[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

说明书

本发明公开一种基于深度学习的显微图像自动聚焦方法及装置，该自动聚焦方法采用深度学习技术，对待聚焦图像进行图像清晰度评估，同时获取待聚焦图像在最清晰聚焦面的近焦区还是远焦区，进而给出调焦过程需要移动的方向，最终获得聚焦好的图像。本发明提供的方法避免了自动聚焦过程中反复移动带来的回程误差，在保证聚焦精度的同时，大大提高了聚焦的速度。

技术领域

本发明涉及图像处理与模式识别技术领域，尤其是一种基于深度学习的显微图像自动聚焦方法及装置。

背景技术

基于图像处理的自动聚焦算法由于具有速度快、精度高、成本低和体积小等优点，已经成为了现代自动聚焦技术发展的主流。现有的基于图像处理的自动聚焦技术主要包括两类：离焦深度法(IDA)和对焦深度法(IFA)。离焦深度法(IDA)是指建立光学系统的离焦模型，对离焦图像进行分析处理后，计算出弥散斑大小，进而获得深度信息，它的缺点是精度不够，误差较大，还需要精确的相机特性参数。对焦深度法(IFA)是指建立在搜索过程上，对需要采集的图像的清晰度进行评价，找到评价值最大时镜头的坐标。对焦深度法主要涉及对焦评价函数的选择、对焦窗口的选择以及对焦搜索策略的制定，其中对焦搜索策略对聚焦性能的优劣起着决定性的作用，目前的大部分对焦搜索策略都存在通用性较差，速率较慢的缺点，不适用于精度较高的显微镜自动聚焦。

现有的方法，如一种基于机器学习的显微镜细胞载玻片扫描自动聚焦方法(公布号CN105652429)，根据细胞载玻片情况选择扫描路径；在机器学习阶段，计算出变步爬山法的步长、门限值以及低灰度值统计法的阈值；在聚焦阶段，选定聚焦策略，经过试探判断焦点方向后进行移动，最后到达焦点位置完成聚焦。但是，该方法存在速率较慢的问题。如一种基于机器学习的光学显微镜自动聚焦方法(公布号CN109507792)，利用光学显微镜采集图片并计算图片的原始特征和组合特征，基于原始特征和组合特征，利用回归树构成的随机森林结合设置的阈值进行迭代训练，得到显微镜需要移动的方向和步长。该基于深度学习的方法计算了大量的特征，虽然在聚焦精度上有较大的提升，但确大大增加了聚焦所需的时间。

因此，现有的自动聚焦技术存在聚焦精度低、聚焦速度慢、计算量大、计算速度慢、通用性差、成本高以及体积大等问题。

发明内容

本发明提供一种基于深度学习的显微图像自动聚焦方法及装置，用于克服现有技术中聚焦精度低、聚焦速度慢、计算量大、计算速度慢、通用性差、成本高以及体积大等缺陷，实现聚焦方法的聚焦精度高、聚焦速度快、计算量较小、计算速度快、通用性好、成本较低以及体积较小。

为实现上述目的，本发明提出一种基于深度学习的显微图像自动聚焦方法，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；

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。

为实现上述目的，本发明还提出一种基于深度学习的显微图像自动聚焦装置，包括：

图像获取模块，用于获取若干原始显微图像；

图像处理模块，用于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；

模型训练模块，用于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；