【技術實現步驟摘要】
本專利技術涉及人工智能以及生物工程，尤其涉及一種基于熒光顯微鏡采集的圖像處理裝置與方法。
技術介紹
1、脫氧核糖核酸（dna）微陣列，即基因芯片，是微陣列技術應用中的一種，用于高通量地定性或定量測量存在于生物體內的核酸。熒光顯微成像是基因芯片數據采集的主要方法。然而，目前采集到的基因芯片圖像存在圖像質量較低的問題，主要原因包括：
2、熒光種類及劑量需嚴格控制以保持dna生物活性，但同一焦平面上鄰近區域所激發的熒光干擾會降低采集圖像的對比度；光學采集和成像過程中伴隨的誤差，如電子器件工作誤差、信號轉換損失等，導致圖像噪聲；正置熒光顯微鏡中led光源的缺陷及易受軸向和側向干擾，導致光照不均勻，降低有效信息占比。目前，雖然激光共聚焦系統可以獲得高質量、高分辨率的基因芯片圖像，但設備成本高昂。
3、專利申請號為202310631275.4的中國專利技術專利公開了一種模型訓練的方法以及圖像處理的方法及裝置，利用通過熒光顯微鏡采集到的基因芯片圖像作為樣本圖像，利用通過樣本圖像與模型輸出的處理后圖像的信噪比所確定出的損失值，來對圖像處理模型進行訓練，將訓練后的圖像處理模型應用在實際中，以得到高質量、高分辨率的基因芯片圖像。
4、但是，在實際的應用場景中，由于熒光顯微成像的采集條件的復雜差異性（熒光染料類型、光照強度、實驗條件等），不同類型的樣本圖像可能具有不同的特征和處理需求，固定統一的圖像處理模型難以適應所有采集條件的樣本圖像，在注重全部采集條件的全局訓練參數優化的條件下，對于局部單一的某些采集條件中可能
技術實現思路
1、本申請通過提供一種基于熒光顯微鏡采集的圖像處理方法，實現了針對不同采集條件的待處理圖像進行差異化圖像處理，提高了圖像處理模型的適應性和處理效果。
2、本申請提供了一種基于熒光顯微鏡采集的圖像處理方法，包括：
3、s101，獲得熒光顯微鏡采集的待處理圖像，生成待處理圖像的采集環境分布特征向量；
4、s102，將待處理圖像及其采集環境分布特征向量輸入至預先訓練完成的多類圖像處理模型中，輸出待處理圖像對應的目標圖像；
5、其中，預先訓練完成的多類圖像處理模型包括：圖像注意力分布模塊、圖像分布式處理模塊、圖像特征融合輸出模塊，圖像分布式處理模塊包括若干類圖像處理模型；所述多類圖像處理模型用于：
6、a1、將接收到的待處理圖像及其采集環境分布特征向量傳輸至圖像注意力分布模塊中，生成樣本圖像對應的分布式處理價值序列，并傳輸至圖像分布式處理模塊中；
7、a2、圖像分布式處理模塊根據接收到的分布式處理價值序列，將樣本圖像分別輸入至對應的類圖像處理模型中，輸出若干類目標圖像，并傳輸至圖像特征融合輸出模塊；
8、a3、圖像特征融合輸出模塊對接收的若干類目標圖像，依據分布式處理價值序列，進行加權融合，輸出最終的目標圖像。
9、優選地，所述圖像分布式處理模塊包括若干類圖像處理模型，每類圖像處理模型被賦予唯一圖像類標簽，圖像類標簽根據對應的類圖像處理模型中訓練圖像集的采集環境分布特征向量的中心點確定。
10、優選地，所述若干類圖像處理模型的訓練過程，具體包括：
11、c1、收集熒光顯微鏡采集的大量樣本圖像，生成樣本圖像的采集環境分布特征向量；
12、c2、將所有收集的采集環境分布特征向量輸入至預先設置的聚類算法中，得到k個聚類，將每個聚類中所有采集環境分布特征向量對應的樣本圖像組成一個訓練圖像集，即每個聚類對應一個訓練圖像集；
13、c3、構建包含若干特征提取層和若干卷積轉置層組成的模型結構的k類圖像處理模型，作為待訓練的類圖像處理模型；
14、c4、基于每個訓練圖像集，將其中的樣本圖像輸入至對應的待訓練的類圖像處理模型中，輸出類目標圖像；
15、c5、基于每個類圖像處理模型輸出的類目標圖像及其輸入的樣本圖像，利用預先設置的模型優化指標確定算法，生成目標評估指標；
16、c6、利用目標評估指標對類圖像處理模型進行訓練重復循環執行步驟c4至c6，不斷迭代訓練，逐步達到目標評估指標的目標狀態。
17、優選地，所述圖像注意力分布模塊具體用于：
18、b1、獲得圖像分布式處理模塊中所有類圖像處理模型的圖像類標簽；
19、b2、分別計算待處理圖像的采集環境分布特征向量與所有圖像類標簽的相似度值；
20、b3、將計算得到的所有相似度值依次組成分布式處理價值序列，分布式處理價值序列中的每個相似度值分別與對應的類圖像處理模型對應。
21、優選地，所述預先設置的模型優化指標確定算法，具體包括：
22、s201，將類目標圖像及其輸入的樣本圖像分別劃分為n子圖像塊，并計算得到每個子圖像塊的特征向量，樣本圖像的子圖像塊特征向量為，類目標圖像的子圖像塊特征向量為與一一對應；
23、s202，計算樣本圖像與類目標圖像中對應子圖像塊在特征向量上的互信息，根據以下公式計算得到類目標圖像中每個子圖像塊相對于樣本圖像的視覺信息保真度：
24、
25、其中，為視覺信息保真度，為樣本圖像的第i個子圖像塊的特征向量，為類目標圖像的第i個子圖像塊的特征向量，n為樣本圖像和類目標圖像分別劃分的子圖像塊的數量，為和之間的互信息，為與其自身的互信息；
26、s203，基于類目標圖像中的每個子圖像塊，計算其與樣本圖像中對應的子圖像塊之間的像素差異度；
