264] Then, the brightness calibrated Gaussian blurred images are converted into binary images. Fig. 11 shows an illustration of the binary images corresponding to the two samples provided by example 2.0, in which the left image in Fig. 11 is the binary image corresponding to the control sample, and the right image in Fig. 11 is the binary image corresponding to the test sample.

[0265] Then, the above binary images are converted into one-dimensional arrays. A continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 12 shows an illustration of fitting curves of exponential Gaussian distribution function corresponding to the two samples provided by example 2.0. The upper image in Fig. 12 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the control sample, and the lower image in Fig. 12 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample. The exponential attenuation parameters τ and values of fitting R2 of the exponential Gaussian distribution function corresponding to the two samples are shown in Table 2 below:

[0266] Table 2

[0267] The values of R2 listed in Table 2 show that the curve fitted by this example 2.0 has a very high goodness. According to the fitted exponential attenuation parameter τ (tau) , it is easy to quantify that:

[0268] the aggregation index of the test sample= (8.8 / 6.6-1) *100%=33%;

[0269] From the calculated aggregation index, it can be seen that the aggregation index of the test sample prepared on a massive commercial production scale increased by 33%compared with the control samples prepared on a laboratory scale, which means 33%of aggregation deterioration.

[0270] Example 2.1:

[0271] The control sample, test sample and analyte in example 2.1 are the same as in example 2.0, and the same chemical images are acquired, except that for Gaussian blur, the Gaussian kernel size is 15 × 15, and the standard deviation σ=0.3 × (kernel size / 2-1) +0.8=0.3 × (15 / 2-1) +0.8. The Gaussian blurred images are converted from color images to grayscale images; Here, Fig. 13 shows an illustration of the grayscale images of the Gaussian blurred images corresponding to the two samples provided in example 2.1, in which the left image in Fig. 13 is the grayscale image of the Gaussian blurred image corresponding to the control sample, and the right image in Fig. 13 is the grayscale image of the Gaussian blurred image corresponding to the test sample.

[0272] Then, the grayscale images of the Gaussian blurred images of the two samples are calibrated to the same level of brightness. Because all test samples have the same compound, the grayscale images can be calibrated to the same level of brightness. First, the brightness of the grayscale image of the Gaussian blurred image of the control sample can be calibrated to 243. With 243 as a reference, the brightness of the grayscale image of the Gaussian blurred image of the test sample can be calibrated to 232. The difference between the two is 11, which is less than or equal to 10%of the control brightness 243 of the control sample, that is, 24.3.

[0273] Then, the brightness calibrated Gaussian blurred images are converted into binary images. Fig. 14 shows an illustration of the binary images corresponding to the two samples provided in example 2.1, in which the left image in Fig. 14 is the binary image corresponding to the control sample, and the right image in Fig. 14 is the binary image corresponding to the test sample.

[0274] Then, the above binary images are converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 15 shows an illustration of the fitting curves of exponential Gaussian distribution function corresponding to the two samples provided in example 2.1. The upper image in Fig. 15 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the control sample, and the lower image in Fig. 15 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample. The exponential attenuation parameters τ and values of fitting R2 of the exponential Gaussian distribution function corresponding to the two samples are shown in Table 3 below:

[0275] Table 3

[0276] The values of R2 listed in Table 3 show that the curve fitted in this example 2.1 has a very high goodness. According to the fitted exponential attenuation parameter τ (tau) , it is easy to quantify that:

[0277] the aggregation index of the test sample= (9.5 / 6.9-1) *100%=38%;

[0278] Because the kernel size is 5 × 5 and the standard deviation is different for Gaussian blur, the aggregation index calculated in example 2.1 is different from that in example 2.0, but the calculation result is still valid, which can show that the dispersion state of the test sample is worse than that of the control sample, and more aggregation is identified.

[0279] Comparing example 2.0 with example 2.1, it can be seen that different kernel sizes have little effect on the calculation results of aggregation index, and proper results can be obtained.

