[发明专利]一种基于卷积神经网络的无透镜全息显微微粒表征方法

权利要求书

1.一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，包括如下步骤：

S1，先采集暗场图像，然后采集光源均匀照射下的明场图像；

S2，在传感器上方放置微粒悬浮液，并保证微粒悬浮液到传感器的距离远小于微粒悬浮液到光源的距离；打开光源，采集不同折射率的微粒悬浮液的显微图像，并标注每张图像对应的折射率；

S3，对步骤S2采集的所有显微图像进行平场校正；

S4，对平场校正后的每张显微图像计算所有微粒在平面内的位置，并作为中心，以固定尺寸为半径，切割各个微粒的图像；

S5，将切割后的所有图像清洗后，随机分为训练集、验证集和测试集；将训练集作为卷积神经网络的输入，训练分类网络，在验证集上验证效果训练参数，最后在测试集上测试分类效果，微粒对应的分类标签即为微粒的折射率表征结果。

2.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S2中，先将微粒悬浮液稀释至几乎没有微粒重合的程度，微粒随机分布于悬浮液中。

3.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S2中，每次采集拍摄的显微图像只包含一种折射率的微粒，每种折射率的悬浮液随机取若干滴，分别拍摄多组图像。

4.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S3中，平场校正的具体方法为：将采集的暗场图像表示为I_d，采集的明场图像表示为I₀，采集的图像序列中的任意一张全息图表示为I，则对全息图I进行平场校正后的图像b表示为：

5.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S4中，利用方向对准变换方法计算所有微粒的中心，并根据卷积神经网络的输入尺寸进行相同尺寸的裁剪，得到相同尺寸的数据集；其中，方向对准变换方法的具体步骤为：

(1)进行方向对准变换

将平场校正后的图像b(r)与Savitzky-Golay滤波器卷积得到梯度图像r为表示坐标的矢量，平场校正后的图像b(r)中梯度的空间变化方向ψ(r)为：

其中表示梯度的幅度值，表示梯度图中每一个像素所指定的方向与x轴的夹角，ψ(r)的相位分布在[0，2π]；将ψ(r)与一个对称的转换核

作卷积，其中θ表示K(r)的相位，并且K(r)的相位与ψ(r)的相位是相互补充的关系，即对应于每个像素点，K(r)的相位与ψ(r)的相位的和为2π；r表示衰减因子，确保每个像素点对其中心的估计具有相等的权重；

卷积运算后得到

Ψ(r)＝∫K(r-r′)ψ(r′)d²r′

Ψ(r)即为进行方向对准变换后得到的复振幅图；

(2)亚像素定位

对步骤(1)得到的复振幅图Ψ(r)取模的平方|Ψ(r)|²，表示方向对准变换后的强度图；因此平场校正后的图像b(r)的微粒中心转换成方向对准变换后的强度图|Ψ(r)|²的亮度中心，通过设定合适的阈值挑选出图像中的局部亮度较大值即前景图像，将图像二值化；然后标记二值图像的八连通区域，每个连通区域标记类别标签；按照标记结果，分别对每个连通区域进行扫描，存储区域内每个像素的坐标和方向对准变换后的强度值；最后计算出每个连通区域内的亮度中心位置，亮度中心的位置通过连通的像素点的坐标的加权平均得到，加权系数由每个像素点的亮度决定，亮度越大则权值越高，每个亮度中心即代表了一个微粒的中心。

6.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S5中，采用的卷积神经网络为深度残差网络。

7.根据权利要求1所述的一种基于卷积神经网络的无透镜全息显微微粒表征方法，其特征在于，所述步骤S5中，按照7∶2∶1的比例将清洗后的图像随机分为训练集、验证集和测试集。