应用于抗人球蛋白试验图像的自动分类方法、系统

1.本技术涉及血液免疫学检验领域，尤其涉及一种应用于抗人球蛋白试验图像的自动分类方法、系统、计算机设备及存储介质。


背景技术：

2.不规则抗体检测是多种血液免疫性疾病临床诊断的最重要依据之一，包括新生儿溶血性疾病、自身免疫性溶血性疾病以及药物免疫溶血性疾病等。并且通常在输血或择期手术前，具有输血史和妊娠史的患者均需进行不规则抗体的筛查和抗体鉴定。所以，进行高效且准确的不规则抗体检测对于血液检测及输血安全具有着重要的现实意义。
3.而抗人球蛋白试验方法(the antiglobulin test or coombs test)因成本较低而广泛应用在不规则抗体的检测中，但是为了克服假阴性结果通常需要多次洗涤以使得未结合的球蛋白不会与抗人球蛋白进行中和，导致操作繁琐复杂，且灵敏度较低。
4.故目前采用的微柱凝胶免疫试验方法(mgia-coombs t)虽然提高了灵敏度，减少了多次洗涤过程，但是价格昂贵，导致该方法在临床上的应用受到一定限制；或者采用的固相免疫吸附技术具有较高的敏感性，同时利用液相分离介质的分离作用，同样可以避免繁琐的洗涤过程，同时也可用于批量样本检测，但是目前，对于抗人球蛋白试验检测不规则抗体还处于人工检测阶段，而人工检测方法，就是医务工作者及科研人员凭借自身以往对抗人球蛋白试验的资料学习和工作经验，对试验后的u型微孔板或凝胶卡进行人眼观察，得到检测结果，然后人工分类判断，从而得到不规则抗体的检测结果。
5.由于人工检测的结果判读受主观因素影响较大，且耗费人力资源，劳动强度大以及检测速度慢，时间长。并且，随着检测者的作业持续时间不断增加，工作量密度增大，检测者疲劳作业导致检测的准确率降低。同时，由于从业时间的不同以及相关知识储备量因人而异，导致人为凭借经验知识而得到的主观判断可能不同，从而使得检测分类结果不同，从而影响被检测者即患者的治疗方案选择不同，导致治疗效果不甚理想。


技术实现要素：

6.本技术实施例的目的在于提出一种应用于抗人球蛋白试验图像的自动分类方法、系统，以解决传统人工检测结果的准确率低的问题。
7.为了解决上述技术问题，本技术实施例提供一种应用于抗人球蛋白试验图像的自动分类方法，采用了如下所述的技术方案：
8.当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
9.基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增强图像；
10.将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；
11.输出图像分类结果。
12.进一步的，基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增
强图像的步骤，具体包括下述步骤：
13.对待分类检测图像进行灰度级计算，得到待分类检测图像的灰度级；
14.将灰度级进行直方图均衡化操作，得到直方图分布数据；
15.基于累积分布函数对直方图分布数据进行灰度变换，得到变换后的待检测增强图像。
16.进一步地，将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果的步骤，具体包括下述步骤：
17.基于卷积操作对待检测增强图像进行特征提取操作，得到图像特征数据；
18.基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
19.基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
20.将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
21.进一步地，多类别回归分类器为阈值多类别回归分类器，用于将降维化简特征输入阈值多类别回归分类器中进行抗人球蛋白试验的多类别图像分类，得到图像分类结果，其中，图像分类结果表示为：
[0022][0023]
其中，y∈{1,2,
…
,c}为类别标签，a为样本图像，c为样本图像的类别，p(y＝c
│
a)为样本图像所属类别c的概率得分，其中：
[0024][0025]
进一步地，该方法还包括下述步骤：
[0026]
读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
[0027]
基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
[0028]
对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
[0029]
将预训练图片类别、训练图像集合以及验证图像集合作为原始分类网络模型的训练数据进行模型训练，得到分类网络模型。
[0030]
进一步地，该方法还包括下述步骤：
[0031]
在分类检网络型中添加多个横向并行卷积操作以及直连操作，以优化分类网络模型的特征参数。
[0032]
为了解决上述技术问题，本技术实施例还提供一种应用于抗人球蛋白试验图像的自动分类系统，采用了如下所述的技术方案：
[0033]
图像获取模块，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
[0034]
图像增强模块，用于基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增强图像；
[0035]