[0280] In addition, while in general the Gaussian blur function would make an image blurry, in this example 2.1, after Gaussian blur, brightness calibration and image binarization, the areas where the analytes are located in the binary image shown in Fig. 14 (i.e., the black pixel areas) are clearer than the original chemical image.

[0281] Example 2.2:

[0282] The control sample, test sample and analyte in example 2.3 are the same as in example 2.0, and the same chemical images are acquired, except that for Gaussian blur, the Gaussian kernel size is 21 × 21, and the standard deviation σ=0.3 × (kernel size / 2-1) +0.8=0.3 × (21 / 2-1) +0.8. The Gaussian blurred images are converted from color images to grayscale images. Here, Fig. 16 shows an illustration of the grayscale images of the Gaussian blurred images corresponding to the two samples provided in example 2.2. The left image in Fig. 16 is the grayscale image of the Gaussian blurred image corresponding to the control sample, and the right image in Fig. 16 is the grayscale image of the Gaussian blurred image corresponding to the test sample.

[0283] Then, the grayscale images of the Gaussian blurred images of the two samples are calibrated to the same level of brightness. Because all test samples have the same compound, the grayscale images can be calibrated to the same level of brightness. First, the brightness of the grayscale image of the Gaussian blurred image of the control sample can be calibrated to 249. With 249 as a reference, the brightness of the grayscale image of the Gaussian blurred image of the test sample can be calibrated to 239. The difference between the two is 10%less than or equal to 10%of the control brightness 249 of the control sample, that is, 24.9.

[0284] Then, the brightness calibrated Gaussian blurred images are converted into binary images. Fig. 17 shows an illustration of the binary images corresponding to the two samples provided in example 2.2. The left image in Fig. 17 is the binary image corresponding to the control sample, and the right image in Fig. 17 is the binary image corresponding to the test sample.

[0285] Then, the above binary images are converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 18 shows an illustration of the fitting curves of exponential Gaussian distribution function corresponding to the two samples provided in example 2.2. The upper image in Fig. 18 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the control sample, and the lower image in Fig. 18 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample. The exponential attenuation parameters τ and values of fitting R2 of the exponential Gaussian distribution function corresponding to the two samples are shown in Table 4 below:

[0286] Table 4

[0287] The values of R2 listed in Table 4 shows that the curve fitted in this example 2.1 has a very high goodness. According to the fitted exponential attenuation parameter τ (tau) , it is easy to quantify that:

[0288] the aggregation index of the test sample = (9.7 / 6.7-1) *100%=45%;

[0289] Although this aggregation index is different from the aggregation index in example 2.0, the calculation result is still valid, which can show that the dispersion state of the test sample is worse than that of the control sample, and more aggregation is identified.

[0290] By comparing examples 2.0, 2.1 and 2.2, it can be seen that different kernel sizes have little effect on the calculation results of aggregation index, and proper results can be obtained.

[0291] In addition, while in general the Gaussian blur function would make an image blurry, in this example 2.2, after Gaussian blur, brightness calibration and image binarization, the areas where the analytes are located in the binary image shown in Fig. 17 (i.e., the black pixel areas) are clearer than the original chemical image.

[0292] Third, examples 3.0, 3.1, 3.2 and 3.3 are used to demonstrate that different standard deviations have little effect on the calculation results of aggregation index, and proper results can be obtained.

[0293] Example 3.0:

[0294] The test sample in example 3.0 is the same as the test sample in example 2.2, and the same chemical image as that of the test sample in example 2.2 is obtained. The kernel size of the Gaussian kernel for Gaussian blur is the same, which is 21 × 21, but the standard deviation σ=25%*kernel size=5.25. After the Gaussian blurred image is converted from color image to grayscale image, and subjected to brightness calibration and binarization, a binary image is obtained. Fig. 19 illustrates the binary image corresponding to the test sample provided in example 3.0. Then, the above binary image is converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 20 illustrates the fitting curve of exponential Gaussian distribution function corresponding to the test sample provided by example 3.0. It can be seen from Fig. 19 that the aggregation of analytes is properly displayed in the binary image, and Fig. 20 properly illustrates the exponential Gaussian distribution of continuous lengths, which can be used to obtain the proper results.

