一种基于图像处理算法的显微镜样品漂移矫正方法

技术特征：
1.一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，包括如下步骤：步骤1、提取显微镜影像第一帧的特征点；步骤2、计算特征点的速度场并估算特征点在下一帧图像中的位置；步骤3、计算显微镜影像每一帧相对第一帧的漂移距离；步骤4、根据漂移距离对每一帧图片进行矫正。2.根据权利要求1所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤1中提取显微镜影像第一帧的特征点，具体步骤如下：步骤1.1，收集显微镜图像，分割前景与背景，制作图像语义分割数据集；步骤1.2，搭建语义分割神经网络；步骤1.3，选择优化函数和损失函数进行图像语义分割神经网络的训练；步骤1.4，待矫正的显微镜图像输入到训练好的神经网络模型，进行前景与背景分割，获取语义分割后的图像；步骤1.5，采用特征点检测算法提取语义分割后的显微镜图像的第一帧的特征点。3.根据权利要求2所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤1.2中搭建的语义分割神经网络；采用卷积与反卷积的结构、或卷积与上采样结构中的任意一种。4.根据权利要求3所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，卷积神经网络块由二维卷积、全局归一化或批处理归一化以及relu激活函数组成，反卷积神经网络块由二维反卷积、全局归一化或批处理归一化以及relu激活函数组成。5.根据权利要求3所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，上采样采用线性插值、双线性插值、双三次插值中的任意一种。6.根据权利要求2所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤1.2中搭建的语义分割神经网络；具体为：语义分割神经网络架构中前半部分采用两层卷积块一层池化层的方式堆叠四次后再加上一层卷积块；语义分割神经网络的后半部分采用一次上采样层两层卷积块的方式堆叠四次后再加上一层二维卷积层；所述卷积块由二维卷积层、全局归一化层以及relu激活函数层依顺序构建；所述池化层是平均池化、最大池化中的任意一种。7.根据权利要求2所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤1.2中训练的损失函数采用bceloss或者bcelosswithlogits中的任意一种；训练的优化方法采用adam、sgd、gd、momentum、rmsprop和adagrad中的任意一种。8.根据权利要求1所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，所述特征点是harris角点、轮廓点、sift特征点，orb特征点或fast角点中的任意一种。9.根据权利要求1所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤2中计算特征点的速度场并估计在下一帧中的位置的方法采用lucas-canade算法或金字塔lucas-canade算法中的任意一种。10.根据权利要求1所述一种基于图像处理算法的显微镜样品漂移矫正方法，其特征在于，步骤4中根据漂移距离对每一帧图片进行矫正的方法，采用直接像素级平移、亚像素级的双线性插值算法、或亚像素级的双三次插值算法中的任意一种。

技术总结
本发明提供了一种基于图像处理算法的显微镜影像漂移的矫正方法，涉及显微镜影像漂移矫正领域，包括：采用深度学习中的语义分割将显微镜影像分割为前景与背景两种像素，去除显微镜影像中噪声以及像素变化带来的影响；基于特征检测算法对显微镜影像第一帧进行特征提取，选取一定量的特征点；基于光流算法计算每一帧中特征点的速度场并估计特征点在下一帧中的位置；确定特征点在每一帧中的位置后计算每一帧相对第一帧的漂移距离；基于线性插值算法，根据漂移距离对显微镜图像进行漂移矫正。根据漂移距离对显微镜图像进行漂移矫正。根据漂移距离对显微镜图像进行漂移矫正。


技术研发人员：国洪轩 姚家豪 孙立涛
受保护的技术使用者：东南大学
技术研发日：2022.03.30
技术公布日：2022/6/14