[发明专利]一种细胞图像分类用模型构建方法

摘要

本发明涉及一种细胞图像分类用模型构建方法。针对现有尿沉渣识别技术在真实使用场景中的局限性，尤其是多种类时准确率不高、识别速度不足以应对实际生产需要等方面的问题提出了基于多模型混合识别的尿液有形成分细胞高效分类算法。在本发明中，基于多模型混合识别的尿液有形成分细胞高效分类算法及软件实现的内容包括了四部分：数据预处理、获得训练模型、阈值控制判断后获得识别结果、图片识别与加速。

主权项

一种细胞图像分类用模型构建方法，其特征在于，方法包括：步骤一、图像预处理(1)将细胞图像集A中的多幅图像分为两组，其中宽w和高h满足式(1)的图像组成第一组图像集，宽w和高h满足式(2)的图像组成第二组图像集：w≤80h≤80---(1)]]>w>80h∈(20,400)orh>80w∈(20,400)---(2);]]>(2)根据细胞的生物学特征对各组图像集中的多幅图像进行分类，得到多个粗分类，对各粗分类进行细分类，得到各粗分类的细分类；(3)对细胞图像集A中的多幅图像分别进行放大处理：对于第一组图像集中的任一图像放大处理方法为：将原图像的长边w放大至M像素，M≦100,接着将同一图像的短边放大(M/w)倍得到该图像的预备图像，然后以预备图像的中心为基点，对原图像与预备图像之间的空白进行填充，填充用的像素点为原图像四个角的像素值平均值；对于第二组图像集中的任一图像放大处理方法为：将原图像的长边w放大至N像素，140≦N≦526,接着将同一图像的短边放大(N/w)倍得到该图像的预备图像，然后以预备图像的中心为基点，对原图像与预备图像之间的空白进行填充，填充用的像素点为原图像四个角的像素值平均值；(4)利用Alexnet网络对步骤一放大处理后的第一组图像集和第二组图像集分别进行训练，得到第一组图像集的识别模型文件和第二组图像集的识别模型文件；(5)计算细胞图像集A的所有细分类中任意两个细分类之间的距离；得到距离最近的两个细分类，分别记为θ1细分类和θ2细分类，步骤二，构建细胞图像集B，所述细胞图像集B的所有细分类与细胞图像集A的细分类种类相同，并且细胞图像集B的θ1细分类中的图像数量与细胞图像集A的θ1细分类的图像数量相同,细胞图像集B的θ2细分类的图像数量与细胞图像集A的θ2细分类的图像数量相同,细胞图像集B的其他细分类中的图像数量为细胞图像集A中相同细分类的图像数量的四分之一；步骤三，对细胞图像集B进行步骤一(1)、(3)处理，得到第三组图像集和第四组图像集；利用Alexnet网络在第一组图像集的识别模型文件和第二组图像集的识别模型文件的基础上对经步骤一(1)、(3)处理后的图像集B进行训练，得到第三组图像集的识别模型文件和第四组图像集的识别模型文件，所述第三组图像集的识别模型文件和第四组图像集的识别模型为细胞图像分类用模型。