[0295] Example 3.1:

[0296] The test sample in example 3.1 is the same as the test sample in example 2.2, and the same chemical image as that of the test sample in example 2.2 is obtained. The kernel size of the Gaussian kernel for Gaussian blur is the same, which is 21 × 21, but the standard deviation σ=10%*kernel size=2.1. After the Gaussian blurred image is converted from color image to grayscale image, and subjected to brightness calibration and binarization, a binary image is obtained. Fig. 21 illustrates the binary image corresponding to the test sample provided in example 3.1. Then, the above binary image is converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 22 illustrates the fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.1. It can be seen from Fig. 21 that the aggregation of analytes is properly displayed in the binary image, and Fig. 22 properly illustrates the exponential Gaussian distribution of continuous lengths, which can be used to obtain the proper results.

[0297] Example 3.2:

[0298] The test sample in example 3.2 is the same as the test sample in example 2.2, and the same chemical image as that of the test sample in example 2.2 is obtained. The kernel size of the Gaussian kernel for Gaussian blur is the same, which is 21 × 21, but the standard deviation σ=5%*kernel size=1.05. After the Gaussian blurred image is converted from color image to grayscale image, and subjected to brightness calibration and binarization, a binary image is obtained. Fig. 23 illustrates the binary image corresponding to the test sample provided in example 3.2. Then, the above binary image is converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 24 illustrates the fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.2. It can be seen from Fig. 22 that the aggregation of analytes is properly displayed in the binary image, and Fig. 23 properly illustrates the exponential Gaussian distribution of continuous lengths, which can be used to obtain the proper results.

[0299] Example 3.3:

[0300] The test sample in example 3.3 is the same as the test sample in example 2.2, and the same chemical image as that of the test sample in example 2.2 is obtained. The kernel size of the Gaussian kernel for Gaussian blur is the same, which is 21 × 21, but the standard deviation σ=2%*kernel size=0.42. After the Gaussian blurred image is converted from color image to grayscale image, and subjected to brightness calibration and binarization, a binary image is obtained. Fig. 25 illustrates the binary image corresponding to the test sample provided in example 3.3. Then, the above binary image is converted into a one-dimensional array, a continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 26 illustrates the fitting curve of exponential Gaussian distribution function corresponding to the test sample provided in example 3.3. It can be seen from Fig. 25 that the aggregation of analytes is properly displayed in the binary image, and Fig. 26 properly illustrates the exponential Gaussian distribution of continuous lengths, which can be used to obtain the proper results.

[0301] Fourth, example 4 shows that measuring the length of one-dimensional continuous pixels can analyze the aggregation of analytes in two-dimensional chemical images.

[0302] Example 4:

[0303] Fig. 27 shows an illustration of a chemical image of titanium dioxide particles provided by example 4. For the chemical image shown in Fig. 27, Fig. 28 shows an illustration of the grayscale image in three directions of the chemical image shown in Fig. 27. The upper image in Fig. 28 is an illustration of the grayscale image in the horizontal direction of the chemical image shown in Fig. 27. The upper image in Fig. 28 is rotated by 90 degrees to obtain the middle image in Fig. 28, that is, illustration of the grayscale image in the vertical direction of the chemical image shown in Fig. 27. The middle image in Fig. 28 is rotated by 45 degrees to obtain the lower image in Fig. 28, that is, illustration of the grayscale image in the 45-degree direction of the chemical image shown in Fig. 27.

