基于深度学习的荧光编码微球图像生成及标注方法技术

本发明专利技术涉及计算机视觉的图像处理，为针对基于有监督式学习的荧光编码微球识别算法训练过程中存在的带标签训练集不足问题，提高识别算法准确度，本发明专利技术，基于深度学习的荧光编码微球图像生成及标注方法,步骤如下：步骤1：约束值设置；步骤2：图像标签随机生成；步骤3：训练样本集与测试集建立；步骤4：构建循环生成对抗网络CycleGAN；步骤5：CycleGAN训练；步骤6：网络性能评估；步骤7：图像生成。本发明专利技术主要应用于计算机图像处理场合。

Image Generation and Annotation of Fluorescent Coded Microspheres Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的荧光编码微球图像生成及标注方法
本专利技术涉及计算机视觉的图像处理领域，尤其涉及一种基于循环生成对抗网络(Cycle-ConsistentAdversarialNetworks，CycleGAN)的荧光编码微球图像生成及标注方法。具体涉及基于深度学习的荧光编码微球图像生成及标注方法。
技术介绍
近年来，深度学习技术在计算机视觉、语音识别、自然语言处理等诸多领域取得了突破性进展。2014年Goodfellow等人受博弈论中二人零和博弈概念启发，提出生成对抗网络(GenerativeAdversarialNetworks，GAN)，引发业界广泛关注。目前GAN已经在图像生成、图像分割、图像风格迁移等领域得到了大量应用。GAN包含一个以随机噪声作为输入生成图片的生成模型(GenerateModel)G，和一个以图片作为输入判断其真实性的鉴别模型(DiscriminalModel)D。在训练过程中，生成网络G将尽量生成真实的图片去欺骗鉴别网络D。而D将尽量把G生成的图片和真实的图片分别开来，G和D构成了一个动态的“博弈过程”。在反复训练迭代后，在理想状态下，G将生成足够贴合真实本文档来自技高网...

【技术保护点】
1.一种基于深度学习的荧光编码微球图像生成及标注方法，其特征是，步骤如下：步骤1：约束值设置。在计算机中手动设置微球数量范围、微球大小范围、微球荧光编码值范围、运动区域四种约束参数；步骤2：图像标签随机生成。基于步骤1中设置约束参数随机生成1组荧光编码微球图像参数，作为图像标签；步骤3：训练样本集与测试集建立，首先将真实荧光编码微球图像裁剪为256*256大小图像，重复步骤2，生成大量图像标签，然后利用计算机脚本，生成与图像标签一一对应的256*256大小的原始合成图像，以0.8:0.2比例随机划分为两部分，其中0.8比例部分与真实图像合并作为训练样本集，用于模型训练；0.2比例部分作为验证样...

【技术特征摘要】
1.一种基于深度学习的荧光编码微球图像生成及标注方法，其特征是，步骤如下：步骤1：约束值设置。在计算机中手动设置微球数量范围、微球大小范围、微球荧光编码值范围、运动区域四种约束参数；步骤2：图像标签随机生成。基于步骤1中设置约束参数随机生成1组荧光编码微球图像参数，作为图像标签；步骤3：训练样本集与测试集建立，首先将真实荧光编码微球图像裁剪为256*256大小图像，重复步骤2，生成大量图像标签，然后利用计算机脚本，生成与图像标签一一对应的256*256大小的原始合成图像，以0.8:0.2比例随机划分为两部分，其中0.8比例部分与真实图像合并作为训练样本集，用于模型训练；0.2比例部分作为验证样本集，用于模型评估；步骤4：构建循环生成对抗网络CycleGAN，该CycleGAN由包括从X到Y正向生成网络与Y鉴别网络的正向GAN、和包括从Y到X的反向生成网络与X鉴别网络的反向GAN构成，生成网络用于实现样本空间转换并生成图像，鉴别网络用于判断输入图像是否属于相应样本空间；步骤5：CycleGAN训练，CycleGAN的训练过程用下式表示：其中G*表示正向生成网络最优解、F*表示反向生成网络最优解，训练过程视为以下两步骤的迭代过程：步骤一是基于预设鉴别网络学习率超参数值，利用梯度下降法更新鉴别网络结点参数值，生成网络结点参数值保持不变；步骤二是基于预设生成网络学习率超参数值，利用梯度下降法更新生成网络结点参数值，鉴别网络结点参数值保持不变。训练迭代过程为：执行步骤一多次后，执行步骤二一次，重复该迭代过程，直至训练完毕；步骤6：网络性能评估。将验证样本逐个输入步骤5中训练完成的CycleGAN中，评估网络性能，如性能不佳，重复步骤2、3生成更多训练样本，继续网络训练；步骤7：图像生成。将训练完成的正向生成网络模型参数导出，利用1组随机生成图像标签生成1组原始合成图像和标签数据，然后将原始合成图像作为已导出的正向生成网络输入，生成1组与标签数据相对应的近真实荧光编码微球图像。2.如权利要求1所述的基于深度学习的荧光编码微球图像生成及标注方法，其特征是，鉴别网络具体结构是；网络损失函数为：L(G,F,DX,DY)＝LGAN1(G,DY,X,Y)+LGAN2(F,DX,Y,X)+λLcyc(G,F)其中，上述公式中，LGAN1为正向GAN的损失函数，LGAN2为反向GAN的损失函数，Lcyc为循环一致性损失函数；G表示正向生成网络，F表示反向生成网络，DY表示Y鉴别网络，DX表示X鉴别网络，X表示原始合成图像分布域，Y表示真实图像分布域，x表示训练样本集中原始合成图像样本，y表示训练样本集中真实图像样本，λ表示正向GAN和反向GAN的循环一致性损失权重，为可调整参数；DY(y)表示Y鉴别网络判断样本y来自分布Y的概率，DX(x)表示X鉴别网络判断样本x来自分布X的概率，DY(G(x))表示Y鉴别网络判断G(x)来自分布Y的概率，DX(F(y))表示X鉴别网络判断F(y)来自分布X的概率。3.如权利要求1所述的基于深度学习的荧光编码微球图像生...

【专利技术属性】
技术研发人员：史再峰，刘铭赫，曹清洁，高静，王荣，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12