本發(fā)明涉及人類視覺模擬技術(shù)領(lǐng)域，具體地講是一種利用顯著性檢測技術(shù)自動檢測/分割染色白細胞的方法。
背景技術(shù)：
白細胞圖像形態(tài)學(xué)分析是一種重要的診斷手段，通過識別和計數(shù)不同譜系和成熟度的白細胞，來診斷許多惡性疾病。利用計算機進行白細胞自動檢測與分析，不僅能節(jié)省人力和時間，而且能減少人為誤差。自動圖像分析系統(tǒng)中，最關(guān)鍵的算法步驟是目標(biāo)檢測/分割。白細胞(wbcs)是無色的，通常血液和骨髓涂片用瑞氏染色法(wright-giemsastain)將白細胞染成便于識別的明顯顏色。然而，不同的染色準(zhǔn)備與成像條件，細胞的粘連與遮擋等，均會導(dǎo)致大的顏色偏差和變化。傳統(tǒng)算法中，正確地檢測/分割出顯微視野中的白細胞群體是個難題，因為白細胞的顏色分布可能是不確定的。
變化的自然圖像是典型非結(jié)構(gòu)化數(shù)據(jù)。如何對這些數(shù)據(jù)進行建模已經(jīng)成為近幾十年的研究熱點。近年來，由淺層和深層神經(jīng)網(wǎng)絡(luò)組成的兩類學(xué)習(xí)算法，應(yīng)用自底向上和自頂向下兩種策略來解決上述問題?；谧缘紫蛏峡蚣?，可以采用數(shù)據(jù)驅(qū)動的方法來分割白細胞圖像；然而這種算法需要一些先驗的限制，而且由于學(xué)習(xí)樣本是數(shù)據(jù)驅(qū)動、在線采集，不準(zhǔn)確的樣本會導(dǎo)致模型不夠精確。在自頂向下的框架中，深度學(xué)習(xí)的方法已成功地用于圖像分割。到目前為止，深度學(xué)習(xí)為基礎(chǔ)的算法在許多應(yīng)用程序上使用都反映了最好的性能。但其缺陷也很明顯：首先它需要大量標(biāo)記的樣本數(shù)據(jù)，其次深層網(wǎng)絡(luò)往往需要手工設(shè)計，相比于淺層神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練需要更高的硬件資源和速度。顯然，如果沒有先驗知識和很多有效樣本，針對變化的白細胞圖像，當(dāng)前方法仍存在很多局限。此外，我們注意到，傳統(tǒng)算法中，信息流往往是單向的、缺乏反饋過程。這與人類視覺系統(tǒng)有很大差距，可能是當(dāng)前機器視覺與人類視覺相去甚遠的原因之一。
技術(shù)實現(xiàn)要素：
有鑒于此，本發(fā)明要解決的技術(shù)問題是：從模擬人類視覺機制的角度，利用染色白細胞像素具有突出顯著性的現(xiàn)象，通過視覺顯著性自動檢測手段，實現(xiàn)染色白細胞檢測/分割任務(wù)。本發(fā)明的技術(shù)解決方案是，提供以下步驟的顯著性檢測和目標(biāo)分割方法，包括：
1)輸入細胞圖像：將圖像邊框區(qū)域一定寬度范圍作為非注視區(qū)(負樣本候選區(qū))，而余下的矩形區(qū)域為注視區(qū)(正樣本候選區(qū))。
2)通過集成的pelm(調(diào)和極限學(xué)習(xí)機)學(xué)習(xí)得到粗顯著度圖。
①對正樣本候選區(qū)域內(nèi)的高梯度值像素(大于該區(qū)域平均梯度的像素)隨機采樣n個像素；對負樣本區(qū)域內(nèi)所有像素，進行等量的隨機采樣(如n＝500)。采樣過程可重復(fù)3-5次，模擬人眼微跳視對注視區(qū)的重復(fù)掃描。
②利用樣本像素和其8鄰域像素的rgb特征，構(gòu)成正負樣本集。重復(fù)采樣可形成多個樣本集。分別利用這些樣本集，進行多個pelm(調(diào)和極限學(xué)習(xí)機)學(xué)習(xí)建模。
③用pelm模型對所有像素進行二值分類。每個pelm二值分類結(jié)果可被視為一種視覺刺激，將多個二值刺激圖進行疊加可以形成粗顯著圖。
3)利用rbd(魯棒的背景檢測)算法先檢測背景像素，然后抑制背景像素來優(yōu)化粗顯著圖，以降低噪聲樣本影響。
4)通過正反饋迭代循環(huán)來強化目標(biāo)區(qū)域；
①閾值化優(yōu)化后的粗顯著性圖，得到新的二值化注視區(qū)域(bw_i)；
