[发明专利]一种基于并行残差网络的低分辨率细胞超分辨率重建方法

说明书

本发明公开了一种基于并行残差网络的低分辨率细胞超分辨率重建方法。该方法包含：数据集获取，训练集的增强与预处理，训练集的特征提取，超分辨率重建。数据集获取是通过将一张含有多个细胞的图像，分割成多张含有单个细胞的图像。数据集增强的方法是旋转增加数据集数量的方法，预处理是将分割后的高分辨率细胞通过降采样得到低分辨率细胞图像。训练集的特征提取是基于残差块的串联网络和并联卷积网络的结合。超分辨率重建采用的是亚分辨率卷积层。经过测试，本网络对低分辨率（10*10到30*30）的细胞图像细节恢复较完整。

技术领域

本发明涉及图像处理领域以及超分辨率领域，具体涉及一种基于并行残差网络的低像素细胞超分辨率重建方法。

背景技术

细胞在人体中是十分重要的，通常通过显微镜对细胞进行观测。显微镜由于价格高和体积大等缺点，在一些偏远地区无法使用。因此，使用小型廉价的无透镜微流控片上细胞成像是十分有必要的。无透镜成像获取的细胞图像的分辨率很低(10*10到30*30)，有些细胞的细节严重缺失，对微流控采集的细胞进行超分辨率的重建，可以将低分辨率的细胞变为高分辨率的细胞，恢复更多细节方便观察和判断。

超分辨率处理是一种将低分辨率图像通过插值或是重建的方法变成高分辨率图像的方法。插值的方法一般有最邻近插值，线性插值，双线性插值以及双三次插值，这些插值方法是根据图像中分辨率点之间对应的关系进行插值，使图像的分辨率提升。自从2014年提出SRCNN算法，详见文献Dong,C.,et al.,Learning a Deep Convolutional Networkfor Image Super-Resolution,in Computer Vision-Eccv 2014,Pt Iv,D.Fleet,et al.,Editors.2014.p.184-199.对图像进行超分辨率重建后，应用深度学习的方法对图像进行超分辨率操作渐渐代替了插值的方法。该方法虽然相比于传统插值方法更加有效，但仅仅应用了三个卷积层，对于图像中特征值的提取是不够的。VDSR算法，详见文献Kim,J.,etal.,Accurate Image Super-Resolution Using Very Deep Convolutional Networks,in2016Ieee Conference on Computer Vision and Pattern Recognition.2016.p.1646-1654.不仅将卷积层从SRCNN的三层提升到了16层而且在其中加入了残差网络，结果比SRCNN算法有所改善，但存在着耗时长，对输入数据大小有具体限制等缺点。

现在提出的超分辨率方法，一般针对的都是自然风景建筑图像，这类图像的特点就分辨率较高，信息存储量也相对较大。自然风景建筑图像的分辨率一般在200*200以上，而低分辨率细胞的分辨率只有(10*10到30*30)，因此以上方法对低分辨率细胞的超分辨率处理效果不理想。但对低分辨率细胞进行超分辨率处理却是十分重要的，经过超分辨率处理后细胞的细节得到良好的恢复，有利于辅助医生进行细胞的分析和种类的辨识。

发明内容

本发明旨在解决低分辨率细胞图像的超分辨率重建问题。通过12层残差网络以及一个并联卷积网络对低分辨率细胞图像进行特征值的提取，而后通过亚像素卷积层进行高分辨率图像的重建。本发明的技术方案如下：

一种基于并行残差网络的低分辨率细胞超分辨率重建方法，包含以下几个步骤：

步骤S1：通过对包含多个细胞的高分辨率图像进行自适应阈值分割来获取数据集，该数据集包含一系列分割后的大小为H*W的单细胞图像，作为超分辨率重建的原图。

步骤S2：数据集的增强与预处理。数据集的增强采用的是旋转增加数据集数量的方法，预处理是将分割后的原图通过降采样得到低分辨率图像，低分辨率图像的大小为(H/N)*(W/N)，N为放大倍数，通常可以取3、4或5。