[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

说明书

本发明公开了一种基于卷积神经网络的无透镜全息显微微粒表征方法。该方法的步骤为：S1先采集暗场图像，然后采集光源均匀照射下的明场图像；S3在传感器上方放置样本，采集不同折射率的样本的显微图像，并标注每张图像对应的折射率；S3对所有全息显微图像进行平场校正；S4计算图像中所有微粒的中心，并切割各个微粒的图像；S5清洗切割后的所有图像，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。本发明的方法可以对大视场下的生物样本进行快速、方便、准确的表征。

技术领域

本发明属于显微图像领域，尤其涉及一种基于卷积神经网络的无透镜全息显微微粒表征方法。

背景技术

无透镜全息显微镜近年来已经成为新的成像技术。传统的光学显微镜为了获得高分辨率，必须使用放大倍率的物镜与目镜，才得以观察到微小的生物图像。而无透镜全息显微，完全摒弃了光学镜头，直接对透过物体的光线采样。作为数字全息技术，通过传感器的感光阵列捕捉光线，并通过光电转化显示图像信息，后续可方便地进行图像处理。此外，无透镜全息显微的结构紧凑，并具有与成像传感器一致大小的视场，为资源有限的环境中大视场下多微粒的同时表征提供了一种可能的解决方案。

定位和表征胶体粒子对于生物医学、流体力学、软物质物理学等领域的研究有着重要意义。通常这类研究都利用全息显微技术，结合光传播理论和光散射理论，从显微图像中获取有用信息。先前的一些解决表征和追踪胶体粒子或其他软物质的工作，都以标准倒置光学显微为基础，并利用散射理论、光的传播理论来定量地分析单个粒子的全息显微图像，并得到粒子精确的空间信息、尺寸信息以及其折射率。此方法被延伸使用至胶体凝聚体、蛋白质凝聚体以及水质中各类微粒或其凝聚物的表征中，可以得到它们的等效折射率，以此区别于其他悬浮物。为了将全息图更好地拟合至对应的散射理论，上述技术均采用启发式算法，如最小二乘方法进行迭代计算，这通常是耗时、计算复杂度高的方法。

近年来，随着机器学习和深度学习的普及与发展，机器学习与深度学习也逐渐运用于无透镜显微及对胶体粒子的研究中。得益于卷积神经网络的快速性和高效性，无透镜显微领域中的自动对焦算法可由深度卷积神经网络快速地等效实现，对胶体粒子的追踪也可由深度卷积神经网络完成，而现有对各类微粒的表征仍采用上述的启发式算法，进行复杂且耗时的迭代，这已经远远不能满足需求。

发明内容

针对以上现有技术中存在的缺陷，本发明的目的在于提供一种基于卷积神经网络的无透镜全息显微微粒表征方法。

本发明采用的技术方案为：

一种基于卷积神经网络的无透镜全息显微微粒表征方法，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。

进一步地，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。

进一步地，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。