多光谱荧光图像识别方法、装置以及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种多光谱荧光图像识别方法，针对活体小动物荧光图像采集设计一种更优的卷积神经网络图像智能识别方法。在预处理的过程中针对多光谱图像进行图像转换和裁剪，减小了神经网络的计算量；在卷积神经网络训练过程中，针对选用的多个波长训练卷积神经网络并遴选一组最优的网络参数，避免了多多光谱荧光图像反复多轮的神经网络训练，大大提高了训练速度和荧光图像识别效率。速度和荧光图像识别效率。速度和荧光图像识别效率。

【技术实现步骤摘要】
多光谱荧光图像识别方法、装置以及计算机可读存储介质


[0001]本专利技术涉及图像处理
，特别是涉及一种多光谱荧光图像识别方法、装置以及计算机可读存储介质。

技术介绍

[0002]在荧光图像目标识别领域，通常采用Haar特征的图像处理算法对荧光图像进行特征提取。在实际操作过程中，Haar特征首先定义四种用于表征图像边缘的基本特征，然后扩展生成八种描述图像的线性特征和两种中心环绕特征，基于上述十四种特征对荧光图像进行特征提取。虽然，Haar特征可以比较有效地区识别不同图像区域的灰度值，但是对光照条件比较敏感。
[0003]应用于活体小动物实验的多光谱荧光图像采集设备往往采用在暗室或者封闭设备中的多个波段激发光谱下的激发光对荧光标记的小动物进行照射拍照，导致光照条件比自然光下的效果差很多。因此，传统的基于Haar特征提取的图像识别方法不再适用活体小动物的多光谱荧光图像识别，亟待一种新的方法解决上述问题。