图像分类模块，用于将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；
[0036]
输出模块，用于输出图像分类结果。
[0037]
进一步的，图像增强模块包括：
[0038]
灰度级计算子模块，用于对待分类检测图像进行灰度级计算，得到待分类检测图像的灰度级；
[0039]
灰度级均衡化子模块，用于将灰度级进行直方图均衡化操作，得到直方图分布数据；
[0040]
灰度变换子模块，用于基于累积分布函数对直方图分布数据进行灰度变换，得到变换后的待检测增强图像。
[0041]
为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0042]
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于抗人球蛋白试验图像的自动分类方法的步骤。
[0043]
为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0044]
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于抗人球蛋白试验图像的自动分类方法的步骤。
[0045]
与现有技术相比，本技术实施例主要有以下有益效果：
[0046]
本技术提供了一种应用于抗人球蛋白试验图像的自动分类方法、系统，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与所述抗人球蛋白试验检测结果相对应的待分类检测图像；基于直方图均衡化法对所述待分类检测图像进行增强操作，得到待检测增强图像；将所述待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；输出所述图像分类结果。基于直方图均衡化法对采集到的待检测图像进行图像增强操作，以获取待检测增强图像，从而达到图像增强的效果，保证图像精度；进而基于分类网络模型对待检测增强图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
附图说明
[0047]
为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1是本技术可以应用于其中的示例性原理框图；
[0049]
图2是本技术实施例一提供的应用于抗人球蛋白试验图像的自动分类方法的实现流程图；
[0050]
图3是图2中步骤s2的一种具体实施方式的流程图；
[0051]
图4是本技术可以应用于其中的示例性分类网络模型结构示意图；
[0052]
图5是图2中步骤s3的一种具体实施方式的流程图；
[0053]
图6是本技术实施例一提供的训练分类网络模型的一个实施例的实现流程图；
[0054]
图7是本技术实施例二提供的应用于抗人球蛋白试验图像的自动分类系统的结构示意图；
[0055]
图8是图7中图像增强模块的结构示意图；
[0056]
图9根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
[0057]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0058]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0059]
为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
[0060]
实施例一
[0061]
参阅图1-2，示出了本技术实施例一提供的应用于抗人球蛋白试验图像的自动分类方法的实现流程图，为了便于说明，仅示出与本技术相关的部分。
[0062]
上述的应用于抗人球蛋白试验图像的自动分类方法，包括以下步骤：
[0063]
在步骤s1中，当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像。
[0064]
在本技术实施例中，待分类检测图像是u型微孔板图像数据，具体可以是通过摄像装置采集与抗人球蛋白试验检测结果相对应的u型微孔板图像数据，并依次输入数据库之中，以保证后续对获取到待检测图像进行转换、分类和检测。
[0065]
在步骤s2中，基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增强图像。
[0066]
在本技术实施例中，通过对拍摄所获取的待分类检测图像进行预处理，然后，在分类判别前使用直方图均衡化法对图像进行增强，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，利于分类判别，从而保证分类检测结果的准确率。
[0067]
在步骤s3中，将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果。
[0068]
在本技术实施例中，通过将预处理过后的待检测增强图像直接输入进分类网络模型中，利用卷积操作提取该待检测增强图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，以获取准确的分类结果。
[0069]
在步骤s4中，输出图像分类结果。
[0070]
在本技术实施例中，通过将自适应灰度图像输入至分类检测模型进行图像分类操
作后，能够得到该图像的类别，并输出该图像的类别，将分类记录放入数据库中进行存储，而后可以计算下一编号的待测图像。
[0071]
