技术摘要：
本发明公开一种基于深度强化学习的显微图像自动聚焦方法，先根据深度强化学习构建显微图像自动聚焦的训练器，再通过该训练器训练构建的深度Q网络模型，通过训练器和深度Q网络模型的联合使用将现有的被动自动聚焦技术中两个独立部分融合成一体，输入待处理的显微图像，  全部
背景技术：
自动聚焦是利用显微图像进行细胞检测与识别的首要步骤，且广泛应用于各种疾 病的诊断，例如：宫颈癌、结核病等。自动聚焦技术可以分为两大类：主动自动聚焦技术和被 动自动聚焦技术。目前大多数自动聚焦方法都是基于被动自动聚焦技术，该被动自动聚焦 技术包含两个独立的部分：一是聚焦评价函数，利用聚焦评价函数可计算待评价显微图像 的聚焦程度，即图像的清晰度。现有方法中，聚焦评价函数对聚焦性能的影响较大，即对聚 焦评价函数的设置要求较高。二是搜索策略，采用搜索策略迭代移动显微镜物镜，以找到聚 焦评价值最大时显微镜物镜的位置。搜索策略对聚焦性能的优劣起着决定性的作用，现有 的大部分聚焦搜索策略都存在通用性差，算法复杂，搜索时间长，不适用于高精度的显微镜 自动聚焦。 因此，现有的自动聚焦技术普遍存在聚焦精度低、聚焦速度慢等问题，亟需一种快 速、精准、通用性好的显微图像自动聚焦技术。
技术实现要素：
本发明提供一种基于深度强化学习的显微图像自动聚焦方法及系统，用于克服现 有技术中聚焦精度低、聚焦速度慢等缺陷。 为实现上述目的，本发明提出一种基于深度强化学习的显微图像自动聚焦方法， 包括： 获取显微图像序列； 根据深度强化学习构建显微图像自动聚焦的训练器；所述训练器包括智能模块和 评价模块；所述智能模块用于对状态表示进行处理向所述评价模块输出聚焦动作；所述评 价模块通过构建的奖励函数对所述智能模块输出的聚焦动作进行评价； 利用所述显微图像序列和所述训练器，训练预先构建在所述智能模块内的深度Q 网络模型； 利用训练好的深度Q网络模型对待聚焦显微图像进行自动聚焦。 为实现上述目的，本发明还提出一种基于深度强化学习的显微图像自动聚焦系 统，包括： 图像采集模块，用于获取显微图像序列； 训练器构建模块，用于根据深度强化学习构建显微图像自动聚焦的训练器；所述 训练器包括智能模块和评价模块；所述智能模块用于对状态表示进行处理向所述评价模块 输出聚焦动作；所述评价模块通过构建的奖励函数对所述智能模块输出的聚焦动作进行评 价； 4 CN 111552069 A 说　明　书 2/7 页 模型训练模块，用于利用所述显微图像序列和所述训练器，训练预先构建在所述 智能模块内的深度Q网络模型； 自动聚焦模块，用于利用训练好的深度Q网络模型对待聚焦显微图像进行自动聚 焦。 为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储 器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。 与现有技术相比，本发明的有益效果有： 本发明提供的基于深度强化学习的显微图像自动聚焦方法，先根据深度强化学习 构建显微图像自动聚焦的训练器，再通过该训练器训练构建的深度Q网络模型，通过训练器 和深度Q网络模型的联合使用将现有的被动自动聚焦技术中两个独立部分融合成一体，输 入待处理的显微图像，采用一种端到端的学习方法直接对显微图像进行处理，输出Q值从而 获得对应的聚焦运动。本发明的方法可有效弱化聚焦评价函数和搜索策略对聚焦性能的影 响，同时通过将现有的被动自动聚焦技术中两个独立部分的融合可有效提高聚焦精度和聚 焦速度。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，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 根据这些附图示出的结构获得其他的附图。 图1为本发明提供的基于深度强化学习的显微图像自动聚焦方法流程图； 图2为深度强化学习的基本原理示意图； 图3为本发明实施例中的深度Q网络模型结构图。 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。