一种基于BP神经网络的粪便显微图像清晰度评价方法技术

该发明专利技术公开了一种基于BP神经网络的粪便显微图像的清晰度评价方法，属于机器视觉技术领域，具体一种基于BP神经网络的粪便显微图像清晰度评价方法。通过人工判定出的粪便显微清晰图像和不清晰图像对一个四层的BP神经网络进行训练，获得完整的判定图像清晰程度的神经网络，该方法针对粪便显微图像分层厚、背景复杂的特点，适用于粪便显微图像的自动对焦。

【技术实现步骤摘要】
一种基于BP神经网络的粪便显微图像清晰度评价方法
本专利技术属于机器视觉
，具体一种基于BP神经网络的粪便显微图像清晰度评价方法。本专利技术可用于医学检验、生物研究、精密仪器制造等领域。
技术介绍
图像的清晰度评价是对图像的清晰程度进行量化的计算，在图像分析和识别中具有重要的意义，是整个机器视觉系统能否自动对焦的关键。图像清晰度评价在医学检验、生物研究、工业检测、精密仪器制造等领域获得众多应用。为了使仪器实现自动对焦，通常情况采用的是选择一种清晰度评价函数，作为计算的指标，然后根据一种快速搜索算法如爬山搜索算法、深入优先搜索算法等进行搜索，得到最后的清晰度峰值。粪便显微图像由于粪便样本的特殊性，难以实现完全离心，存在样本分层厚、图像背景复杂、亮度偏暗等特征，传统的清晰度评价方法很难完全使用粪便显微环境下的清晰度评价处理。如Tenegrad梯度法，虽然对比度很高，但是单峰性较差，难以应对样本分层厚度大的特点；而能量梯度法，虽然具有很好的单峰性，但是对比度相对较差，在复杂背景和光照环境下难以满足要求。BP神经网络模型是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。它最大的特点是仅仅借助样本数据，无需建立系统的数学模型，就可以对系统实现高度非线性的映射。由于传统的清晰度评价函数难以满足粪便显微复杂环境下的图像清晰度评价，需要一种清晰度评价方法，同时满足单峰性、对比度、鲁棒性等条件，并适用于粪便显微环境。如果可以用BP神经网络模型，结合多种清晰度评价方法的优点，这样就可以得到一种符合粪便显微环境要求下的新的清晰度评价方法，并且对接下来的粪便显微环境下自动对焦和细胞识别具有非常大的帮助。
技术实现思路
为了解决传统的图像清晰度评价方法无法满足粪便显微图像下的特殊环境，本专利技术的目的在于提供一种鲁棒性强、对比度高、单峰性好的针对粪便显微图像的清晰度评价方法。本专利技术是一种基于BP神经网络的粪便显微图像的清晰度评价方法，采用的具体步骤如下：步骤1：使显微镜对准粪便样本，将显微镜从上到下或从下至上匀速运动，以同样的时间间隔拍摄粪便显微图像对焦过程的一组图片，这组图片肯定包括模糊、清晰、模糊的变化过程，其中每组图片的图片数60>N>40；步骤2：对每组图片进行逐一人工判断，找出每组图片中最清晰的10张图片，并分别对这10张清晰图片赋予0.5-1的清晰度值，其中最清晰的一张或两张图片赋值为1；其余图片根据清晰程度的不同，分别赋值为0-0.5，其中最不清晰的一张或两张图片赋值为0；步骤3：重复步骤1、步骤2，得到M组粪便显微图像对焦过程图片，其中M>100，最终得到M*N张被赋予清晰度值的图片；步骤4：对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数，并保存为第一维数据；Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，其定义如下：D(f)＝∑y∑x|G(x,y)|(G(x,y)>T)其中x代表图像中像素水平方向的位置，y代表图像中像素垂直方向的位置，T表示图像灰度平均值；其中：Gx为Sobel算子水平方向的梯度值，而Gy为Sobel算子垂直方向的梯度值，I表示在该点(x,y)的梯度；步骤5：对每张图像求基于快速小波变换的清晰度评