[发明专利]一种基于显微高光谱成像技术的组织切片分类方法

权利要求书

1.一种基于显微高光谱成像技术的组织切片分类方法，其特征在于，包括以下步骤：

1)系统建模

1.1)对训练集的显微高光谱数据进行预处理，从而消除噪声影响，并消除数据冗余；

1.2)三类卷积神经网络(CNN)模型的训练

1.2a)一维CNN模型

建立CNN模型，将预处理后的数据输入到CNN模型中，针对所述预处理后的数据中的一维光谱曲线训练CNN模型，从而实现光谱维的特征提取与分类；其中，根据样本数量和光谱维度确定大致网络层数，随后根据训练结果对网络结构进行调整，调节各层参数优化网络模型；

1.2b)二维CNN模型

借鉴步骤1.2a)确定的模型参数和结构，建立一个二维CNN模型；

对预处理后的数据进行主成分分析(PCA)，选取前m个主成分作为原始图像的近似表达，将当前像素的K×K个邻域像素点作为二维CNN模型的输入；经过训练后，所述预处理后的数据被转化为一系列特征向量；另外，从预处理后的数据中提取谱线特征；将这两方面的特征共同输入LR层进行分类，从而实现图谱-光谱维的联合特征提取与分类；

1.2c)三维CNN模型

借鉴步骤1.2a)和步骤1.2b)确定的模型参数和结构，建立一个三维CNN模型；

将当前像素的K×K×b个邻域作为三维CNN模型的输入，其中b是谱段数，经过训练后，将得到的一系列特征向量输入LR层进行分类，从而实现图谱-光谱维的联合特征提取与分类；

2)针对实际待测显微高光谱图像的组织切片分类

参照步骤1.1)，对实际待测显微高光谱数据进行预处理；

对预处理后的数据进行定量定性分析，根据样本数量以及光谱特征，评估只进行光谱维特征提取与分类是否能够满足要求；

如果是，则将预处理后的数据输入步骤1.2a)训练后的一维CNN模型，实现光谱维的特征提取与分类，该模型输出的分类结果作为最终分类结果；

如果否，则分别参照步骤1.2b)和步骤1.2c)，通过训练后的二维CNN模型和三维CNN模型实现图谱-光谱维的联合特征提取与分类；最后对两个模型输出的分类结果进行表决，得到最终分类结果。

2.根据权利要求1所述的基于显微高光谱成像技术的组织切片分类方法，其特征在于：步骤1.1)具体是：首先采用低通滤波来消除随机噪声的影响，然后对各谱段图像进行去条带处理，同时用S-G一阶导数消除高频噪声的影响；并采用白化处理来减小数据之间的相关性。

3.根据权利要求1所述的基于显微高光谱成像技术的组织切片分类方法，其特征在于：步骤1.2a)具体包括以下步骤：

(1)初始化：

随机初始化网络参数θ，iter＝0，err＝0，n_b＝0，确定各层类型及激活函数类型；确定模型输入n₁，输出n_p，迭代次数I_max和学习率α；

(2)迭代训练：

首先将一维光谱数据输入，设x_i是第i层输入，计算各网络层输出；

其中，W_i和b_i分别为第i层的权值矩阵和偏置矩阵，s为激励函数，P(y＝l)预测了当前迭代中归属第l类的概率；

然后计算代价函数J(θ)及偏导数δ_i；

其中，m为训练样本数，Y为目标输出，y为预测输出，代表点积函数；

训练中不断用梯度下降法更新参数θ；

最后随着代价函数的返回值越来越小，网络逐渐训练至最优，达到设定阈值后CNN模型训练完成。