[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

摘要

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。

主权项

1.一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①：对于需要微球单一性识别和定位的显微图像，设显微图像的行数为a，列数为b，深度为d；方框边长为n；生成一个二维矩阵，其行数为(a‑n+1)(b‑n+1)，列数为n*n*d；②：以方框为基准，依次遍历整个显微图像；③：每一步对应的显微图像的区域，都重塑为一行，依次替换掉二维矩阵中的行；④:把二维矩阵的所有行作为一个批次的数据集，送至卷积神经网络C进行并行计算，每一行得到一个判断结果，分别是该行对应的方框在显微图像的位置处无球、一个球、多个球的概率，把所有行的判断结果依次从上至下排列，得到判断结果矩阵，该矩阵的行数与二维矩阵的行数相等，每一行都对应二维矩阵的相应行，也即方框在显微图像的对应位置，判断结果矩阵的列数为3，设第一列对应的数据是无球的概率，第二列对应的数据是有球的概率，第三列对应的数据是多个球的概率；⑤:根据判断结果矩阵，对于某行来说，若其第一列的数据最小，即说明该行有微球的可能性很大，若第二列的数据最大，说明有一个微球，否则，有多个微球，由该行的行数信息，定位至方框在显微图像的相应区域，方框的中心即为微球圆心像素坐标。