价函数，并保存为第二维数据；式中cLH，cHL和cHH分别表示水平高频系数矩阵、垂直高频系数矩阵和对焦高频系数矩阵，i代表图像中像素水平方向的位置，j代表图像中像素垂直方向的位置，E代表最后的运算结果值；步骤6：对每张图像用基于能量的能量梯度法求解清晰度评价函数，并保存为第三维数据；其表达式为：其中：M，N分别代表图像水平和垂直方向的像素数，x代表图像中像素水平方向的位置，y代表图像中像素垂直方向的位置，f(x,y)代表图像在(x,y)位置上的像素值大小；步骤7：对每张图像用基于离散余弦变换(DCT)的清晰度评价函数，保存为第四维数据，其中二维离散余弦变换为：其中：F(x,y)为M*N的数字图像矩阵，G代表最后的结果，v代表图像中像素水平方向的位置，u代表图像中像素垂直方向的位置，c(u)代表垂直系数，c(v)代表水平系数；步骤8：对每张图像用基于像素灰度值统计信息的信息熵评价法求解清晰度评价函数，并保存为第五维数据，具体表达式为：其中：M，N分别代表图像水平和垂直方向的像素数，x代表图像中像素水平方向的位置，y代表图像中像素垂直方向的位置，I(x,y)代表图像在(x,y)位置上的像素值大小；步骤9：整合上述五个维度的样本输入数据和一个维度的样本输出数据，取其中N*M/2数量的图片数据作为输入样本；步骤10：初始化BP网络，设计一个四层的BP神经网络，分别为输入层X，第一隐含层C1，第二隐含层C2，输出层Y；其中输入层X的节点数对应于五种清晰度评价函数，设置为5；第一隐含层和第二隐含层的节点数分别设置为5和2；而输出层Y的节点数设置为1；步骤11：使用Sigmoid作为隐藏层激活函数，Purelin作为输出层激活函数，将输入层的数值通过网络计算传播到隐藏层，再以相同的方式从隐藏层传播到输出层，即为一次前向传播；步骤12：采用梯度下降法和反向传导算法进行层与层之间连接值的更新，即为一次后向反馈，至此，网络架构阶段完成；步骤13：对BP神经网络输入样本和期望输出，其中输入的样本为：X＝(X1,，X2,，X3,，X4,，X5,)，代表五个维度清晰度评价函数的输入；计算各层的输入和训练误差，再对权值进行修正；步骤14：对每个样本都进行步骤13的处理，即完成一个训练周期；步骤15：计算样本误差指标，误差指标E<ε，则停止训练；其中ε为事先设定的阈值为一个很小的正数；否则重复步骤10-13进行重复训练，直到满足误差为止。进一步的，所述步骤12中学习路设置为0.01；步骤15中ε设置为0.01。进一步的，所述步骤13的具体步骤如下：步骤13-1：输入层的每个节点，都要与隐藏层1的每个节点做点对点的计算，计算的方式是加权求和+激活，其中激活函数采用Sigmoid；步骤13-2：隐藏层1的每个节点需与隐藏层2的每个节点用相同的方式进行计算，逐层传播；步骤13-3：利用隐藏层计算出的每个值，再用相同的方法，和输出层进行计算；其中激活函数采用Purelin；步骤13-4：利用前向传播最后输出的结果来计算误差的偏导数；步骤13-5：再用这个偏导数和前面的隐藏层进行加权求和；步骤13-6：如此从后向前一层一层传递，直到输入层X；步骤13-7：最后利用每个节点求出的偏导数来更新权重，至此为一次训练的过程。本专利技术是一种基于BP神经网络的粪便显微图像清晰度评价方法，通过人工判定出的粪便显微清晰图像和不清晰图像对一个四层的BP神经网络进行训练，获得完整的判定图像清晰程度的神经网络，该方法针对粪便显微图像分层厚、背景复杂的特点，适用于粪便显微图像的自动对焦。附图说明图1是本专利技术提出的粪便显微图像清晰度评价方法获取的总体流程图。图2是对粪便显微图像进行数据预处理的流程图。图3是本专利技术中所使用的BP神经网络流程图。