27、s204，將視覺信息保真度與像素差異度的比值確定為協變方向值，結合視覺信息保真度得到目標評估指標。
28、優選地，所述目標評估指標根據以下公式計算得到：
29、
30、
31、其中，l為目標評估指標，n為類目標圖像劃分的子圖像塊的數量，為類目標圖像中第i個子圖像塊的圖像質量指標，為類目標圖像中第i個子圖像塊的視覺信息保真度，為類目標圖像中第i個子圖像塊的協變方向值，為預先設置的權重參數，用于調整協變方向值在圖像質量指標中的影響程度，為第i個子圖像塊的圖像質量指標對目標評估指標的影響程度值。
32、優選地，在所述s201中，子圖像塊的劃分方法，根據預先設置的自適應分割機制生成，所述自適應分割機制具體包括：
33、s301，對樣本圖像進行連通域識別，得到若干連通域；
34、s302，基于樣本圖像中每個連通域，將其中心像素點在樣本圖像中的像素坐標作為該連通域的位置坐標，分別計算兩兩連通域之間的距離值；
35、s303，基于兩兩連通域之間的距離值，利用預先設置的聚類算法得到若干聚類，每個聚類包括至少一個連通域，將每個聚類的最大外接矩形作為關鍵區域；
36、s304，基于樣本圖像中識別到的所有關鍵區域，利用非均勻劃分策略將樣本圖像劃分為若干子圖像塊，確保每個子本文檔來自技高網...
【技術保護點】
1.基于熒光顯微鏡采集的圖像處理方法，其特征在于，包括：
2.如權利要求1所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述圖像分布式處理模塊包括若干類圖像處理模型，每類圖像處理模型被賦予唯一圖像類標簽，圖像類標簽根據對應的類圖像處理模型中訓練圖像集的采集環境分布特征向量的中心點確定。
3.如權利要求2所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述若干類圖像處理模型的訓練過程，具體包括：
4.如權利要求2所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述圖像注意力分布模塊具體用于：
5.如權利要求3所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述預先設置的模型優化指標確定算法，具體包括：
6.如權利要求5所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述目標評估指標根據以下公式計算得到：
7.如權利要求6所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，在所述S201中，子圖像塊的劃分方法，根據預先設置的自適應分割機制生成，所述自適應分割機制具體包括：
8.如
9.如權利要求7所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，在所述S102后，所述方法還包括：
10.一種基于熒光顯微鏡采集的圖像處理裝置，應用于如權利要求1至權利要求9中任一項所述的一種基于熒光顯微鏡采集的圖像處理方法，其特征在于，包括：獲取模塊、圖像處理模塊，所述圖像處理模塊包括多類圖像處理模型，多類圖像處理模型包括：圖像注意力分布模塊、圖像分布式處理模塊、圖像特征融合輸出模塊；所述獲取模塊用于：獲得熒光顯微鏡采集的待處理圖像，生成待處理圖像的采集環境分布特征向量，輸入至圖像處理模塊中；所述圖像處理模塊用于：將待處理圖像及其采集環境分布特征向量輸入至預先訓練完成的多類圖像處理模型中，輸出待處理圖像對應的目標圖像；
...【技術特征摘要】
1.基于熒光顯微鏡采集的圖像處理方法，其特征在于，包括：
2.如權利要求1所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述圖像分布式處理模塊包括若干類圖像處理模型，每類圖像處理模型被賦予唯一圖像類標簽，圖像類標簽根據對應的類圖像處理模型中訓練圖像集的采集環境分布特征向量的中心點確定。
3.如權利要求2所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述若干類圖像處理模型的訓練過程，具體包括：
4.如權利要求2所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述圖像注意力分布模塊具體用于：
5.如權利要求3所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述預先設置的模型優化指標確定算法，具體包括：
6.如權利要求5所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，所述目標評估指標根據以下公式計算得到：
7.如權利要求6所述的基于熒光顯微鏡采集的圖像處理方法，其特征在于，在所述s201中，子圖像...
【專利技術屬性】
技術研發人員：薛誠，祝天宇，孔維恒，任長振，劉丹，黃楷平，
申請(專利權)人：北京林電偉業電子技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。