[发明专利]基于深度学习的植物叶片显微图像气孔分割方法

权利要求书

1.基于深度学习的植物叶片显微图像气孔分割方法，其特征在于，包括以下步骤：

步骤a、获取气孔样本数据集；

步骤b、构建并训练基于深度学习的植物叶片显微图像气孔分割模型；

步骤c、计算植物叶片气孔特征参数，具体步骤如下：

步骤c1、气孔分割模型输出待测植物叶片显微图像的预测结果图像I_P(x,y)，I_P(x,y)中的每个像素位置的取值包含三个值，分别代表：气孔孔隙像素、保卫细胞像素和背景像素；

步骤c2、将预测结果进行二值化，得到两幅二值图像，一幅由背景像素和气孔孔隙像素组成，表示为I₁(x,y)；另一幅由背景像素和保卫细胞像素组成，表示为I₂(x,y)；

步骤c3、采用形态学开和闭操作去除图像I₂(x,y)中面积小于S的区域；S的取值根据植物叶片显微图像中气孔的大小进行选择；

步骤c4、采用形态学二值图像连通区域搜索方法计算图像I₂(x,y)中所有闭合连通区域，并计算每一个闭合连通区域的最小外接矩形；

步骤c5、采用形态学二值图像连通区域搜索方法计算图像I₁(x,y)中所有闭合连通区域，并计算每一个闭合连通区域的最小外接矩形；

步骤c6、统计图像I₂(x,y)中矩形的个数，即为该图像上气孔的数量N_i，其中i为图像编号，第一幅图像i＝1；

步骤c7、统计图像I₁(x,y)中矩形的个数，即为该图像上开放气孔的数量M_i，其中i为图像编号，第一幅图像i＝1；

步骤c8、计算n幅二值图像I₂(x,y)中的气孔数量的总数根据每幅图像光学显微镜的视野面积S_FOV，单位：mm²，计算气孔密度R_SD，计算方法为：

步骤c9、计算每幅二值图像I₂(x,y)中每个气孔保卫细胞的面积C_i，单位：像素；根据光学显微镜视野内图像像素面积R，单位：um²/像素，求得n幅二值图像I₂(x,y)中气孔保卫细胞平均大小S_C，计算方法为：

步骤c10、计算每幅二值图像I₁(x,y)中每个气孔孔隙的面积P_i，单位：像素；根据光学显微镜视野内图像像素面积R，单位：um²/像素，求得n幅二值图像I₁(x,y)中气孔保卫细胞平均大小S_P，计算方法为：

2.根据权利要求1所述的基于深度学习的植物叶片显微图像气孔分割方法，其特征在于，步骤a的具体步骤如下：

步骤a1、将待测量植物叶片置于光学显微镜载物台上，调节显微镜焦距和放大倍数，获取该焦距下的叶片显微图像；

步骤a2、在500或1000放大倍数下，采用显微镜自带的深度合成功能，对多张不同焦距的图像进行融合，得到一幅清晰的叶片显微图像；

步骤a3、利用人工标注方式对气孔和保卫细胞进行像素级标注，获得气孔样本数据集。