[发明专利]一种对焦过程模型可设定的显微镜自动对焦方法

权利要求书

1.一种对焦过程模型可设定的显微镜自动对焦方法，其特征在于：包括以下步骤：

S1：以观测物体的某块区域作为基准区域，通过等间隔调节显微镜头的位置采集一组显微图像，并记录每个位置对应的镜头坐标；利用Tenengrad清晰度评价函数，并结合人眼感知以及设定的对焦过程模型，得到所述显微图像对焦评价分数；一张显微图像和该图像对应的对焦评价分数组成一个训练子样本，所有的训练子样本构成训练样本；所述设定的对焦过程模型即对焦评价分数与镜头坐标的变化关系满足高斯函数模型G(x；a,μ,δ)，其中，x为镜头坐标，a为增益，μ为实际焦点坐标，δ为方差；设定每组样本的对焦评价分数S与显微镜头坐标x之间的关系满足高斯函数模型以人眼评判的每组训练样本最佳显微图像对应的镜头坐标为焦点坐标即为设定高斯函数模型中μ的值；任意选择一组样作为基准样本，设定其对焦过程满足其中μ₀为基准样本的焦点坐标，a₀为基准样本的增益，δ₀为基准样本的方差，σ₀为基准样本的均值，且σ₀,a₀＞0；Tenengrad清晰度评价函数评价显微镜头坐标x处采集的显微图像P_x的清晰值为T(P_x)，基准样本的最大清晰度评价值为T_max0，则其他组训练样本的对焦评价分数为其中，为第j种样本第i张图像的评价分数，为第j种样本第i张图像的显微镜头坐标，μ_j为第j组训练样本焦点所对应的显微镜头坐标，T_maxj为第j种样本最大清晰度评价值，T_max0为所述基准样本的最大清晰度评价值；

S2：根据所述训练样本，对以MobileNetV2为骨架网络的深度神经网络进行训练，得到对焦评价模型F_s(x)，该焦评价模型F_s(x)用来计算对焦评价分数；

S3：采集解析样本，并利用所述对焦评价模型F_s(x)，求解对焦过程高斯函数模型的参数其中参数表示预测焦点坐标；所述解析样本由以包括起始对焦点和终止对焦点在内的任意t个对焦点及其对应的图像评价分数构成，t为正整数，且t2；

S4：通过在所述预测焦点坐标的周围预设区域内进行局部搜索得到最终的焦点坐标，该最终的焦点坐标对应的点即为得到的光学显微镜观测物体自动对焦点。

2.如权利要求1所述的一种对焦过程模型可设定的显微镜自动对焦方法，其特征在于：在步骤S1中，所述训练样本由多组显微图像及对应对焦评价分数组成；以显微镜头的最小移动步长为等间隔，在物体成像焦点位置的上下方各采集m张图像，m为大于1的正整数；这m张图像构成一组样本，移动或更换不同物体，按照上述方法采集多组样本；该多组样本即为所述训练样本中的多组显微图像；设定每组样本的对焦评价分数S与显微镜头坐标x之间的关系满足高斯函数模型以人眼感知的每组样本最佳显微图像对应的镜头坐标为焦点坐标，该焦点坐标即为所述高斯函数模型中参数μ的值；任意选择一组样本作为基准样本，该基准样本对焦过程满足其中μ₀为基准样本的焦点坐标，a₀为基准样本的增益，δ₀为基准样本的方差，σ₀为基准样本的均值，且σ₀,a₀＞0；Tenengrad清晰度评价函数在显微镜头坐标x处采集的显微图像P_x对应的清晰评价值为T(P_x)；则其他组样本的对焦评价分数为其中，为第j种样本第i张图像的评价分数，为第j种样本第i张图像的显微镜头坐标，μ_j为第j组训练样本焦点所对应的显微镜头坐标，T_maxj为第j种样本最大清晰度评价值，T_max0为所述基准样本的最大清晰度评价值。

3.如权利要求1所述的一种对焦过程模型可设定的显微镜自动对焦方法，其特征在于：在步骤S2中，所述以MobileNetV2为骨架网络的深度神经网络的输出层神经元个数设置为1；采用训练样本利用指数衰减梯度下降优化器和Glorot统一初始化技术对对焦评价模型进行训练。