本技术提供了一种应用于抗人球蛋白试验图像的自动分类方法，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与所述抗人球蛋白试验检测结果相对应的待分类检测图像；基于直方图均衡化法对所述待分类检测图像进行增强操作，得到待检测增强图像；将所述待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；输出所述图像分类结果。基于直方图均衡化法对采集到的待检测图像进行图像增强操作，以获取待检测增强图像，从而达到图像增强的效果，保证图像精度；进而基于分类网络模型对待检测增强图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
[0072]
继续参阅图3，示出了图2中步骤s2的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0073]
作为本技术实施例一的一些可选实现方式中，上述步骤s2具体包括：步骤s201、步骤s202以及步骤s203。
[0074]
在步骤s201中，对待分类检测图像进行灰度级计算，得到待分类检测图像的灰度级；
[0075]
在步骤s202中，将灰度级进行直方图均衡化操作，得到直方图分布数据；
[0076]
在步骤s203中，基于累积分布函数对直方图分布数据进行灰度变换，得到变换后的待检测增强图像。
[0077]
在本技术实施例中，通过对拍摄所获取的待分类检测图像进行预处理，在分类判别前使用直方图均衡化法对图像进行增强，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，利于分类判别，具体可以是通过设获取的图片a的像素值为s，灰度级为l，ii为该灰度范围内的第i个灰度级，si为灰度级是ii的像素值，pi(li)表示图片a中灰度级为ii的概率，即
[0078][0079]
然后，将灰度级ii进行直方图均衡化操作t(li)，得到li′
，其中
[0080][0081]
进一步地，将得到的直方图分布根据累积分布函数进行变换，求解出变换后灰度级，利用li′
近似替代ii，求解出新的pi(li′
)，完成图片a的直方图均衡化的图像预处理步骤，不仅能够达到增强图像的效果，保证图像精度，还能够降低后续对有噪图片识别的困难，从而获取较为稳定的分类结果，以保证分类检测结果的准确率。
[0082]
继续参阅图4以及图5，示出了图2中步骤s3的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0083]
作为本技术实施例一的一些可选实现方式中，上述步骤s3具体包括：步骤s301、步骤s302、步骤s303以及步骤s304。
[0084]
在步骤s301中，基于卷积操作对待检测增强图像进行特征提取操作，得到图像特征数据；
[0085]
在步骤s302中，基于池化操作对图像特征数据进行降维化简操作，得到降维化简
矩阵；
[0086]
在步骤s303中，基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
[0087]
在步骤s304中，将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
[0088]
在本技术实施例中，通过将预处理过后的待检测增强图像直接输入进分类网络模型中，利用卷积操作提取该待检测增强图像数据集的特征，图像特征数据；然后利用池化操作对提取到的图像特征数据进行降维和化简，以获取高度抽象化的降维化简矩阵；然后通过利用非线性激活函数对高度抽象化的降维化简矩阵进行分析提取信息，以获取降维化简特征；然后，通过利用多类别回归分类器进行该降维化简特征的分类操作，得到图像分类结果，不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，以保证长时间持续作业的分类检测，并且操作简单。
[0089]
作为本技术实施例一的一些可选实现方式中，上述多类别回归分类器为阈值多类别回归分类器，用于将降维化简特征输入阈值多类别回归分类器中进行抗人球蛋白试验的多类别图像分类，得到图像分类结果，其中，图像分类结果表示为
[0090][0091]
其中，y∈{1,2,
…
,c}为类别标签，a为样本图像，c为样本图像的类别，p(y＝c
│
a)为样本图像所属类别c的概率得分，其中
[0092][0093]
在本技术实施例中，通过将提取完成的降维化简特征输入至阈值多类别回归分类器中进行抗人球蛋白试验的多类别图像分类，将类别标签表示为y，y∈{1，2，
…
，c}，对于样本图片a取得它所属类别c的概率得分，其中
[0094][0095]
然后，通过决策函数降图像a归属在拥有高于预先设定阈值α的最大概率得分的类别c之中，并利用交叉熵损失函数对其进行参数优化，其中
[0096][0097]
继续参阅图6，示出了本技术实施例一提供的训练分类网络模型的一个实施例的实现流程图，为了便于说明，仅示出与本技术相关的部分。
[0098]
作为本技术实施例一的一些可选实现方式中，上述训练分类网络模型具体包括：
[0099]
在步骤s601中，读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
[0100]
在步骤s602中，基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
[0101]
在步骤s603中，对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
