[发明专利]基于内容分析的细胞图像快速融合方法

权利要求书

1.本发明是使用如下步骤进行的：一、异步采图；二、图像筛选，多细胞图像筛选和少细胞图像筛选运用不同的方法；三、图像内容识别；四、图像拼接。

2.在异步采图阶段，本发明提出保护方法如下：

通过单一的聚焦算法无法得到完整清晰的图像，需要制定快速的图像采集方法来得到多张比较清晰的图像；异步采图，是平台在焦点范围上下移动过程中相机采集图像，与平台先移动、停止之后再相机采图相比，提高了采集速度；具体过程是，首先需要确定焦点位置，一个载玻片被划分为上百个视野，每一个视野的焦点位置不同，如果所有视野用固定的范围去采集图像，会导致得到的图像都不清晰；利用五点聚焦，得到拟合的焦曲面，进而得到每一个视野下大致的焦点位置；然后确定Z轴移动范围，控制Z轴在当前视野焦点范围内上下移动，并且采集图像；Z轴移动范围2a经过实验确定，a＝150时采集到的图像能够更准确的包含多张多焦点图像；最后确定Z轴移动路线，在平台变换视野的过程中，Z轴采用蛇形的移动路线，能够提高平台变换时移动速度，减少整体采图的时间，按照蛇形路线规划；通过利用焦曲面确定的采集范围，并异步采图，与焦平面确定的范围并采图相比，采集到多张比较清晰图像的准确率更高，采集的速度更快。

3.在图像筛选阶段，本发明提出保护方法如下：

对于多细胞图像，用Brenne函数分别计算采集到的图像清晰度D(I₁)，D(I₂)，…，D(I_n)，如果多焦点图像清晰度值D(I₂)与相邻的模糊图像清晰度值D(I₁)差值大于阈值T，经实验T＝0.5，那么选择当前的多焦点图像与它之后的两张图像作为最终的筛选结果；对于少细胞图像，同样方法计算每张图像的清晰度，选择清晰度值最大的图像和它前后各一张图像，一共三张图像作为最终的筛选结果。

4.图像内容识别阶段，本发明提出保护方法如下：

首先通过自适应阈值算法二值化图像，得到的细胞图像中存在噪声、孤立的小孔洞、不平滑边缘；然后将图像进行形态学操作优化，分割出轮廓图像；最后将分割图像通过深度学习模型进行识别，该模型利用迁移学习方法，提高识别的准确率，避免发生过拟合现象，最终适应细胞图像，得到正确的识别结果；将分割出来的图像单细胞、成团细胞和杂质三类，作为模型训练的样本，其中样本大小为224像素*224像素*3通道，单细胞、成团细胞和杂质训练样本数量分别为1311、1002和153个，测试样本数量为训练样本数量的1/10，基于VGG-16卷积神经网络模型进行迁移学习，VGG-16模型包括13个卷积层和3个全连接层，卷积核大小为3*3，通过调整模型中Batch_Size、学习率和迭代次数，训练出适合单细胞、成图细胞和杂质样本的分类器；分割出来的细胞图像放入训练好的分类器进行分类，确定为单细胞、成团细胞和杂质，其中单细胞图像不存在多焦点现象，成团细胞存在多焦点现象，杂质属于制片时产生的，所以单细胞图像和成团细胞图像需要通过不同的方法得到最清晰的结果；成团细胞图像融合：成团细胞存在分层现象，属于多焦点图像，为了得到各个层次都清晰的图像，利用基于引导滤波的图像融合技术进行图像融合，得到清晰的成团细胞图像；将不同源图像的基础图和细节图通过加权平均法融合在一起，再将融合之后的基础图像和细节图像相加即得最后的融合图像；

单细胞比较清晰度：单细胞图像不存在分层现象，所以比较源图像中单细胞图像的清晰度，最后得到最清晰的一个单细胞图像。

5.图像拼接阶段，本发明提出保护方法如下：

从原图像中找一张最清晰的图像作为背景模板，将所有的清晰的单细胞、成团细胞和杂质按照分割轮廓的位置拼接成一张完整的清晰图像。