[发明专利]一种基于变换域特征和CNN的细胞图像识别分类方法

权利要求书

1.一种基于变换域特征和CNN的细胞图像识别分类方法，设定CNN神经网络包括输入层，隐含层和输出层，其中输入层包含三通道72×72×3个神经元图像，隐藏层为三个卷积层、三个池化层和两个全连阶层，所述细胞图像识别分类方法包括如下步骤：

S10：设计CNN输入层模型，将细胞图像变换域特征与原图像数据融合

S11：选择图片进行随机对比度变换

设D_A为输入图像，为输入图像的概率分布，D_max为输入图像灰度最值，f_A、f_B为线性变换斜率和y轴截距，c为尺度比例常数，随机采用直方图归一化、线性变换和非线性变换方法中的一种进行对比度变换，得到对比度D_B，其中对比度变换公式分别如下：

直方图归一化：

线性变换为：D_B＝f(D_A)＝f_AD_A+f_B

非线性变换：D_B＝f(D_A)＝clog(1+D_A)

S12：将不同对比度的图片存入训练集中，并保持原始类别标签，然后对训练集中图像进行随机旋转，包括翻转，同样将其结果存入训练集中，并保持原始类别标签；

S13：对图像用Prewitt 算子和canny算子求图像特征

定义Prewitt算子

改进canny算子为：四个方向上的一阶梯度分量G_x(x,y)、G_y(x,y)、G₄₅(x,y)和G₁₃₅(x,y)可由四个一阶算子对图像进行卷积得到，G₄₅(x,y)表示表示45°方向的算子，G₁₃₅(x,y)表示135°方向的算子，由四个方向一阶梯度分量求得梯度幅值M(x,y)和梯度角度θ(x,y)：

再用Ostu方法求得最大类间方差获得最佳阈值，求得canny算子运算结果；

S14：再对两种特征与原图像进行数据融合

将三通道图像原图像第二通道保留，第一通道变为canny求得的信息，第三通道变为Prewitt的边缘信息，将新图像进行随机洗牌，组合成多个需要测试集集合，并将新测试集依次输入到隐藏层；

S20：设计CNN隐藏层与输出层模型，输入图像训练CNN模型

S21：对于输入层，输入图像A，选择尺寸M×M的矩阵，卷积后得到矩阵B，即其中为卷积运算，W为卷积核矩阵，则输出为conv1＝relu(B+b)，b为偏置，relu对卷积加偏置结果进行矫正，避免出现负值；

S22：对图片池化操作

对conv1进行池化得到pool1，使得到的图像尺寸减少；

S23：然后将池化结果进行局部归一化得到norm1

假设为在(x,y)处应用核函数后再经过relu得到的非线性结果，则局部归一化为

S24：对于池化后的结果，再次卷积池化得到pool2，局部归一化得到norm2；

S25：重复步骤S23和S24得到结果输入到全连阶层，通过尺度变换将其维度降低，再次使用relu对其非线性化处理，得到local function的结果x输出，最终将local function得到的结果x输入到softmax中；

S26：对于输入结果x，用hypothesis函数针对每一个类别j估算出概率值p(y＝j|x)，通过hypothesis函数输出一个向量元素的和为1的k维的向量来表示这k个估计的概率值，

其中k维hypothesis函数为

k为迭代次数，

代价函数为

在softmax算法中将x分类为j的概率为

通过最陡下降法最小化代价函数，对CNN模型中各节点权值和偏置进行反向调整，使分类结果为j的概率最大，输入训练集，最陡下降法流程如下：

S261：选取初始点x⁰，给定终止误差ε＞0，令k＝0；

S262：计算取p^k表示第k次迭代时的概率值；

S263：若停止迭代，输出x^k，否则进行步骤S264；

S264：采用一维寻优法或微分法求最优步长t_k，使得

t表示步长；

S265：令x^k+1＝x^k+t_kp^k，k＝k+1，进行步骤S266；

S266：若k值达到最大迭代次数，停止迭代，输出x^k，否则转入步骤S262。