②如果前一個注視區(qū)域bw_i-1已存在，則判斷bw_i-1是否足夠接近bw_i。若為真，則表明視覺感知連續(xù)相同(達到感知飽和)，迭代中斷；否則，bw_i-1＝bw_i，繼續(xù)下一步；
③通過集成pelm神經(jīng)網(wǎng)絡(luò)對注視區(qū)和非注視區(qū)“采樣-學(xué)習(xí)”，進行顯著性檢測(與步驟2類同)。pelm的每個二值分類結(jié)果進行疊加形成新的顯著性圖；
④返回步驟①，構(gòu)成正反饋循環(huán)。
5)迭代結(jié)束。得到疊加后的新顯著圖和二值分割結(jié)果bw_i即白細胞檢測結(jié)果。
本發(fā)明是一種利用顯著性檢測技術(shù)自動檢測染色白細胞的方法，具有以下特點：通過人工神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)系統(tǒng)；借助在線學(xué)習(xí)應(yīng)對實際場景變化、實現(xiàn)粗顯著性檢測；借助背景抑制技術(shù)減少噪聲樣本；利用感知正反饋過程強化目標(biāo)、促使目標(biāo)區(qū)域飽和，從而實現(xiàn)染色白細胞檢測/分割任務(wù)。算法對顯著目標(biāo)的檢測是由粗到細、逐步求精的過程。與現(xiàn)有的算法相比，該算法完全是數(shù)據(jù)驅(qū)動的，不需要任何先驗知識和事先標(biāo)記的樣本。
附圖說明
圖1為本發(fā)明的一種背景抑制與視覺感知正反饋的白細胞檢測方法的流程圖。
具體實施方式
下面就具體實施例對本發(fā)明作進一步說明，但本發(fā)明并不僅僅限于這些實施例。
本發(fā)明涵蓋任何在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。為了使公眾對本發(fā)明有徹底的了解，在以下本發(fā)明優(yōu)選實施例中詳細說明了具體的細節(jié)，而對本領(lǐng)域技術(shù)人員來說沒有這些細節(jié)的描述也可以完全理解本發(fā)明。此外，本發(fā)明之附圖中為了示意的需要，并沒有完全精確地按照實際比例繪制，在此予以說明。
如圖1所示，本發(fā)明的基于視覺感知正反饋的新型顯著性檢測白細胞圖像分割方法，包括以下各步驟：
1)輸入細胞圖像：將圖像邊框區(qū)域一定寬度范圍作為非注視區(qū)(負樣本候選區(qū))，而余下的矩形區(qū)域為注視區(qū)(正樣本候選區(qū))。
2)通過集成的pelm(調(diào)和極限學(xué)習(xí)機)學(xué)習(xí)得到粗顯著度圖。
①對正樣本候選區(qū)域內(nèi)的高梯度值像素(大于該區(qū)域平均梯度的像素)隨機采樣n個像素；對負樣本區(qū)域內(nèi)所有像素，進行等量的隨機采樣(如n＝500)。采樣過程可重復(fù)3-5次，模擬人眼微跳視對注視區(qū)的重復(fù)掃描。
②利用樣本像素和其8鄰域像素的rgb特征，構(gòu)成正負樣本集。重復(fù)采樣可形成多個樣本集。分別利用這些樣本集，進行多個pelm(調(diào)和極限學(xué)習(xí)機)學(xué)習(xí)建模。
③用pelm模型對所有像素進行二值分類。每個pelm二值分類結(jié)果可被視為一種視覺刺激，將多個二值刺激圖進行疊加可以形成粗顯著圖。
3)利用rbd(魯棒的背景檢測)算法先檢測背景像素，然后抑制背景像素來優(yōu)化粗顯著圖，以降低噪聲樣本影響。
4)通過正反饋迭代循環(huán)來強化目標(biāo)區(qū)域；
①閾值化優(yōu)化后的粗顯著性圖，得到新的二值化注視區(qū)域(bw_i)；
②如果前一個注視區(qū)域bw_i-1已存在，則判斷bw_i-1是否足夠接近bw_i。若為真，則表明視覺感知連續(xù)相同(達到感知飽和)，迭代中斷；否則，bw_i-1＝bw_i，繼續(xù)下一步；
③通過集成pelm神經(jīng)網(wǎng)絡(luò)對注視區(qū)和非注視區(qū)“采樣-學(xué)習(xí)”，進行顯著性檢測(與步驟2類同)。pelm的每個二值分類結(jié)果進行疊加形成新的顯著性圖；
