一种基于压缩与激励网络的甘蔗细胞结构图像识别方法技术

本发明专利技术提供一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，属于图像处理技术领域，该方法包括：获取甘蔗细胞图像；采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图；根据甘蔗细胞图像的高层特征图获取超微尺度的甘蔗细胞结构信息。本发明专利技术能够使用压缩与激励网络中的注意力机制抑制模型学习与任务不相关的部分，自动地从数据中提取特征。避免了传统方法中存在的特征提取不准确、容易过拟合的问题。容易过拟合的问题。容易过拟合的问题。

【技术实现步骤摘要】
一种基于压缩与激励网络的甘蔗细胞结构图像识别方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于压缩与激励网络的甘蔗细胞结构图像识别方法。

技术介绍

[0002]目前，随着图像采集技术的发展，人们可以更加清晰地观察到甘蔗细胞的超微尺度结构，传统的甘蔗细胞超微尺度结构图像识别方法主要基于人工提取特征及机器学习算法进行分类识别，但由于图像复杂度高、数据量大和人工提取特征存在主观性以及不能全面提取图像信息的缺点等因素，因此识别效果受到很大限制。

技术实现思路

[0003]本专利技术的目的是提供一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，该方法能够使用压缩与激励网络中的注意力机制抑制模型学习与任务不相关的部分，自动地从数据中提取特征。避免了传统方法中存在的特征提取不准确、容易过拟合的问题。
[0004]一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，包括：
[0005]获取甘蔗细胞图像；
[0006]采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图；
[0007]根据甘蔗细胞图像的高层特征图获取超微尺度的甘蔗细胞结构信息。
[0008]优选地，采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图包括：
[0009]将甘蔗细胞图像卷积后获得甘蔗细胞特征图；
[0010]采用压缩网络对甘蔗细胞特征图压缩，再提取压缩后的甘蔗细胞特征图中的全局特征；
[0011]采用激励网络从甘蔗细胞特征图中筛选特定特征；
[0012]将特定特征与全局特征进行重构，得到高层特征图。
[0013]优选地，采用压缩网络对甘蔗细胞特征图U压缩，再提取压缩后的甘蔗细胞特征图中的全局特征包括：
[0014]使用全局平均池化，通过瓶颈层结构学习通道的内部关联性和注意力因子，压缩甘蔗细胞特征图，具体的计算公式为：
[0015][0016]其中，压缩函数F
sq
表示压缩操作过程，u
n
表示甘蔗细胞特征图第n层通道的特征向量，n的取值为1,2,...,C；H表示甘蔗细胞特征图的高，W表示甘蔗细胞特征图的宽，i表示计数变量，j表示计数变量；z
n
表示经过压缩后第n层通道甘蔗细胞特征向量的通道描述符。
[0017]优选地，采用激励网络从甘蔗细胞特征图中筛选特定特征包括：
[0018]将全局特征传入两个全连接层，在两个全连接层后分别用ReLU和Sigmoid激活函数进行激活，赋予甘蔗细胞特征图U每个通道权重，根据每个通道的权重筛选特定特征：
[0019]S＝Fex(z，W)＝σ[W2δ(W1，z)][0020]其中，S表示通道权重，Fex(z，W)表示激励操作，z表示通道描述符向量，σ表示Sigmoid函数，δ表示ReLU函数，W1表示维度缩减参数，W2表示维度增长参数，W表示甘蔗细胞特征图的宽，R表示全体实数，r表示通道的压缩比，C为通道数，
[0021][0022]优选地，根据甘蔗细胞图像的高层特征图获取超微尺度的甘蔗细胞结构信息包括：
[0023]根据甘蔗细胞图像的高层特征图，采用支持向量机对甘蔗细胞图像进行分类识别，得到超微尺度的甘蔗细胞结构的相关信息。
[0024]优选地，特征图在通过所述两个全连接层的第一个全连接层时对神经元个数C除以r进行降维；
[0025]在经过第2个全连接层时再升维恢复到原来的神经元个数，得到C
×1×
1的特征图。
[0026]优选地，获取甘蔗细胞图像之后，还包括对甘蔗细胞图像进行预处理，具体为：
[0027]采用添加泊松噪音、均匀噪音、高斯模糊，中值滤波和图像压缩的方法处理甘蔗细胞图像；