[0102]
在步骤s604中，将预训练图片类别、训练图像集合以及验证图像集合作为原始分
类网络模型的训练数据进行模型训练，得到分类网络模型。
[0103]
在本技术实施例中，通过提前获取到多个经过测试后的u型微孔板图像，经过简单的图像处理选取能够检测分类抗人球蛋白试验结果的图片，并为其编号1，2，3，
……
，n，即预训练图片，将该预训练图片存储至数据库中；然后，可以通过读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；进而按照金标准对其进行分类并按照7∶3的比例随机划分训练集和验证集，得到训练图像集合以及验证图像集合；同时，将预训练图片的类别信息转化为卷积神经网络模型预训练能够使用的txt文本文件，即预训练图片类别；然后，将转化完成的预训练图片类别、训练图像集合以及验证图像集合作为训练数据对原始分类网络模型进行模型训练，以获取分类精度高的分类网络模型，以保证待检测图像的分类检测结果的准确率。
[0104]
作为本技术实施例一的一些可选实现方式中，该方法还包括下述步骤：
[0105]
在分类检网络型中添加多个横向并行卷积操作以及直连操作，以优化分类网络模型的特征参数。
[0106]
在本技术实施例中，通过在分类网络模型中添加横向多个卷积层并行操作，同时在卷积层的特征提取过程中，输入x与卷积核w进行矢量运算时，为了减少卷积层参数并且保证感受野不变，将卷积核内部使其以像素值1为大小进行跳跃式扩充，卷积核矩阵进行填零操作，利用新生成的卷积核w
′
(m，n)进行计算，得到该卷积层的特征图输出s，多个并行卷积层进行连接得到多尺度特征融合图，其中
[0107]
w(m，n) (dilation-1)
×
4＝w
′
(m，n)
[0108][0109]
s＝∑ks
(i，j)
；
[0110]
进一步地，在分类网络模型中添加直连操作，在分类网络的训练过程中，当误差从输出层反向传播回前层时，将某一层或某一并行跳跃式卷积模块的输出x
(n)
作为额外损失，除输入至下一层外，还径直连接至下k层的位置，与其前一层输出共同作为该层输入进行运算，同时在反向传播过程中，梯度直接连接至该层，参数的优化效果有阶跃式提升，其中，设δ
(n)
是第n层的梯度，f
′n(x
(n)
)是通过第n层的输出x
(n)
的激活函数的导数，w
(n 1)
是要优化的特征参数，即
[0111]
δ
(n)
δ
(n-k)
＝f
′n(x
(n)
)(w
(n 1)
)
t
δ
(n 1)
。
[0112]
综上，本技术提供了一种应用于抗人球蛋白试验图像的自动分类方法，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与所述抗人球蛋白试验检测结果相对应的待分类检测图像；基于直方图均衡化法对所述待分类检测图像进行增强操作，得到待检测增强图像；将所述待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；输出所述图像分类结果。基于直方图均衡化法对采集到的待检测图像进行图像增强操作，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，以获取待检测增强图像，利于分类判别，以达到图像增强的效果，保证图像精度，从而保证分类检测结果的准确率；进而基于分类网络模型对待检测增强图像进行特征提取以及基于阈值多类别回归分类器进行分类操作，得到分类结果，以保证分类结果的准确率以及效率。不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳
定的分类结果，保证分类检测结果的准确率，以及保证长时间持续作业的分类检测，并且操作简单。
[0113]
需要说明的是，本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0114]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0115]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0116]
实施例二
[0117]
进一步参考图7，作为对上述图2所示方法的实现，本技术提供了一种应用于抗人球蛋白试验图像的自动分类系统的一个实施例，该系统实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0118]
如图7所示，本实施例所述的应用于抗人球蛋白试验图像的自动分类系统100包括：图像获取模块701、图像增强模块702、图像分类模块703以及输出模块704。其中：
[0119]
图像获取模块701，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
[0120]
在本技术实施例中，待分类检测图像是u型微孔板图像数据，具体可以是通过摄像装置采集与抗人球蛋白试验检测结果相对应的u型微孔板图像数据，并依次输入数据库之中，以保证后续对获取到待检测图像进行转换、分类和检测。
[0121]
图像增强模块702，用于基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增强图像；
[0122]
在本技术实施例中，通过对拍摄所获取的待分类检测图像进行预处理，然后，在分类判别前使用直方图均衡化法对图像进行增强，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，利于分类判别，从而保证分类检测结果的准确率。
