[发明专利]一种基于粒子群神经网络的细胞图像分割方法

权利要求书

1.一种基于粒子群神经网络的细胞图像分割方法，其特征在于：依次包括以下步骤：

(1)确定输入层神经元的个数：将对应像素的3×3窗口内的9个像素均作为输入神经元；

(2)确定输出层神经元的个数；

(3)确定隐层神经元的个数：采用基于信息熵的估计法进行确定；

(4)选取各层的激活函数：隐层激活函数选择“logsig”，输出层激活函数选择“purelin”；

(5)实现神经网络与粒子群优化的映射，依次包括；神经网络权值与粒子维度空间的映射、神经网络MSE与粒子适应度函数的映射、神经网络的学习与粒子搜索的映射；

(6)将权值学习转化为粒子群优化问题，保证网络权值收敛到最优；

(7)进行网络训练；

(8)分析网络测试结果。

2.根据权利要求1所述的基于粒子群神经网络的细胞图像分割方法，其特征在于：所述步骤(2)中，如果期望类数C已知且其值大于2，则输出神经元的个数等于期望类数，若期望类数的值等于2，则输出神经元的个数等于1，表达式如下：其中，C为期望类数，q为神经元个数；

在q＝C的情况下，此时若判定某个样本为第m类，则n为输入样本，O(n)为输出的标签值。

3.根据权利要求1所述的基于粒子群神经网络的细胞图像分割方法，其特征在于：所述步骤(3)的具体确定方法为：

(3.1)将隐层神经元数目设置为充分大；

(3.2)用给定样本集P训练网络，直到误差低于预设阈值；

(3.3)将能够通过训练后的网络正确识别的样本组成一个样本子集P’；

(3.4)对网络输入P’计算每个样本下每个隐层神经元的激活值H_ij；

(3.5)将H_ij沿每一行重新排序，得到排序后的隐层神经元激活矩阵H'，记每行的排序映射为f_i，拟映射为f_i^-1；

(3.6)对H'的每行分别假定一个切入点将改行分割成两块，计算分割后的信息增益矩阵N，N的列数＝H的列数-1，N的行数＝H的行数；

(3.7)选择N中的最大值N_max，构建决策树的一个节点；

(3.8)求样本子集，若为空集，搜索整个决策树，寻找所有重要节点，重要节点的总数就是该网络的隐层神经元数目；

其中，i代表隐层神经元索引，j代表样本索引。