具体实施方式下面结合附图，对本专利技术的一种粪便显微图像清晰度评价方法本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的粪便显微图像的清晰度评价方法，采用的具体步骤如下：步骤1：使显微镜对准粪便样本，将显微镜从上到下或从下至上匀速运动，以同样的时间间隔拍摄粪便显微图像对焦过程的一组图片，这组图片肯定包括模糊、清晰、模糊的变化过程，其中每组图片的图片数60>N>40；步骤2：对每组图片进行逐一人工判断，找出每组图片中最清晰的10张图片，并分别对这10张清晰图片赋予0.5‑1的清晰度值，其中最清晰的一张或两张图片赋值为1；其余图片根据清晰程度的不同，分别赋值为0‑0.5，其中最不清晰的一张或两张图片赋值为0；步骤3：重复步骤1、步骤2，得到M组粪便显微图像对焦过程图片，其中M>100，最终得到M*N张被赋予清晰度值的图片；步骤4：对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数，并保存为第一维数据；Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，其定义如下：D(f)＝∑y∑x|G(x,y)|(G(x,y)>T)其中

【技术特征摘要】
1.一种基于BP神经网络的粪便显微图像的清晰度评价方法，采用的具体步骤如下：步骤1：使显微镜对准粪便样本，将显微镜从上到下或从下至上匀速运动，以同样的时间间隔拍摄粪便显微图像对焦过程的一组图片，这组图片肯定包括模糊、清晰、模糊的变化过程，其中每组图片的图片数60>N>40；步骤2：对每组图片进行逐一人工判断，找出每组图片中最清晰的10张图片，并分别对这10张清晰图片赋予0.5-1的清晰度值，其中最清晰的一张或两张图片赋值为1；其余图片根据清晰程度的不同，分别赋值为0-0.5，其中最不清晰的一张或两张图片赋值为0；步骤3：重复步骤1、步骤2，得到M组粪便显微图像对焦过程图片，其中M>100，最终得到M*N张被赋予清晰度值的图片；步骤4：对每张图像用基于边缘分析的Tenegrad梯度法求解清晰度评价函数，并保存为第一维数据；Tenengrad梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，其定义如下：D(f)＝∑y∑x|G(x,y)|(G(x,y)>T)其中x代表图像中像素水平方向的位置，y代表图像中像素垂直方向的位置，T表示图像灰度平均值；其中：Gx为Sobel算子水平方向的梯度值，而Gy为Sobel算子垂直方向的梯度值，I表示在该点(x,y)的梯度；步骤5：对每张图像求基于快速小波变换的清晰度评价函数，并保存为第二维数据；式中cLH，cHL和cHH分别表示水平高频系数矩阵、垂直高频系数矩阵和对焦高频系数矩阵，i代表图像中像素水平方向的位置，j代表图像中像素垂直方向的位置，E代表最后的运算结果值；步骤6：对每张图像用基于能量的能量梯度法求解清晰度评价函数，并保存为第三维数据；其表达式为：其中：M，N分别代表图像水平和垂直方向的像素数，x代表图像中像素水平方向的位置，y代表图像中像素垂直方向的位置，f(x,y)代表图像在(x,y)位置上的像素值大小；步骤7：对每张图像用基于离散余弦变换的清晰度评价函数，保存为第四维数据，其中二维离散余弦变换为：其中：F(x,y)为M*N的数字图像矩阵，G代表最后的结果，v代表图像中像素水平方向的位置，u代表图像中像素垂直方向的位置，c(u)代表垂直系数，c(v)代表水平系数；步骤8：对每张图像用基于像素灰度值统计信息的信息熵评价法求解清晰度评价函数，并保存为第五维数据，具体表达式为：其中：M，N分别代表图像水平...

【专利技术属性】
技术研发人员：张静，邓鼎文，杨浩，金松，王祥舟，杜晓辉，刘娟秀，倪光明，刘霖，刘永，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51