[0123]
图像分类模块703，用于将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；
[0124]
在本技术实施例中，通过将预处理过后的待检测增强图像直接输入进分类网络模型中，利用卷积操作提取该待检测增强图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，以获取准确的分类结果。
[0125]
输出模块704，用于输出图像分类结果。
[0126]
在本技术实施例中，通过将自适应灰度图像输入至分类检测模型进行图像分类操作后，能够得到该图像的类别，并输出该图像的类别，将分类记录放入数据库中进行存储，而后可以计算下一编号的待测图像。
[0127]
本技术提供了一种应用于抗人球蛋白试验图像的自动分类系统，包括：基于直方图均衡化法对采集到的待检测图像进行图像增强操作，以获取待检测增强图像，从而达到图像增强的效果，保证图像精度；进而基于分类网络模型对待检测增强图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
[0128]
继续参阅图8，示出了本技术实施例二提供的图7中图像增强模块702的结构示意图，为了便于说明，仅示出与本技术相关的部分。
[0129]
在本技术实施例二的一些可选的实现方式中，如图8所示，上述图像增强模块702包括：灰度级计算子模块801、灰度级均衡化子模块802以及灰度变换子模块803。
[0130]
灰度级计算子模块801，用于对待分类检测图像进行灰度级计算，得到待分类检测图像的灰度级；
[0131]
灰度级均衡化子模块802，用于将灰度级进行直方图均衡化操作，得到直方图分布数据；
[0132]
灰度变换子模块803，用于基于累积分布函数对直方图分布数据进行灰度变换，得到变换后的待检测增强图像。
[0133]
在本技术实施例中，通过对拍摄所获取的待分类检测图像进行预处理，在分类判别前使用直方图均衡化法对图像进行增强，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，利于分类判别，具体可以是通过设获取的图片a的像素值为s，灰度级为l，li为该灰度范围内的第i个灰度级，si为灰度级是li的像素值，pi(li)表示图片a中灰度级为li的概率，即
[0134][0135]
然后，将灰度级li进行直方图均衡化操作t(li)，得到l
′i，其中
[0136][0137]
进一步地，将得到的直方图分布根据累积分布函数进行变换，求解出变换后灰度级，利用l
′i近似替代li，求解出新的pi(l
′i)，完成图片a的直方图均衡化的图像预处理步骤，不仅能够达到增强图像的效果，保证图像精度，还能够降低后续对有噪图片识别的困难，从而获取较为稳定的分类结果，以保证分类检测结果的准确率。
[0138]
在本技术实施例二的一些可选的实现方式中，上述图像分类模块包括：特征提取子模块、降维化简子模块、分析提取子模块以及特征分类子模块。
[0139]
特征提取子模块，用于基于卷积操作对待检测增强图像进行特征提取操作，得到图像特征数据；
[0140]
降维化简子模块，用于基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
[0141]
分析提取子模块，用于基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
[0142]
特征分类子模块，用于将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
[0143]
在本技术实施例中，通过将预处理过后的待检测增强图像直接输入进分类网络模型中，利用卷积操作提取该待检测增强图像数据集的特征，图像特征数据；然后利用池化操作对提取到的图像特征数据进行降维和化简，以获取高度抽象化的降维化简矩阵；然后通过利用非线性激活函数对高度抽象化的降维化简矩阵进行分析提取信息，以获取降维化简特征；然后，通过利用多类别回归分类器进行该降维化简特征的分类操作，得到图像分类结果，不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，以保证长时间持续作业的分类检测，并且操作简单。
[0144]
作为本技术实施例二的一些可选实现方式中，上述多类别回归分类器为阈值多类别回归分类器，用于将降维化简特征输入阈值多类别回归分类器中进行抗人球蛋白试验的多类别图像分类，得到图像分类结果，其中，图像分类结果表示为
[0145][0146]
其中，y∈{1，2，
…
，c}为类别标签，a为样本图像，c为样本图像的类别，p(y＝c|a)为样本图像所属类别c的概率得分，其中
[0147][0148]
在本技术实施例中，通过将提取完成的降维化简特征输入至阈值多类别回归分类器中进行抗人球蛋白试验的多类别图像分类，将类别标签表示为y，y∈{1，2，
…
，c}，对于样本图片a取得它所属类别c的概率得分，其中
[0149][0150]
然后，通过决策函数将图像a归属在拥有高于预先设定阈值α的最大概率得分的类别c之中，并利用交叉熵损失函数对其进行参数优化，其中
[0151][0152]
作为本技术实施例二的一些可选实现方式中，上述训练分类网络模型具体包括：
[0153]
预训练图片获取模块，用于读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
[0154]