技术实现思路

[0004]本专利技术的目的是提供一种多光谱荧光图像识别方法、装置以及计算机可读存储介质，以解决现有技术中活体小动物实验的多光谱荧光图像采集光照条件差的问题。
[0005]为解决上述技术问题，本专利技术提供一种多光谱荧光图像识别方法，包括：
[0006]获得同一实验对象的多光谱荧光图像集合；其中，所述多光谱荧光图像集合中的多光谱荧光图像由不同光谱条件下照射同一实验对象采集得到；所述多光谱荧光图像与光谱条件存在对应关系；
[0007]对所述多光谱荧光图像集合中的多光谱荧光图像进行预处理；
[0008]根据所述光谱条件设置对应的卷积神经网络参数，得到对应的输出结果；
[0009]根据所述识别结果，得到目标卷积神经网络。
[0010]以所述目标卷积神经网络作为最终的卷积神经网络模型，输出最终的识别结果。
[0011]所述光谱条件至少包括激发光的波长；
[0012]所述多光谱荧光图像集合中的多光谱荧光图像由不同光谱条件下照射同一实验对象采集得到，包括：所述多光谱荧光图像集合中的多光谱荧光图像由不同波长的激发光照射同一实验对象采集得到。
[0013]所述对所述多光谱荧光图像集合中的多光谱荧光图像进行预处理，包括：
[0014]分别对采集得到不同光谱条件下的RGB高位彩色图像进行灰度转换；
[0015]突出目标区域和感兴趣区域；
[0016]边界确定，去除不感兴趣的图像边缘；
[0017]通过投射法将低维信息向高维空间变换；
[0018]直至所有光谱条件下的图像处理完毕。
[0019]所述根据所述光谱条件设置对应的卷积神经网络参数，得到对应的输出结果，包括：
[0020]读取预处理后的多光谱荧光图像；
[0021]对图像进行归一化处理；
[0022]基于下采样方式降低神经网络的计算量，得到减小分辨率的多光谱荧光图像；
[0023]设计每个光谱条件下多光谱荧光图像对应的卷积神经网络参数，得到对应的输出结果。
[0024]所述根据所述识别结果，得到目标卷积神经网络，包括：
[0025]逐一遴选所述卷积神经网络参数，经所述卷积神经网络参数得到对应的输出结果进行评估，得到最优识别结果平均值；
[0026]将最优识别结果平均值对应的卷积神经网络参数输出，得到目标卷积神经网络。
[0027]一种多光谱荧光图像识别装置，包括：
[0028]获取模块，用于获得同一实验对象的多光谱荧光图像集合；其中，所述多光谱荧光图像集合中的多光谱荧光图像由不同光谱条件下照射同一实验对象采集得到；所述多光谱荧光图像与光谱条件存在对应关系；
[0029]预处理模块，用于对所述多光谱荧光图像集合中的多光谱荧光图像进行预处理；
[0030]训练模块，用于根据所述光谱条件设置对应的卷积神经网络参数，得到对应的输出结果；
[0031]根据所述识别结果，得到目标卷积神经网络。
[0032]还包括识别模块，用于以所述目标卷积神经网络作为最终的卷积神经网络模型，输出最终的识别结果。
[0033]一种多光谱荧光图像识别系统，所述系统采用如上任一项所述一种多光谱荧光图像识别方法的步骤。
[0034]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述一种多光谱荧光图像识别方法的步骤。
[0035]本专利技术所提供的多光谱荧光图像识别方法，针对活体小动物荧光图像采集设计一种更优的卷积神经网络图像智能识别方法。在预处理的过程中针对多光谱图像进行图像转换和裁剪，减小了神经网络的计算量；在卷积神经网络训练过程中，针对选用的多个波长训练卷积神经网络并遴选一组最优的网络参数，避免了多多光谱荧光图像反复多轮的神经网络训练，大大提高了训练速度和荧光图像识别效率。
附图说明
[0036]为了更清楚的说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术所提供的一种多光谱荧光图像识别方法的具体实施例的流程图；
[0038]图2为本专利技术实施例提供的一种多光谱荧光图像识别装置的结构框图。
具体实施方式
[0039]为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]卷积神经网络是一种包含卷积层的前馈神经网络，在数据结构具有网格特征的图像处理领域应用很广，一般包含卷积层、激励层、池化层和全连接层。卷积层和池化层的设计一般要根据图像特点进行有针对性的调整，经过多次变换最终得到满意的结果。
[0041]由于多光谱荧光图像是对同一实验对象依次采用多种不同波长的激发光进行照射，并快速采集得到相应的对象发射光图像。因此，多张不同光谱下的图像需要依次进行预处理和识别。传统的卷积神经网络方法需要对每一种波长的荧光图像设计新的卷积层和池化层参数，导致处理速率的限制不能快速完成同一实验对象多张多光谱荧光图像的处理，因此传统的卷积神经网络算法在处理多光谱荧光图像识别问题上存在局限性。
[0042]本专利技术的核心是提供一种多光谱荧光图像识别方法、装置以及计算机可读存储介质，针对活体小动物荧光图像采集设计一种更优的卷积神经网络图像智能识别方法。在预处理的过程中针对多光谱图像进行图像转换和裁剪，减小了神经网络的计算量；在卷积神经网络训练过程中，针对选用的多个波长训练卷积神经网络并遴选一组最优的网络参数，避免了多多光谱荧光图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多光谱荧光图像识别方法，其特征在于，包括：获得同一实验对象的多光谱荧光图像集合；其中，所述多光谱荧光图像集合中的多光谱荧光图像由不同光谱条件下照射同一实验对象采集得到；所述多光谱荧光图像与光谱条件存在对应关系；对所述多光谱荧光图像集合中的多光谱荧光图像进行预处理；根据所述光谱条件设置对应的卷积神经网络参数，得到对应的输出结果；根据所述识别结果，得到目标卷积神经网络。2.如权利要求1所述的多光谱荧光图像识别方法，其特征在于，还包括：以所述目标卷积神经网络作为最终的卷积神经网络模型，输出最终的识别结果。3.如权利要求1所述的多光谱荧光图像识别方法，其特征在于，所述光谱条件至少包括激发光的波长；所述多光谱荧光图像集合中的多光谱荧光图像由不同光谱条件下照射同一实验对象采集得到，包括：所述多光谱荧光图像集合中的多光谱荧光图像由不同波长的激发光照射同一实验对象采集得到。4.如权利要求1所述的多光谱荧光图像识别方法，其特征在于，所述对所述多光谱荧光图像集合中的多光谱荧光图像进行预处理，包括：分别对采集得到不同光谱条件下的RGB高位彩色图像进行灰度转换；突出目标区域和感兴趣区域；边界确定，去除不感兴趣的图像边缘；通过投射法将低维信息向高维空间变换；直至所有光谱条件下的图像处理完毕。5.如权利要求1所述的多光谱荧光图像识别方法，其特征在于，所述根据所述光谱条件设置对应的卷积神经网络参数，得到对应的输出结果，包括：读取预处理后的多光谱荧光图像；对图像进行归一化处理；基于下采样方式降低神...

【专利技术属性】
技术研发人员：顾云洁，耿爽，
申请(专利权)人：顾云洁，
类型：发明
国别省市：