[发明专利]一种基于深度学习网络的细菌显微图像分割方法

说明书

一种基于深度学习网络的细菌显微图像分割方法，包括如下步骤：1)培养细菌，并在显微镜下按照固定时间间隔拍摄一组细菌生长图片，进行图像预处理，构建彼此之间没有交集的训练集、验证集和测试集，且训练集包括原始图像和相对应的标签图像，验证集和测试集分别只包含原始图像；2)构建U‑Net++模型，其具有编码器模块和解码器模块，编码器模块进行特征提取，解码器模块进行特征还原解码到原图的尺寸，将训练集输入U‑Net++模型进行训练，再将验证集输入训练后的U‑Net++模型进行验证，得到训练好的U‑Net++模型；3)将测试集输入训练好的U‑Net++模型，输出二值化分割图像。本发明的方法，能快速而又精准的对细菌显微图像进行自动分割，省去前期过多复杂的图像预处理环节，节省时间。

技术领域

本发明涉及细菌显微镜图像分割领域，特别是指一种基于深度学习网络的细菌显微图像分割方法。

背景技术

在对图像的研究和处理中，往往图像中包含的信息不是我们都感兴趣的，我们会根据需求，大脑会自动来判断哪些是我们需要的图像信息，并且往往这种特定的包含我们想要信息的图像部分对应于图像中具有特殊性质(边缘，形状，颜色等)，在生物图像处理中我们常称为前景，相应的其他图像部分为背景。在生物领域中，培育的细菌在显微镜下成像，这些成像的图片往往受到显微镜对焦面改变、培养基中的杂志以及环境亮度等因素影响，这些包含噪音的图像往往使得研究人员很难将细菌和背景很清楚的分离开，也就影响后续的一些判断。

目前，生物图像处理领域中的图像分割方法主要分为：1.利用数字图像处理、拓扑学、统计学、数学等方面来进行图像分割的传统方法。2.近几年随着算力的增加以及深度学习的井喷式发展，基于深度学习的方法对于图像分割领域越来越占有不可取代的地位。

传统的方法主要包括：

1.基于阈值的分割方法：它的主要思想是根据图像的灰度特征来计算单个或多个灰度阈值，然后遍历图像中所有像素，将其灰度值和设置的阈值经行比较，大于阈值的像素设置为前景，小于阈值的像素设置为背景。它的优点是计算简单，效率高，缺点也很明显：根本没有考虑空间的特征，对图像中的噪声极其敏感，鲁棒性差。

2.基于边缘检测的分割算法：它是通过聚焦检测不同区域的边缘像素来解决分割问题的。比较有代表性的有梯度算法、Roberts算法、Sobel算法、Laplacian算法等，它的优点是速度快和边缘检测准确，缺点是他只能检测边缘像素，不能保证边缘的连续性以及完整性。

3.基于小波变换的图像分割方法：它是数字图像处理技术中比较重要的部分：首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。他的优点是空域和频域的局域变换，能进行多尺度分析，并且由于是对频域操作，所以对噪声不敏感。缺点是很难选取合适的滤波器。

细菌图像由于其形状各异，并且多以菌落的形式生长，数量繁多且重叠严重，所以更加大了对其分割的难度。对于细菌分割领域，有公开利用超像素来进行图像分割的方法(例如CN103914841A)，这种方法还是基于传统的图像分割方法(如计算超像素、以及计算每个超像素区域的颜色、形状、尺寸特征，利用先验知识对每个超像素区域进行初步滤波，并进行分割以确定候选细菌区域)来分割的，过程较为繁琐且效果不佳。

深度学习方法：完全区别于传统图像分割方法，它基于算力的支持，对大量带有标签的数据集进行训练，让机器自主学习到图像的内在规律及特征。主要包括：

1.基于CNN的图像分割：主要代表为2017年何凯明等人[He Kaiming,GkioxariGeorgia,DollarPiotr,Girshick Ross.Mask R-CNN.[J].IEEE transactions onpattern analysis and machine intelligence,2020,42(2).]提出的 MaskR-CNN，主要完成了图像的像素级分割。