图片划分模块，用于基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
[0155]
文本转化模块，用于对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
[0156]
模型训练模块，用于将预训练图片类别、训练图像集合以及验证图像集合作为原始分类网络模型的训练数据进行模型训练，得到分类网络模型。
[0157]
在本技术实施例中，通过提前获取到多个经过测试后的u型微孔板图像，经过简单的图像处理选取能够检测分类抗人球蛋白试验结果的图片，并为其编号1,2,3，
……
，n，即预训练图片，将该预训练图片存储至数据库中；然后，可以通过读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；进而按照金标准对其进行分类并按照7:3的比例随机划分训练集和验证集，得到训练图像集合以及验证图像集合；同时，将预训练图片的类别信息转化为卷积神经网络模型预训练能够使用的txt文本文件，即预训练图片类别；然后，将转化完成的预训练图片类别、训练图像集合以及验证图像集合作为训练数据对原始分类网络模型进行模型训练，以获取分类精度高的分类网络模型，以保证待检测图像的分类检测结果的准确率。
[0158]
作为本技术实施例二的一些可选实现方式中，该方法还包括下述步骤：
[0159]
在分类检网络型中添加多个横向并行卷积操作以及直连操作，以优化分类网络模型的特征参数。
[0160]
在本技术实施例中，通过在分类网络模型中添加横向多个卷积层并行操作，同时在卷积层的特征提取过程中，输入x与卷积核w进行矢量运算时，为了减少卷积层参数并且保证感受野不变，将卷积核内部使其以像素值1为大小进行跳跃式扩充，卷积核矩阵进行填零操作，利用新生成的卷积核w
′
(m，n)进行计算，得到该卷积层的特征图输出s，多个并行卷积层进行连接得到多尺度特征融合图，其中
[0161]
w(m，n) (dilation-1)
×
4＝w
′
(m，n)
[0162][0163]
s＝∑ks
(i，j)
；
[0164]
进一步地，在分类网络模型中添加直连操作，在分类网络的训练过程中，当误差从输出层反向传播回前层时，将某一层或某一并行跳跃式卷积模块的输出x
(n)
作为额外损失，除输入至下一层外，还径直连接至下k层的位置，与其前一层输出共同作为该层输入进行运算，同时在反向传播过程中，梯度直接连接至该层，参数的优化效果有阶跃式提升，其中，设δ
(n)
是第n层的梯度，f
′n(x
(n)
)是通过第n层的输出x
(n)
的激活函数的导数，w
(n 1)
是要优化的特征参数，即
[0165]
δ
(n)
δ
(n-k)
＝f
′n(x
(n)
)(w
(n 1)
)
t
δ
(n 1)
。
[0166]
综上，本技术提供了一种应用于抗人球蛋白试验图像的自动分类系统，包括：图像获取模块，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；图像增强模块，用基于直方图均衡化法对待分类检测图像进行增强操作，得到待检测增强图像；图像分类模块，用将待检测增强图像输入至分类网络模型进行图像分类操作，得到图像分类结果；输出模块，用输出图像分类结果。基于直方图均衡化法对采集到的待检测图像进行图像增强操作，利用增大图片像素的灰度间距来提升图片的对比度，使得图像细节更加清晰，以获取待检测增强图像，利于分类判别，以达到图像增强的效果，保证图像精度，从而保证分类检测结果的准确率；进而基于分类网络模型对待检测增强图像进行特征提取以及基于阈值多类别回归分类器进行分类操作，得到分类结果，以保证分类结果的准确率以及效率。不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，保证分类检测结果的准确
率，以及保证长时间持续作业的分类检测，并且操作简单。
[0167]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
[0168]
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0169]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0170]
所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如应用于抗人球蛋白试验图像的自动分类方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0171]
所述处理器220在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述应用于抗人球蛋白试验图像的自动分类方法的计算机可读指令。
[0172]
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
[0173]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于抗人球蛋白试验图像的自动分类方法的步骤。
[0174]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做
出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0175]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。