[发明专利]一种基于语义分割的细胞各成分分割方法

权利要求书

1.一种基于语义分割的细胞各成分分割方法，其特征在于，包括下列步骤：

步骤一：设置基于编码解码的语义分割网络的网络结构，对细胞各成分进行粗提取；

其中，语义分割网络包括编码、解码和分类输出；

编码依次包括：输入层、第一卷积模块、第一下采样层、第二卷积模块、第二下采样层、第三卷积模块和第三下采样层；

解码依次包括：第一上采样层、第一卷积模块、第二上采样层、第二卷积模块；

分类输出依次包括：融合层、卷积层和Softmax层；

所述输入层以图像切片的方式读入输入图像；

编码的第一、二和三卷积模块分别包括两个、两个和三个卷积层，解码的第一、二卷积模块分别包括三个和两个卷积层；

其中，各下采样层采用最大池化操作并保留池化索引，各上采样层采用去池化的方式；并将第一下采样层保留的池化索引传送给融合层，第二下采样层保留的池化索引传送给第二上采样层，第三下采样层保留的池化索引传送给第一上采样层；以及将编码的第一卷积模块的输出传送给融合层；

且融合层的输出经1×1的卷积操作后再输入分类输出的卷积层，最后经Softmax层输出各像素点的分类类型，其中，分类类型包括背景、细胞质和细胞核；

步骤二：结合灰度共生矩阵对待处理图形进行超像素分割处理，获取细胞各成分的精细边缘：

对待处理图像进行超像素分割处理，得到多个超像素块，并记录各超像素块内的每个像素的位置索引；

将尺寸不超过预设尺寸阈值的超像素块和/或不连续的超像素块作为增强处理对象；

对每个增强处理对象，基于灰度共生矩阵分别计算增强处理对象及其邻域超像素块的纹理特征，包括能量、对比度、自相关性和熵；

计算增强处理对象与其邻域超像素块之间的纹理特征值相似程度，并将当前增强处理对象融合到最相似的邻域超像素块；

所述结合灰度共生矩阵对待处理图形进行超像素分割处理包括：

(1)输入彩色图像或灰度图像；

(2)初始化超像素聚类中心C_k＝[l_k a_k b_k x_k y_k]^T，其中，l_k、a_k和b_k分别表示LAB彩色空间的l分量、a分量和b分量，x_k、y_k表示像素坐标；

以S个像素为步长在规则网格上进行采样并将其置于网格中心，其中步长N为原图的像素总个数，K为超像素的个数；再将中心移动至其3×3邻域内梯度值最小的位置；

(3)对每一个超像素聚类中心周围的2S×2S邻域的像素进行像素搜索与距离度量D的计算：

其中，N_c表示最大颜色距离，N_s表示最大空间距离，d_c表示颜色距离，d_s表示空间距离，j表示超像素聚类中心点，i表示当前处理的像素点，x_j和y_j分别表示超像素聚类中心点j的横坐标和纵坐标，l_j、a_j和b_j分别表示超像素聚类中心点j的LAB彩色空间的l分量、a分量和b分量，x_i和y_i分别表示像素点i的横坐标和纵坐标，l_i、a_i和b_i分别表示像素点i的LAB彩色空间的l分量、a分量和b分量；

若输入的图像为灰度图像，则d_c＝|I_j-I_i|，I_i和I_j分别表示像素点i和超像素聚类中心点j的灰度值；

图像的每一个像素点与其周围的聚类中心点都会有一个距离度量D，取其中的最小值所对应的聚类中心点的超像素作为该像素点所归属的超像素，在每轮迭代后，取超像素内所有像素的坐标均值和颜色均值作为新的超像素聚类中心点的坐标值和颜色值，然后进行新一轮迭代，直到每个超像素聚类中心点的坐标不再发生变化为止；

(4)对于超像素尺寸小于预设尺寸阈值的超像素和/或不连续的的超像素，进行增强超像素块连通性处理：

计算出待处理超像素周围的超像素的四个纹理特征值，

根据超像素相似性的度量公式dist＝dist_energy+dist_contrast+dist_correlation+dist_entropy计算周围超像素与待处理超像素的纹理特征值相似程度，得到当前待处理的超像素特征值与邻域超像素特征值的距离度量dist，将dist值最小的超像素作为当前待处理超像素的融合目标，其中，dist_energy表示能量距离度量，dist_contrast表示对比度距离度量、dist_correlation表示相关性距离度量、dist_entropy表示熵距离度量，其计算公式分别为：

dist_energy＝(C_energy-D_energy)²

dist_contrast＝(C_contrast-D_contrast)²

dist_correlation＝(C_correlation-D_correlation)²

dist_entropy＝(C_entropy-D_entropy)²

其中，C_energy、C_contrast、C_correlation和C_entropy分别表示当前处理的超像素的能量、对比度、自相关性和熵，D_energy、D_contrast、D_correlation和D_entropy分别表示邻域超像素的能量、对比度、自相关性和熵；

步骤三：将细胞各成分的粗提取结果和精细边缘进行融合，得到最终的细胞各成分分割结果：根据有超像素块内每个像素的索引位置所对应的语义分割的分类结果，将每个超像素块内对应最多的类别作为每个超像素块的类别，从而得到最终的细胞各成分分割结果。