[0028]将预处理后的甘蔗细胞图像分为测试集和训练集并标记。
[0029]优选地，获取甘蔗细胞图像之后，还包括训练压缩与激励网络，具体为：
[0030]将训练集输入压缩与激励网络；
[0031]压缩与激励网络输出甘蔗细胞图像的高层特征图；
[0032]测试集验证训练结果；
[0033]当训练结果达到预设值完成训练。
[0034]一种基于压缩与激励网络的甘蔗细胞结构图像识别系统，包括：
[0035]图像采集模块，用于获取甘蔗细胞图像；
[0036]特征提取模块，用于采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图；
[0037]图像处理模块，用于根据甘蔗细胞图像的高层特征图获取超微尺度的甘蔗细胞结构信息。
[0038]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于压缩与激励网络的甘蔗细胞结构图像识别方法。
[0039]本专利技术采用压缩框架对甘蔗细胞超微尺度结构图像进行有效的降维处理，从而减少了计算资源的消耗和处理时间。同时利用激励网络对压缩后的图像进行特征提取和分类，该网络能够快速学习并准确识别甘蔗细胞超微尺度结构图像中的细节信息。最后采用支持向量机进行分类识别，可以快速、准确地对图像进行分类。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本专利技术的流程图；
[0043]图2为本专利技术的压缩与激励网络结构示意图；
[0044]图3为本专利技术的支持向量机原理图。
具体实施方式
[0045]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，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作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。
[0046]需要说明，本专利技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0047]另外，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，其特征在于，包括：获取甘蔗细胞图像；采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图；根据甘蔗细胞图像的高层特征图获取超微尺度的甘蔗细胞结构信息。2.根据权利要求1所述的一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，其特征在于，所述采用压缩与激励网络对甘蔗细胞图像进行特征提取，得到甘蔗细胞图像的高层特征图包括：将甘蔗细胞图像卷积后获得甘蔗细胞特征图；采用压缩网络对甘蔗细胞特征图压缩，再提取压缩后的甘蔗细胞特征图中的全局特征；采用激励网络从甘蔗细胞特征图中筛选特定特征；将特定特征与全局特征进行重构，得到高层特征图。3.根据权利要求2所述的一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，其特征在于，所述采用压缩网络对甘蔗细胞特征图压缩，再提取压缩后的甘蔗细胞特征图中的全局特征包括：使用全局平均池化，通过瓶颈层结构学习通道的内部关联性和注意力因子，压缩甘蔗细胞特征图，具体的计算公式为：其中，压缩函数F
sq
表示压缩操作过程，u
n
表示甘蔗细胞特征图第n层通道的特征向量，n的取值为1,2,...,C；H表示甘蔗细胞特征图的高，W表示甘蔗细胞特征图的宽，i表示计数变量，j表示计数变量；z
n
表示经过压缩后第n层通道甘蔗细胞特征向量的通道描述符。4.根据权利要求2所述的一种基于压缩与激励网络的甘蔗细胞结构图像识别方法，其特征在于，所述采用激励网络从甘蔗细胞特征图中筛选特定特征包括：将全局特征传入两个全连接层，在两个全连接层后分别用ReLU和Sigmoid激活函数进行激活，赋予甘蔗细胞特征图每个通道权重，根据每个通道的权重筛选特定特征：S＝Fex(z，W)＝σ[W2δ(W1,z)]其中，S表示通道权重，Fex(z，W)表示激励操作，z表示通道描述符向量，σ表示Sigmoid函数，δ表示ReLU函数，W1表示维度...

【专利技术属性】
技术研发人员：刘庆庭，林志超，张晨琦，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：