[0304] Gaussian blur is performed on the three grayscale images in Fig. 28 with a Gaussian kernel of 11 × 11 and the standard deviation σ=0.3 × (kernel size / 2-1) +0.8. The image brightness of the Gaussian blurred image is calibrated to 190 and the image is binarized to obtain a binary image. Fig. 29 shows an illustration of the binary image of the grayscale image in the three directions shown in Fig. 28. The binary image shown in Fig. 29 is scanned from left to right and from top to bottom in a raster pattern, and the binary image is converted into a one-dimensional array (1 in the array denotes a black pixel in the binary image, and 0 denotes a white pixel in the binary image) . A continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 30 illustrates the fitting curves of exponential Gaussian distribution function corresponding to the three directions. All three parameters of the exponential Gaussian distribution function corresponding to the three directions are shown in Table 5 below:

[0305] Table 5

[0306] It can be seen from table 5 that the rasterized data in each direction shows a very good fitting effect, and the attenuation parameter τ (tau) is almost the same, which hardly produces effect on the calculation of the aggregation index, which demonstrates that the present disclosure can analyze the aggregation of analytes in two-dimensional chemical images by measuring the length of continuous pixels in one direction.

[0307] Fifthly, the necessity of Gaussian blur step is demonstrated by comparing comparative example 1 with example 2.0 above.

[0308] Comparative example 1:

[0309] The control sample, the test sample and the analyte are the same as in example 2.0, and the same chemical image is obtained, but the Gaussian blur step is not performed to obtain the grayscale image of the chemical image. Fig. 31 shows illustration of the grayscale images corresponding to the two samples provided for comparative example. The left image in Fig. 31 is the grayscale image corresponding to the control sample, and the right image in Fig. 31 is the grayscale image corresponding to the test sample.

[0310] Then, the grayscale images of the two samples are calibrated to the same level of brightness. Since the compound of all test samples is the same, the grayscale images can be calibrated to the same level of brightness. First, the brightness of the grayscale image of the control sample can be calibrated to 203. With 203 as a reference, the brightness of the grayscale image of the test sample can be calibrated to 206. The difference between the two is 3 less than or equal to 10%of the control brightness 203 of the control sample, that is, 20.3.

[0311] Then, the brightness calibrated Gaussian blurred images are converted into binary images. Fig. 32 shows an illustration of the binary images corresponding to the two samples provided by comparative example 1, the left image in Fig. 32 is the binary image corresponding to the control sample, and the right image in Fig. 32 is the binary image corresponding to the test sample.

[0312] Then, the above binary images are converted into one-dimensional arrays. A continuous pixel length of black pixels occurring in the one-dimensional array and a frequency corresponding to each continuous pixel length are calculated, a histogram of frequency and continuous pixel length are generated, and the histogram is fitted using an exponential Gaussian distribution function. Fig. 33 shows an illustration of the fitting curves of exponential Gaussian distribution function corresponding to the two samples provided by comparative example 1. The upper image in Fig. 33 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the control sample, and the lower image in Fig. 33 is illustration of the fitting curve of exponential Gaussian distribution function corresponding to the test sample. The exponential attenuation parameters τ and values of fitting R2 of the exponential Gaussian distribution function corresponding to the two samples are shown in Table 6 below:

[0313] Table 6

[0314] The values of R2 listed in Table 6 shows that the curve fitting effect of the control sample in comparative example 1 is very poor. According to the fitted exponential attenuation parameter τ (tau) , it is easy to quantify that:

[0315] the aggregation index of the test sample= (4.8 / 4.7-1) *100%=2%. Clearly, the 2%difference greatly underestimates the difference between the two samples. Therefore, without the Gaussian blur step the analysis method cannot be performed.

[0316] Sixthly, comparative example 2 is used to demonstrate that the conventional image processing method cannot show the significant difference between the control sample and the test sample. Conventional image processing techniques, such as Fourier transform (FT) or fast Fourier transform (FFT) , are the most common. They can also be used to generate histograms, identify the transition from high contrast areas to low contrast areas, or identify areas with rich features (high frequency) and areas without features (low frequency) . Therefore, fast Fourier transform is used for image processing for comparative example 2.

