[发明专利]基于深度神经网络的结核杆菌荧光痰涂片识别方法

权利要求书

1.一种基于深度神经网络的结核杆菌荧光痰涂片识别方法，其特征在于，包括以下步骤：

步骤S1、输入数字杆菌图像；

步骤S2、对所述数字杆菌图像进行自动分割，获得只含有杆菌的优化图像；

步骤S3、将所述优化图像与预设的候选杆菌进行匹配；若匹配失败，则进行步骤S5；

步骤S4、对匹配成功的所述优化图像进行杆菌自动识别；

步骤S5、输出所述数字杆菌图像的杆菌信息；

所述步骤S4中，杆菌自动识别的步骤为：

步骤S41、输入优化图像；

步骤S42、对所述优化图像进行重采样处理；

步骤S43、对重采样处理后的所述优化图像进行打包处理；

步骤S44、对打包处理后的所述优化图像进行深度神经网络处理，对所述优化图像中的杆菌进行分类并获得标记；

步骤S45、输出所述标记；

所述步骤S44中，对打包处理后的所述优化图像进行深度神经网络处理的步骤如下：

步骤S441、对打包处理后的所述数字杆菌图像在第一巻积层进行处理；

步骤S442、对经步骤S441处理后的所述数字杆菌图像在第二巻积层进行处理；

步骤S443、对经步骤S442处理后的所述数字杆菌图像在第一混合层进行处理；

步骤S444、对经步骤S443处理后的所述数字杆菌图像在第二混合层进行处理；

步骤S445、对经步骤S444处理后的所述数字杆菌图像在第三混合层进行处理；

步骤S446、对经步骤S445处理后的所述数字杆菌图像在第四混合层进行处理；

步骤S447、对经步骤S446处理后的所述数字杆菌图像在第五混合层进行处理；

步骤S448、对经步骤S447处理后的所述数字杆菌图像在降采样层进行处理；

步骤S449、对经步骤S448处理后的所述数字杆菌图像在隐藏层进行处理；

步骤S4410、对经步骤S449处理后的所述数字杆菌图像在全连接层进行处理；

其中，在步骤S443中，在第一混合层进行处理时，分别同时进行4次处理，其步骤如下：

S4431、将输入层进行输入，并同时进行步骤S4432a-S4432d；

S4432a、对输入层进行1×1卷积；

S4432b、对输入层先进行1×1卷积，再进行5×5卷积；

S4432c、对输入层先进行3×3池化，再进行1×1卷积；

S4432d、对输入层先进行1×1卷积，再进行3×3卷积，最终进行3×3卷积；

S4433、将步骤S4432a-S4432d的结果进行层数归并；

S4434、将输出层进行输出。

2.根据权利要求1所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法，其特征在于，所述步骤S2中，图像自动分割的步骤为：

步骤S21、输入一预设的图像初始化阈值；

步骤S22、对所述数字杆菌图像进行自适应阈值二值化；

步骤S23、对进行自适应阈值二值化处理后的所述数字杆菌图像进行形态学梯度处理；

步骤S24、对形态学梯度处理后的所述数字杆菌图像进行轮廓化处理，获取所述数字杆菌图像的轮廓数量及轮廓信息；

步骤S25、将所述轮廓数量与一预设的轮廓数量阈值进行对比；若所述轮廓数量大于所述轮廓数量阈值，则减少所述图像初始化阈值，重复步骤S22；

步骤S26、输出所述轮廓信息。

3.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法，其特征在于，所述步骤S22中，利用局部像素灰度均值法对所述数字杆菌图像进行自适应阈值二值化，其计算公式如下：

其中，i、j是图像坐标，s、t是图像领域中的位置，f代表图像灰度值，α是阈值化系数。

4.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法，其特征在于，所述步骤S23中，所述形态学梯度处理包括进行形态学腐蚀处理和形态学膨胀处理。

5.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法，其特征在于，所述步骤S24中，利用凸包算法对所述数字杆菌图像进行轮廓化处理。