技術(shù)特征：

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，其特征是，包括如下步驟:

1)準(zhǔn)備訓(xùn)練樣本：

(1-1)讀入現(xiàn)有圖庫(kù)中的宮頸細(xì)胞圖像作為訓(xùn)練樣本并分類(lèi)：將讀入的所有的宮頸細(xì)胞圖像分為正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本；

(1-2)灰度化：將宮頸細(xì)胞圖像預(yù)處理為灰度圖像塊，并將宮頸細(xì)胞圖像中的彩色圖片轉(zhuǎn)化為灰度圖像，然后把得到的灰度圖像尺寸歸一化為32*32的灰度圖像塊；

2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)層：構(gòu)建一個(gè)具有自適應(yīng)識(shí)別分類(lèi)功能的包括加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，通過(guò)可訓(xùn)練的卷積核作為濾波器，對(duì)圖像進(jìn)行逐層濾波，并將每一層濾波結(jié)果進(jìn)行自動(dòng)組合，最終自動(dòng)提取出對(duì)分類(lèi)最有利的特征，提取完特征之后，從所有特征參數(shù)中根據(jù)分類(lèi)類(lèi)別不同，進(jìn)行參數(shù)分類(lèi)，之后對(duì)不同類(lèi)別之間的特征參數(shù)進(jìn)行組和合訓(xùn)練和識(shí)別，并根據(jù)識(shí)別結(jié)果的不同，調(diào)整訓(xùn)練特征向量，當(dāng)根據(jù)本次特征參數(shù)組合獲得的識(shí)別結(jié)果小于之前的識(shí)別結(jié)果時(shí)，則根據(jù)現(xiàn)有的特征向量，添加或刪除相應(yīng)的特征參數(shù)，以期再次識(shí)別時(shí)獲得更高的識(shí)別率；

(3)構(gòu)建二分類(lèi)器：將步驟1)得到的正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)被訓(xùn)練為能夠識(shí)別正常宮頸細(xì)胞和病變宮頸細(xì)胞的二分類(lèi)器；

(4)得到識(shí)別結(jié)果：將待測(cè)試的宮頸細(xì)胞圖片輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)進(jìn)行識(shí)別、歸類(lèi)。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，其特征是，所述加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入了批歸一化算法，即在每一個(gè)卷積層與下采樣層之后都連接一個(gè)BN層，在下采樣S2之后連接3個(gè)全連接層，全連接層后同樣各自接入相應(yīng)BN層，最后一層全連接層使用sigmoid激活函數(shù)，直接輸出圖像。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，其特征是，所述批歸一化算法，即BN算法為：

BN層和卷積層，下采樣層和全連接層一樣，也是網(wǎng)絡(luò)中的一層結(jié)構(gòu)，是一個(gè)歸一化的過(guò)程，進(jìn)行標(biāo)準(zhǔn)化維度：

${\hat{x}}^{\left(k\right)}=\frac{x^{\left(k\right)}-E\[x^{\left(k\right)}\]}{\sqrt{Var\[x^{\left(k\right)}\]}}---\left(1\right)$

式(1)把上一層的輸出轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)正態(tài)分布，訓(xùn)練過(guò)程中采用mini-batch隨機(jī)梯度下降，E[x^(k)]指每一批訓(xùn)練數(shù)據(jù)神經(jīng)元x^(k)的期望值，為x^(k)激活值的標(biāo)準(zhǔn)差，同時(shí)為防止影響每一層學(xué)習(xí)到的特征，引入變換重構(gòu)，加入可學(xué)習(xí)參數(shù)γ和β:

$y^{\left(k\right)}={\mathrm{\γ}}^{\left(k\right)}{\hat{x}}^{\left(k\right)}+{\mathrm{\β}}^{\left(k\right)}---\left(2\right)$

式(2)把轉(zhuǎn)變?yōu)檎龖B(tài)分布的特征在一定程度上還原回去，讓它保持它的初始分布趨勢(shì)，還原程度則是由卷積神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)得來(lái)，設(shè)置可以恢復(fù)原始激活值，即恢復(fù)出原始某層學(xué)到的特征，γ和β的引入可以讓卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)恢復(fù)出原始網(wǎng)絡(luò)要學(xué)習(xí)的特征分布，Batch Normalization前向傳導(dǎo)公式為：

${\mathrm{\μ}}_B\→\frac{1}{m}{\Σ}_{i=1}^m{x}_i---\left(3\right)$

${\mathrm{\σ}}_B^2\←\frac{1}{m}{\Σ}_{i=1}^m{(x_i-{\mathrm{\μ}}_B)}^2---\left(4\right)$

$\widehat{x_i}\←\frac{x_i-{\mathrm{\μ}}_B}{\sqrt{{\mathrm{\σ}}_B^2+\mathrm{\ϵ}}}---\left(5\right)$

$y_i\←\mathrm{\γ}\widehat{x_i}+\mathrm{\β}\≡{\mathrm{BN}}_{\mathrm{\γ},\mathrm{\β}\left(x_i\right)}---\left(6\right)$

式(3)是一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入均值，式(4)為一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入方差，式(5)是把這批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入進(jìn)行標(biāo)準(zhǔn)化后得到的結(jié)果，式(6)為同構(gòu)變換。