[0317] Comparative example 2:

[0318] This is a comparison between comparative example 2 and example 2.2.

[0319] The binary images shown in Fig. 17 obtained in example 2.2 are converted from the spatial domain to the frequency domain using FFT to generate histograms of frequency and amplitude. Fig. 34 illustrates the histograms of the chemical images processed by FFT provided for comparative example 2. As shown in Fig. 34, the two histograms of the control sample and the test sample look similar. From the histograms, it can be recognized that there is no significant difference between the control sample and the test sample. It has been well determined from example 2.2 that the test sample shows higher aggregation than the control sample. Therefore, the commonly used Fourier transform image analysis methods cannot provide sufficient distinction between the test sample and the control sample.

[0320] The Gaussian blurred images shown in Fig. 16 obtained in example 2.2 are converted from the spatial domain to the frequency domain using FFT, and histograms of frequency and amplitude are generated. Fig. 35 shows an illustration of the histograms of the Gaussian blurred images processed by FFT provided for comparative example 2. As shown in Fig. 35, the two histograms of the control sample and the test sample look similar. From the histograms, it can be recognized that there is no significant difference between the control sample and the control sample.

[0321] The original chemical images obtained in example 2.2, i.e., Fig. 8, are converted into grayscale images without Gaussian blur. The FFT images are directly converted from the spatial domain to the frequency domain to generate histograms of frequency and amplitude. Fig. 36 shows an illustration of the histograms of the grayscale images processed by FFT provided by comparative example 2. As shown in Fig. 36, the two histograms of the control sample and the test sample look similar. From the histograms, it can be recognized that there is no significant difference between the control sample and the test sample.

[0322] It can be seen from Fig. 35 and Fig. 36 that when only the grayscale images of the original chemical images or the Gaussian blurred grayscale images are used, the Fourier transformation of the one-dimensional arrays generated by the rasterization of the chemical images cannot show the significant difference between the test sample and the control sample.

[0323] Therefore, it can be seen from comparative example 2 that it is impossible to quantify the aggregation of particles by processing chemical images through Fourier transform.

[0324] Seventh, it is demonstrated by example 5 that the calculation solution for aggregation of analytes in a chemical compound of the present disclosure can quantitatively calculate the aggregation of analytes in the chemical compound.

[0325] Example 5:

[0326] The sample analyzed in example 5 is the control sample in example 2.2

[0327] The control sample in example 2.2 and the same chemical image, the same Gaussian blurred image, binary image and fitting curve as those for the control sample in example 2.2 are obtained. In the fitting curve illustration shown in Fig. 18, the x-axis is a continuous pixel length, and the conversion ratio between the pixel and the physical size can be measured to be about 0.39 μM / pixel, which can be determined by the magnification for taking the chemical image of the sample. Based on the conversion ratio, the continuous pixel length in the x-axis of Fig. 18 can be easily converted to the continuous physical length. Fig. 37 illustrates the fitting curve of exponential Gaussian distribution function fitted by the histogram of the continuous physical length and count of continuous physical length provided by example 5. The following table 7 shows the parameter values of the fitting curves of exponential Gaussian distribution function shown in Fig. 37:

[0328] Table 7

[0329] The average value μ in Table 7 is used to indicate that the average size of the analytes in the control sample is 23 μ m, and the standard deviation σ is 8.6 μ m, indicating the size distribution of the analytes. The average value μ and the standard deviation σ can quantitatively indicate aggregation of analytes in the chemical compound.

[0330] The above description is only a better embodiment of the present disclosure and an explanation of the applied technical principles. Those skilled in the art should understand that the scope of the invention involved in the present disclosure is not limited to the technical scheme formed by the specific combination of the above technical features, but also includes other technical schemes formed by the arbitrary combination of the above technical features or their equivalent features without departing from the inventive concept. For example, the technical solution is formed by replacing the above features with the technical features with similar functions disclosed (but not limited to) in the present disclosure.

