[发明专利]一种线虫实验图像的分割方法

权利要求书

1.一种线虫实验图像的分割方法，其特征在于，该方法具体如下：

S1、下载BBBC010线虫实验图像数据集，并将数据集分为训练集和测试集；

S2、利用底帽变换法去除线虫实验图像中不均匀照明；

S3、使用训练集对改进的对抗生成网络模型进行训练及分割，分割出线虫实验图像中的线虫，得到用0和1分别标记的非线虫部分和线虫部分的图像；

S4、获取测试集中对应线虫实验图像数据中的真实值，根据分割性能评价参数来评价分割结果并将评价结果保存到Excel中；

S5、交换测试集和数据集的线虫实验图像，重复步骤S2、S3和S4；

S6、计算平均accuracy，得到线虫实验图像分割平均准确率。

2.根据权利要求1所述的线虫实验图像的分割方法，其特征在于，改进的对抗生成网络模型包括生成器网络和判别器网络，生成器网络包括8个卷积层和8个反卷积层。

3.根据权利要求2所述的线虫实验图像的分割方法，其特征在于，所述生成器网络使用Unet架构的神经网络对线虫图像进行分割，Unet架构的神经网络包括收缩路径和扩展路径。

4.根据权利要求3所述的线虫实验图像的分割方法，其特征在于，所述收缩路径具体如下：

(1)、通过卷积和池化运算提取不同尺度下输入线虫实验图像的特征；其中，在特征提取过程中，将整个改进的对抗生成网络模型的卷积核大小设置为3*3；

(2)、每层使用2倍的3*3卷积层对线虫实验图像进行卷积，并在改进的对抗生成网络模型训练过程中，使用batchnorm层保持每层神经网络的输入；

(3)、通过池化层将线虫实验图像大小减少一半，并进行4次下采样操作。

5.根据权利要求3或4所述的线虫实验图像的分割方法，其特征在于，所述扩展路径部分具体如下：

①、通过上采样操作从底层恢复收缩路径部分缩小后的线虫实验图像；

②、恢复后的线虫实验图像通过concat操作与收缩路径部分对应层的线虫实验图像进行融合，并采用dropout优化操作提高图像精度，每次随机失活一半节点；

③、融合后的线虫实验图像经过两次3*3卷积后，继续重复步骤①和②，至到将线虫实验图像恢复到输入的大小；

④、通过1*1卷积层得到最终输出的分割结果预测图。

6.根据权利要求3所述的线虫实验图像的分割方法，其特征在于，所述判别器网络采用由五个卷积层组成的神经网络，判别器网络用于对输入数据的真假进行二分类判别。

7.根据权利要求6所述的线虫实验图像的分割方法，其特征在于，判别器网络用于对输入数据的真假进行二分类判别具体如下：

(一)、输入层通过concat操作将BBBC008的掩模图像与生成器网络生成的分割图像相结合，输入到卷积网络中；

(二)、通过三个步长为2的4*4卷积层对结果进行卷积；

(三)、通过两个步长为1的4*4卷积层对结果进行卷积；

(四)、在判别器网络末端，使用sigmod激活函数用于输出0或1的识别结果。

8.根据权利要求1所述的线虫实验图像的分割方法，其特征在于，步骤S3中使用训练集对改进的对抗生成网络模型进行训练具体如下：

S301、通过生成器网路预测生成一张线虫实验图片；

S302、将生成器网络预测的线虫实验分割图片和真实的线虫实验标签图片发送到判别器网络进行判别：

①、若生成的线虫实验分割图像与真是的线虫分割图像相同，则判别器将输出接近1的数字；

②、若生成的线虫实验分割图像与真是的线虫分割图像不同，则将输出接近0的数字；

S303、生成器网络根据判别器网络的输出继续生成预测的线虫实验分割图像；

S304、判别器网络无法区分发送到判别器网络的线虫实验图像是发生器网络输出的线虫实验图像还是真实的线虫分割图像，即网络达到纳什均衡状态，完成分割网络的训练。