[发明专利]一种基于深度学习网络的细菌显微图像分割方法

权利要求书

1.一种基于深度学习网络的细菌显微图像分割方法，其特征在于，包括如下步骤：

1)培养细菌，并在显微镜下按照固定时间间隔拍摄一组细菌生长图片，进行图像预处理，构建彼此之间没有交集的训练集、验证集和测试集，且训练集包括原始图像和相对应的标签图像，验证集和测试集分别只包含原始图像；

2)构建U-Net++模型，其具有编码器模块和解码器模块，编码器模块进行特征提取，解码器模块进行特征还原解码到原图的尺寸，将训练集输入U-Net++模型进行训练，再将验证集输入训练后的U-Net++模型进行验证，得到训练好的U-Net++模型；

3)将测试集输入训练好的U-Net++模型，输出二值化分割图像。

2.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，步骤1)中所述图像预处理包括，先采用ImageJ图像处理软件调整图像的亮度和对比度，再对图像进行批量裁剪操作。

3.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，步骤1)中，采用开源软件Labelme来对细菌生长图片中的细菌进行人工打标签操作得到所述标签图像，并保证原始图像和标签图像一一对应。

4.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，步骤1)中，还包括对所述训练集、所述验证集和所述测试集中的图像进行反转、扭曲、镜像、裁剪操作实现数据集的扩增。

5.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，所述编码器模块包含多个相同结构的编码器子模块，编码器子模块包括两次卷积操作加上一次池化操作。

6.如权利要求5所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，所述卷积操作采用3*3的卷积核，激活函数为leaky Relu，填充方式为samepadding，初始化权重的方法为he_normal；池化操作采用最大池化方案，使用的池化卷积核的大小为2*2。

7.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，所述解码器模块包括多个相同结构的解码器子模块，每个解码器子模块包括一次反卷积操作，一次跳连接参数融合操作和两次卷积操作。

8.如权利要求7所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，所述反卷积操作采用2*2的卷积核，激活函数为leaky Relu，步长为2，填充的方式为samepadding；跳连接参数融合操作是将具有同层相同特征的图像参数进行融合，融合后只增加参数的深度；卷积操作采用3*3的卷积核，激活函数为leaky Relu，填充方式为samepadding，初始化权重的方法为he_normal。

9.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，所述U-Net++模型采用Adam作为优化器，学习率为1*10^-4，损失函数选取二元分类器binary_crossentropy，用准确度作为衡量指标。

10.如权利要求1所述的一种基于深度学习网络的细菌显微图像分割方法，其特征在于，还包括步骤4)将所述U-Net++模型得到的二值化分割图像进行计算细菌的占比，以此得到细菌按时间为横轴的生长情况图。