Claims

1.A method for analyzing aggregation of analytes in a chemical compound, comprising:acquiring a chemical image of analytes in a control sample and a chemical image of the analytes in at least one test sample, the control sample and the test sample being chemical compounds;for each of the chemical images, performing Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;performing brightness calibration on the Gaussian blurred image;converting the brightness calibrated Gaussian blurred image into a binary image;converting the binary image into a one-dimensional array;calculating a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generating a histogram of frequency and continuous length;fitting the histogram using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function;calculating an aggregation index of the test sample according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameter corresponding to the control sample.2.The analysis method according to claim 1, whereinthe preset Gaussian kernel has a kernel size greater than or equal to 3 × 3 and less than 61 × 61.3.The analysis method according to claim 1, wherein a calculation formula for the standard deviation σ of the preset Gaussian kernel comprises: σ=0.3 × (kernel size / 2-1) +0.8;or, the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size.4.The analysis method according to claim 1, wherein performing brightness calibration on the Gaussian blurred image comprises:performing brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image of the control sample;performing brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range.5.The analysis method according to claim 4, whereinthe predetermined range comprises less than 100%or 10%of the control brightness.6.The analysis method according to claim 1, wherein converting the binary image into a one-dimensional array comprises:traversing pixels of the binary image in a raster pattern, and converting the binary image into a one-dimensional array.7.The analysis method according to claim 1, whereinthe predetermined pixels represent presence of the analytes.8.The analysis method according to claim 1, wherein calculating an aggregation index of the test sample according to the exponential attenuation parameter of the test sample and the exponential attenuation parameter of the control sample comprises:calculating an aggregation index A of the test sample according to the following formula:where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample.9.The analysis method according to claim 1, wherein the chemical image comprises a scanning electron microscope energy dispersive X-ray spectroscopy SEM-EDX image.10.The analysis method according to claim 1, wherein the chemical image is a grayscale chemical image.11.The analysis method according to claim 1, wherein the chemical image is a color image, and before performing brightness calibration on the Gaussian blurred image, the method further comprises:converting the Gaussian blurred image from a color image to a grayscale image.12.A system for analyzing aggregation of analytes in a chemical compound, comprising:an image acquisition module configured to acquire a chemical image of analytes in a control sample and a chemical image of the analytes in at least one test sample, the control sample and the test sample being chemical compounds;a Gaussian blurring module configured to perform, for each of the chemical images, Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;a brightness calibration module configured to perform brightness calibration on the Gaussian blurred image;a binary conversion module configured to convert the brightness calibrated Gaussian blurred image into a binary image;a fitting module configured to convert the binary image into a one-dimensional array; calculate a continuous length of predetermined pixels in the one-dimensional array and a frequency corresponding to each continuous length, and generate a histogram of frequency and continuous length; fit the histogram using an exponential Gaussian distribution function to obtain an exponential attenuation parameter of the fitted exponential Gaussian distribution function;a calculation module configured to calculate an aggregation index of the test sample according to the exponential attenuation parameter corresponding to the test sample and the exponential attenuation parameters corresponding to the control sample.13.The analysis system according to claim 12, whereinthe preset Gaussian kernel has a kernel size greater than or equal to 3 × 3 and less than 61 × 61; and / ora calculation formula for the standard deviation σ of the preset Gaussian kernel comprises:σ=0.3 × (kernel size / 2-1) +0.8;the standard deviation σ of the preset Gaussian kernel is greater than or equal to 2%of the kernel size and less than or equal to 49%of the kernel size; and / orthe brightness calibration module is specifically configured as:a first calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the control sample to obtain a control brightness of the brightness calibrated Gaussian blurred image of the control sample;a second calibration submodule configured to perform brightness calibration on the Gaussian blurred image of the test sample according to the control brightness, so