[发明专利]一种基于深度学习的显微图像自动聚焦方法及装置

权利要求书

1.一种基于深度学习的显微图像自动聚焦方法，其特征在于，包括：

获取若干原始显微图像；

基于图像清晰度特征将所述若干原始显微图像分成训练集和测试集；所述训练集和测试集的具体生成过程为：

基于Laplacian梯度计算每张原始显微图像的图像清晰度特征基于SMD灰度方差计算每张原始显微图像的图像清晰度特征得到所述若干原始显微图像的特征集合N为正整数；

基于显微镜载物平台获取每张原始显微图像到沿平台Z轴移动至聚焦最清晰位置时的移动距离值s，并对所述移动距离值s进行归一化处理，得到每张原始显微图像的标签y^N，从而获得所述若干原始显微图像的标签集合Y＝{y¹,y²,....,y^N}，N为正整数；

所述若干原始显微图像的特征集合X，标签集合Y构成的集合{X，Y}形成深度学习模型的图像集，并将所述图像集随机的划分为训练集和测试集；

利用训练集对搭建的深度学习模型进行训练，以确定所述深度学习模型的权重参数和输入到输出的映射关系；

利用训练好的深度学习模型对测试集进行自动聚焦，若输出标签值为-1，则当前图像处于近焦区，显微镜载物平台需沿平台Z轴向下移动；若输出标签值为1，则当前图像处于远焦区，显微镜载物平台需沿平台Z轴向上移动；若输出标签值为0，则图像已准确聚焦；

输出标签值为-1和1的图像，将显微镜载物平台需沿平台Z轴向下或向上移动后，再次获取图像并输入训练好的深度学习模型进行自动聚焦，直至输出的标签值为0。

2.如权利要求1所述的基于深度学习的显微图像自动聚焦方法，其特征在于，所述原始显微图像为利用显微图像采集设备在平台Z轴不同位置下拍摄的显微图像。

3.如权利要求1所述的基于深度学习的显微图像自动聚焦方法，其特征在于，所述图像清晰度特征计算公式如下：

式中，为基于Laplacian梯度的图像清晰度特征；f(x,y)是显微图像f对应像素点(x,y)的灰度值；*为卷积操作；L为Laplacian算子；Q和P分别为行数和列数；

所述图像清晰度特征计算公式如下：

式中，为基于SMD灰度方差的图像清晰度特征；f(x,y)为显微图像f对应像素点(x,y)的灰度值；f(x+1,y)为显微图像第x+1行、第y列像素的灰度值，f(x,y-1)为显微图像第x行、第y-1列像素的灰度值；Q和P分别为行数和列数。

4.如权利要求1所述的基于深度学习的显微图像自动聚焦方法，其特征在于，所述深度学习模型为轻量级深层神经网络模型，依次包括：

输入层，用于将输入的显微图像转换成灰度图像；

特征提取与处理层，用于提取输入的显微图像的特征，并用于降低特征的维度；

输出层，用于对显微图像特征进行分类以输出标签值。

5.如权利要求4所述的基于深度学习的显微图像自动聚焦方法，其特征在于，所述特征提取与处理层包括若干层交叉分布的卷积处理层和池化层；所述输出层为1层softmax层。

6.如权利要求5所述的基于深度学习的显微图像自动聚焦方法，其特征在于，所述卷积处理层包括若干卷积层和若干fire多卷积层；

所述fire多卷积层包括1个squeeze层和2个expand层，用于对输入的特征矩阵进行多通道卷积操作，

式中，F_g(x,y,z)为多通道卷积输出特征矩阵中的元素；F(x,y,z)为多通道输入特征矩阵中的元素；x,y分别为特征矩阵中的第x行、第y列，z为特征矩阵中的第z个通道；H(a,b,c)为多通道卷积核中的元素，a,b分别为卷积核中的第a行、第b列，c为多通道卷积核中的第c个通道；I为多通道输入特征矩阵的大小；J为多通道卷积核的大小。