[发明专利]基于显微图像和深度学习的微球单一性识别和定位的方法

说明书

本发明涉及一种基于显微图像和深度学习的微球单一性识别和定位的方法，包括下列步骤：获得多幅显微图像；提取显微图像中微球区域，得到由微球区域组城的图像集X2，将X2作为卷积神经网络的训练集；搭建并训练卷积神经网络，对图像进行特征提取，最终输出用于表示分类结果的唯一编码，其中，(1,0,0)表示无球，(0,1,0)表示单球，(0,0,1)表示多球，得到训练好的卷积神经网络用C表示；定位算法。

技术领域

本发明涉及一种基于显微图像和深度学习的微球单一性识别和定位的方法。特别涉及在光镊和磁镊系统中的狭小视场与低景深成像下的微球单一性识别、定位的方法。本发明相对于光镊和磁镊系统中的人工识别和定位的方法，能够极大的提高微球的识别、定位的速度及准确率，对于在光镊和磁镊系统下的测量、测试具有重要意义。

背景技术

光镊和磁镊系统能够捕获及操控微米及纳米级的微粒，并对所施加的力进行测量，具有非接触、无损伤、高精度的特点，被广泛用于生物单分子、细胞等测量领域中，极大的促进了定量生物学的发展。被捕获的微粒通常为直径为1μm、2μm、5μm的微球，通过CMOS相机拍摄的显微图像可以看到微球的成像。单一的不同直径的微球、相同直径但多微球重叠的成像虽然整体都是圆形，但成像特征略有不同。实验时，只有捕获了微球，且只捕获了一个微球的时候，才能满足实验要求。另外，当确定捕获了单一的微球时，还需定位微球的位置，即微球的圆心的像素坐标(以相机的整副输入图片为背景，左上角的像素坐标为(1,1))。

传统的微球单一性识别的方法是人工识别，依靠的是实验人员的经验，当发现重复捕获微球时，释放微球然后再次重新执行捕获操作。另外，虽然在相机的输入图像中实验人员可以粗略定位到每个微球的位置，但是却无法有效的将位置处微球圆心的像素坐标反馈给计算机。深度学习中关于图像识别的算法是CNN(卷积神经网络)，但是CNN不具备定位的能力。而在CNN的基础上改进的识别+定位的算法如R-CNN、FastR-CNN、FasterR-CNN、R-FCN、SSD等，其定位是指生成一个框将检测到的微球包围起来，但是本质上没有解决微球圆心的像素坐标定位的问题。

在上述系统中，显微图像中的微球不具备缩放性，对于确定的微球(无论是单球还是多球)来说，无论出现在什么地方，无论出现在什么时候，其大小是固定且极其相似的，形态特征也是类似的。然而，上述深度学习中识别+定位的算法，最适用的情况的是要检测的目标具有缩放性。其要训练的特征有两个，一个是微球的图像的特征，一个是将微球恰好包围起来的框的大小。虽然上述算法对于无缩放性的情况也适用，但是却不是在无缩放性的情况下的最好选择。

据此，本发明提出一种基于显微图像和深度学习的微球单一性识别和定位的方法。

发明内容

本发明的目的是，对CMOS相机拍摄的显微图像，识别出图像中微球的形态情况，包括存在性和单一性，且对每一个识别出的微球，定位其圆心的像素坐标；技术方案如下：

一种基于显微图像和深度学习的微球单一性识别和定位的方法，包括下列步骤：

步骤1：在光镊或磁镊系统下进行实验，获得多幅显微图像，显微图像集用X1表示；

步骤2：人工提取显微图像中微球区域，得到由微球区域组城的图像集X2，将X2作为卷积神经网络的训练集；

步骤3：搭建并训练卷积神经网络；卷积神经网络结构为：卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层-输出层，其中，全连接层和输出层中间采用dropout来避免过拟合，每个卷积层的卷积核均为5*5，池化层采用最大值池化，把步骤2中的训练集图像输入到深度卷积神经网络中对其训练，对图像进行特征提取，最终输出用于表示分类结果的唯一编码，其中，(1,0,0)表示无球，(0,1,0)表示单球，(0,0,1)表示多球，得到训练好的卷积神经网络用C表示；

步骤4：定位算法