[发明专利]一种智能显微镜图像质量增强复原方法

权利要求书

1.一种智能显微镜图像质量增强复原方法，其特征在于：其方法如下：

A、获取患者的血细胞涂片；

B、搭建显微镜成像系统A对血细胞涂片进行成像处理得到图像集P1，搭建显微镜成像系统B对血细胞涂片进行成像处理得到图像集P2，图像集P2的成像图像质量高于图像集P1的成像图像质量；通过模板匹配模块分别对图像集P1、图像集P2进行匹配并分别得到数据集D1、数据集D2，分别对数据集D1、数据集D2进行旋转增强处理；

C、构建全卷积神经网络，全卷积神经网络以数据集D2、数据集D1作为训练数据，全卷积神经网络以数据集D2对数据集D1进行质量增强复原处理、复原学习及训练，将数据集D1图像质量增强复原至数据集D2相等或相近图像质量，得到学习训练后的全卷积神经网络；

D、采用显微镜成像系统A或显微镜成像系统A1对血细胞涂片进行成像处理并得到数据集P3，通过模板匹配模块分别对图像集P3进行匹配并分别得到数据集D3，将数据集D3输入到全卷积神经网络进行图像质量增强复原处理并得到图像质量增强后的数据集D3。

2.按照权利要求1所述的一种智能显微镜图像质量增强复原方法，其特征在于：在步骤C中，全卷积神经网络结构包括生成器网络、判别器网络和VGG网络，全卷积神经网络包括四个损失函数，四个损失函数分别为颜色损失函数L_color、内容损失函数L_content、总变化差异损失函数L_tv和纹理损失函数L_texture；

生成器网络包括一个9×9×64的卷积层、四个相同的残差块，每个残差块依次进行卷积、批归一化、卷积、批归一化操作，然后再经过三层卷积最终得到输出；生成器网络的输入为数据集D1，输出为增强后的图片集D1；

将生成器网络的图片集D1与数据集D2进行运算来计算颜色损失与总变化差异损失；

判别器网络结构包括两个卷积层，一个batch批归一化操作，再接一个卷积层，接一个batch批归一化操作，再接一个卷积层，接一个batch批归一化操作，再接一个卷积层，接一个batch批归一化操作，最后接一个全连接层；判别器网络的输入为数据集D2和图片集D1，输出为计算得到的纹理损失；

将数据集D2和图片集D1作为VGG网络的输入，输出计算内容损失；

全卷积神经网络设置batch_size参数为8，学习率参数为5e-4，训练次数epoch为200，每次训练包含的步数为10；全卷积神经网络不断优化网络模型参数，使最终输出图像达到数据集D2相等或相近图像质量。

3.按照权利要求1所述的一种智能显微镜图像质量增强复原方法，其特征在于：显微镜成像系统A包括光源、步进电机、驱动器、显微镜主体和普通相机，普通相机安装于显微镜主体上，显微镜主体安装于步进电机上，显微镜成像系统A1与显微镜成像系统A结构相同，显微镜成像系统A1成像图像质量等于或略低于或略高于显微镜成像系统A成像图像质量；显微镜成像系统A或显微镜成像系统A1的成像处理方法如下：

B1、选用100倍油浸物镜，置于显微镜主体的显微镜物镜转换器的工作位置，将血细胞涂片固定于显微镜主体的显微镜载物台上，打开位于显微镜主体的显微镜底部的光源，使其光线对准血细胞涂片照射；将普通相机与显微镜主体的显微镜目镜顶端连接，将普通相机采集并得到图像集P1。

4.按照权利要求3所述的一种智能显微镜图像质量增强复原方法，其特征在于：还包括显微成像运动控制模块A，显微成像运动控制模块A与驱动器、步进电机连接，步进电机与显微镜载物台动力连接，显微成像运动控制模块A用于控制驱动器、步进电机并驱动显微镜载物台移动。

5.按照权利要求4所述的一种智能显微镜图像质量增强复原方法，其特征在于：显微成像运动控制模块A还包括自动对焦控制模块，自动对焦控制模块与普通相机连接，自动对焦控制模块用于移动显微镜载物台并实现制动对焦作业。