[发明专利]一种藻类细胞图像自动分类方法

摘要

本发明公开了一种藻类细胞图像自动分类方法，所述自动分类方法包括以下步骤对藻类图像进行预处理，获取处理后的藻类图像；根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向量；将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测。本发明降低了计算复杂度，提高了藻类细胞的分类率。

主权项

一种藻类细胞图像自动分类方法，其特征在于，所述自动分类方法包括以下步骤：对藻类图像进行预处理，获取处理后的藻类图像；根据处理后的藻类图像，进行藻类图像视觉特征提取，获取多特征融合表示的特征向量；将所有藻类细胞按照类别进行分类，提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集；构建多任务学习模式的目标函数并求解；使用训练得到的模型对测试数据进行预测；其中，目标函数为：W*=argminWΣj=1,2,...,MΣk=1Nj||Wj·Fkj-Yj||2+ηΣj=1M||Wj||2]]>式中，表示M个任务模型参数的集合，Wj为W的第j个列向量，表示第j个模型参数，表示基于最小二乘的多任务联合学习部分，表示基于组稀疏优化思想设计的正则项；||·||2表示列向量的l2范数，η为权重参数，表示第j类细胞的第k个样例的特征表示，Yj表示第j类类别标签；Nj为第j类细胞的样本数；本方法加入藻类之间的关联信息，对多个藻类同时进行分类识别，即多任务学习；在多任务学习过程中，多个相关任务同时进行学习，实现多任务之间的信息共享，间接增加参加任务的样本个数，提高预测的性能；多任务学习对提高藻类分类的准确率非常有益，尤其是在数据库的训练样本很少的状况下；为了挖掘多个任务间的关联特性，本方法借鉴了组稀疏优化思想通过正则项的设计实现每类任务模型参数的选择，从而间接实现图像特征的选择，将对多任务联合关联挖掘不利的特征进行过滤，从而得到更有利于不同藻类自动分类的模型。