[发明专利]基于扫描电镜图像的高精度硅藻检测识别方法及系统

权利要求书

1.一种基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，包括：

S100、对采集自扫描电镜的原始图像进行预处理；

S200、如果经步骤S100处理后的图像是肝脏组织或肾脏组织的图像，在图像上随机选定一个完整的硅藻，在所述硅藻的可采样区域上采用均匀随机采样方式，以保证提取的特定尺寸的图像块必定完整的包含所述硅藻；

还包括以下步骤：

S300、将步骤S200提取出的图像块输入通用硅藻检测网络进行训练；

还包括以下步骤：

S400、将待检测图像按照步骤S100的方法预处理后，分割成多个图像尺寸相同的重叠的子图像，以保证边界区域的检测完整性，同时记录每个子图像在原始的待检测图像上的偏移信息，将这些子图像数据输入训练完成的通用硅藻检测网络，输出得到每个子图像的硅藻位置预测结果，然后每个子图像的硅藻位置预测结果加上该子图像相对原始待检测图像的偏移信息，得到一个预测集合其中，p_n为预测对象判为前景目标的概率，为预测对象的左上角和右下角的位置；

S500、将所述预测集合执行以下操作：

S510、将所述预测集合根据p_n由大到小进行排序，

S520、将第一个预测结果Pr₁和剩下的每一个预测结果Pr_n≠1按照以下公式计算位置交并比：其中A是预测结果Pr₁中的硅藻位置，B为预测结果Pr_n≠1的硅藻位置，

S530、计算预测概率均值，如预测概率均值大于一给定阈值T_Diatom，则计算位置均值，并将位置均值对应的原始的待检测图像上的位置作为一个硅藻检出目标，

S540、从预测集合中删除IoU大于阈值T_IoU的预测结果Prm以及Pr₁，

S550、重复上述步骤依次迭代直到预测集合中不再剩余预测结果，最终，从待检测图像得到一组硅藻检出目标{Pr_{det_m}}_m＝1,...,M。

2.根据权利要求1所述的基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，所述步骤S200中，如果经步骤S100处理后的图像是其它组织或水样的图像，以均匀随机采样的方式在图像中提取特定尺寸的图像块，所述图像块需包含至少一个完整的硅藻。

3.根据权利要求1所述的基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，所述步骤S100中，预处理方法为：先进行去噪处理，然后进行数据标准化处理，所述去噪处理采用非局部平均算法，所述数据标准化处理采用Z-score标准化方法。

4.根据权利要求1所述的基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，所述步骤S200中，所述在图像上随机选定一个硅藻，在所述硅藻的可采样区域上采用均匀随机采样方式，以保证提取的特定尺寸的图像块必定完整的包含所述硅藻,具体为：

采用与所述图像块尺寸相同的框，移动所述框，将所述硅藻位于框的左上角区域，记录该框的左上角的位置，该位置为区域右下角标记位置，移动所述框，将所述硅藻位于框的右下角区域，记录该框的左上角的位置，该位置为区域左上角标记位置，由区域左上角标记位置和区域右下角标记位置确定一矩形区域，提取图像块时，保证图像块的左上角位于所述矩形区域内，即可保证提取的特定尺寸的图像块必定完整的包含所述硅藻。

5.根据权利要求1所述的基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，所述步骤S300中，将步骤S200提取出的图像块输入通用硅藻检测网络进行训练，采用FocalLoss函数和函数来组合构成通用硅藻检测网络的损失函数，其中，FocalLoss函数用于定义概率预测误差，函数用于定义位置预测误差。

6.根据权利要求1所述的基于扫描电子显微镜图像的高精度硅藻检测识别方法，其特征在于，所述步骤S400中，所述输出得到每个子图像的硅藻位置预测结果后，先经过非极大值抑制算法去冗余，然后每个子图像的硅藻位置预测结果加上该子图像相对原始待检测图像的偏移信息。

7.一种基于扫描电子显微镜图像的高精度硅藻检测识别系统，其特征在于，包括：

图像预处理单元，所述图像预处理单元用于对采集自扫描电镜的原始图像进行预处理；

采样单元，用于在经图像预处理单元处理后的图像上进行采样，如果图像是肝脏组织或肾脏组织的图像，在图像上随机选定一个完整的硅藻，在所述硅藻的可采样区域上采用均匀随机采样方式，以保证提取的特定尺寸的图像块必定完整的包含所述硅藻，

所述采样单元中，如果图像是其它组织或水样的图像，以均匀随机采样的方式在图像中提取特定尺寸的图像块，所述图像块需包含至少一个完整的硅藻；

所述图像预处理单元中的预处理包括：先进行去噪处理，然后进行数据标准化处理，所述去噪处理采用非局部平均算法，所述数据标准化处理采用Z-score标准化方法；

还包括：

模型训练单元，用于将采样单元获取的图像块输入通用硅藻检测网络，以对通用硅藻检测网络进行训练,所述模型训练单元中，采用Focal Loss函数和函数来组合构成通用硅藻检测网络的损失函数，其中，Focal Loss函数用于定义概率预测误差，函数用于定义位置预测误差；

预测集合形成单元，所述预测集合形成单元用于将经过图像预处理单元预处理后的待检测图像分割成多个图像尺寸相同的重叠的子图像，以保证边界区域的检测完整性，同时记录每个子图像在原始的待检测图像上的偏移信息，将这些子图像数据输入训练完成的通用硅藻检测网络，输出得到每个子图像的硅藻位置预测结果，然后每个子图像的硅藻位置预测结果加上该子图像相对原始待检测图像的偏移信息，得到一个预测集合其中，p_n为预测对象判为前景目标的概率，为预测对象的左上角和右下角的位置；

多概率预测组合后处理单元，所述多概率预测组合后处理单元用于执行以下操作：

将所述预测集合根据p_n由大到小进行排序，

将第一个预测结果Pr₁和剩下的每一个预测结果Pr_n≠1按照以下公式计算位置交并比：其中A是预测结果Pr₁中的硅藻位置，B为预测结果Pr_n≠1的硅藻位置，

计算预测概率均值，如预测概率均值大于一给定阈值T_Diatom，则计算位置均值，并将位置均值对应的原始的待检测图像上的位置作为一个硅藻检出目标，

从预测集合中删除IoU大于阈值T_IoU的预测结果Prm以及Pr₁，

重复上述步骤依次迭代直到预测集合中不再剩余预测结果，最终，从待检测图像得到一组硅藻检出目标{Pr_{det_m}}_m＝1,...,M。