本文轉(zhuǎn)載至知乎ID：Charles（白露未晞）知乎個人專欄

下載W3Cschool手機App，0基礎隨時隨地學編程>>戳此了解

Hi~~~

“浮云一別后，流水十年間?！泵γβ德抵邪l(fā)現(xiàn)又有多日沒有更新公眾號了，過來更一發(fā)~~~

【下個月再開始推一些爬蟲相關的內(nèi)容吧，這個月確實沒什么時間?！?/p>

利用全卷積網(wǎng)絡+濾波器實現(xiàn)細胞檢測。

讓我們愉快地開始吧！

相關文件

百度網(wǎng)盤下載鏈接: https://pan.baidu.com/s/16W2uByTpThAH8GUrv7pOZg

密碼: 5f5k

開發(fā)工具

Python版本：3.6.4

相關模塊：

numpy模塊；

PIL模塊；

scipy模塊；

TensorFlow-GPU模塊；

tensorlayer模塊；

matplotlib模塊；

以及一些Python自帶的模塊。

TensorFlow-GPU版本：

1.6.0

測試平臺：

Windows10

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關模塊即可。

其中，TensorFlow-GPU的環(huán)境搭建請自行參考相關的網(wǎng)絡教程，注意版本和驅(qū)動嚴格對應即可。

原理簡介

利用簡單的全卷積網(wǎng)絡+高斯和統(tǒng)計排序濾波器實現(xiàn)的細胞檢測算法。

其中全卷積網(wǎng)絡的結構為：

訓練集包含6種類型的細胞圖像：

（依據(jù)其中心進行分類）

（1）細胞重疊：

（2）非目標細胞：

（3）細胞邊緣

（4）細胞間隙：

（5）背景：

（6）細胞中心點：

T_T相信聰明的小伙伴已經(jīng)猜到了：

我們采用的細胞檢測算法其實就是利用滑動窗口遍歷給定的圖像，把每個窗口的圖像感受野輸入到訓練好的網(wǎng)絡，判斷該窗口的中心是否為細胞中心，若是則標出。該思想類似于RCNN，不過我們對檢測結果加了濾波器來提高其精度。

至于具體實現(xiàn)過程，詳見相關文件中的源代碼。

使用演示

模型訓練：

在cmd窗口運行train.py文件即可。

相關文件中提供了原始數(shù)據(jù)集和轉(zhuǎn)為tfrecords格式的數(shù)據(jù)集。訓練只需使用tfrecords格式的數(shù)據(jù)集即可。若想自己生成，則將下圖中的注釋去掉，并將該函數(shù)中的原始數(shù)據(jù)集路徑修改為你自己的數(shù)據(jù)集路徑：

訓練效果圖：

模型測試：

相關文件中提供了訓練好的模型，在cmd窗口運行test.py文件即可，運行前請自行修改該文件內(nèi)的測試圖像路徑：

效果展示

原圖像1：

檢測效果1（注意紅點）：

原圖像2：

檢測效果2：

That'all~~~

更多

模型設計的比較簡單，效率比較低。之后會推送一些高端點的算法~~~

代碼截止2018-05-30測試無誤。