that a difference between a brightness of the brightness calibrated Gaussian blurred image of the test sample and the control brightness is within a predetermined range, the predetermined range comprising less than 100%or 10%of the control brightness; and / ora part of the fitting module that converts the binary image into a one-dimensional array is configured to:traverse the pixels of the binary image in a raster pattern, and convert the binary image into a one-dimensional array; and / orthe predetermined pixels represent presence of the analytes; and / orthe calculation module is specifically configured to:calculate an aggregation index A of the test sample according to the following formula:where Tausample is the exponential attenuation parameter of the test sample, and Taucontrol is the exponential attenuation parameter of the control sample; and / orthe chemical image comprises an SEM-EDX image; and / orthe chemical image is a grayscale chemical image; and / orthe chemical image is a color image, the analysis system further comprises:a color conversion module configured to convert the Gaussian blurred image from a color image to a grayscale image before the brightness calibration module performs brightness calibration on the Gaussian blurred image.14.A method for calculating aggregation of analytes in a chemical compound, comprising:acquiring a chemical image of analytes in a test sample, the test sample being a chemical compound;performing Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;performing brightness calibration on the Gaussian blurred image;converting the brightness calibrated Gaussian blurred image into a binary image;converting the binary image into a one-dimensional array;calculating a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generating a histogram of frequency and continuous length;fitting the histogram using an exponential Gaussian distribution function to determine an average value and a standard deviation in the test sample in terms of physical size.15.The calculation method according to claim 14, whereinthe continuous length is a continuous pixel length, and fitting the histogram using an exponential Gaussian distribution function to determine an average value and a standard deviation in the test sample in terms of physical size comprises:fitting the histogram using an exponential Gaussian distribution function to obtain the average value and the standard deviation of the fitted exponential Gaussian distribution function;according to a correspondence between a pixel and a physical size, converting the average value and the standard deviation of the fitted exponential Gaussian distribution function into the average value and the standard deviation corresponding to the physical size.16.The calculation method according to claim 14, whereinthe continuous length is a continuous physical length, and calculating a continuous length of predetermined pixels occurring in the one-dimensional array comprises:calculating a continuous pixel length of predetermined pixels occurring in the one-dimensional array;converting the continuous pixel length to a continuous physical length according to a correspondence between a pixel and a physical size.17.A system for calculating aggregation of analytes in a chemical compound, comprising:an acquisition module configured to acquire a chemical image of analytes in a test sample, the test sample being a chemical compound;a blurring module configured to perform Gaussian blur on the chemical image using a preset Gaussian kernel to obtain a Gaussian blurred image;a calibration module configured to perform brightness calibration on the Gaussian blurred image;a conversion module configured to convert the brightness calibrated Gaussian blurred image into a binary image;a dimension conversion module configured to convert the binary image into a one-dimensional array;a calculation module configured to calculate a continuous length of predetermined pixels occurring in the one-dimensional array and a frequency corresponding to each continuous length, and generate a histogram of frequency and continuous length;a physical size module configured to fit the histogram using an exponential Gaussian distribution function to determine an average and a standard deviation of the analytes in the test sample in terms of physical size.18.The calculation system according to claim 17, whereinthe continuous length is a continuous pixel length, and the physical size module is configured to:fit the histogram using an exponential Gaussian distribution function to obtain the average value and the standard deviation of the fitted exponential Gaussian distribution function;according to a correspondence between a pixel and a physical size, convert the average value and the standard deviation of the fitted exponential Gaussian distribution function into the average value and the standard deviation corresponding to the physical size; and / orthe continuous length is a continuous physical length, and the calculation module is configured to:calculate a continuous pixel length of predetermined pixels occurring in the one-dimensional array;convert the continuous pixel length to a continuous physical length according to a correspondence between a pixel and a physical size.

Images