一种基于自动特征学的细胞图像分割方法

摘要

本发明涉及一种基于自动特征学的细胞图像分割方法。其特征学的方法由于具有很好的特征学能力，因此能大大提高细胞分割的精确度，同时随机森林分类器不需要对特征进行选择，因此这种方法能够很好地解决识别过程中面临的特征提取和选择的难题。它的步骤为：1）预处理将训练集和测试集中的原始细胞图像进行预处理；2）特征提取器的训练3）识别利用随机森林分类器进行识别；4）后处理。

主权项

一种基于自动特征学习的细胞图像分割方法，其特征是，它的步骤为：1)预处理获取神经细胞原始图像，并将其分为两个图像数量相等的数据库，其中一个数据库作为训练集，另一个数据库作为测试集；并将两个数据库中的原始细胞图像进行预处理；2)特征提取器的训练将预处理之后的训练集中的细胞图像输入到深度卷积神经网络组成的可训练的特征提取器中进行监督学习的训练，训练达到收敛之后停止，此时整个深度卷积神经网络作为一个特征提取器；然后利用该特征提取器对训练集和测试集图像进行特征提取；所述步骤2)中，深度卷积神经网络包括7层，分别是输入层、第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层；其中第一卷积层包括六个面，第二降采样层包含六个面，降采样率为3，第二卷积层包含十二个面，第二降采样层包含十二个面，降采样率为3；在特征映射时的卷积滤波核大小为5*5，设置完这些参数之后就开始利用训练集来训练特征提取器，在训练多轮收敛后停止；3)识别特征提取完后，将深度卷积神经网络的全连接层用随机森林分类器替代，再次利用训练集中的特征提取后的图像对随机森林分类器进行训练；训练完成后，对测试集中的提取特征后的图像利用随机森林分类器进行识别；所述步骤3)中，整个识别过程包括了三个阶段，第一阶段是随机森林分类器训练，第二阶段是利用训练好的随机森林分类器对测试集中的细胞图像利用随机森林分类器进行分类，得到分类之后的概率图；第三个阶段是将随机森林分类之后的概率图进行自动阈值的分割；4)后处理。