[发明专利]一种基于像素预测增强的宫颈细胞图像分割方法

权利要求书

1.一种基于像素预测增强的宫颈细胞图像分割方法，其特征在于，包括如下步骤：

(1)输入单个宫颈细胞原始图像；

(2)将宫颈细胞原始图像转换到CIELAB色彩空间，再抽取L*通道，得到灰度细胞图像；

(3)使用自适应形态学滤波法对灰度细胞图像进行降噪处理；

(4)采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割；

(5)利用算子提取U-net分割后图像的边缘，再根据细胞边缘线，确定边缘搜索区；

(6)对边缘搜索区像素再采用DenseNet网络进行判别，得到更为准确的细胞核和细胞质分割结果。

2.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方法，其特征在于，所述步骤(2)的具体步骤为：

(2-1)将宫颈细胞原始图像转换到CIELAB色彩空间；

(2-2)从CIELAB色彩空间的宫颈细胞原始图像抽取亮度通道L*通道；

(2-3)将L*通道的宫颈细胞图像素归一化到[0，255]之间，得到原始宫颈细胞的灰度细胞图像。

3.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方法，其特征在于，所述步骤(3)的具体步骤为：

(3-1)定义灰度细胞图像像素元素均包含在集合I中；

(3-2)定义非局部结构元素SE_I，k，定义稀疏非局部形态学膨胀算子为：

定义稀疏非局部形态学腐蚀算子为：

其中，

x∈E，E为图像像素空域空间；W_I(x，y)是形态学权重系统的稀疏矩阵，y是由结构元素SE_I，k引入的空域邻居；

(3-3)基于灰度细胞图像局部模内信息进行计算，卷积算子为非局部形态学腐蚀膨胀，将I与SEs进行卷积计算从而得到滤波后图像。

4.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方灰度法，其特征在于，所述步骤(4)的具体步骤为：

(4-1)将宫颈细胞原始图像尺寸切割，变换成572×572大小的图像；

(4-2)训练U-net网络，先通过确定左右边界方法找到合适的学习率区间，再用循环学习率方法来训练模型，确定网络最佳参数；

(4-3)用训练好的U-net网络对去噪后的宫颈细胞图像进行分割：先进行采用池化层进行图像特征提取，得到5个不同尺度的抽象特征：再进行上采样，每次上采样与特征提取部分对应尺寸的尺度进行融合；融合之前先裁剪再拼接。

5.根据权利要求1所述的基于像素预测增强的宫颈细胞图像分割方法，其特征在于，所述步骤(5)的具体步骤为：

(5-1)以边缘线上的像素点为中心画正方形，后将所有正方形组成一个搜索带，与搜索带相交的像素列入候选像素集合；

(5-2)根据U-net分割后图像中的细胞核、细胞质边缘，找出边缘附近的元素，用DenseNet网络预测边缘候选元素的标签以提升细胞分割准确率。