④返回步驟①，構(gòu)成正反饋循環(huán)。
5)迭代結(jié)束。得到疊加后的新顯著圖和二值分割結(jié)果bw_i即白細胞檢測結(jié)果。
rbd(出現(xiàn)于cvpr’2014)是一種顯著目標(biāo)檢測算法。其通過對圖像背景的檢測和抑制，來突出圖像中的顯著目標(biāo)。本發(fā)明先將圖像中心區(qū)域作為初始正樣本候選區(qū)，而將圖像邊框區(qū)域作為負樣本候選區(qū)，與人類觀察一幅圖像的習(xí)慣類似。然而，由于初始注視區(qū)域定位過于粗糙，像素抽樣后，不可避免地在正負樣本中存在很多噪聲樣本，因此學(xué)習(xí)得到的pelm模型也不精確。雖然采用集成策略，綜合多個pelm模型能夠減少分類誤差，但為了進一步降低噪聲樣本影響，學(xué)習(xí)得到的粗顯著圖仍有必要通過抑制背景像素，來得到進一步優(yōu)化。因此，本發(fā)明借助rbd算法來降低背景噪聲對學(xué)習(xí)算法的影響。具體做法是：
1)將原圖像超像素化；
2)利用rbd算法檢測原圖像的超像素背景區(qū)域；
3)將粗顯著圖中對應(yīng)于超像素背景區(qū)域的所有像素位置，賦予很小的權(quán)值，實現(xiàn)粗顯著圖中背景像素的抑制處理。
這樣做的目的，是使步驟3后的注視區(qū)域更精確，通過隨后的正反饋循環(huán)迭代過程，能獲得更精確的檢測結(jié)果。
圖1中采用調(diào)和極限學(xué)習(xí)機(polyharmonicextremelearningmachine，pelm)實施“學(xué)習(xí)-建?！?。pelm是一種單隱層前饋網(wǎng)絡(luò)，在人臉識別等領(lǐng)域應(yīng)用中效果良好。其調(diào)和機制是一種有效的方式，適合用來擬合快速變化和緩慢變化兩類數(shù)據(jù)。不同于傳統(tǒng)基于梯度下降法的學(xué)習(xí)算法，pelm的內(nèi)權(quán)隨機賦值，無需迭代訓(xùn)練，小樣本集時可實時在線訓(xùn)練，幾乎不需要調(diào)整參數(shù)。
對于一個給定的訓(xùn)練樣本集
其中ai和bi是輸入節(jié)點對隱藏節(jié)點的權(quán)值，βi是隱節(jié)點輸出節(jié)點的權(quán)值。在這個模型中的內(nèi)部權(quán)值隨機分配。g(ai，bi，x)是i的隱層節(jié)點輸出。p(x)是一個低階多項式，稱為調(diào)和項，用于應(yīng)對具有緩慢變化的數(shù)據(jù)類型。輸出權(quán)值β可以通過以下公式計算：
其中h+是隱層輸出矩陣的moorepenrose偽逆。t＝[t1，t2，...tn]t。
為了克服pelm的隨機性，可用集成方式提高其性能，見公式(3)，稱為epelm(ensembleofpolyharmonicextremelearningmachine，epelm)。參數(shù)p表示其中pelm個數(shù)。(圖1中p＝3)
本發(fā)明中所述的視覺感知正反饋迭代過程，是通過重復(fù)的機器學(xué)習(xí)，構(gòu)建針對注視區(qū)域的重復(fù)迭代檢測，來加速注視目標(biāo)區(qū)域的感知飽和。具體做法是：先借助粗顯著圖，大致劃分注視區(qū)域；再針對注視區(qū)域做重復(fù)迭代的分類器建模，將每個分類器的二值輸出結(jié)果作為一種感知刺激(模擬腦神經(jīng)發(fā)放)，則連續(xù)刺激可疊加生成新顯著圖，對其閾值化可重新劃分注視區(qū)域。迭代中隨著刺激疊加，圖像中顯著目標(biāo)區(qū)域的顯著度能夠迅速提升；當(dāng)?shù)凶⒁晠^(qū)域趨同時，感知飽和，循環(huán)結(jié)束。最后注視區(qū)域即為染色白細胞區(qū)域。
以上僅就本發(fā)明較佳的實施例作了說明，但不能理解為是對權(quán)利要求的限制。本發(fā)明不僅局限于以上實施例，其具體結(jié)構(gòu)允許有變化。總之，凡在本發(fā)明獨立權(quán)利要求的保護范圍內(nèi)所作的各種變化均在本發(fā)明的保護范圍內(nèi)。