一种基于自学习的细胞图像语义分割标注方法技术

本发明专利技术涉及一种基于自学习的细胞图像语义分割标注方法，包括如下步骤：一、手动采样步骤：（1）对原始图像进行初步的手工标注，采样2

【技术实现步骤摘要】
一种基于自学习的细胞图像语义分割标注方法


[0001]本专利技术属于细胞图像处理领域，尤其涉及一种基于自学习的细胞图像语义分割标注方法。

技术介绍

[0002]语义分割是计算机视觉图像处理领域的具有代表性的任务之一，其目标是对图片中出现的不同物体进行像素级的分割。2015年，Ronneberge等人在论文U
‑
Net:Convolutional Networks for Biomedical Image Segmentation中首次提出了基于特征融合的医疗影像语义分割模型UNet，并在接下来的几年中迅速证明了模型的性能并被广泛应用于业界。但是，训练一个成熟的语义分割模型必然需要大量的人工标注的样本，而纯手工标注数万张医疗影像必然花费大量的人力物力，且标注质量也无法保证。因此，减少人工参与、提升标注质量是亟待解决的一个问题。现有的语义分割标注工具通常在十万甚至百万数量级的公开的数据集上训练一个非常泛化的语义分割模型，之后对下游任务的特定样本进行标注，再进行后续人工调整。而这类泛化的模型因为图像之间的差异性，无法用于医疗影像的标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自学习的细胞图像语义分割标注方法，其特征在于，包括如下步骤：一、手动采样步骤：(1)对原始图像进行初步的手工标注，采样2
‑
5个白细胞、5
‑
10个红细胞及1
‑
2个背景区域；(2)手工标注时，手动框选单个细胞的矩形区域，并应用Grabcut算法分割出单个细胞的采样图，求得矩形区域内图像X前景和背景分割的能量公式，再应用最小割算法进行前景和背景的分割；(3)采样足够数量的细胞后，在原始图像中框选背景区域，对背景区域的颜色分析，通过对R、G、B通道的直方图拟合高斯分布函数，获取原始图像的背景色彩范围，公式如下：其中
ɑ
为直方图峰值，μ为曲线峰值对应的像素值，σ为统计求得的标准差。二、背景生成：(4)求得R、G、B三通道的颜色分布信息N
R
(x)、N
G
(x)、N
B
(x)后，生成图像时，在一个标准差内对三通道取平均颜色，生成背景；(5)在生成图像上，对背景添加椒盐噪音，即取像素位置，按照μ＝15，σ＝30的高斯分布生成噪音，之后融合到图像中；(6)在生成图像上，使用高斯函数在背景上生成圆点，模拟原始图像的噪音情况，选择位置μ和杂质大小s，之后生成二维高斯核函数：随后将模拟的杂质图像覆盖到生成图像的背景上，生成背景。三、细胞生成：(7)选择一个步骤(2)中采样的红细胞，对饱和度、亮度、对比度进行色彩变换；(8)接着对该细胞进行仿射变换，使其拉伸、旋转；(9)使用步骤(8)的方法在生成图像上生成300
‑
500个红细胞，20
‑
40个白细胞，生成细胞时同时生成目标语义分割的图像；且添加新的细胞时对已有的语义分割...

【专利技术属性】
技术研发人员：黄震，徐姝坪，孙明霞，肖杰，李强，陆涛，陆炬，
申请(专利权)人：杭州智微信息科技有限公司，
类型：发明
国别省市：