[发明专利]一种基于形态学分割和深度学习的尿沉渣管型识别方法

权利要求书

1.一种基于形态学分割和深度学习的尿沉渣管型识别方法，其特征在于，包括以下步骤：

S1、对拍摄的原始彩色尿沉渣图像采用色彩迁移法进行线性变换，降低不同样本间原始图像的背景色彩差异，最大化缩小同类别管型所含颜色的整体跨度，使同类别管型数据分布更加聚集；

S2、采用形态学组合算法对色彩迁移后的图像进行管型分割，初步筛选后得到管型候选子图像；

S3、对管型候选子图像做旋转、泊松融合等处理合成标准输入图像，并做归一化处理；

S4、将归一化后的图像数据输入残差神经网络Resnet50模型进行网络训练、自动分类。

2.根据权利要求1所述的一种基于形态学分割和深度学习的尿沉渣管型识别方法，其特征在于，所述步骤S1具体包括：

S1.1、获取源图像I_src及当前待检测目标图像I_dst；

S1.2、分别计算源图像I_src和目标图像I_dst在RGB三个通道内的均值和方差；

S1.3、对目标图像I_dst在RGB三个通道内作线性变换，变换公式为：

p＝(p-m₂)*(d₁/d₂)+m₁；

其中，p为I_dst中当前像素点对应的某一通道的灰度值，m₁、m₂分别为S1.2中计算得到的I_src和I_dst对应通道的灰度均值，d₁、d₂分别为S1.2中计算得到的I_src和I_dst对应通道的灰度方差；

S1.4、对线性变换后的目标图像I_dst作越界约束处理，条件为：

其中，p为当前像素点对应的某一通道的灰度值。

3.根据权利要求1所述的一种基于形态学分割和深度学习的尿沉渣管型识别方法，其特征在于，所述步骤S2具体包括：

S2.1、对色彩迁移后的尿沉渣图像进行灰度化，并使用3x3的Sobel算子求取灰度图的梯度，得到梯度图像I_g；

S2.2、使用P-tile二值化法对梯度图像I_g进行阈值化，得到二值图像I_b，pRate＝0.18；

S2.3、对二值图像I_b进行形态学膨胀处理，Kernel结构元素为3x3的椭圆形内核；

S2.4、遍历二值图像I_b中所有连通区域，对连通区域内包含的孔洞进行填充；

S2.5、对图像I_b进行腐蚀及开运算处理，Kernel结构元素为5x5的椭圆形内核；

S2.6、遍历二值图像I_b内的连通区域，对各连通区域进行标记，得到标签图像I_bin，去除像素数小于850的区域；

S2.7、依次提取标签图像I_bin中的各个连通区域的轮廓，计算当前区域的平均灰度Meangray、轮廓面积Area、圆形度Circularity、最小外接矩形MinRect、宽高比Aspectio，粗糙度Sharpness特征；

S2.8、对当前标记区域的二值区域分别进行x，y方向的投影，逐行逐列统计非零像素个数，计算平均投影宽度ProWidth及平均投影高度ProHeight；

S2.9、依据步骤S2.7和S2.8中计算出的特征参数，初步筛选管型候选区域，得到管型候选子图像，管型特征的设定范围：(1)平均灰度Meangray85；(2)圆形度Circularity＜0.55；(3)宽高比Aspectio2.1；(4)平均投影ProWidth＜35ProHeight＜35；(5)粗糙度Sharpness12；(6)最大面积Area＜3000。