[發明專利]一種藻類細胞圖像自動分類方法

有效

• 申請號: 201410682794.4
• 申請日: 2014-11-24
• 公開（公告）號: CN104331712B
• 公開（公告）日: 2017-08-25
• 發明（設計）人: 劉哲人;王秀芹;金巖;古偉宏
• 申請（專利權）人: 齊齊哈爾格林環保科技開發有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 溫國林

1.一種藻類細胞圖像自動分類方法，其特征在于，所述自動分類方法包括以下步驟：

對藻類圖像進行預處理，獲取處理后的藻類圖像；

根據處理后的藻類圖像，進行藻類圖像視覺特征提取，獲取多特征融合表示的特征向量；

將所有藻類細胞按照類別進行分類，提取每類細胞中的特定比例的細胞圖像作為后續模型學習的訓練集；

構建多任務學習模式的目標函數并求解；

使用訓練得到的模型對測試數據進行預測；

其中，目標函數為：

W*=argminWΣj=1,2,...,MΣk=1Nj||Wj·Fkj-Yj||2+ηΣj=1M||Wj||2]]>

式中，表示M個任務模型參數的集合，W^j為W的第j個列向量，表示第j個模型參數，表示基于最小二乘的多任務聯合學習部分，表示基于組稀疏優化思想設計的正則項；||·||₂表示列向量的l₂范數，η為權重參數，表示第j類細胞的第k個樣例的特征表示，Y^j表示第j類類別標簽；N^j為第j類細胞的樣本數；

本方法加入藻類之間的關聯信息，對多個藻類同時進行分類識別，即多任務學習；在多任務學習過程中，多個相關任務同時進行學習，實現多任務之間的信息共享，間接增加參加任務的樣本個數，提高預測的性能；多任務學習對提高藻類分類的準確率非常有益，尤其是在數據庫的訓練樣本很少的狀況下；

為了挖掘多個任務間的關聯特性，本方法借鑒了組稀疏優化思想通過正則項的設計實現每類任務模型參數的選擇，從而間接實現圖像特征的選擇，將對多任務聯合關聯挖掘不利的特征進行過濾，從而得到更有利于不同藻類自動分類的模型。

2.根據權利要求1所述的一種藻類細胞圖像自動分類方法，其特征在于，所述使用訓練得到的模型對測試數據進行預測的步驟具體為：

采用第l類的模型W^l對待測試的樣本F^U計算W^l×F^U與所有類別標記的誤差的絕對值|W^l×F^U-Y^j|，記錄此時最小誤差E^l，待依次計算所有類模型對應的最小誤差后，選擇這些值中最小值對應的右上角標記p，將F^U分類為第p類；如果Y^j＝p，則正確分類，否則為錯誤分類。