[发明专利]一种通过增强光学显微镜对动物纤维进行分类的方法

权利要求书

1.一种通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，包括：

步骤S1：提供待测纤维的若干焦点堆栈图像，并从若干所述焦点堆栈图像中选择出若干清晰图像，若干所述清晰图像中位置相同的像素为对应像素；

步骤S2：选取每一所述清晰图像中的对应像素，计算每一所述对应像素中的最大值和最小值的加权和，并融合输出加权图像；

步骤S3：对所述加权图像进行二值化，得到二值图像；

步骤S4：识别所述二值图像中的所述待测纤维；

步骤S5：为所述二值图像中的每一所述待测纤维建立掩膜；

步骤S6：针对每一所述待测纤维，对所述掩膜执行腐蚀算法，直至保留1像素宽的骨架；

步骤S7：从若干所述骨架中提取不具有短枝的骨架；

步骤S8：收集不具有所述短枝的所述骨架的坐标并排序；

步骤S9：建立一坐标集，将不具有短枝的所述骨架分别映射至所述坐标集以使所述骨架由曲线转变为直线，并根据所述待测纤维的像素点与所述骨架之间的坐标关系，将所述待测纤维的像素点重新定位到所述骨架上，形成拉直的纤维图像，并执行步骤S10.1至步骤S10.2和/或步骤S11.1；

步骤S10.1：对所述纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；

步骤S10.2：将若干所述纤维片段输入卷积神经网络，所述卷积神经网络对所述纤维片段进行分类并输出；

步骤S11.1：将若干所述纤维图像输入半启发式算法模块，所述半启发式算法模块对所述纤维图像进行分类并输出；

其中，所述卷积神经网络包括若干用于检测视觉特性的卷积块、以及若干用于分类的密集块，所述卷积神经网络通过纤维图像训练集和纤维图像验证集进行训练；

其中，所述半启发式算法模块预设有纤维的特征向量标准数据集，所述半启发式算法模块检测所述待测纤维的特征向量并与所述特征向量标准数据集相比对，从而进行分类并输出；

在所述步骤S9中，所述坐标集内的坐标为所述待测纤维的像素点和所述骨架之间的最小距离矢量。

2.根据权利要求1所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，在所述步骤S10.1中，所述预处理步骤包括：

步骤S10.11：将所述纤维图像的高度扩展至第一指定像素；

步骤S10.12：将所述纤维图像切割成若干宽度为第二指定像素的部分，从而得到若干高度为第一指定像素、宽度为第二指定像素的所述纤维片段。

3.根据权利要求2所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，所述特征向量包括：用于描述纤维的空间尺寸的第一度量组、用于描述纤维的边界形貌的第二度量组、用于描述纤维的鳞片形态的第三度量组和用于描述纤维的颜色的第四度量组。

4.根据权利要求3所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，所述卷积神经网络和所述半启发式算法模块分别预设有若干类型标签，所述卷积神经网络和所述半启发式算法模块分别输出所述待测纤维被分类为其中一所述类型标签的概率。

5.根据权利要求4所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，所述卷积神经网络和所述半启发式算法模块均将具有最高概率的所述类型标签作为结果标签。

6.根据权利要求5所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，还包括：

步骤S12，判断所述卷积神经网络输出的所述结果标签和所述半启发式算法模块输出的所述结果标签是否相同，若相同则执行步骤S13，若不相同则执行步骤S14；

步骤S13：将所述待测纤维分类为所述结果标签；

步骤S14：将所述待测纤维分类为未识别结果。

7.根据权利要求1所述的通过增强光学显微镜对动物纤维进行分类的方法，其特征在于，在所述步骤S4中，通过判断边界是否满足面积的标准、纵横比的标准和/或边界至骨架的距离的标准以识别所述待测纤维。