[发明专利]基于卷积神经网络的阴道分泌物显微图像有形成分检测方法

说明书

本发明公开一种基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，包括以下步骤：使用selective search算法提取阴道分泌物图片训练集的目标候选位置，并判定其标签；搭建卷积神经网络，所述卷积神经网络包括五路由多个卷积层、batch normalization层和池化层搭成的网络，每路经过GAP层后融合为一路，最后接全连接层和softmax层；将候选位置处的图像块和其相邻上、下、左、右四块图像块作为模型的输入，以最小化softmax loss函数为目标训练出目标识别的神经网络模型；提取阴道分泌物测试图像的目标候选位置及其四邻域输入至所述神经网络模型中，输出检测目标的位置与类别。本发明将目标候选位置邻域的信息引入神经网路，有效提高网络的识别能力。

技术领域

本发明涉及计算机视觉与数字图像处理领域，特别涉及一种基于卷积神经网络的目标检测方法。

背景技术

目前CNN在目标检测领域取得了相当不错的效果，已有许多基于CNN的目标检测的方法，总体上分为两派：基于区域提名的R-CNN等系列和无需区域提名的YOLO、SSD等系列。目标检测领域得益于这些方法的发展，在各种大规模竞赛数据集(ImageNet，Pascal VOC,COCO等)上准确率突飞猛增。然而，对于阴道分泌物图像来说，提取目标候选位置时对上皮细胞很有可能只提取到其细胞核，上皮细胞核与白细胞极其相似，对此用现有的方法很难识别正确。

发明内容

本发明的目的在于提供一种基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，用于检测阴道分泌物图像的有形成分位置和所属类别，该方法能够有效地提高阴道分泌物中有形成分的识别准确率。

实现本发明目的的具体技术方案是：

一种基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，该方法包括以下具体步骤：

步骤1：在训练图像集上，标记阴道分泌物显微图像中的有形成分，使用selectivesearch 算法提取图像中有形成分目标的候选位置，并判定其标签；

步骤2：搭建卷积神经网络，所述卷积神经网络包括五个并行支路，每个支路由数个卷积层、batch normalization层和池化层组成，每个支路经过GAP层后融合为一路，接全连接层和 softmax层；

步骤3：将步骤1提取到的候选位置处的图像和它相邻上、下、左、右四块图像输入步骤2 搭建的网络，以最小化softmax loss函数为目标训练出能对候选区域识别的神经网络模型；

步骤4：与步骤1相同，在测试图像集中，使用selective search算法提取阴道分泌物的有形成分候选位置，将候选位置处的图像与和它相邻上、下、左、右四个图像块输入至步骤3训练好的神经网络模型中，得到候选位置图像的类别，同时使用非极大值抑制(NMS)算法删除重叠检测框；最后将检测目标的位置与识别的类别同时输出。

所述步骤1具体为：

人工标记训练集图像中阴道分泌物显微图像中的有形成分，得到各个人工标注框；

使用selective search算法得到有形成分的候选位置，作为候选目标；

计算候选目标与各个人工标注框的交并比IOU；

若候选位置与某一人工标注框的IOU大于预设的阈值TH，则将此候选位置标记为此人工标注框所属的类别；其中，TH取值范围为0到1之间；

若没有一个人工标注框与其IOU大于TH，则丢弃此候选目标；

其中标记的阴道分泌物有形成分分为8类，包括白细胞、上皮细胞、油滴、红细胞、念珠菌、滴虫、精子、杂质。

所述步骤2具体为：