[发明专利]基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法

权利要求书

1.基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法，其特征在于，包括以下步骤：

11）小麦赤霉病孢子识别图像的获取：获取小麦赤霉病孢子的识别图像并进行预处理；

12）CRF_ResUnet++网络的构建：在Unet++的编码器中引入残差块并引入Resnet优化成ResUnet++，再结合CRF模块构建出CRF_ResUnet++网络；

所述CRF_ResUnet++网络的构建包括以下步骤：

121）基于Unet++网络构建CRF_ResUnet++网络，设定CRF_ResUnet++网络包括五个部分：

第一部分为ResNet残差块模块；

第二部分为上采样模块，上采样模块用于提取输入显微图像的深层语义信息；

第三部分为下采样模块，下采样模块通过对图像的显示区域进行自适应大小缩放，使其生成相对应的缩略图；

第四部分为跳跃链接模块，跳跃链接模块对Unet++网络在对深层特征和浅层特征分别进行上采样和下采样后进行密集的跳跃连接，使其和卷积模块所提取的特征实现层层融合；

第五部分为全连接条件随机场CRF，通过对当前像素及其周围区域的像素灰度值条件下，建立目标像素的条件概率，利用条件概率描述每个像素对应其类别的概率，将每个像素256*256对应的2个类别构成256*256*2种矩阵，利用全连接条件随机场在256*256*2种矩阵中，将目标像素对应的矩阵发生能量与所有矩阵发生能量的相互关系进行比较，对结果进行进一步精细化分割；

122）设定ResNet残差块模块：

设定ResNet残差块的每个基本块包含：两个3*3卷积层用于特征提取，池化层用于特征降维，反卷积层将input扩大提升信息量，特征融合层实现各层特征融合，批量归一化层实现输出特征同一维度，整流线性单元层通过降低特征图防止网络梯度爆炸；

设定ResNet残差块模块的每个基本块包含两个3×3卷积，加入批处理归一化层以加速网络学习，并在下采样中加入最大池化；

ResNet包括3*3卷积层、池化层、反卷积层、特征融合层、批量归一化层、整流线性单元层，其表达式如下：

，

，

，

，

，

，

其中，W、、b、K分别表示卷积核、反卷积核、偏置核、池化核，表示网络的特征输入，表示输入特征经过3*3卷积块进行特征映射后的输出，表示输入特征经过反卷积层的特征映射输出，为反卷积层的偏置核与输入的计算公式，为反卷积层映射结果的特征融合输出，为批量归一化层对输出的特征进行维度统一后的输出，为对输出特征图进行整流线性处理的计算公式；F_concatenate是指将多个输入张量按照通道维度进行拼接，得到一个输出张量的操作；

当将池化核应用于采样特征时，在采样面积最大值对应的位置池化核为1，其他位置池化核为0；

123）设定全连接条件随机场CRF：

设定固定尺寸输入图任务中，各像素i都具备一个种类标签M，并将类别标签分为两种类型：赤霉病孢子与非赤霉病孢子的关系；

根据不同的分类要求得到一系列的子区域，即标签Y={Y1,Y2}的序列集合，每一个像素点都是一个节点，以像素间连线为边缘，组成一个完全无向的图形；

序列和，标签即构成CRF的两个序列集合，T值小于输入的赤霉病孢子序列图像尺寸大小，其代表对应图像中真实标签序列，

即给每一个像素点对应的分类标签；随后利用变量T值的变化判断像素i的类别标签；CRF服从吉布斯分布式，计算公式如下：

，

式中， 表示序列M里节点v，边e和t为M内最大团及最大团势函数，为规范化因子，其值为该系列中最大团总和；吉布斯能量函数如下式：

，

P（M/T）是矩阵的能量计算公式，Z（T）是归一化因子，计算归一化的概率分布；Mt是系列M的随机取值，E（M/T）是整体矩阵能量和标签矩阵能量的比值，用以判定分割区域；

124）在UNet++网络的后端，即跳跃链接模块后连接全连接随机场CRF，在提高输入图像像素之间关联性的同时达到更准确地分割赤霉病孢子边缘轮廓的目的；13）CRF_ResUnet++网络的训练：将预处理后的小麦赤霉病孢子识别图像输入CRF_ResUnet++网络进行训练；

14）待分割小麦赤霉病孢子图像的获取：获取待分割小麦赤霉病孢子图像并进行预处理；

15）小麦赤霉病孢子分割结果的获得：将预处理后的待分割小麦赤霉病孢子图像输入训练后的CRF_ResUnet++网络，得到小麦赤霉病孢子分割结果。