[發(fā)明專利]顯微圖像的清晰度確定方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010534470.1
• 申請日: 2020-06-12
• 公開（公告）號: CN111798414A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計）人: 蘆姍;劉利
• 申請（專利權(quán)）人: 北京閱視智能技術(shù)有限責(zé)任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京東方億思知識產(chǎn)權(quán)代理有限責(zé)任公司 11258
• 代理人: 趙秀芹

本發(fā)明實施例提供了一種顯微圖像的清晰度確定方法、裝置、設(shè)備及存儲介質(zhì)。該顯微圖像的清晰度確定方法，包括：獲取待清晰度確定的顯微圖像；將顯微圖像輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出顯微圖像的清晰度預(yù)測值；其中，卷積神經(jīng)網(wǎng)絡(luò)模型是利用訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練得到的，訓(xùn)練樣本集包括多個訓(xùn)練樣本，每個訓(xùn)練樣本包括樣本顯微圖像及樣本顯微圖像的樣本標簽，樣本標簽表征樣本顯微圖像的清晰度期望值，樣本標簽包括樣本正標簽和樣本負標簽。根據(jù)本發(fā)明實施例的顯微圖像的清晰度確定方法、裝置、設(shè)備及計算機存儲介質(zhì)，能夠高效且低成本地確定顯微圖像的清晰度。

技術(shù)領(lǐng)域

本發(fā)明屬于顯微圖像的清晰度確定技術(shù)領(lǐng)域，尤其涉及一種顯微圖像的清晰度確定方法、裝置、設(shè)備及計算機存儲介質(zhì)。

背景技術(shù)

目前，相關(guān)技術(shù)中的顯微圖像的清晰度確定方法，需要將待清晰度確定的顯微圖像經(jīng)過大量計算得到5維清晰度評價函數(shù)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出該顯微圖像的清晰度預(yù)測值。

由于需要經(jīng)過大量計算得到5維清晰度評價函數(shù)，不僅計算成本較高且清晰度確定的效率低下。

因此，如何高效且低成本地確定顯微圖像的清晰度是本領(lǐng)域技術(shù)人員亟需解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種顯微圖像的清晰度確定方法、裝置、設(shè)備及計算機存儲介質(zhì)，能夠高效且低成本地確定顯微圖像的清晰度。

第一方面，本發(fā)明實施例提供一種顯微圖像的清晰度確定方法，包括：

獲取待清晰度確定的顯微圖像；

將顯微圖像輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出顯微圖像的清晰度預(yù)測值；

其中，卷積神經(jīng)網(wǎng)絡(luò)模型是利用訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練得到的，訓(xùn)練樣本集包括多個訓(xùn)練樣本，每個訓(xùn)練樣本包括樣本顯微圖像及樣本顯微圖像的樣本標簽，樣本標簽表征樣本顯微圖像的清晰度期望值，樣本標簽包括樣本正標簽和樣本負標簽。

可選的，當(dāng)每個訓(xùn)練樣本包括一張樣本顯微圖像及樣本顯微圖像的樣本標簽時，則在將顯微圖像輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出顯微圖像的清晰度預(yù)測值之前，方法還包括：

將訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，得到樣本顯微圖像的清晰度預(yù)測值；

基于清晰度預(yù)測值及樣本標簽，確定卷積神經(jīng)網(wǎng)絡(luò)的第一損失函數(shù)值；

判斷第一損失函數(shù)值是否滿足第一預(yù)設(shè)訓(xùn)練停止條件；

若不滿足，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，并利用訓(xùn)練樣本集訓(xùn)練調(diào)整后的卷積神經(jīng)網(wǎng)絡(luò)，直至滿足第一預(yù)設(shè)訓(xùn)練停止條件，得到卷積神經(jīng)網(wǎng)絡(luò)模型。

可選的，當(dāng)每個訓(xùn)練樣本包括一個樣本正標簽及一個樣本正標簽對應(yīng)的一張樣本顯微圖像，和k個樣本負標簽及k個樣本負標簽對應(yīng)的k張樣本顯微圖像，且k為正整數(shù)時，則在將顯微圖像輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出顯微圖像的清晰度預(yù)測值之前，方法還包括：

將訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，得到k+1張樣本顯微圖像對應(yīng)的k+1維清晰度預(yù)測值；

基于k+1維清晰度預(yù)測值和k+1維樣本標簽，確定交叉熵損失函數(shù)值；

判斷交叉熵損失函數(shù)值是否滿足第二預(yù)設(shè)訓(xùn)練停止條件；

若不滿足，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，并利用訓(xùn)練樣本集訓(xùn)練調(diào)整后的卷積神經(jīng)網(wǎng)絡(luò)，直至滿足第二預(yù)設(shè)訓(xùn)練停止條件，得到卷積神經(jīng)網(wǎng)絡(luò)模型。

可選的，當(dāng)每個訓(xùn)練樣本包括兩個樣本正標簽及兩個樣本正標簽對應(yīng)的兩張樣本顯微圖像，和一個樣本負標簽及一個樣本負標簽對應(yīng)的一張樣本顯微圖像時，則在將顯微圖像輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出顯微圖像的清晰度預(yù)測值之前，方法還包括：